Nuestro reciente preprint sobre amplitudes de gluones ha generado mucha discusión, así que quiero compartir la historia detrás de esto, incluyendo cómo la IA ayudó a resolver un problema que nos había desconcertado durante un año. También daré una conferencia pública en Harvard esta semana. Detalles al final.

Hace aproximadamente un año, expertos mundiales en este problema, Alfredo Guevara (IAS), David Skinner (Cambridge) y Andy Strominger (Harvard) se dieron cuenta de algo sorprendente: las amplitudes de un solo menos no deberían ser idénticamente cero, a pesar de los argumentos en algunos libros de texto en contrario (que tienen una laguna cuando las partículas interactivas son colineales). La pregunta se convirtió en: ¿cuáles deberían ser realmente estas amplitudes?

En octubre pasado, me uní a la recién formada división OpenAI for Science, liderada por @kevinweil y @markchen90, con el objetivo de mejorar las capacidades científicas de nuestros modelos de frontera. Estaba tan emocionado por lo que los últimos modelos internos podían hacer por la física que invité a mi coautor y asesor de doctorado, Andy, a trabajar juntos en un problema para que pudiera verlo por sí mismo.

Alfredo, David y Andy habían pasado el último año tratando de encontrar una fórmula simple para las amplitudes de un solo menos no desaparecientes, análoga a la fórmula de Parke-Taylor obtenida en los años 80 para las amplitudes de doble menos ("MHV"). Alfredo había obtenido una expresión complicada, la Ec. 21 en el preprint, pero era engorrosa: una suma sobre diagramas de Feynman cuya complejidad crece de manera superexponencial en el número de partículas interactivas.

Usando esta fórmula, fue difícil calcular las amplitudes hasta n=6 (como se muestra en las Eqs. 29--32), pero pensamos que debería existir una expresión mucho más simple, al igual que la fórmula de Parke-Taylor había simplificado los horrendos cálculos de diagramas de Feynman para las amplitudes MHV (esto está bien explicado en la Parte N.2 del libro de QFT de Zee). Pero tal fórmula seguía siendo esquiva.

Tuvimos muchas idas y venidas con GPT-5.2 Pro, lo que nos ayudó a identificar la región cinemática R_1 en la que deberíamos buscar una fórmula simplificada. También encontró sorprendentes simplificaciones no triviales para las amplitudes que teníamos, mostradas en las Eqs. 35--38, lo que lo llevó a adivinar la Eq. 39 para el patrón general. Con este objetivo en mente, formulamos una pregunta precisa para que un modelo interno la abordara, y este llegó de forma independiente a la simple Eq. 39 y luego la demostró.

La parte del preprint que sigue a la Ec. 39 es esencialmente la prueba proporcionada por el modelo y verificada por nosotros. Este fue realmente un esfuerzo colaborativo entre humanos y AI, con GPT-5.2 y su andamiaje contribuyendo al nivel de un colaborador muy talentoso. Como dijo Andy, el resultado final que proporcionó había eludido al equipo durante un año y puede que no se hubiera encontrado durante un tiempo más. En mi opinión, hemos cruzado un umbral para la AI en la física.

Creo que este año va a ser un punto de inflexión para la ciencia, y que la IA hará a la física en 2026 lo que hizo a la programación en 2025. Hablaré sobre estos resultados recientes y direcciones futuras en Harvard el martes a las 2pm en el salón A del Science Center.