🔢 mathematics

Residual-adaptive truncation in an arbitrary-order tangent iteration for $\pi$ : quadratic growth of the accuracy exponent

Este artículo introduce una regla de truncamiento residual-adaptativa para una iteración tangente de orden arbitrario para calcular $\pi$ , la cual aprovecha la serie de arcotangente alternante para lograr un crecimiento cuadrático en el exponente de la precisión decimal, permitiendo así la rápida convergencia desde una única aproximación de Chudnovsky hasta más de un millón de decimales correctos.

Autores originales: Shih-Han Wang

Publicado 2026-09-16

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shih-Han Wang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La búsqueda para calcular el número pi, la relación entre la circunferencia de un círculo y su diámetro, ha servido durante mucho tiempo como un campo de prueba para las herramientas más poderosas de las matemáticas. Aunque el número en sí es sencillo de definir, su expansión decimal infinita y no periódica lo convierte en un caso de prueba perfecto para observar cómo manejamos los cálculos complejos. Durante siglos, los matemáticos han dependido de dos estrategias principales para hallar más dígitos de pi. La primera consiste en sumar largas listas de números en una serie, donde cada nuevo término añade una cantidad de precisión fija y predecible. La segunda estrategia utiliza métodos iterativos, donde una computadora parte de una suposición aproximada y la refina repetidamente. En estos enfoques iterativos, el objetivo suele ser duplicar el número de dígitos correctos con cada paso, un proceso conocido como convergencia cuadrática. Si bien estos métodos son increíblemente rápidos, suelen seguir un guion rígido: la fórmula utilizada para mejorar la suposición permanece igual, incluso a medida que la suposición se vuelve más precisa.

Un nuevo estudio de Shih-Han Wang, de la Universidad de Virginia Tech, desafía la idea de que el guion debe permanecer rígido. La investigación introduce un método donde el cálculo mismo cambia su comportamiento basándose en qué tan cerca está de la respuesta. En lugar de usar una fórmula fija, el método observa el error actual —la diferencia entre la suposición actual y el valor real de pi— y utiliza ese error para decidir cuántos términos incluir en el siguiente paso del cálculo. Esto crea un sistema autoadaptable donde la velocidad de mejora se acelera drásticamente a medida que el cálculo mejora. El estudio demuestra que este enfoque no solo duplica el número de dígitos correctos, sino que eleva al cuadrado el número de dígitos correctos con cada paso, lo que conduce a una explosión de precisión que supera con creces a los métodos tradicionales de orden fijo.

El núcleo de este trabajo reside en una relación matemática específica que involucra la función tangente. Cuando un número está muy cerca de pi, su valor de la tangente es extremadamente pequeño, y este pequeño valor actúa como una medida directa del error. El investigador se dio cuenta de que el tamaño de este error podía utilizarse para determinar exactamente cuántos términos de corrección se necesitan para corregir la suposición. En un método estándar, un matemático podría decidir usar una fórmula que corrija los primeros diez términos de una expansión, independientemente de si la suposición actual difiere por una fracción minúscula o por una cantidad grande. En el método adaptativo de Wang, la computadora primero verifica el tamaño del error. Si el error es grande, utiliza una corrección corta. Si el error es diminuto, cambia automáticamente a una corrección mucho más larga y detallada. Esta decisión se toma en cada paso, lo que hace que el proceso sea no estacionario, lo que significa que las reglas del juego cambian a medida que el juego progresa.

Los resultados de esta estrategia adaptativa son matemáticamente profundos. El estudio demuestra que si un cálculo tiene un cierto número de dígitos correctos, el siguiente paso producirá un número de dígitos correctos que es aproximadamente el cuadrado del recuento anterior. Para poner esto en perspectiva, si un cálculo ha logrado 10 dígitos correctos, el siguiente paso saltaría a aproximadamente 100 dígitos correctos. Si alcanza los 1,000 dígitos correctos, el siguiente paso saltaría a un millón. Este es un cambio fundamental respecto al crecimiento lineal o cuadrático visto en otros algoritmos de alta velocidad. El artículo muestra que este crecimiento no es solo una posibilidad teórica, sino una ley matemática probada para este tipo específico de iteración, siempre que la suposición inicial sea ya razonablemente cercana al valor real.

Para verificar estos hallazgos, el investigador realizó un experimento numérico partiendo de una aproximación de pi bien conocida derivada de la fórmula de Chudnovsky. La suposición inicial era precisa hasta unos 13 decimales. Después del primer paso adaptativo, la precisión saltó a aproximadamente 385 dígitos correctos. El segundo paso llevó la precisión a casi 300,000 dígitos correctos. El tercer paso fue tan poderoso que, teóricamente, produjo más de 100 mil millones de dígitos correctos, una cifra tan vasta que la computadora solo pudo verificar el primer millón de dígitos contra un estándar de referencia conocido. El hecho de que el primer millón de dígitos coincidiera perfectamente con la referencia confirmó que las predicciones teóricas eran precisas. El método generó con éxito una secuencia de aproximaciones que crecieron en precisión exactamente como lo predijo el modelo matemático, pasando de miles a millones de dígitos en solo unas pocas iteraciones.

