Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Notícias e pesquisa de IA

Notícias ·

Físico usa o GPT-6 Astra para propor uma definição em rede do Modelo Padrão

O físico Nathaniel Craig descreve seu preprint de outubro no arXiv, preparado com o GPT-6 Astra, que oferece uma definição não perturbativa candidata do Modelo Padrão em uma rede de espaço-tempo. Ele enfrenta o velho problema de colocar partículas de mão esquerda numa rede sem parceiras indesejadas. O Astra conduziu a prova detalhada, três teóricos de rede a questionaram e o trabalho vem com uma formalização em Lean.

Há mais de cinquenta anos, o Modelo Padrão da física de partículas bate com os experimentos com precisão notável, mas ninguém escreveu uma definição matemática completa dele que não dependa de tratar as forças como pequenas correções. O físico Nathaniel Craig diz ter uma candidata, construída com bastante ajuda do GPT-6 Astra, da OpenAI.

A saída usual para forças intensas é uma rede: divide-se o espaço-tempo numa grade, e a teoria vira algo que se pode definir com rigor e simular em computador. Essa abordagem explicou a massa do próton a partir de primeiros princípios. Ela não funcionou para o Modelo Padrão completo porque a força fraca trata de forma diferente as partículas de mão esquerda e de mão direita. Coloque uma partícula de mão esquerda numa rede ingênua e surge uma parceira de mão direita indesejada. Décadas de trabalho de Ginsparg e Wilson, Narayanan e Neuberger, Lüscher e Kikukawa resolveram quase todo o problema, mas uma peça ficou em aberto por mais de 25 anos: uma regra consistente para uma fase que depende dos campos de força em cada ponto da grade.

A ideia de Craig foi copiar os campos para uma série de grades cada vez mais finas e comparar os estados de partícula permitidos entre grades vizinhas; somar essas comparações dá a regra de fase na grade original. Segundo ele, o Astra sugeriu como levar os campos para grades mais finas, mostrou que as comparações convergem e conduziu a prova detalhada. Os teóricos de rede Maarten Golterman, Andreas Kronfeld e Yigal Shamir questionaram o trabalho. O preprint, publicado no arXiv em 6 de outubro, vem com três documentos complementares, entre eles um texto matemático de apoio, uma formalização em Lean e um relatório de verificação.

O trabalho se junta a uma série de resultados de matemática e física que a OpenAI atribuiu a seus modelos neste ano, como trabalhos sobre o problema de Navier-Stokes e a teoria de Yang-Mills, e nossa análise do GPT-6 Astra cobre o modelo por trás deles. O que diferencia este caso é um autor acadêmico identificado que explica com clareza quais passos o modelo fez.

O porém é sério. O artigo não foi revisado por pares. Craig chama a construção de resposta em princípio, e não algo pronto para simulações reais, e ainda verifica se ela satisfaz a positividade de reflexão, propriedade necessária para ligá-la a uma teoria quântica coerente. Ela vale sob um limite para a intensidade dos campos na escala da grade. E a teoria no contínuo, sem grade, continua sendo uma questão à parte.

Nossa opinião: Se o resultado se sustentar, resolve uma questão aberta há mais de 25 anos, e é um dos casos mais claros de um modelo fazendo a parte difícil de uma prova. Ainda é um preprint, o autor o chama de resposta em princípio e não na prática, e outros físicos ainda não se manifestaram.

Nossas análises:GPT-6 Astra

Fonte: OpenAI

Mais matérias