Evolving Ranking Functions for Canonical Blow-Ups in Positive Characteristic

Resumen Técnico: Evolución de Funciones de Clasificación para Explosiones Canónicas en Característica Positiva

Planteamiento del Problema
La resolución de singularidades en característica positiva sigue siendo un problema abierto central en la geometría algebraica. Mientras que Hironaka estableció la existencia de la resolución en característica cero (1964) mediante algoritmos constructivos impulsados por funciones de clasificación (invariantes que decrecen estrictamente a lo largo de secuencias de explosiones o blow-ups), no se conoce una función de clasificación general similar para la característica positiva. En característica positiva, los invariantes clásicos suelen fallar al no decrecer de forma monótona debido a las patologías específicas de Frobenius, notablemente el "fenómeno canguro", donde los invariantes secundarios (como el orden residual o "sombra") pueden aumentar temporalmente tras una explosión. Los enfoques existentes luchan por sortear estas obstrucciones, particularmente en dimensiones $d \ge 4$.

Metodología
Este artículo reporta una serie de experimentos computacionales utilizando AlphaEvolve, un motor de búsqueda evolutiva que optimiza scripts de Python dentro de un marco de aprendizaje por refuerzo. Los autores diseñaron un "simulador de explosión canónica de juguete" para investigar si se podría descubrir una función de clasificación que induzca una terminación finita a pesar de los incrementos temporales en los invariantes.

La metodología consistió en:

1. Diseño del Simulador: Se construyó un simulador determinista para singularidades de hipersuperficie en el espacio afín $A^d$ con una variable de eliminación distinguida $z$. El estado consiste en una especificación de un ideal (codificada por vectores de exponentes y etiquetas simbólicas) y una función de frontera que rastrea los divisores excepcionales. El simulador sigue una regla determinista fija para la selección de centros de explosión basados en datos Newton-combinatorios.
2. Ingeniería de Características: Se definió un diccionario de 26 invariantes numéricos intrínsecos (características $f_0$ a $f_{25}$) como aproximaciones a cantidades geométricas utilizadas en la teoría de resolución (por ejemplo, orden, orden pesado, valores de Hilbert-Samuel, el vanishing del Jacobiano y datos de frontera). Estas características fueron diseñadas para ser libres de historia (funciones puras del estado actual).
3. Búsqueda Evolutiva: Se encomendó a AlphaEvolve la tarea de evolucionar una función de clasificación $R: \mathbb{R}^{26} \to \mathbb{R}^k$ (una tupla de valores) que satisfaga un criterio de descenso de retardo acotado. A diferencia del descenso estricto paso a paso requerido en característica cero, este criterio requiere que el rango "mejor hasta ahora" mejore estrictamente al menos una vez dentro de cada ventana de $m$ pasos (donde $m=5$).
4. Refinamiento Iterativo: Los experimentos procedieron a través de un currículo. Los autores refinaron manualmente los puntos de referencia (benchmarks) de prueba y los conjuntos de características después de cada ejecución, añadiendo contraejemplos adversarios encontrados por el sistema o por herramientas externas (como LLMs) para poner a prueba las funciones de clasificación evolucionadas.

Contribuciones Clave y Resultados

• Marco Experimental: El artículo establece un flujo de trabajo para utilizar la búsqueda evolutiva para descubrir construcciones matemáticas candidatas para problemas de geometría biracional, abordando específicamente la dificultad de encontrar invariantes en característica positiva.
• Construcción de Benchmarks: Los autores curaron un conjunto enfocado de 100 singularidades de hipersuperficie en dimensión $d=4$ y característica $p=3$. Estas son singularidades monicas y puramente inseparables de la forma $z^3 + \dots$, diseñadas para exhibir comportamientos de meseta y saltos tipo canguro.
• Funciones de Clasificación Evolucionadas:
  • Clasificador Continuo: Un experimento inicial produjo una función de clasificación continua de dos componentes que logró cero violaciones en un benchmark de 71 instancias.
  • Clasificador Discretizado: Un experimento posterior evolucionó una función de clasificación lexicográfica de cinco componentes combinada con un mapa de discretización $\Pi: \mathbb{R}^5 \to \mathbb{N}^5$. Esta función logró cero violaciones en el benchmark de 71 instancias.
  • Mejora Adversaria: Cuando se encontró un contraejemplo (Lema 2) que violaba la condición de retardo acotado para el clasificador de 71 instancias, el benchmark se expandió a 100 instancias. AlphaEvolve evolucionó con éxito un nuevo clasificador de cinco componentes ($R_{100}$) que logró cero violaciones en las 100 instancias.
• Contraejemplos y Limitaciones: El artículo documenta explícitamente contraejemplos donde los clasificadores evolucionados fallan en clases más amplias de entradas (por ejemplo, términos mixtos de grado mayor o no monicos), demostando que las soluciones actuales son específicas para la familia restringida de "Weierstrass" utilizada en el benchmark.

Conjeturas
Los resultados experimentales motivan dos conjeturas específicas respecto a la existencia de funciones de clasificación con retardo:

1. Conjetura 1: La tupla lexicográfica de cinco componentes específica evolucionada en la primera fase ($R_{lex}$) satisface la condición de descenso de retardo acotado para la familia restringida de polinomios de Weierstrass monicos $z^3 + g + z^2h$.
2. Conjetura 2: Existe una función de clasificación bruta de cinco componentes $R$ construida a partir de los invariantes intrínsecos tal que su discretización $\Pi \circ R$ es una función de clasificación de retardo acotado para la clase de singularidades de hipersuperficie puramente inseparables monicas en dimensión 4 y característica 3. Los autores conjeturan que el clasificador específico $R_{100}$ puede generalizarse a familias con términos mixtos de mayor grado.

Significancia y Reivindicaciones
El artículo se enmarca modestamente no como una teoría matemática terminada, sino como una exploración de cómo diseñar y evolucionar experimentos de resolución.

• Prueba de Concepto: Demuestra que AlphaEvolve puede servir como un motor productivo para la exploración matemática, generando construcciones candidatas que pueden ser verificadas y potencialmente promovidas a teoremas rigurosos.
• Perspectiva sobre las Patologías: Los experimentos resaltan que, en característica positiva, los mecanismos de terminación probablemente requieren no solo invariantes basados en el orden, sino una interacción compleja de datos conscientes de la frontera (divisores excepcionales), señales del Jacobiano e información de profundidad p-ádica para romper las mesetas.
• Cambio Metodológico: El trabajo sugiere un cambio de imponer una monotonicidad estricta a aceptar un descenso de "retardo acotado", reconociendo que el progreso geomético en característica positiva puede implicar regresiones temporales en los invariantes secundarios.

Los autores enfatizan que las conclusiones matemáticas, las conjeturas y los contraejemplos presentados surgen del análisis matemático independiente de los resultados computacionales, más que de salidas directas de la IA. El artículo sirve como un reporte de un viaje computacional para investigar un problema central en la geometría biracional.