Nathaniel Craig részecskefizikus a GPT‑6 Astra segítségével kidolgozott egy lehetséges megfogalmazást arra, hogyan lehet a Standard Modell részecskéit véges lépésközű rácson kezelni. A Santa Barbara-i Kaliforniai Egyetem kutatója az OpenAI tudományos blogján írta le, hol akadt el és miben segített a modell. A matematikai eredmény október óta előtanulmányként olvasható.

Miért kell egyáltalán felrácsozni a teret?

A Standard Modell az elemi részecskéket és három alapvető kölcsönhatást ír le. Sok esetben remekül működik az a számolási módszer, amelyben először elképzeljük, hogy a részecskék nem hatnak egymásra, majd egymás után hozzáadjuk a kölcsönhatásból adódó javításokat. Ha minden következő korrekció kisebb az előzőnél, néhány lépés is jó közelítést ad.

A proton tömegénél sokkal nehezebb ilyen utat követni. Az erős kölcsönhatás miatt a proton belsejében nem működik jól a kis korrekciókra épülő számolás. A fizikusok ezért a folytonos téridő helyett rácspontokkal dolgoznak, ahol a mezőket véges számú helyen kell figyelembe venni. Minél sűrűbb a rács, annál kisebb részleteket tudnak követni. Az erős kölcsönhatásnál bevált módszerrel a proton tömegét is ki lehet számolni.

Hol akad el ugyanez a gyenge kölcsönhatásnál?

A gyenge kölcsönhatás különbséget tesz a részecskék bizonyos bal- és jobbkezes állapotai között. A bal és jobb itt kvantumfizikai tulajdonság. A különbséget úgy érdemes elképzelni, mint két kesztyűét. Egy balkezes kesztyű tükörképe jobbkezes, és a kettőt nem lehet egyszerűen egymásra forgatni.

Ha a rácson a legegyszerűbb szabályokkal próbálunk előállítani egy balkezes állapotot, megjelenhet mellé egy jobbkezes pár, amelynek a modellben nem volna helye. Vannak módszerek a fölösleges pár eltávolítására, de ezután is helyesen kell megválasztani a kvantumállapotok fázisát. A fázist a hullámok példája teszi kézzelfoghatóbbá. Két hullám erősíti egymást, ha két hullámhegy egyszerre érkezik. Ha az egyik hullámhegy a másik völgyével találkozik, gyengíthetik egymást.

Mit tett hozzá az Astra?

Craig ötlete az volt, hogy ugyanazokat az erőtereket egyre sűrűbb rácsokon írja le. Két egymást követő rács összevetéséből megkapja a szükséges fáziskorrekció egy darabját. A modell segített megtalálni, hogyan kell az erőtereket a sűrűbb rácsokra átvinni, és kidolgozta a bizonyítás jelentős részét. A bizonyítás szerint az összegzett korrekció a vizsgált zárt útvonalakon következetes eredményt ad, amennyiben a mezők erőssége a rács léptékén a megadott határon belül marad.

A fermionok fázisa egyre sűrűbb rácsokon
Forrás: OpenAI / Nathaniel Craig és GPT‑6 Astra

Három, rácstérelmélettel foglalkozó külső szakértő is átnézte a levezetést, és kérdésekkel segítette Craiget. A korábban bemutatott kvázi-Riemann-sejtés bizonyításához hasonlóan itt is egy konkrét matematikai levezetésen dolgozott a modell. Az OpenAI különféle GPT-változatainak szerepe eltérő lehet, ahogy a kódolásra is szánt GPT‑6.1 Terra bemutatóján látszott.

A gyakorlati szimulációhoz további munka kell. Craig szerint ellenőrizni kell például, hogy a rácson megfogalmazott szabályokból visszakapjuk-e a kvantumelmélet valószínűségi szerkezetét. A teljes modell folytonos téridőre történő átvezetése szintén nyitott. A mostani eredmény egy olyan szabályt ad a rácson, amelyre ezekben a vizsgálatokban már lehet építeni.