🔢 mathematics

Grokability in five inequalities

Cet article présente cinq découvertes mathématiques vérifiées réalisées en collaboration avec le modèle d'IA Grok, notamment des bornes améliorées pour les périmètres gaussiens, des inégalités de moments plus précises sur le cube de Hamming, une inégalité d'autoconvolution renforcée, de meilleures bornes asymptotiques pour les ensembles $g$ -Sidon, et une inégalité de Szarek équilibrée optimale.

Auteurs originaux : Paata Ivanisvili, Xinyuan Xie

Publié 2026-05-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Paata Ivanisvili, Xinyuan Xie

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une équipe de mathématiciens s'asseyant avec un assistant numérique très intelligent et très rapide nommé Grok. Au lieu de simplement demander des faits, ils ont demandé à Grok de les aider à résoudre cinq énigmes mathématiques délicates. L'article rapporte que Grok n'a pas seulement fourni des réponses ; il les a aidés à découvrir cinq nouvelles vérités mathématiques qui n'avaient jamais été écrites auparavant. Les auteurs ont ensuite vérifié le travail et confirmé son exactitude.

Voici une analyse des cinq découvertes, expliquée à l'aide d'analogies simples :

1. La « bordure floue » d'une forme (Périmètre gaussien)

L'énigme : Imaginez un nuage de brouillard dans l'espace. Si vous dessinez une forme à l'intérieur de ce brouillard, le « périmètre » n'est pas seulement la longueur de la ligne ; c'est la quantité de cette forme qui touche le brouillard. Les mathématiciens voulaient savoir : Quelle est la quantité maximale de brouillard qu'une forme peut toucher à mesure que l'espace devient de plus en plus grand ?
La découverte : Pendant des années, la meilleure estimation de cette limite était basée sur une construction de 2003. Grok a aidé les auteurs à ajuster légèrement la forme, comme régler les boutons d'une radio pour trouver un signal plus clair. Cet ajustement infime a révélé que la forme peut en fait toucher 9 % de brouillard en plus que ce que l'on pensait auparavant. C'est comme trouver un moyen légèrement meilleur d'arranger les meubles dans une pièce pour y faire entrer une personne de plus que ce que tout le monde croyait possible.

2. Le ratio « Volume vs Poids » (Comparaison des moments)

L'énigme : Imaginez que vous avez un sac de nombres (une fonction). Vous pouvez mesurer le « poids » du sac de deux manières : une moyenne approximative (L1) et une moyenne plus sensible et lourde (L2). Les mathématiciens voulaient connaître la règle exacte pour déterminer à quel point la moyenne sensible peut devenir plus lourde par rapport à la moyenne approximative.
La découverte : Une question avait été posée en ligne pendant dix ans : « La règle est-elle exactement la racine carrée de 2 ? » Grok a aidé les auteurs à prouver que la règle est en fait un peu plus complexe. Ils ont trouvé une nouvelle plage plus serrée pour cette règle. C'est comme réaliser que, bien que le compteur de vitesse d'une voiture corresponde généralement au régime moteur dans un rapport simple, il existe en fait un rapport de transmission spécifique et légèrement différent qui s'applique dans les cas les plus extrêmes.

3. La « balançoire équilibrée » (Inégalité de Szarek)

L'énigme : Habituellement, les problèmes mathématiques supposent que chaque lancer de pièce est indépendant (comme lancer une pièce 100 fois). Mais que se passe-t-il si vous forcez les pièces à être « équilibrées » ? Par exemple, vous ne regardez que les lancers où le nombre total de faces égales le nombre total de piles. Dans ce monde équilibré, les pièces ne sont plus indépendantes ; si vous voyez une face, vous savez qu'une pile doit exister ailleurs.
La découverte : Les auteurs ont trouvé la règle parfaite (la constante optimale) pour le comportement de ces pièces équilibrées. De manière surprenante, même si les pièces sont « liées » et non indépendantes, les anciens outils mathématiques classiques fonctionnent parfaitement pour trouver la réponse. C'est comme découvrir qu'une balançoire reste parfaitement équilibrée même si les enfants qui y sont assis se tiennent par la main et bougent ensemble, et non pas simplement assis au hasard.

