Gemini攻克宇宙弦難題，還自己想到了費曼技巧

AI 攻克了理論物理中的開放性問題！

近日，穀歌團隊開發了一個基於 Gemini Deep Think 模型的混合神經符號係統，成功推導出宇宙弦發射引力輻射功率譜的 6 種全新精確解法。

該研究的重要意義在於，AI 不僅加速了科學發現，更重要的是，該係統推導出人類研究者尚未觸及的新型閉式結果。

圖丨相關論文（來源：arXiv）

宇宙弦被認為是引力波背景輻射的重要來源之一，它產生於因宇宙早期相變導致的真空對稱破缺。

這個問題的關鍵在一個超級難算的積分，它是計算宇宙弦在振蕩時輻射出的引力波功率譜，具體來說是一個在球麵上的積分 I(N，α)。由於分母在特定點會出現奇點（變為無窮大），因此該積分常會引起數值計算不穩定的問題。

（來源：arXiv）

此前，數學家們的求解方法有限，例如找到它在特定條件下的近似解，但長期以來尚未能找到一種統一、準確的解析表達式。

在這項研究中，該係統結合了 Gemini Deep Think 模型、係統化的樹搜索（TS，Tree Search）框架以及自動化數值反饋機製，提供了一種新的方案。研究人員將“找出這個積分的解析解”作為目標，同時提供了一個“標準”：能夠任意調用、高精度的數值計算程序。

該係統的工作過程是：通過不斷提出解題思路，將係統推導的中間表達式轉化為 Python 代碼，再用研究人員提供的數值計算程序標準作為依據，以確認表達式的準確性。

按照這種方法，該係統進行了大量自主探索。需要了解的是，這個方案並不是像聊天機器人那樣的一問一答的閉環，而是通過設置負向提示，強迫係統探索完全不同的路徑：快速驗證結果後，正確則繼續深入探索，錯了就馬上換方向。

這樣，該係統在完成 600 個不同的解題路徑後，自動將那些因代數錯誤或數值發散導致的近 80% 失敗數據過濾。實驗結果顯示，該係統最終獲得 6 種可完全走通、相對獨立的全新解法。

新解法包括三大類型。第一類是，基於單項式展開（Monomial Basis Approaches），包括生成函數法（Generating Function）、高斯積分提升法（Gaussian Integral Lifting）以及混合坐標變換法（Hybrid Coordinate Transformation）；

（來源：arXiv）

第二類是，基於譜分解（Spectral Basis Approaches）的伽遼金矩陣法和沃爾泰拉遞推法；

（來源：arXiv）

第三類是，利用格根鮑爾方法（Gegenbauer Method）構造的精確解析解。

（來源：arXiv）

當然，研究團隊也特別提到，這種方法並非 AI 係統的全自動化探索，而是人機的分工協作，即 AI 係統的重點任務是廣域搜索以及試錯，研究人員則在關鍵節點指出方向，例如人工精煉達到最簡形式等。

在研究過程中，該係統識別並糾正了早期沃爾泰拉遞推法中的一個漏洞，然後通過建立兩種方法的等價性，把無窮級數裂項相消求和轉為有限表達式。

圖丨方法比較：N=20 時的絕對誤差與速度（來源：arXiv）

從計算性能層麵來看，不同類型的解法結果存在明顯的差異。具體而言，基於冪級數的前三種方法在 N 超過 15 的情況，容易因災難性抵消而導致數值不穩定；而譜分解（伽遼金法、沃爾泰拉遞推法）和格根鮑爾方法則保持穩健。

實測數據顯示，相較於單項式方法，譜分解方法在速度上高出數個數量級，其中伽遼金矩陣法的速度比理論上的精確解還快，這背後的原因正是特殊矩陣結構的快速求解。當 N 達到 20 時，相關單項式方法完全失效，而譜分解方法的絕對誤差仍然能夠保持在機器精度量級。

研究團隊認為，在這些解法中格根鮑爾方法最優雅，原因在於其正交權函數 (1-t²) 恰好抵消了被積函數 f_N(t) 分母中的 (1-t²)。通過這種方法推導出的係數公式，能用於廣義餘弦積分函數用有限閉式來表示。

圖丨格根鮑爾方法解析解的驗證（來源：arXiv）

但這個 AI 係統的價值並沒有止步於此。在獲得精確解後，研究團隊又進行了另一種嚐試：當用該係統嚐試參數 N 無窮大的情況，積分行為是否會有所變化？

結果顯示，在這種情況下，該係統的第三類解法，即格根鮑爾方法提供了一個漸近公式。

讓研究人員感到意外的是，該係統在處理漸近公式中的一個無窮級數時，竟然想到了費曼參數化技巧，這是量子場論中進行類似積分處理時的常用方法之一，而 AI 係統是在分析時聯想到了這種方法。

這帶來的好處是，通過跨領域聯想能夠將複雜的離散求和問題轉變成連續的空間積分，並呈現出一個極為簡潔的公式。經過驗證，該公式不僅與數值計算結果一致，而且可更直觀地呈現功率譜隨角度變化的規律。

（來源：arXiv）

這項研究的突破，已不局限於 AI 解決了某個物理難題本身，而是向領域呈現了一種新的研究範式。在整個研究探索的過程中，AI 所發揮的關鍵作用不再隻是可加速計算的工具，而是在更多維度展現出能力：它可以理解複雜的數學問題，對相關問題提供不同角度的解題思路，然後通過編寫代碼對思路進行驗證。

更重要的是，它能跳出現有思路，從物理問題中提煉數學結構，再將這個問題與量子場論建立聯係，進而實現了跨領域的思維躍遷。或許在這種協作模式下，AI 能夠幫助研究者發現那些尚未被注意到的數學結構。