Bản in trước đây gần đây của chúng tôi về các biên độ gluon đã gây ra nhiều cuộc thảo luận, vì vậy tôi muốn chia sẻ câu chuyện phía sau — bao gồm cách mà AI đã giúp giải quyết một vấn đề đã làm chúng tôi bối rối trong một năm. Tôi cũng sẽ có một bài giảng công khai tại Harvard vào tuần này. Chi tiết ở cuối.

Khoảng một năm trước, các chuyên gia hàng đầu thế giới về vấn đề này, Alfredo Guevara (IAS), David Skinner (Cambridge) và Andy Strominger (Harvard) đã nhận ra một điều bất ngờ: các biên độ đơn âm không nên bằng không một cách đồng nhất, mặc dù có những lập luận trong một số sách giáo khoa trái ngược (có một lỗ hổng khi các hạt tương tác là đồng tuyến). Câu hỏi đặt ra là: các biên độ này thực sự nên là gì?

Vào tháng 10 năm ngoái, tôi đã gia nhập bộ phận OpenAI for Science mới được thành lập, do @kevinweil & @markchen90 dẫn dắt, với mục tiêu cải thiện khả năng khoa học của các mô hình tiên tiến của chúng tôi. Tôi rất hào hứng về những gì các mô hình nội bộ mới nhất có thể làm cho vật lý đến nỗi tôi đã mời đồng tác giả và người hướng dẫn tiến sĩ của tôi, Andy, cùng làm việc với chúng trên một vấn đề để anh ấy có thể tự mình thấy.

Alfredo, David và Andy đã dành cả năm qua để tìm một công thức đơn giản cho các biên độ đơn trừ không biến mất, tương tự như công thức Parke-Taylor được tìm thấy vào những năm 80 cho các biên độ đôi trừ ("MHV"). Alfredo đã có được một biểu thức phức tạp, Eq. 21 trong bản thảo, nhưng nó rất cồng kềnh: một tổng qua các sơ đồ Feynman mà độ phức tạp của nó tăng trưởng siêu mũ theo số lượng các hạt tương tác.

Sử dụng công thức này, thật khó để tính toán các biên độ lên đến n=6 (như được chỉ ra trong các phương trình 29--32), nhưng chúng tôi nghĩ rằng một biểu thức đơn giản hơn nhiều nên tồn tại, giống như công thức Parke-Taylor đã đơn giản hóa các phép tính biểu đồ Feynman khủng khiếp cho các biên độ MHV (điều này được giải thích rõ trong Phần N.2 của cuốn sách QFT của Zee). Nhưng một công thức như vậy vẫn đang tỏ ra khó nắm bắt.

Chúng tôi đã tham gia vào nhiều cuộc trao đổi với GPT-5.2 Pro, điều này đã giúp chúng tôi xác định được vùng động học R_1 mà chúng tôi nên tìm kiếm một công thức đơn giản hóa. Nó cũng đã tìm ra những sự đơn giản hóa không tầm thường đáng ngạc nhiên cho các biên độ mà chúng tôi đã có, được thể hiện trong các phương trình 35--38, điều này đã dẫn nó đến việc đoán phương trình 39 cho mẫu tổng quát. Với mục tiêu này trong tầm nhìn, chúng tôi đã đặt ra một câu hỏi sắc bén cho một mô hình nội bộ để giải quyết, và nó đã độc lập đưa ra phương trình đơn giản 39 và sau đó chứng minh nó.

Phần của bản in trước theo Eq. 39 về cơ bản là bằng chứng được cung cấp bởi mô hình và được chúng tôi xác minh. Đây thực sự là một nỗ lực hợp tác giữa con người và AI, với GPT-5.2 và cấu trúc của nó đóng góp ở mức độ của một người đóng góp rất tài năng. Như Andy đã nói, kết quả cuối cùng mà nó cung cấp đã lẩn tránh đội ngũ trong một năm và có thể sẽ không được tìm thấy trong một thời gian dài hơn. Theo tôi, chúng ta đã vượt qua một ngưỡng cho AI trong vật lý.

Tôi nghĩ rằng năm nay sẽ là một bước ngoặt cho khoa học, và AI sẽ làm cho vật lý vào năm 2026 điều mà nó đã làm cho lập trình vào năm 2025. Tôi sẽ nói về những kết quả gần đây và các hướng đi trong tương lai tại Harvard vào thứ Ba lúc 2 giờ chiều tại hội trường A của Trung tâm Khoa học.