Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery

📄 arXiv: 2603.04735v1 📥 PDF

作者: Michael P. Brenner, Vincent Cohen-Addad, David Woodruff

分类: cs.AI, cs.CL

发布日期: 2026-03-05

备注: 22 pages, 3 figures

💡 一句话要点

利用AI辅助发现解决理论物理学中的一个开放性难题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: AI辅助发现 理论物理 宇宙弦 引力辐射 神经符号系统

📋 核心要点

  1. 宇宙弦引力辐射功率谱的精确解析解是理论物理学中的一个长期存在的难题，现有方法难以获得通用解。
  2. 论文提出了一种结合大型语言模型、树搜索和数值反馈的神经符号系统，自主探索并推导出精确解析解。
  3. 该系统成功找到了六种不同的解析方法，并验证了结果与数值模拟和量子场论的连续费曼参数化的一致性。

📝 摘要（中文）

本文展示了人工智能可以通过自主解决理论物理学中的一个开放性问题来加速数学发现。我们提出了一个神经符号系统，它结合了Gemini Deep Think大型语言模型、系统化的树搜索（TS）框架和自动数值反馈，成功地推导出了宇宙弦发射的引力辐射功率谱的新的、精确的解析解。具体来说，该智能体评估了任意环几何形状的核心积分$I(N,α)$，直接改进了最近仅产生部分渐近解的AI辅助尝试。为了证实我们关于AI加速发现的方法论主张并确保透明度，我们详细说明了指导模型的系统提示、搜索约束和间歇性反馈循环。该智能体识别了一套6种不同的分析方法，其中最优雅的一种是将核函数展开为Gegenbauer多项式$C_l^{(3/2)}$，以自然地吸收被积函数的奇点。这些方法得出了$I(N,α)$在大的N时的渐近结果，该结果与数值结果一致，并且与量子场论的连续费曼参数化相关。我们详细介绍了实现这一发现的算法方法以及由此产生的数学推导。

🔬 方法详解

问题定义：论文旨在解决宇宙弦引力辐射功率谱的解析解问题，这是一个理论物理学中的开放性难题。现有方法，包括之前的AI辅助尝试，只能得到部分渐近解，无法提供通用的精确解析解。核心挑战在于积分$I(N,α)$的求解，它描述了任意环几何形状下的引力辐射。

核心思路：论文的核心思路是利用AI自主探索数学解法。通过结合大型语言模型（Gemini Deep Think）的符号推理能力、树搜索（TS）框架的系统探索能力和自动数值反馈的验证能力，构建一个神经符号系统。该系统能够自主提出可能的解析方法，并通过数值验证来筛选和改进这些方法。

技术框架：整体框架包含以下几个主要模块：1) 大型语言模型（LLM）：负责生成可能的解析方法和数学表达式。2) 树搜索（TS）：用于系统地探索不同的解析方法和参数组合。3) 数值反馈：通过数值计算验证LLM生成的解析解的准确性，并提供反馈信号。4) 结果验证：将解析解与数值模拟结果以及量子场论的连续费曼参数化进行比较，以验证其正确性。

关键创新：最重要的技术创新在于将大型语言模型的符号推理能力与树搜索的系统探索能力相结合，并引入自动数值反馈进行验证。这种神经符号系统能够自主发现新的解析方法，而无需人工干预。与现有方法的本质区别在于，它能够自动探索解空间，并利用数值反馈来指导搜索过程，从而找到精确的解析解。

关键设计：关键设计包括：1) LLM的提示工程：设计合适的提示语，引导LLM生成有意义的解析方法。2) 树搜索的搜索策略：设计有效的搜索策略，以高效地探索解空间。3) 数值反馈的误差容忍度：设置合适的误差容忍度，以平衡计算成本和结果精度。4) Gegenbauer多项式展开：利用Gegenbauer多项式$C_l^{(3/2)}$展开核函数，以自然地吸收被积函数的奇点。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该系统成功找到了六种不同的解析方法，其中最优雅的一种是将核函数展开为Gegenbauer多项式。该方法得到的$I(N,α)$在大的N时的渐近结果与数值结果一致，并且与量子场论的连续费曼参数化相关。这表明AI不仅可以辅助数学研究，而且可以发现全新的数学方法。

🎯 应用场景

该研究成果可应用于宇宙学、引力物理学等领域，有助于更深入地理解宇宙弦的性质和引力辐射的产生机制。此外，该研究展示了AI在数学发现中的潜力，为解决其他科学领域的开放性问题提供了新的思路和方法。

📄 摘要（原文）

This paper demonstrates that artificial intelligence can accelerate mathematical discovery by autonomously solving an open problem in theoretical physics. We present a neuro-symbolic system, combining the Gemini Deep Think large language model with a systematic Tree Search (TS) framework and automated numerical feedback, that successfully derived novel, exact analytical solutions for the power spectrum of gravitational radiation emitted by cosmic strings. Specifically, the agent evaluated the core integral $I(N,α)$ for arbitrary loop geometries, directly improving upon recent AI-assisted attempts \cite{BCE+25} that only yielded partial asymptotic solutions. To substantiate our methodological claims regarding AI-accelerated discovery and to ensure transparency, we detail system prompts, search constraints, and intermittent feedback loops that guided the model. The agent identified a suite of 6 different analytical methods, the most elegant of which expands the kernel in Gegenbauer polynomials $C_l^{(3/2)}$ to naturally absorb the integrand's singularities. The methods lead to an asymptotic result for $I(N,α)$ at large $N$ that both agrees with numerical results and also connects to the continuous Feynman parameterization of Quantum Field Theory. We detail both the algorithmic methodology that enabled this discovery and the resulting mathematical derivations.