Gemini攻克宇宙弦难题，还自己想到了费曼技巧

AI 攻克了理论物理中的开放性问题！

近日，谷歌团队开发了一个基于 Gemini Deep Think 模型的混合神经符号系统，成功推导出宇宙弦发射引力辐射功率谱的 6 种全新精确解法。

该研究的重要意义在于，AI 不仅加速了科学发现，更重要的是，该系统推导出人类研究者尚未触及的新型闭式结果。



图丨相关论文（来源：arXiv）

宇宙弦被认为是引力波背景辐射的重要来源之一，它产生于因宇宙早期相变导致的真空对称破缺。

这个问题的关键在一个超级难算的积分，它是计算宇宙弦在振荡时辐射出的引力波功率谱，具体来说是一个在球面上的积分 I(N，α)。由于分母在特定点会出现奇点（变为无穷大），因此该积分常会引起数值计算不稳定的问题。



（来源：arXiv）

此前，数学家们的求解方法有限，例如找到它在特定条件下的近似解，但长期以来尚未能找到一种统一、准确的解析表达式。

在这项研究中，该系统结合了 Gemini Deep Think 模型、系统化的树搜索（TS，Tree Search）框架以及自动化数值反馈机制，提供了一种新的方案。研究人员将“找出这个积分的解析解”作为目标，同时提供了一个“标准”：能够任意调用、高精度的数值计算程序。

该系统的工作过程是：通过不断提出解题思路，将系统推导的中间表达式转化为 Python 代码，再用研究人员提供的数值计算程序标准作为依据，以确认表达式的准确性。

按照这种方法，该系统进行了大量自主探索。需要了解的是，这个方案并不是像聊天机器人那样的一问一答的闭环，而是通过设置负向提示，强迫系统探索完全不同的路径：快速验证结果后，正确则继续深入探索，错了就马上换方向。

这样，该系统在完成 600 个不同的解题路径后，自动将那些因代数错误或数值发散导致的近 80% 失败数据过滤。实验结果显示，该系统最终获得 6 种可完全走通、相对独立的全新解法。

新解法包括三大类型。第一类是，基于单项式展开（Monomial Basis Approaches），包括生成函数法（Generating Function）、高斯积分提升法（Gaussian Integral Lifting）以及混合坐标变换法（Hybrid Coordinate Transformation）；



（来源：arXiv）

第二类是，基于谱分解（Spectral Basis Approaches）的伽辽金矩阵法和沃尔泰拉递推法；



（来源：arXiv）

第三类是，利用格根鲍威尔方法（Gegenbauer Method）构造的精确解析解。



（来源：arXiv）

当然，研究团队也特别提到，这种方法并非 AI 系统的全自动化探索，而是人机的分工协作，即 AI 系统的重点任务是广域搜索以及试错，研究人员则在关键节点指出方向，例如人工精炼达到最简形式等。

在研究过程中，该系统识别并纠正了早期沃尔泰拉递推法中的一个漏洞，然后通过建立两种方法的等价性，把无穷级数裂项相消求和转为有限表达式。



图丨方法比较：N=20 时的绝对误差与速度（来源：arXiv）

从计算性能层面来看，不同类型的解法结果存在明显的差异。具体而言，基于幂级数的前三种方法在 N 超过 15 的情况，容易因灾难性抵消而导致数值不稳定；而谱分解（伽辽金法、沃尔泰拉递推法）和格根鲍威尔方法则保持稳健。

实测数据显示，相较于单项式方法，谱分解方法在速度上高出数个数量级，其中伽辽金矩阵法的速度比理论上的精确解还快，这背后的原因正是特殊矩阵结构的快速求解。当 N 达到 20 时，相关单项式方法完全失效，而谱分解方法的绝对误差仍然能够保持在机器精度量级。

研究团队认为，在这些解法中格根鲍威尔方法最优雅，原因在于其正交权函数 (1-t?) 恰好抵消了被积函数 f_N(t) 分母中的 (1-t?)。通过这种方法推导出的系数公式，能用于广义余弦积分函数用有限闭式来表示。



图丨格根鲍威尔方法解析解的验证（来源：arXiv）

但这个 AI 系统的价值并没有止步于此。在获得精确解后，研究团队又进行了另一种尝试：当用该系统尝试参数 N 无穷大的情况，积分行为是否会有所变化？

结果显示，在这种情况下，该系统的第三类解法，即格根鲍威尔方法提供了一个渐近公式。

让研究人员感到意外的是，该系统在处理渐近公式中的一个无穷级数时，竟然想到了费曼参数化技巧，这是量子场论中进行类似积分处理时的常用方法之一，而 AI 系统是在分析时联想到了这种方法。

这带来的好处是，通过跨领域联想能够将复杂的离散求和问题转变成连续的空间积分，并呈现出一个极为简洁的公式。经过验证，该公式不仅与数值计算结果一致，而且可更直观地呈现功率谱随角度变化的规律。



（来源：arXiv）

这项研究的突破，已不局限于 AI 解决了某个物理难题本身，而是向领域呈现了一种新的研究范式。在整个研究探索的过程中，AI 所发挥的关键作用不再只是可加速计算的工具，而是在更多维度展现出能力：它可以理解复杂的数学问题，对相关问题提供不同角度的解题思路，然后通过编写代码对思路进行验证。

更重要的是，它能跳出现有思路，从物理问题中提炼数学结构，再将这个问题与量子场论建立联系，进而实现了跨领域的思维跃迁。或许在这种协作模式下，AI 能够帮助研究者发现那些尚未被注意到的数学结构。