Machine learning the arithmetic of Boyd's Mahler measure conjectures

Resumen Técnico: Aprendizaje Automático de la Aritmética de las Conjeturas de la Medida de Mahler de Boyd

Planteamiento del Problema
El artículo investiga la naturaleza aritmética de los factores racionales $r_k$ que aparecen en las conjeturas de Boyd respecto a la medida de Mahler del polinomio de Laurent de dos variables $P_k(x, y) = x + y + \frac{1}{x} + \frac{1}{y} + k$. Boyd conjeturó que para un entero $k \notin \{-4, 0, 4\}$, la medida de Mahler $\mu_k$ satisface:
$$\mu_k = r_k L'(E_k, 0)$$
donde $E_k$ es la curva elíptica asociada al lugar cero de $P_k$, y $r_k$ es un número racional no nulo. Mientras que el signo de $r_k$ está determinado por el número de raíz de $E_k$, la magnitud y las propiedades $p$-ádicas de $r_k$ (específicamente su recíproco $n_k = 1/r_k$) permanecen en gran medida misteriosas. Los autores pretenden comprender la estructura aritmética de $n_k$ a través del análisis estadístico a gran escala y el aprendizaje automático, abordando la cuestión de cómo $r_k$ se relaciona con $k$ y con la curva elíptica $E_k$.

Metodología
El estudio emplea un enfoque dual que combina la computación numérica masiva con el aprendizaje automático basado en transformadores:

1. Generación de Datos: Los autores computaron los primeros 250,000 valores de $\mu_k$ y $L'(E_k, 0)$ para $1 \le k \le 250,000$ (excluyendo $k=4$).

   • $\mu_k$ fue calculado utilizando fórmulas hipergeométricas explícitas.
   • $L'(E_k, 0)$ fue computado con 19 dígitos de precisión utilizando PARI/GP.
   • El cociente racional $r_k$ fue identificado numéricamente mediante el algoritmo LLL.
   • Este proceso requirió aproximadamente 9.6 $\times$ 10$^7$ segundos de tiempo de computación de un solo núcleo.

2. Análisis Estadístico: El conjunto de datos fue analizado para identificar patrones en el tamaño de $n_k$ y sus valoraciones $p$-ádicas $v_p(n_k)$. Los autores examinaron correlaciones con el conductor $N_k$, el discriminante $\Delta_k$ y condiciones de congruencia sobre $k$.

3. Experimentos de Aprendizaje Automático: Utilizando el marco Axolver (basado en la arquitectura de transformadores Int2Int), los autores entrenaron redes neuronales de secuencia a secuencia para predecir propiedades de $r_k$.

   • Entradas: Enteros $k$ (codificados como secuencias de dígitos) y diversas características aritméticas (número de raíz $\omega_k$, conductor $N_k$, factorizaciones de $N_k$ y $\Delta_k$, trazas de Frobenius $a_p$, rango y números de Tamagawa).
   • Tareas: Predecir $r_k$ directamente, predecir la magnitud $|n_k|$ y predecir las valoraciones $p$-ádicas $v_p(n_k)$ para $p \in \{2, 3, 5, 7\}$.
   • Evaluación: La precisión se midió mediante tasas de coincidencia exacta codiciosa (greedy exact-match rates) y coeficientes de correlación entre los valores predichos y los reales.

