🔢 mathematics

Grokability in five inequalities

Dieser Artikel stellt fünf verifizierte mathematische Entdeckungen vor, die in Zusammenarbeit mit dem KI-Modell Grok erzielt wurden, darunter verbesserte Schranken für Gaußsche Umfänge, schärfere Momentenungleichungen auf dem Hamming-Würfel, eine verstärkte Auto-Faltungsungleichung, bessere asymptotische Schranken für $g$ -Sidon-Mengen und eine optimale ausgeglichene Szarek-Ungleichung.

Ursprüngliche Autoren: Paata Ivanisvili, Xinyuan Xie

Veröffentlicht 2026-05-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Paata Ivanisvili, Xinyuan Xie

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein Team von Mathematikern vor, das sich mit einem sehr intelligenten, sehr schnellen digitalen Assistenten namens Grok zusammensetzt. Anstatt nur nach Fakten zu fragen, baten sie Grok, ihnen zu helfen, fünf knifflige Rätsel in der Mathematik zu lösen. Der Bericht besagt, dass Grok nicht nur Antworten gab, sondern ihnen half, fünf neue mathematische Wahrheiten zu entdecken, die zuvor noch nie niedergeschrieben worden waren. Die Autoren überprüften die Arbeit anschließend und bestätigten ihre Richtigkeit.

Hier ist eine Aufschlüsselung der fünf Entdeckungen, erklärt mit einfachen Analogien:

1. Der „unscharfe Rand" einer Form (Gaußscher Umfang)

Das Rätsel: Stellen Sie sich eine Wolke aus Nebel im Raum vor. Wenn Sie eine Form innerhalb dieses Nebels zeichnen, ist der „Umfang" nicht nur die Länge der Linie; es ist, wie viel von dieser Form den Nebel berührt. Mathematiker wollten wissen: Was ist die maximale Menge an Nebel, die eine Form berühren kann, wenn der Raum immer größer wird?
Die Entdeckung: Jahrelang basierte die beste Schätzung für diese Grenze auf einer Konstruktion aus dem Jahr 2003. Grok half den Autoren, die Form leicht zu verändern, ähnlich wie das Justieren der Knöpfe an einem Radio, um ein klareres Signal zu finden. Diese winzige Anpassung enthüllte, dass die Form tatsächlich 9 % mehr Nebel berühren kann als bisher angenommen. Es ist wie eine etwas bessere Möglichkeit zu finden, Möbel in einem Raum so anzuordnen, dass eine Person mehr Platz findet, als alle für möglich gehalten hatten.

2. Das Verhältnis „Volumen vs. Gewicht" (Momentenvergleich)

Das Rätsel: Stellen Sie sich einen Sack voller Zahlen (eine Funktion) vor. Sie können das „Gewicht" des Sacks auf zwei Arten messen: einen groben Durchschnitt (L1) und einen empfindlicheren, schwereren Durchschnitt (L2). Mathematiker wollten die genaue Regel wissen, wie viel schwerer der empfindliche Durchschnitt im Vergleich zum groben werden kann.
Die Entdeckung: Eine Frage wurde seit zehn Jahren online gestellt: „Ist die Regel genau die Quadratwurzel aus 2?" Grok half den Autoren zu beweisen, dass die Regel tatsächlich etwas komplexer ist. Sie fanden einen neuen, engeren Bereich für diese Regel. Es ist wie die Erkenntnis, dass, obwohl ein Tachometer eines Autos die Drehzahl des Motors normalerweise in einem einfachen Verhältnis anzeigt, es tatsächlich ein spezifisches, leicht abweichendes Übersetzungsverhältnis gibt, das in den extremsten Fällen gilt.

