Vår nylige preprint om gluon-amplituder har skapt mye diskusjon, så jeg vil dele bakgrunnshistorien — inkludert hvordan AI hjalp til med å løse et problem som hadde forvirret oss i et år. Jeg skal også holde et offentlig foredrag ved Harvard denne uken. Detaljer på slutten.

For omtrent ett år siden innså verdenseksperter på dette problemet, Alfredo Guevara (IAS), David Skinner (Cambridge) og Andy Strominger (Harvard), noe overraskende: enkelt-minus-amplituder bør ikke være identisk null, til tross for argumentene i noen lærebøker som sier det motsatte (som har et smutthull når de interagerende partiklene er kollineære). Spørsmålet ble: hva burde disse amplitudene egentlig være?

I oktober i fjor begynte jeg i den nyopprettede OpenAI for Science-divisjonen, ledet av @kevinweil & @markchen90, med mål om å forbedre de vitenskapelige mulighetene til våre grensemodeller. Jeg var så begeistret for hva de nyeste interne modellene kunne gjøre for fysikken at jeg inviterte min medforfatter og doktorgradsveileder Andy til å jobbe sammen med dem på et problem slik at han kunne se selv.

Alfredo, David og Andy hadde brukt det siste året på å prøve å finne en enkel formel for de ikke-forsvinnende enkelt-minus amplitudene, analogt med Parke-Taylor-formelen som ble oppnådd på 80-tallet for dobbel-minus ("MHV") amplitudene. Alfredo hadde oppnådd et komplisert uttrykk, likning 21 i preprinten, men det var uhåndterlig: en sum over Feynman-diagrammer hvis kompleksitet øker supereksponentielt i antall interagerende partikler.

Ved å bruke denne formelen var det vanskelig å beregne amplituden opp til n=6 (som vist i ligg. 29--32), men vi mente at et mye enklere uttrykk burde eksistere, akkurat som Parke-Taylor-formelen hadde forenklet de forferdelige Feynman-diagramberegningene for MHV-amplituder (dette er godt forklart i del N.2 av Zees QFT-bok). Men en slik formel viste seg fortsatt å være vanskelig å få tak i.

Vi drev mye frem og tilbake med GPT-5.2 Pro, som hjalp oss å identifisere det kinematiske området R_1 hvor vi burde lete etter en forenklet formel. Den fant også overraskende ikke-trivielle forenklinger for amplitudene vi hadde, vist i Eqs. 35--38, noe som fikk den til å gjette ligning 39 for det generelle mønsteret. Med dette målet i sikte formulerte vi et skarpt spørsmål for en intern modell, og den kom uavhengig opp med den enkle Eq. 39 og beviste den.

Den delen av preprinten som følger etter ligning 39 er i hovedsak beviset som modellen har gitt og som vi har verifisert. Dette var virkelig et samarbeid mellom mennesker og AI, med GPT-5.2 og dets støtte som bidro på nivå med en svært talentfull bidragsyter. Som Andy sa, hadde det endelige resultatet den ga unngått teamet i et år og kan ha blitt funnet en stund til. Etter min mening har vi krysset en terskel for AI i fysikk.

Jeg tror dette året kommer til å bli et vendepunkt for vitenskapen, og at AI vil gjøre med fysikk i 2026 det samme som det gjorde med koding i 2025. Jeg skal snakke om disse siste resultatene og fremtidige retninger ved Harvard på tirsdag kl. 14 i Science Center hall A.