Contribuciones Clave y Resultados

1. Observaciones Estadísticas sobre $n_k$

• Integralidad: Con pocas excepciones ($k \in \{3, 4, 5, 8, 12, 16, 32\}$), $n_k = 1/r_k$ es un entero.
• Magnitud: El orden de magnitud de $n_k$ está gobernado por el conductor $N_k$ y $k$, siguiendo la estimación $|n_k| \asymp \frac{N_k}{\log k}$. El término $L(E_k, 2)$, que escala esta relación, es observado empíricamente dentro de un rango estrecho $(0.52, 1.75)$ con una media de 0.83.
• Primos $p \ge 5$: Para $p \ge 5$, las valoraciones $p$-ádicas generalmente siguen una ley probabilística simple: $P(v_p(n_k) = r) \approx p^{-r}$ para $r \ge 1$. Sin embargo, el primo $p=5$ muestra una desviación significativa de este modelo aleatorio, exhibiendo una mayor probabilidad de divisibilidad.
• Primo $p=3$: La valoración 3-ádica exhibe una estructura compleja. La divisibilidad por 3 ocurre con alta frecuencia (~73%). La valoración está fuertemente influenciada por condiciones de congruencia sobre $k$ (específicamente módulo 27) y la paridad del número de primos malos de $E_k$ congruentes con $1 \pmod 3$. En subfamilias específicas (por ejemplo, donde $k(k^2-16)$ es libre de cuadrados), emergen leyes de paridad estrictas que relacionan $v_3(n_k)$ con la paridad de estos primos malos.
• Primo $p=2$: La valoración 2-ádica es modelada por un término determinista más un error estocástico. Los autores proponen el modelo:
  $$v_2(n_k) \approx \hat{v}(k) + s(k) + X_k$$
  donde $\hat{v}(k) = \omega_{odd}(k) + 2\omega_{odd}(k^2-16) - c(k)$ cuenta los factores primos impares ponderados de $k$ y $k^2-16$, $s(k)$ es un término de corrección para cuando $k$ está 2-ádicamente cerca de $\pm 8$, y $X_k$ sigue una distribución binomial negativa $NB(r=3, p=3/5)$. Esto conduce a la Conjetura 3.2: $\hat{v}(k) \le v_2(n_k)$ para todo $k \neq 4, 8$.
• Prueba Condicional: Los autores proporcionan una prueba condicional de la Conjetura 3.2 para una familia específica de $k$ (donde $k=4u$, $u \equiv 4 \pmod 8$, etc.) asumiendo la conjetura de Bloch-Kato e hipótesis específicas de Dummigan et al. [DGdJK26].

2. Resultados de Aprendizaje Automático

• Predicción de Magnitud: La red neuronal falló al predecir $r_k$ exactamente. Sin embargo, aprendió con éxito la magnitud $|n_k|$ (alcanzando un ~100% de precisión en límites de factor de dos) cuando se le proporcionó el conductor $N_k$ o su factorización. Esto confirma el vínculo estadístico entre el conductor y el tamaño de $n_k$.
• Predicción de Valoración ($p \ge 5$): Los modelos para $p=5$ y $p=7$ colapsaron hacia la predicción del resultado más frecuente ($v_p=0$), fallando en revelar estructura debido a la distribución desequilibrada de las valoraciones.
• Predicción de Valoración ($p=3$): El modelo aprendió a distinguir entre $v_3(n_k)=0$ y $v_3(n_k)=1$ con alta precisión (~99%) en subfamilias específicas, capturando exitosamente las leyes de paridad identificadas en el análisis estadístico.
• Predicción de Valoración ($p=2$): El proceso de aprendizaje del modelo reveló una evolución de dos etapas:
  • Primer Plateau: Las predicciones del modelo estaban estrechamente correlacionadas con el predictor determinista $\hat{P}(k)$ derivado del modelo estadístico.
  • Segundo Plateau: A medida que el entrenamiento continuaba, la precisión del modelo aumentó mientras que su correlación con $\hat{P}(k)$ disminuyó. Crucialmente, el modelo se volvió significativamente mejor identificando los casos donde el límite inferior es agudo ($v_2(n_k) = \hat{v}(k)$). Esto sugiere que la red detectó información aritmética no capturada por el modelo estadístico actual.

Significado y Reivindicaciones
El artículo no pretende haber probado las conjeturas de Boyd ni haber derivado una fórmula de forma cerrada para $r_k$. En su lugar, afirma haber:

1. Caracterizado la Estructura Aritmética: Identificado que $r_k$ está gobernado por una jerarquía de propiedades aritméticas: el número de raíz (signo), el conductor (magnitud) y leyes locales $p$-ádicas complejas (divisibilidad).
2. Propuesto Nuevas Conjeturas: Formulado conjeturas específicas sobre la distribución de las valoraciones $p$-ádicas, particularmente el límite inferior para $v_2(n_k)$ y las leyes probabilísticas para $p \ge 5$.
3. Demostrado la Utilidad de la IA: Mostró que el aprendizaje automático puede recuperar patrones estadísticos conocidos (como la relación conductor-magnitud) y, lo que es más importante, detectar estructuras aritméticas sutiles (como la agudeza del límite 2-ádico) que no son inmediatamente obvias a partir de los datos brutos o los marcos teóricos actuales.
4. Destacado Brechas: El trabajo resalta que, si bien el "tamaño" de $r_k$ está bien comprendido a través del conductor, la "estructura fina" de sus valoraciones (especialmente en $p=2$ y $p=3$) requiere explicaciones aritméticas más profundas, potencialmente involucrando grupos de Selmer e índices de reguladores, tal como sugiere el marco de Bloch-Kato.

Los autores concluyen que la combinación de computación a gran escala y aprendizaje automático sirve como una herramienta poderosa para generar conjeturas concretas e identificar fenómenos que pueden guiar futuras pruebas teóricas en el contexto de las medidas de Mahler y las funciones $L$.