論文の概要: Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery
- arxiv url: http://arxiv.org/abs/2603.04735v1
- Date: Thu, 05 Mar 2026 02:15:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.033036
- Title: Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery
- Title（参考訳）: AIによる発見を用いた理論物理学の解法
- Authors: Michael P. Brenner, Vincent Cohen-Addad, David Woodruff,
- Abstract要約: 本稿では,理論物理学の解法を自律的に解くことにより,人工知能が数学的発見を加速できることを実証する。
本稿では,ジェミニ・ディープシンク大言語モデルと系統木探索(TS)フレームワークと自動数値フィードバックを組み合わせたニューロシンボリックシステムを提案する。
- 参考スコア（独自算出の注目度）: 16.678133599755068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper demonstrates that artificial intelligence can accelerate mathematical discovery by autonomously solving an open problem in theoretical physics. We present a neuro-symbolic system, combining the Gemini Deep Think large language model with a systematic Tree Search (TS) framework and automated numerical feedback, that successfully derived novel, exact analytical solutions for the power spectrum of gravitational radiation emitted by cosmic strings. Specifically, the agent evaluated the core integral $I(N,α)$ for arbitrary loop geometries, directly improving upon recent AI-assisted attempts \cite{BCE+25} that only yielded partial asymptotic solutions. To substantiate our methodological claims regarding AI-accelerated discovery and to ensure transparency, we detail system prompts, search constraints, and intermittent feedback loops that guided the model. The agent identified a suite of 6 different analytical methods, the most elegant of which expands the kernel in Gegenbauer polynomials $C_l^{(3/2)}$ to naturally absorb the integrand's singularities. The methods lead to an asymptotic result for $I(N,α)$ at large $N$ that both agrees with numerical results and also connects to the continuous Feynman parameterization of Quantum Field Theory. We detail both the algorithmic methodology that enabled this discovery and the resulting mathematical derivations.
- Abstract（参考訳）: 本稿では,理論物理学の解法を自律的に解くことにより,人工知能が数学的発見を加速できることを実証する。
本稿では,ジェミニ・ディープシンク大言語モデルと系統木探索(TS)フレームワークと自動数値フィードバックを組み合わせたニューロシンボリックシステムを提案する。
具体的には、任意のループジオメトリに対してコア積分 $I(N,α)$ を評価し、部分漸近解しか得られない最近のAI支援試み \cite{BCE+25} を直接改善した。
AIが加速する発見に関する方法論的主張を裏付け、透明性を確保するために、モデルを導くシステムプロンプト、検索制約、断続的なフィードバックループを詳述する。
エージェントは6つの異なる解析手法の組を特定し、最もエレガントなものはゲゲンバウアー多項式の核を$C_l^{(3/2)}$で拡張し、積分子の特異点を自然に吸収する。
この手法は、$I(N, α)$ at large $N$の漸近的な結果をもたらし、どちらも数値結果と一致し、量子場理論の連続ファインマンパラメタライゼーションに結びつく。
この発見を可能にするアルゴリズム手法と,結果の数学的導出について詳述する。
関連論文リスト
- The Neurosymbolic Frontier of Nonuniform Ellipticity: Formalizing Sharp Schauder Theory via Topos-Theoretic Reasoning Models [0.0]
非一様楕円正則理論とニューロシンボリック大推論モデル(LRM)の最近のブレークスルーを示す。
スライストポスにおける分類的コリミットとして推論過程をモデル化することにより、LEMが変分計算の「ダークサイド」を自律的にナビゲートする方法を実証する。
論文 参考訳（メタデータ） (2026-02-11T08:24:57Z) - On the Spectral theory of Isogeny Graphs and Quantum Sampling of Hard Supersingular Elliptic curves [0.0]
確率の高いランダムなハード超特異楕円曲線をサンプリングする最初の証明可能な量子時間アルゴリズムを提案する。
我々のアルゴリズムはハッシュ関数や他の暗号プリミティブをセキュアにインスタンス化する。
論文 参考訳（メタデータ） (2026-02-02T16:04:54Z) - NeuraLSP: An Efficient and Rigorous Neural Left Singular Subspace Preconditioner for Conjugate Gradient Methods [49.84495044725856]
NeuraLSPはニューラルプレコンディショナーである。
提案手法は, インフレーションのランク付けにおける理論的保証と実証的堅牢性の両方を示し, 最大53%の高速化を実現した。
論文 参考訳（メタデータ） (2026-01-28T02:15:16Z) - ATHENA: Agentic Team for Hierarchical Evolutionary Numerical Algorithms [4.235429894371577]
AtheNAは、エンドツーエンドの計算研究ライフサイクルを管理するためにAutonomous Labとして設計されたエージェントフレームワークである。
その中核は知識駆動型診断プロセスであるHENAループである。
このフレームワークは超人的パフォーマンスを実現し、検証エラーは10～14ドルに達する。
論文 参考訳（メタデータ） (2025-12-03T06:05:27Z) - Quadratic Quantum Speedup for Finding Independent Set of a Graph [5.668733678326325]
グラフ内の独立集合を見つけるための量子アディアバティックアルゴリズム(QAA)の二次的高速化が解析的に証明されている。
スケールが$O(n2)$の古典的アルゴリズムと比較して、我々の量子アルゴリズムは、大きなISを見つけるために$O(n2)$の時間複雑性を達成し、サイズ2ISを特定するために$O(n)$に還元する。
論文 参考訳（メタデータ） (2025-10-30T11:35:47Z) - Solving Dicke superradiance analytically: A compendium of methods [0.0]
我々はDicke超放射能問題に対するいくつかの解析的アプローチを提案する。
この問題に対処する複数の手法を探索し、任意の時間とスピン数で有効な解を得る。
論文 参考訳（メタデータ） (2025-03-13T15:33:02Z) - Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。
本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文 参考訳（メタデータ） (2023-07-14T14:48:52Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - On the properties of the asymptotic incompatibility measure in
multiparameter quantum estimation [62.997667081978825]
Incompatibility (AI) は、ホレヴォとSLDスカラー境界の差を定量化する尺度である。
最大AI量は、$mu_sf min = 1/(d-1)$より大きい純度で特徴づけられる量子統計モデルに対してのみ達成可能であることを示す。
論文 参考訳（メタデータ） (2021-07-28T15:16:37Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。