Este trabajo se distingue de otros métodos de alta velocidad por su flexibilidad. Mientras que otros algoritmos pueden estar diseñados para tener un "orden" de convergencia fijo, como duplicar o triplicar los dígitos cada vez, este método no tiene un orden fijo. En su lugar, su orden de convergencia crece automáticamente a medida que el cálculo mejora. El estudio aclina que esto no significa que el método sea infinitamente rápido en un sentido práctico, ya que el costo de realizar los cálculos también aumenta con el número de dígitos. Sin embargo, en términos de la relación matemática entre el error actual y el siguiente error, la mejora es más rápida que cualquier potencia fija del error actual. La investigación proporciona una prueba rigurosa de que el error en el siguiente paso se vuelve insignificante en comparación con cualquier potencia fija del error actual, una propiedad que lo distingue de todas las iteraciones de orden fijo conocidas anteriormente.

El estudio también aborda los límites de su propio éxito. El método depende de que la suposición inicial esté dentro de un rango específico del valor real de pi, específicamente dentro de un cuarto de radián. Afortunadamente, el punto de partida utilizado en el experimento, derivado de la fórmula de Chudnovsky, cae dentro de esta zona segura. Una vez que el cálculo entra en esta zona, el método garantiza que permanecerá allí y continuará mejorando. El artículo no pretende resolver el problema de encontrar pi desde un punto de partida aleatorio, sino que ofrece un motor altamente eficiente para refinar una suposición que ya está cerca. También señala que, si bien la convergencia matemática es espectacular, el tiempo real que toma ejecutar estos cálculos en una computadora depende de qué tan eficientemente pueda la computadora manejar la enorme cantidad de dígitos involucrados, un desafío de ingeniería separado.

En última instancia, esta investigación ofrece una nueva forma de pensar sobre cómo refinamos las respuestas numéricas. Sugiere que cuando se dispone de una fórmula de corrección en una forma flexible, el error actual puede utilizarse no solo para medir el progreso, sino para dictar la estrategia para el siguiente movimiento. Al permitir que el error determine la profundidad de la corrección, el método transforma un proceso iterativo estándar en un sistema de autoaceleración. Los hallazgos están respaldados tanto por una prueba matemática rigurosa como por la verificación numérica directa, mostrando que el número de dígitos correctos puede, de hecho, crecer a un ritmo que eleva al cuadrado la precisión anterior. Este enfoque abre una nueva vía para la aritmética de alta precisión, demostrando que el camino hacia la precisión extrema puede estar pavimentado por algoritmos que adaptan sus propias reglas sobre la marcha.

Resumen Técnico: Truncamiento Adaptativo al Residuo en una Iteración de Tangente de Orden Arbitrario para $\pi$

Planteamiento del Problema
El cálculo de $\pi$ sirve como un punto de referencia para la interacción entre identidades analíticas, iteración no lineal y aritmética de alta precisión. Mientras que los métodos basados en series (p. ej., Chudnovsky) ofrecen un crecimiento lineal de dígitos correctos por término, y los métodos de orden fijo (p. ej., Brent–Salamin o las iteraciones de tangente de Labelle) ofrecen órdenes de convergencia algebraica, existe una brecha en los métodos donde el orden de convergencia se adapta automáticamente a la precisión actual. Específicamente, las construcciones de orden arbitrario existentes requieren un orden entero $p$ prescrito externamente, lo que resulta en una tasa de convergencia algebraica fija. Este artículo aborda si la profundidad de truncamiento de una iteración basada en la tangente puede seleccionarse directamente a partir del residuo actual, permitiendo que el exponente de corrección de error aumente automáticamente a medida que la aproximación mejora.

Metodología
El método propuesto utiliza la identidad local $\pi = x - \arctan(\tan x)$ , válida para $x$ en la rama principal cerca de $\pi$ . Sea $x_n$ una aproximación a $\pi$ con un error $e_n = x_n - \pi$ . El residuo de la tangente se define como $t_n = \tan x_n = \tan e_n$ . Dado que $e_n = \arctan t_n$ , el error puede expresarse como la cola de la serie de Maclaurin para $\arctan t_n$ .