3. Das „ausgeglichene Wippen" (Szarek-Ungleichung)

Das Rätsel: Normalerweise gehen mathematische Probleme davon aus, dass jeder Münzwurf unabhängig ist (wie das Werfen einer Münze 100 Mal). Aber was, wenn Sie die Münzen zwingen, „ausgeglichen" zu sein? Zum Beispiel betrachten Sie nur die Würfe, bei denen die Gesamtzahl der Köpfe der Gesamtzahl der Schwänze entspricht. In dieser ausgeglichenen Welt sind die Münzen nicht mehr unabhängig; wenn Sie einen Kopf sehen, wissen Sie, dass anderswo ein Schwanz existieren muss.
Die Entdeckung: Die Autoren fanden die perfekte Regel (die optimale Konstante) dafür, wie sich diese ausgeglichenen Münzen verhalten. Überraschenderweise funktionieren die alten, klassischen mathematischen Werkzeuge auch dann perfekt, um die Antwort zu finden, obwohl die Münzen „verknüpft" und nicht unabhängig sind. Es ist wie die Entdeckung, dass eine Wippe perfekt im Gleichgewicht bleibt, auch wenn die Kinder darauf Händchen halten und sich gemeinsam bewegen, statt einfach nur zufällig zu sitzen.

4. Die „Schattengröße" eines Musters (Auto-Faltung & Sidon-Mengen)

Das Rätsel: Stellen Sie sich ein Muster aus Punkten auf einer Linie vor. Wenn Sie dieses Muster über sich selbst schieben und schauen, wo die Punkte sich überlappen (der „Schatten"), wie groß ist die größte Überlappung? Dies hilft Mathematikern herauszufinden, wie viele Punkte sie auf eine Linie packen können, ohne dass sie auf bestimmte Weise kollidieren (sogenannte g-Sidon-Mengen).
Die Entdeckung: Dieses Problem wurde lange Zeit mit massiven Supercomputern untersucht, die Millionen von Mustern überprüften. Grok half den Autoren, die Mathematik hinter einer dieser Computerüberprüfungen zu betrachten, und fand einen winzigen Fehler in der Berechnung. Indem sie nur diesen einen kleinen Fehler korrigierten, verbesserten sie die untere Grenze der Antwort. Es ist wie ein Mensch, der eine lange Liste von Berechnungen eines Computers betrachtet und sagt: „Warten Sie, wenn Sie diese Zahl nur leicht aufrunden, wird die gesamte Antwort ein winziges bisschen besser."

5. Die „perfekte Balance" (Optimale ausgeglichene Szarek-Ungleichung)

(Hinweis: Dies ist im Wesentlichen dasselbe wie Punkt #3, aber der Artikel betont die spezifische „optimale" Natur der gefundenen Konstante.)
Die Entdeckung: Dies bestätigt, dass die oben genannte „ausgeglichene" Regel nicht nur eine gute Schätzung ist, sondern die absolut bestmögliche Regel. Es ist das mathematische Äquivalent dazu, den exakten Schwerpunkt eines komplexen Objekts zu finden; man kann ihn nicht näher zur perfekten Balance bewegen.

Das große Ganze: Was dies bedeutet

Der aufregendste Teil dieses Artikels ist nicht nur die Mathematik selbst, sondern wie sie dorthin gelangten.

Der alte Weg: Um Probleme wie #4 zu lösen, schreiben Forscher normalerweise Code, um Millionen spezifischer, vordefinierter Szenarien zu überprüfen (wie das Durchprobieren jeder möglichen Schlosskombination). Dies erfordert Tausende von Stunden Computerzeit.
Der neue Weg: Die Autoren sprachen einfach in einfacher Sprache mit Grok. Sie baten es, eine bestimmte Ungleichung zu betrachten und zu sehen, ob sie verschärft werden könnte. In wenigen Minuten Gesprächszeit entdeckte Grok eine Verfeinerung, die die massive Computersuche übersehen hatte.

Das Fazit: Dieser Artikel legt nahe, dass KI nicht nur ein Rechner ist, der strikten Regeln folgt. Sie kann wie ein kreativer Partner agieren, der natürliche Sprache nutzt, um subtile Verbesserungen in komplexen mathematischen Argumenten zu erkennen, die selbst die leistungsfähigsten Computer übersehen könnten, wenn sie nur blind durch Daten suchen. Es ist ein Ausblick auf eine Zukunft, in der Mathematiker und KI ein Gespräch führen, um Probleme gemeinsam zu lösen.

