أثبت علماء الرياضيات النظرية الهندسية من خلال نظرية الاحتمالات

لقد نجح علماء الرياضيات في حل مشكلة النظام الخفي التي طال أمدها في العشوائية متعددة الأبعاد، وبطريقة بارعة إلى حد ما – فقد أثبتوا نظرية هندسية من خلال نظرية الاحتمالات. وترد التفاصيل في الطباعة المسبقة في arXiv.

تمت صياغة هذه المشكلة في عام 1995 من قبل الحائز على جائزة أبيل ميشيل تالاجران: هل من الممكن إنشاء شكل محدب في عدد ثابت من الخطوات – مجاميع مينكوفسكي – التي لا تعتمد على البعد المكاني؟

مجموع مينكوفسكي هو جمع المجموعات، كل نقطة مع كل منها. ومع زيادة عدد الأبعاد، يزداد تعقيد هذه العمليات والأرقام الناتجة بشكل كبير – وهو ما يسمى “لعنة الأبعاد”.

لم يعتقد تالاجران نفسه أنه سيتم إثبات فرضيته، وعرض 2000 دولار لأي شخص يقوم بذلك. وأوضح قائلاً: “لقد قمت بهذا الافتراض الجريء دون أن يكون لدي أي أساس له – لقد كان مجرد طلقة عشوائية. عندما تقول شيئًا كهذا، فإنك لا تصدق أنه يمكن أن يكون صحيحًا”.

من خلال طرح فرضية، أظهر على الفور أن إضافتين لمجموعة فرعية محدبة كبيرة ليست كافية. في عام 2025، وجد عالم رياضيات آخر أنه إذا استبدل أحد مجموع مينكوفسكي بعمليات محدبة، فإن هذه النسخة المعززة من المشكلة تصبح خاطئة.

تم تناول الحل بواسطة دونجمينج هوا وأنطوان سونج من معهد كاليفورنيا للتكنولوجيا. لقد حاولوا العثور على دليل باستخدام ChatGPT. ووفقا للمؤلفين، ساعد النموذج في الاقتراب من الحل، لكنه لم يقدمه.

وبعد أن علم بعمل زملائه، انضم إليهم ستيفان تودوزي من جامعة برينستون. يوضح المقال أن نهجه تبين أنه “أكثر عمومية ومفاهيمية” من نهج الشبكة العصبية.

أعاد علماء الرياضيات صياغة التخمين الهندسي إلى مشكلة في نظرية الاحتمال والمتجهات العشوائية، وأثبتوا تخمينًا احتماليًا مكافئًا: يمكن تمثيل أي متجه عشوائي غاوسي 1 في الفضاء ذو ​​الأبعاد n كمجموع ثلاثة نواقل عشوائية غاوسية قياسية.

هذه النتيجة تحل مشكلة تالاغران للتحدب: بالنسبة لأي مجموعة كبيرة بما فيه الكفاية في الفضاء الغاوسي، داخل المجموع الثلاثي للمجموعة الأصلية هناك دائمًا مجموعة محدبة من القياسات المهمة. يؤكد الحل أيضًا التناظرية التوافقية للمشكلة، وهو أمر مهم للرياضيات المنفصلة.

في الحياة اليومية، نحن محاطون بالكثير من التكنولوجيا القائمة على أدوات وخوارزميات رياضية معقدة. حل لغز رياضي طويل الأمد من خلال اتصالات غير متوقعة بين عوالم مستمرة ومنفصلة يمكن أن يؤثر على علم البيانات، والتعلم الآلي، ومجالات مثل تحسين الخدمات اللوجستية، حيث تشيع نماذج مماثلة ذات عشوائية معقدة.