Unser aktueller Preprint zu Gluon-Amplituden hat viele Diskussionen ausgelöst, daher möchte ich die Hintergrundgeschichte teilen – einschließlich, wie AI uns geholfen hat, ein Problem zu lösen, das uns ein Jahr lang beschäftigt hat. Ich werde diese Woche auch einen öffentlichen Vortrag an der Harvard University halten. Details am Ende.

Vor etwa einem Jahr erkannten weltweite Experten zu diesem Problem, Alfredo Guevara (IAS), David Skinner (Cambridge) und Andy Strominger (Harvard), etwas Überraschendes: Einzeln-minus Amplituden sollten nicht identisch null sein, trotz der Argumente in einigen Lehrbüchern, die das Gegenteil behaupten (die ein Schlupfloch haben, wenn die wechselwirkenden Teilchen kollinear sind). Die Frage wurde: Wie sollten diese Amplituden tatsächlich sein?

Letzten Oktober trat ich der neu gegründeten OpenAI for Science-Abteilung bei, die von @kevinweil und @markchen90 geleitet wird, mit dem Ziel, die wissenschaftlichen Fähigkeiten unserer Grenzmodelle zu verbessern. Ich war so aufgeregt, was die neuesten internen Modelle für die Physik leisten konnten, dass ich meinen Co-Autor und Doktorvater Andy einlud, um gemeinsam an einem Problem zu arbeiten, damit er es selbst sehen konnte.

Alfredo, David und Andy hatten das letzte Jahr damit verbracht, eine einfache Formel für die nicht verschwindenden Single-Minus-Amplituden zu finden, analog zur Parke-Taylor-Formel, die in den 80er Jahren für die Double-Minus ("MHV") Amplituden erhalten wurde. Alfredo hatte einen komplizierten Ausdruck erhalten, Gleichung 21 im Preprint, aber er war unhandlich: eine Summe über Feynman-Diagramme, deren Komplexität superexponentiell mit der Anzahl der wechselwirkenden Teilchen wächst.

Mit dieser Formel war es schwierig, die Amplituden bis n=6 zu berechnen (wie in den Gleichungen 29--32 gezeigt), aber wir dachten, dass es einen viel einfacheren Ausdruck geben sollte, genau wie die Parke-Taylor-Formel die schrecklichen Feynman-Diagramm-Berechnungen für MHV-Amplituden vereinfacht hatte (dies wird in Teil N.2 von Zees QFT-Buch gut erklärt). Aber eine solche Formel erwies sich weiterhin als schwer fassbar.

Wir haben viel Hin und Her mit GPT-5.2 Pro gehabt, was uns geholfen hat, die kinematische Region R_1 zu identifizieren, in der wir nach einer vereinfachten Formel suchen sollten. Es fand auch überraschende nicht-triviale Vereinfachungen für die Amplituden, die wir hatten, wie in den Gleichungen 35--38 gezeigt, was es dazu brachte, Gleichung 39 für das allgemeine Muster zu erraten. Mit diesem Ziel vor Augen formulierten wir eine präzise Frage für ein internes Modell, das sich damit befassen sollte, und es kam unabhängig auf die einfache Gleichung 39 und bewies sie dann.

Der Teil des Preprints nach Gleichung 39 ist im Wesentlichen der Beweis, der vom Modell bereitgestellt und von uns verifiziert wurde. Dies war wirklich eine gemeinsame Anstrengung zwischen Menschen und KI, wobei GPT-5.2 und seine Struktur auf dem Niveau eines sehr talentierten Mitwirkenden beigetragen haben. Wie Andy sagte, hatte das endgültige Ergebnis, das es bereitgestellt hat, das Team ein Jahr lang entgangen und wäre möglicherweise noch länger unentdeckt geblieben. Meiner Meinung nach haben wir eine Schwelle für KI in der Physik überschritten.

Ich denke, dass dieses Jahr ein Wendepunkt für die Wissenschaft sein wird und dass KI 2026 für die Physik tun wird, was sie 2025 für das Programmieren getan hat. Ich werde am Dienstag um 14 Uhr im Science Center Saal A über diese aktuellen Ergebnisse und zukünftigen Richtungen sprechen.