Viimeaikainen esipainoksemme gluoniamplitudeista on herättänyt paljon keskustelua, joten haluan jakaa taustatarinan — mukaan lukien sen, miten tekoäly auttoi ratkaisemaan ongelman, joka oli ollut meille vuoden ajan hämmentämässä. Pidän myös julkisen luennon Harvardissa tällä viikolla. Yksityiskohdat lopussa.

Noin vuosi sitten maailman asiantuntijat tässä ongelmassa, Alfredo Guevara (IAS), David Skinner (Cambridge) ja Andy Strominger (Harvard), huomasivat yllättävän asian: yksi-miinusamplitudit eivät saisi olla identtisesti nolla, vaikka joissakin oppikirjoissa on vastakkaisia argumentteja (joissa on porsaanreikä, kun vuorovaikuttavat hiukkaset ovat kollineaarisia). Kysymys kuului: mitä näiden amplitudien pitäisi oikeastaan olla?

Viime lokakuussa liityin vastaperustettuun OpenAI for Science -divisioonaan, jota johtaa @kevinweil & @markchen90, tavoitteena parantaa rajamalliemme tieteellisiä kykyjä. Olin niin innoissani siitä, mitä uusimmat sisäiset mallit voisivat tehdä fysiikalle, että kutsuin kanssakirjoittajani ja tohtoriohjaajani Andyn työskentelemään heidän kanssaan ongelman parissa, jotta hän voisi itse nähdä asian.

Alfredo, David ja Andy olivat kuluneen vuoden ajan yrittäneet löytää yksinkertaisen kaavan ei-nollaaville yksi-miinusamplitudeille, analogisesti Parke-Taylor-kaavan kanssa, joka saatiin 80-luvulla kaksoismiinus ("MHV") amplitudeille. Alfredo oli saanut esipainoksessa monimutkaisen lausekkeen, yhtälön 21, mutta se oli kömpelö: summa Feynmanin diagrammeista, joiden monimutkaisuus kasvaa supereksponentiaalisesti vuorovaikuttavien hiukkasten määrässä.

Tämän kaavan avulla oli vaikeaa laskea amplitudeja n=6:een asti (kuten yhtälöissä 29--32), mutta ajattelimme, että paljon yksinkertaisempi lauseke pitäisi olla olemassa, aivan kuten Parke-Taylorin kaava oli yksinkertaistanut kauheat Feynman-diagrammin laskelmat MHV-amplitudeille (tämä selitetään hyvin Zeen QFT-kirjan osassa N.2). Mutta tällainen kaava osoittautui silti vaikeasti tavoitettavaksi.

Kävimme paljon edestakaista keskustelua GPT-5.2 Pron kanssa, mikä auttoi meitä tunnistamaan kinemaattisen R_1, josta meidän tulisi etsiä yksinkertaistettu kaava. Se löysi myös yllättäviä ei-triviaaleja yksinkertaistuksia amplitudeille, jotka meillä oli, ja jotka on esitetty yhtälöissä. 35--38, mikä sai sen arvaamaan yhtälön 39 yleiselle kuviolle. Kun tämä tavoite oli näkyvissä, muotoilimme terävän kysymyksen sisäiselle mallille, ja se tuotti itsenäisesti yksinkertaisen yhtälön 39 ja todisti sen.

Esipainoksen osa Eq. 39:n jälkeen on pohjimmiltaan mallin toimittama ja meidän vahvistama todistus. Tämä oli todellakin ihmisten ja tekoälyn yhteistyö, jossa GPT-5.2 ja sen tukirakenteet olivat erittäin lahjakkaan tekijän tasolla. Kuten Andy sanoi, lopullinen tulos oli jäänyt tiimille huomaamatta vuoden ajan, eikä sitä ehkä löydetty vielä pitkään aikaan. Mielestäni olemme ylittäneet kynnyksen tekoälylle fysiikassa.

Uskon, että tämä vuosi tulee olemaan tieteen käännekohta, ja tekoäly tekee fysiikalle vuonna 2026 saman kuin koodaukselle vuonna 2025. Puhun näistä viimeaikaisista tuloksista ja tulevista suunnista Harvardissa tiistaina klo 14 Science Centerin salissa A.