La innovación central es una regla de truncamiento adaptativa al residuo:

Exponente de Precisión del Residuo: Definir $\rho_n = -\log_{10} |t_n|$ .
Índice de Truncamiento Adaptativo: Establecer la profundidad de truncamiento $d_n = \max\{1, \lfloor \rho_n \rfloor\}$ . Este índice representa el orden de magnitud decimal del residuo actual.
Paso de Iteración: El siguiente iterado se calcula restando los primeros $d_n + 1$ términos de la serie $\arctan$ :
$x_{n+1} = x_n - \sum_{j=0}^{d_n} \frac{(-1)^j t_n^{2j+1}}{2j+1}$
El nuevo error $e_{n+1}$ corresponde exactamente a la cola omitida de la serie alternante, comenzando en la potencia $2d_n + 3$ .

Contribuciones Clave

Esquema de Iteración No Estacionaria: El artículo introduce una iteración no estacionaria donde la forma analítica de la actualización permanece constante, pero la profundidad de truncamiento $d_n$ varía en cada paso basándose en la magnitud del residuo de la tangente.
Análisis de Error Riguroso: Al aprovechar el teorema del resto de la serie alternante, el autor deriva una representación exacta de la cola para el nuevo error. Esto produce un límite de residuo asintótico uniforme:
$|e_{n+1}| \leq \frac{|t_n|^{2d_n+3}}{2d_n+3}$
Crecimiento Cuadrático del Exponente de Precisión: El principal resultado teórico es la derivación de la relación de recurrencia para el exponente de precisión decimal $D_n = -\log_{10} |e_n|$ . El artículo demuestra que, a medida que $e_n \to 0$ :
$D_{n+1} = 2D_n^2 + O(D_n)$
Se proporciona una expansión refinada para resolver los términos lineales inducidos por el suelo (floor) y las correcciones logarítmicas.
Convergencia Super-Algebraica: Se demuestra que para cualquier $r > 0$ fijo, la relación $|e_{n+1}|/|e_n|^r \to 0$ . Esto implica que el método converge más rápido que cualquier orden algebraico fijo, aunque el autor distingue esta convergencia matemática de la complejidad computacional.
Invarianza de Rama: El artículo demuestra que una vez que un iterado entra en el intervalo $|x_n - \pi| < \pi/4$ , todos los iterados subsecuentes permanecen en la misma rama de la arcotangente, asegurando la validez de la identidad de la rama principal durante todo el proceso.

Resultados
El método fue validado numéricamente partiendo de una aproximación de un solo término de Chudnovsky ( $x_0$ ). La convergencia observada coincidió con las predicciones teóricas con alta precisión:

Iteración 0 a 1: La precisión creció de $\approx 13$ dígitos a $\approx 385$ dígitos.
Iteración 1 a 2: La precisión creció de $\approx 385$ dígitos a $\approx 297,686$ dígitos.
Iteración 2 a 3: La predicción teórica sugiere una precisión de exponente de $\approx 1.77 \times 10^{11}$ . El iterado computado $x_3$ fue verificado para coincidir con un conjunto de datos de referencia independiente (el dataset de 22.4 billones de dígitos de Trueb) a través de al menos 1,000,000 de decimales.
Los datos numéricos confirmaron la ley de crecimiento cuadrático $D_{n+1} \approx 2D_n^2$ y la validez de la regla de truncamiento adaptativa.

Significancia y Reivindicaciones
El artículo reivindica su significancia al establecer una recurrencia de forma cerrada para el exponente de precisión que surge naturalmente al acoplar la profundidad de truncamiento a la magnitud del residuo.

Convergencia Matemática: El método logra un conteo de iteraciones externas de $O(\log \log N)$ para alcanzar un exponente de precisión $N$ una vez que se entra en el régimen asintótico, lo cual es superior al $O(\log N)$ requerido por los métodos de orden fijo.
Distinción de la Complejidad: El autor establece explícitamente que este resultado se refiere a la convergencia matemática, no a la complejidad computacional. No pretenden una superioridad en tiempo de ejecución (wall-clock) sobre los métodos optimizados de Chudnovsky o basados en AGM, señalando que la evaluación de alta precisión de los residuos trascendentales y la sumatoria de muchos términos conllevan sus propios costos aritméticos.
Principio General: El trabajo ilustra un principio general: cuando una corrección de orden arbitrario está disponible en una única expansión analítica, el residuo actual puede utilizarse no solo para estimar el error, sino también para determinar la profundidad de truncamiento, convirtiendo una familia de orden fijo en un esquema no estacionario con crecimiento de precisión cuadrática.

El artículo concluye que, si bien la ley cuadrática es una consecuencia del esquema lineal específico $d_n \sim \rho_n$ , la regla de truncamiento controlada por el residuo explícito y su riguroso análisis de error representan una contribución novedosa a la teoría de la búsqueda de raíces no lineales para $\pi$ .

Más como este