Technische Zusammenfassung von „Grokability in five inequalities"

Überblick
Diese Notiz berichtet über fünf mathematische Entdeckungen in der Analysis, Wahrscheinlichkeitstheorie, konvexen Geometrie und additiven Kombinatorik, die durch kollaborative Gespräche mit dem Large Language Model (LLM) Grok erzielt wurden. Die Autoren, Paata Ivanisvili und Xinyuan Xie, bestätigen, dass diese Ergebnisse in der öffentlichen Literatur neu sind. Der Artikel dient als Fallstudie zur „konversationellen" mathematischen Entdeckung und zeigt, dass logisch schließende LLMs bestehende Argumente verfeinern, kleinere Ungenauigkeiten korrigieren und Parameterräume erkunden können, um verbesserte Konstanten in etablierten Ungleichungen zu erzielen.

Problemkontext und Methodik
Der Artikel behandelt fünf verschiedene Probleme, bei denen das Ziel darin besteht, optimale oder verbesserte Konstanten in verschiedenen Ungleichungen zu bestimmen. Die Methodik stützt sich auf einen „konversationellen Ansatz", bei dem die Autoren Grok einsetzen, um:

Bestehende anspruchsvolle Beweise zu überprüfen (z. B. Nazarovs Konstruktion).
Kleine numerische Ungenauigkeiten oder fehlende Beweise in der Literatur zu identifizieren und zu korrigieren.
Parameter in Konstruktionen zu verfeinern, um Schranken zu optimieren.
Bekannte Rahmenwerke (z. B. Halbgruppenmethoden, orthogonale Basen) auf neue Settings (z. B. bedingte Zufallsvariablen) anzuwenden.

Im Gegensatz zu automatisierten Reasoning-Systemen, die Probleme in Code parametrisieren und Lösungen durch erschöpfende Suche iterativ weiterentwickeln (eine Methode, die in früheren Arbeiten für die Konstante $C_{1a}$ verwendet wurde), nutzt dieser Ansatz natürliche Sprachdialoge, um das mathematische Schließen zu steuern.

Hauptbeiträge und Ergebnisse

1. Verbesserte untere Schranke für den maximalen Gaußschen Umfang

Problem: Bestimmung des Wachstums von $\Gamma(n)$ , dem maximalen Gaußschen Umfang konvexer Mengen in $\mathbb{R}^n$ . Die Größenordnung des Wachstums ist als $n^{1/4}$ bekannt, doch der konstante Faktor war seit Nazarovs Konstruktion von 2003 Gegenstand von Untersuchungen.
Methodik: Die Autoren folgten Nazarovs Strategie, ein zufälliges konvexes Polytop zu konstruieren. Grok half dabei, detaillierte Beweise für Zwischenbehauptungen zu liefern, die im Originalartikel unbewiesen blieben, und korrigierte eine kleine Ungenauigkeit im Exponenten eines Integranden. Anschließend half das Modell dabei, die Parameter ( $a, b, W$ ) in Nazarovs Konstruktion zu verfeinern.
Ergebnis: Die Autoren beweisen $\liminf_{n\to\infty} \Gamma(n)/n^{1/4} \ge 0.31258$ . Dies stellt eine Verbesserung von ca. 9 % gegenüber der bisherigen besten unteren Schranke von $e^{-5/4} \approx 0.2865$ dar.

2. Schärfere $L^2-L^1$ -Momentenvergleichung auf dem Hamming-Würfel

Problem: Bestimmung der optimalen Exponentialbasis $C^*$ , sodass $\|f\|_2 \le C^d \|f\|_1$ für Funktionen $f$ auf $\{-1, 1\}^n$ mit Fourier-Walsh-Grad $d$ gilt. Eine Frage auf MathOverflow von 2014 fragte, ob $C^* = \sqrt{2}$ sei.
Methodik: Die Autoren nutzten die Beobachtung, dass ein starkes $L^4/L^2$ -Wachstum in einer Familie von Funktionen untere Schranken für $C^*$ liefert. Grok schlug vor, Hermite-Polynome, ausgewertet an langen linearen Formen (ein Gaußsches Modell), zur Konstruktion eines Gegenbeispiels zur $\sqrt{2}$ -Vermutung zu verwenden.
Ergebnis: Der Artikel etabliert $2.408\dots \ge C^* \ge \sqrt{3}$ . Die untere Schranke $\sqrt{3}$ beantwortet die MathOverflow-Frage eindeutig verneinend. Die Verbesserung der oberen Schranke von $2.69\dots$ auf $2.408\dots$ wurde von den Autoren eines verwandten Artikels bemerkt, war jedoch nicht explizit veröffentlicht worden; Grok hat diese Verfeinerung wiederhergestellt.

