GPT‑5.2 సిద్ధాంత భౌతిక శాస్త్రంలో కొత్త ఫలితాన్ని ఉత్పత్తి చేసింది
కొత్త ప్రీప్రింట్లో, GPT‑5.2 గ్లూయాన్ యాంప్లిట్యూడ్ కోసం ఒక సూత్రాన్ని ప్రతిపాదించింది; తరువాత దాన్ని అంతర్గత OpenAI మోడల్ నిరూపించి, రచయితలు నిర్ధారించారు.
మేము, చాలా మంది భౌతిక శాస్త్రవేత్తలు జరగదని భావించిన ఒక రకమైన కణ పరస్పర చర్య, నిజానికి నిర్దిష్ట పరిస్థితుల్లో ఉత్పన్నమవుతుందని చూపించే కొత్త ప్రీప్రింట్ను ప్రచురించాము. ఈ పని బలమైన అణు బలాన్ని మోసే కణాలైన గ్లూయాన్లపై దృష్టి పెడుతుంది. ఈ ప్రీప్రింట్(కొత్త విండోలో తెరుచుకుంటుంది) arXiv లో అందుబాటులో ఉంది మరియు ప్రచురణ కోసం సమర్పణలో ఉంది. ఈ మధ్యలో, సమాజం నుంచి అభిప్రాయాలను స్వాగతిస్తున్నాము.
“Single-minus gluon tree amplitudes are nonzero” అనే శీర్షికతో ఉన్న ఈ ప్రీప్రింట్ను Alfredo Guevara (Institute for Advanced Study), Alex Lupsasca (Vanderbilt University మరియు OpenAI), David Skinner (University of Cambridge), Andrew Strominger (Harvard University), మరియు Kevin Weil (OpenAI) OpenAI తరఫున రచించారు.
ఈ ప్రీప్రింట్ కణ భౌతిక శాస్త్రంలో కీలకమైన స్కాటరింగ్ అమ్ప్లిట్యూడ్ అనే భావనను పరిశీలిస్తుంది. స్కాటరింగ్ అమ్ప్లిట్యూడ్ అనేది కణాలు నిర్దిష్ట విధంగా పరస్పరం చర్యచేసే సంభావ్యతను గణించడానికి భౌతిక శాస్త్రవేత్తలు ఉపయోగించే పరిమాణం. బలమైన అణు బలాన్ని మోసే కణాలైన గ్లూయాన్ల కోసం, అనేక అమ్ప్లిట్యూడ్లు “ట్రీ లెవల్” వద్ద ఆశ్చర్యకరంగా సరళమైన రూపాలు తీసుకుంటాయి (అంటే క్వాంటమ్ లూప్లు లేని అత్యంత సరళమైన డయాగ్రామ్లను మాత్రమే పరిగణలోకి తీసుకునే గణనలు). ఈ సరళీకరణలు పదేపదే క్వాంటమ్ ఫీల్డ్ థియరీలో లోతైన నిర్మాణాన్ని వెలికితీశాయి—ఇది స్పెషల్ రిలేటివిటీ మరియు క్వాంటమ్ మెకానిక్స్ను ఏకం చేసి భౌతిక శాస్త్రాన్ని వివరిస్తుంది.
అయితే ఒక సందర్భాన్ని సాధారణంగా లేనట్టుగా (అంటే అమ్ప్లిట్యూడ్ శూన్యంగా ఉందని) పరిగణించారు. ఒక గ్లూయాన్కు నెగటివ్ హెలిసిటీ (అంటే భారం లేని కణం కలిగి ఉండగల రెండు స్పిన్ దిశల్లో ఒకటి) ఉండగా, మిగతా 𝑛−1n−1 గ్లూయాన్లకు పాజిటివ్ హెలిసిటీ ఉంటే, సాధారణ పాఠ్యపుస్తక వాదనలు ఆ ట్రీ-లెవల్ అమ్ప్లిట్యూడ్ తప్పనిసరిగా శూన్యం కావాలని సూచిస్తాయి. అందువల్ల ఈ కాన్ఫిగరేషన్ను ఎక్కువగా పక్కన పెట్టారు.
