Il nostro recente preprint sulle ampiezze di gluoni ha suscitato molte discussioni, quindi voglio condividere la storia dietro le quinte — incluso come l'AI ha aiutato a risolvere un problema che ci aveva bloccato per un anno. Terrò anche una lezione pubblica ad Harvard questa settimana. Dettagli alla fine.

Circa un anno fa, esperti mondiali su questo problema, Alfredo Guevara (IAS), David Skinner (Cambridge) e Andy Strominger (Harvard) si sono resi conto di qualcosa di sorprendente: le ampiezze single-minus non dovrebbero essere identicamente zero, nonostante gli argomenti in alcuni libri di testo dicano il contrario (che presentano una scappatoia quando le particelle interagenti sono collineari). La domanda è diventata: quali dovrebbero essere effettivamente queste ampiezze?

Lo scorso ottobre, mi sono unito alla nuova divisione OpenAI for Science, guidata da @kevinweil e @markchen90, con l'obiettivo di migliorare le capacità scientifiche dei nostri modelli all'avanguardia. Ero così entusiasta di ciò che i più recenti modelli interni potevano fare per la fisica che ho invitato il mio coautore e relatore di dottorato Andy a lavorare insieme su un problema, in modo che potesse vedere con i suoi occhi.

Alfredo, David e Andy avevano trascorso l'ultimo anno cercando di trovare una formula semplice per le ampiezze single-minus non nulle, analoga alla formula di Parke-Taylor ottenuta negli anni '80 per le ampiezze double-minus ("MHV"). Alfredo aveva ottenuto un'espressione complicata, Eq. 21 nel preprint, ma era ingombrante: una somma su diagrammi di Feynman la cui complessità cresce superesponenzialmente con il numero di particelle interagenti.

Usando questa formula, è stato difficile calcolare le ampiezze fino a n=6 (come mostrato nelle Eqs. 29--32), ma pensavamo che dovesse esistere un'espressione molto più semplice, proprio come la formula di Parke-Taylor aveva semplificato i terribili calcoli dei diagrammi di Feynman per le ampiezze MHV (questo è ben spiegato nella Parte N.2 del libro di QFT di Zee). Ma una tale formula si stava rivelando ancora sfuggente.

Abbiamo avuto molti scambi con GPT-5.2 Pro, che ci ha aiutato a identificare la regione cinetica R_1 in cui dovremmo cercare una formula semplificata. Ha anche trovato sorprendenti semplificazioni non banali per le ampiezze che avevamo, mostrate nelle Eqs. 35--38, che lo hanno portato a ipotizzare l'Eq. 39 per il modello generale. Con questo obiettivo in vista, abbiamo formulato una domanda precisa per un modello interno da affrontare, e questo ha indipendentemente proposto la semplice Eq. 39 e poi l'ha dimostrata.

La parte del preprint che segue l'Eq. 39 è essenzialmente la prova fornita dal modello e verificata da noi. È stato davvero uno sforzo collaborativo tra umani e AI, con GPT-5.2 e il suo supporto che hanno contribuito a livello di un collaboratore molto talentuoso. Come ha detto Andy, il risultato finale fornito era sfuggito al team per un anno e potrebbe non essere stato trovato per un po' più a lungo. A mio avviso, abbiamo superato una soglia per l'AI nella fisica.

Penso che quest'anno sarà un punto di svolta per la scienza e che l'AI farà alla fisica nel 2026 ciò che ha fatto alla programmazione nel 2025. Parlerò di questi risultati recenti e delle direzioni future ad Harvard martedì alle 14:00 nell'aula A del Science Center.