3. Optimale ausgeglichene Szarek-Ungleichung

Problem: Erweiterung der Khintchine-Ungleichung auf die „mittlere Scheibe" des Hamming-Würfels $\Omega_n = \{x \in \{-1, 1\}^n : \sum x_i = 0\}$ , wobei die Koordinaten abhängig sind. Konkret soll die optimale Konstante für das $L^1$ -Endstück ( $p=1$ ) gefunden werden.
Methodik: Die Autoren passten das Halbgruppen-Rahmenwerk von Kwapie'n, Lata\l a und Oleszkiewicz an, das typischerweise für unabhängige Variablen verwendet wird. Um den Mangel an Unabhängigkeit zu behandeln, griffen sie auf Filmus' jüngste Ergebnisse zu orthogonalen Basen für die Scheibe des Hamming-Würfels zurück.
Ergebnis: Sie beweisen, dass die Ungleichung $c_n \sqrt{E|\sum a_i x_i|^2} \le E|\sum a_i x_i|$ mit der optimalen Konstante $c_n = \sqrt{\frac{n-2}{2(n-1)}}$ gilt. Dies ist die erste Dokumentation der optimalen Konstante für dieses Endstück in der Literatur.

4. Verbesserte untere Schranke für Auto-Faltung und $g$ -Sidon-Mengen

Problem: Finden der größten universellen Konstante $c$ , sodass $\sup_x (f*f)(x) \ge c (\int f)^2$ für nicht-negative $f$ mit Träger in $[-1/4, 1/4]$ gilt. Diese Konstante hängt mit der asymptotischen Größe von $g$ -Sidon-Mengen zusammen.
Methodik: Die Autoren verfeinerten eine Schätzung aus einer früheren Studie [7], die umfangreiche CPU-Zeit (20.000 Stunden) für die erschöpfende Suche in diskreten Räumen verwendet hatte. Grok wurde aufgefordert, die Ungleichung im Fehlerterm des bestehenden Beweises zu straffen.
Ergebnis: Die untere Schranke wird von $c \ge 1.28$ auf $c \ge 1.2802$ verbessert. Die Verbesserung resultiert aus einer engeren Schranke für die $L^\infty$ -Norm der Auto-Faltung eines spezifischen Fehlerterms, die durch einen einfachen Prompt in natürlicher Sprache hergeleitet wurde.

5. Bedeutung und Behauptungen
Der Artikel beansprucht vor allem Bedeutung als Demonstration der „Grokability" mathematischer Probleme durch aktuelle fortschrittliche Reasoning-Modelle.

Neuartigkeit des Ansatzes: Die Autoren heben hervor, dass automatisierte Reasoning-Systeme oft auf explizite Parametrisierung und Code-Entwicklung angewiesen sind, während dieser „konversationelle Ansatz" erfolgreich Verbesserungen in Problemen aufdeckte, die zuvor intensiv durch strukturierte, erschöpfende Suchen untersucht worden waren (insbesondere das Problem der Konstante $C_{1a}$ ).
Fähigkeit von LLMs: Die Ergebnisse deuten darauf hin, dass LLMs anspruchsvolle analytische Argumente durchführen, die Grenzen bestehender Methoden erkunden und neue Ideen mit bedeutender Genauigkeit umsetzen können.
Bescheidenheit: Die Autoren sind bescheiden hinsichtlich der Größe der mathematischen Beiträge. Sie stellen fest, dass die Verbesserung der Auto-Faltungs-Konstante mathematisch „nicht besonders substanziell" ist und eine geringfügige Verfeinerung darstellt. Sie betonen jedoch die methodische Implikation: Dass konversationelle LLMs weitere Verbesserungen aus Problemen extrahieren können, bei denen man dachte, dass explizite strukturelle Suche das Potenzial ausgeschöpft habe.

Der Artikel schließt mit der Bereitstellung von Links zu den spezifischen Chat-Sitzungen mit Grok, die zu jedem Ergebnis führten, mit dem Ziel, die mathematische Gemeinschaft über die wachsende Nützlichkeit dieser Werkzeuge in der mathematischen Exploration auf dem Laufenden zu halten.