ప్రీప్రింట్ ఈ నిర్ణయం చాలా బలంగా ఉందని చూపిస్తుంది. సాధారణ వాదన, కణ మొమెంటాలు ప్రత్యేక సమాంతరత లేకుండా ఉంటాయని — అంటే దిశలు, ఎనర్జీలు ఏ ప్రత్యేక అమరికలో లేవని — అనుమానిస్తుంది. మేము, హాఫ్-కోలినియర్ రీజీమ్గా పిలువబడే మొమెంటం స్పేస్లోని ఒక నిర్దిష్ట, ఖచ్చితంగా నిర్వచించిన భాగాన్ని గుర్తించాము; అక్కడ ఆ తర్కం వర్తించదు. ఇక్కడ “హాఫ్-కోలినియర్” అంటే గ్లూయాన్ మొమెంటాలు సాధారణంగా కనిపించని, కానీ గణితపరంగా బాగా నిర్వచించబడిన, సుసంగతమైన ప్రత్యేక సమాంతరత షరతును తీరుస్తున్నాయని అర్థం. ఈ భాగంలో, యాంప్లిట్యూడ్ శూన్యమవ్వదు; మేము దాన్ని ఒక ప్రత్యేక కైనమాటిక్ రీజీమ్లో లెక్కించాము. ఈ ఫలితం, తరువాతి పరిశోధనల అంశమయ్యే అనేక కొత్త ప్రశ్నలకు తలుపులు తెరుస్తుంది. ముఖ్యమైన విస్తరణల్లో, గ్రావిటేషనల్ బలాన్ని మోసే కణాలైన గ్రావిటాన్ల కోసం అనలాగస్ యాంప్లిట్యూడ్లను లెక్కించడం కూడా ఉంది.
ఈ పనిలోని కేంద్ర అంశం పద్ధతికి సంబంధించినది. ప్రీప్రింట్లో Eq. (39) గా ఉన్న తుది సూత్రాన్ని మొదట GPT‑5.2 Pro ఊహించింది. మానవ రచయితలు వరకు పూర్ణాంక విలువల కోసం యాంప్లిట్యూడ్లను చేతితో లెక్కించారు; ఫలితంగా, n లో సూపర్ఎక్స్పోనెన్షియల్గా పెరుగుతున్న క్లిష్టత కలిగిన “Feynman diagram expansion” కు సంబంధించిన, Eq. (29)--(32) లో చూపిన చాలా క్లిష్టమైన వ్యక్తీకరణలు వచ్చాయి. GPT‑5.2 Pro ఈ వ్యక్తీకరణల క్లిష్టతను గణనీయంగా తగ్గించి, Eq. (35)--(38) లో ఉన్న చాలా సరళమైన రూపాలను అందించింది. ఈ బేస్ కేసుల నుంచి, అది ఒక ప్యాటర్న్ను గుర్తించి, అన్ని విలువలకు వర్తించే సూత్రాన్ని ప్రతిపాదించగలిగింది.
అంతర్గతంగా స్కాఫోల్డ్ చేసిన GPT‑5.2 వెర్షన్ తరువాత సుమారు 12 గంటలు సమస్యపై రిజనింగ్ చేస్తూ గడిపి, అదే సూత్రాన్ని కనుగొని, దాని చెల్లుబాటుకు ఫార్మల్ ప్రూఫ్ను రూపొందించింది. ఆ సమీకరణ, తరువాత బహు-కణ ట్రీ యాంప్లిట్యూడ్లను చిన్న బిల్డింగ్ బ్లాక్ల నుంచి దశలవారీగా నిర్మించే ప్రామాణిక పద్ధతి అయిన Berends-Giele రికర్షన్ రిలేషన్ను పరిష్కరిస్తుందని విశ్లేషణాత్మకంగా నిర్ధారించబడింది. అలాగే, ఒక కణం “సాఫ్ట్” అవుతున్నప్పుడు యాంప్లిట్యూడ్లు ఎలా ప్రవర్తించాలనే దానిని నియంత్రించే సాఫ్ట్ థియరమ్తో కూడా దాన్ని సరిపోల్చి చూశారు.
GPT‑5.2 సహాయంతో, ఈ యాంప్లిట్యూడ్లు ఇప్పటికే గ్లూయాన్ల నుంచి గ్రావిటాన్లకు విస్తరించబడ్డాయి; ఇతర సాధారణీకరణలు కూడా రాబోతున్నాయి. ఈ AI-సహాయంతో వచ్చిన ఫలితాలు, ఇంకా మరెన్నో, వేరే చోట నివేదించబడతాయి.
