GPT‑5.2 推導出理論物理中的新結果
在一篇新的預印本論文中,GPT‑5.2 提出一個膠子振幅的公式,之後由 OpenAI 內部模型給出正式證明,並由作者加以驗證。
我們發表了一篇新的預印本,展示一種多數物理學家原本預期不會發生的粒子交互作用,其實在特定條件下可以出現。這項工作聚焦於膠子,也就是攜帶強作用力的粒子。這篇預印本(在新視窗中開啟)已發佈在 arXiv 上,並正準備投稿發表。同時,我們也歡迎社群提供回饋。
這篇題為「Single-minus gluon tree amplitudes are nonzero」的預印本,由 Alfredo Guevara(Institute for Advanced Study)、Alex Lupsasca(Vanderbilt University 與 OpenAI)、David Skinner(University of Cambridge)、Andrew Strominger(Harvard University)以及 Kevin Weil(OpenAI)代表 OpenAI 共同撰寫。
這篇預印本研究的是粒子物理中的一個核心概念:散射振幅。散射振幅是物理學家用來計算粒子以特定方式互相作用機率的量。對於攜帶強作用力的膠子而言,許多振幅在「樹階」(tree level,意指只保留沒有量子迴圈的最簡圖示)下會呈現出出乎意料的簡單形式。這些簡化一再揭示出量子場論中更深層的結構;量子場論是將狹義相對論與量子力學統一描述的理論框架。
然而,有一種情況通常被視為不存在(振幅為零)。當一個膠子具有負螺旋度(也就是無質量粒子可有的兩種自旋取向之一),而其餘 個膠子具有正螺旋度時,標準教科書上的論證指出,對應的樹階振幅必須為零。因此,這種組態大多被擱置不理。
預印本顯示,這個結論其實過於武斷。標準論證假設的是「一般」的粒子動量,也就是動量方向與能量沒有任何特殊對齊。我們找出動量空間中一個具體且精確定義的切片,在那裡這套推理不再適用,這個切片稱為半共線(half-collinear)區域。所謂半共線,是指膠子動量滿足一種不常見、但在數學上定義良好且自洽的特殊對齊條件。在這個切片上,振幅不再消失,我們並在一個特殊的動力學區域中將其算出。這項結果開啟了許多新問題,將成為後續研究的主題,其中重要的推廣之一,就是計算對應的重力子振幅(重力的媒介粒子)。
這項工作的核心之一在於方法論。預印本中的最終公式(式 (39))最初是由 GPT‑5.2 Pro 所提出的猜想。人類作者先手算出整數 至 的振幅,得到非常複雜的表達式(見式 (29)--(32)),這些表達式對應於「Feynman 圖展開」,其複雜度會隨 n 超指數成長。GPT‑5.2 Pro 能大幅簡化這些表達式,給出式 (35)--(38) 中更為簡潔的形式。從這些基礎案例出發,它接著辨識出其中的模式,並提出一個對所有 都成立的公式。
一個內部搭建(scaffolded)的 GPT‑5.2 版本接著花了大約 12 小時推理這個問題,獨立得到相同的公式,並產出一份形式化的正確性證明。隨後,我們解析驗證這個方程式確實解出 Berends-Giele 遞迴關係——這是一種標準的逐步方法,用來從較小的組件構造多粒子樹階振幅。我們也檢查了它是否符合 soft theorem,該定理會限制當某個粒子變得「軟」時,振幅應有的行為。
在 GPT‑5.2 的協助下,這些振幅已經從膠子推廣到重力子,其他推廣也在進行中。這些 AI 協助得到的結果,以及許多其他相關成果,將會在其他地方陸續報告。
「自從大約十五年前我第一次接觸到這些高度簡併的散射過程以來,我一直對其物理學感到好奇,因此在這篇論文中看到如此驚人簡單的表達式,令人興奮。」
在物理學的這一領域中,經常會出現這種情況:用教科書方法計算的某些物理可觀測量的表達式看似非常複雜,但實際上卻非常簡單。這很重要,因為簡單的公式常常引導我們踏上探索和理解深層新結構的旅程,開啟全新的思想世界;在那裡,起點的簡單性變得顯而易見。
對我來說,「找到一個簡單的公式」一直以來都很棘手,而且我也早就覺得這件事或許可以由電腦自動化。看起來在多個領域中,我們開始看到這種情況發生;本文中的例子似乎特別適合用來發揮現代 AI 工具的強大功能。我期待在不久的將來看到這股趨勢持續發展,朝向一款通用型的「簡單公式模式辨識」工具邁進。
—Nima Arkani-Hamed,高等研究院物理學教授,專精於理論高能物理
「我已經在思考這篇預印本對我團隊研究計劃各個方面的影響。」這顯然是推進理論物理學前沿的期刊級研究,其新穎性將啟發未來的發展與後續發表。這篇預印本讓人彷彿一窺 AI 輔助科學的未來,物理學家與 AI 攜手合作,產生並驗證新的洞見。毫無疑問,物理學家與大型語言模型 (LLM) 之間的對話能夠產生根本上全新的知識。透過將 GPT‑5.2 與人類領域專家結合,本文提供了一個用於驗證 LLM 驅動見解的範本,並滿足我們對嚴謹科學探究的期望。
Nathaniel Craig,加州大學聖塔芭芭拉分校(UCSB)物理學教授,專精於高能物理、粒子現象學與宇宙學