“ఈ అత్యంత డీజనరేట్ స్కాటరింగ్ ప్రక్రియల భౌతిక శాస్త్రం గురించి నేను మొదట వీటిని సుమారు పదిహేనేళ్ల క్రితం చూసినప్పటి నుంచి ఆసక్తిగా ఉన్నాను; కాబట్టి ఈ పేపర్లో ఇంత ఆశ్చర్యకరంగా సరళమైన వ్యక్తీకరణలను చూడటం ఉత్సాహంగా ఉంది.
భౌతిక శాస్త్రంలోని ఈ భాగంలో తరచుగా ఇలా జరుగుతుంది: పాఠ్యపుస్తక పద్ధతులతో లెక్కించిన కొన్ని భౌతిక ఆబ్జర్వబుల్ల వ్యక్తీకరణలు చాలా క్లిష్టంగా కనిపిస్తాయి, కానీ చివరికి చాలా సరళంగా మారుతాయి. ఇది ముఖ్యమైనది, ఎందుకంటే తరచుగా సరళమైన సూత్రాలు మనలను లోతైన కొత్త నిర్మాణాలను వెలికితీయడం, అర్థం చేసుకోవడం వైపు నడిపిస్తాయి; మొదటి దశలో కనిపించిన సరళత ఎందుకు వచ్చిందో స్పష్టమయ్యే కొత్త ఆలోచనల ప్రపంచాలను తెరుస్తాయి.
నా దృష్టిలో, “సరళమైన సూత్రాన్ని కనుగొనడం” ఎప్పుడూ కొంచెం చిక్కుగా ఉండేది; అలాగే, కంప్యూటర్లు ఆటోమేట్ చేయగలిగే పని కావచ్చని నేను చాలా కాలంగా భావిస్తున్నాను. పలు రంగాల్లో ఇది జరుగుతున్నట్లు ఇప్పుడు కనిపిస్తోంది; ఈ పేపర్లోని ఉదాహరణ, ఆధునిక AI సాధనాల శక్తిని వినియోగించుకోవడానికి ప్రత్యేకంగా అనుకూలంగా ఉంది. సమీప భవిష్యత్తులో సాధారణ ప్రయోజనాల కోసం “సరళమైన సూత్రాల ప్యాటర్న్ రికగ్నిషన్” సాధనంగా ఈ ధోరణి కొనసాగడాన్ని చూడాలని నేను ఎదురుచూస్తున్నాను.”
—నీమా ఆర్కాని-హామెడ్, ఫిజిక్స్ ప్రొఫెసర్, ఇన్స్టిట్యూట్ ఫర్ అడ్వాన్స్డ్ స్టడీ, సైద్ధాంతిక హై-ఎనర్జీ ఫిజిక్స్లో నిపుణుడు
“నేను ఇప్పటికే ఈ ప్రీప్రింట్ ప్రభావాలను మా గ్రూప్ పరిశోధన కార్యక్రమంలోని కొన్ని అంశాలపై ఆలోచిస్తున్నాను. ఇది స్పష్టంగా సిద్ధాంత భౌతిక శాస్త్ర సరిహద్దులను ముందుకు తీసుకెళ్తున్న జర్నల్-స్థాయి పరిశోధన, మరియు దీని కొత్తదనం భవిష్యత్ అభివృద్ధులు మరియు తదుపరి ప్రచురణలకు ప్రేరణగా ఉంటుంది. ఈ ప్రీప్రింట్ AI సహాయంతో జరిగే శాస్త్ర పరిశోధన భవిష్యత్తుకు ఒక చూపులా అనిపించింది—ఇక్కడ భౌతిక శాస్త్రవేత్తలు మరియు AI కలిసి పనిచేసి కొత్త అవగాహనలను సృష్టించి ధృవీకరిస్తున్నారు. భౌతిక శాస్త్రవేత్తలు మరియు LLMల మధ్య సంభాషణలు మౌలికంగా కొత్త జ్ఞానాన్ని సృష్టించగలవన్నది సందేహం లేదు. GPT‑5.2ను మానవ రంగ నిపుణులతో కలిపి ఉపయోగించడం ద్వారా, ఈ పత్రం LLM ఆధారిత అవగాహనలను ధృవీకరించడానికి ఒక నమూనాను చూపిస్తుంది మరియు కఠినమైన శాస్త్రీయ పరిశోధన నుంచి మేము ఆశించే ప్రమాణాలను తీరుస్తుంది.”
—Nathaniel Craig, ఫిజిక్స్ ప్రొఫెసర్, University of California, Santa Barbara (UCSB); హై-ఎనర్జీ ఫిజిక్స్, కణ ఫీనామెనాలజీ, మరియు కాస్మాలజీలో నిపుణుడు