4. La « taille de l'ombre » d'un motif (Autoconvolution et ensembles de Sidon)

L'énigme : Imaginez que vous avez un motif de points sur une ligne. Si vous faites glisser ce motif sur lui-même et que vous regardez où les points se chevauchent (l'« ombre »), quelle est la taille du plus grand chevauchement ? Cela aide les mathématiciens à déterminer combien de points ils peuvent ranger sur une ligne sans qu'ils ne se heurtent de manière spécifique (appelés ensembles g-Sidon).
La découverte : Ce problème avait été étudié pendant longtemps à l'aide de supercalculateurs massifs qui vérifiaient des millions de motifs. Grok a aidé les auteurs à examiner les mathématiques derrière l'une de ces vérifications informatiques et a trouvé une petite erreur dans le calcul. En corrigeant uniquement cette petite erreur, ils ont amélioré la limite inférieure de la réponse. C'est comme un humain regardant la longue liste de calculs d'un ordinateur et disant : « Attendez, si vous arrondissez simplement ce nombre légèrement vers le haut, toute la réponse s'améliore un tout petit peu. »

5. La « balance parfaite » (Inégalité de Szarek équilibrée optimale)

(Note : Ceci est essentiellement le même point que le n° 3, mais l'article met l'accent sur la nature spécifique « optimale » de la constante trouvée.)
La découverte : Cela confirme que la règle « équilibrée » mentionnée ci-dessus n'est pas seulement une bonne hypothèse, mais la meilleure règle possible absolue. C'est l'équivalent mathématique de trouver le centre de gravité exact d'un objet complexe ; vous ne pouvez pas le rapprocher davantage d'un équilibre parfait.

La vue d'ensemble : Ce que cela signifie

La partie la plus excitante de cet article n'est pas seulement les mathématiques elles-mêmes, mais comment ils y sont parvenus.

L'ancienne méthode : Pour résoudre des problèmes comme le n° 4, les chercheurs écrivaient généralement du code pour vérifier des millions de scénarios spécifiques et prédéfinis (comme vérifier chaque combinaison possible d'une serrure). Cela prenait des milliers d'heures de temps de calcul.
La nouvelle méthode : Les auteurs ont simplement parlé à Grok en anglais courant. Ils lui ont demandé d'examiner une inégalité spécifique et de voir si elle pouvait être resserrée. En quelques minutes de conversation, Grok a repéré un raffinement que la recherche informatique massive avait manqué.

La conclusion : Cet article suggère que l'IA n'est pas seulement une calculatrice qui suit des règles strictes. Elle peut agir comme un partenaire créatif, utilisant le langage naturel pour repérer des améliorations subtiles dans des arguments mathématiques complexes que même les ordinateurs les plus puissants pourraient négliger s'ils se contentaient de parcourir aveuglément des données. C'est un aperçu d'un avenir où les mathématiciens et l'IA ont une conversation pour résoudre des problèmes ensemble.

Résumé technique de « Grokabilité en cinq inégalités »

Aperçu
Cette note rapporte cinq découvertes mathématiques en analyse, probabilités, géométrie convexe et combinatoire additive, obtenues grâce à des conversations collaboratives avec le grand modèle de langage (LLM) Grok. Les auteurs, Paata Ivanisvili et Xinyuan Xie, vérifient que ces résultats sont nouveaux dans la littérature publique. L'article sert d'étude de cas sur la découverte mathématique « conversationnelle », démontrant que les LLMs capables de raisonnement peuvent affiner des arguments existants, corriger des imprécisions mineures et explorer des espaces de paramètres pour obtenir des constantes améliorées dans des inégalités établies.

Contexte du problème et méthodologie
L'article traite de cinq problèmes distincts dont l'objectif est de déterminer des constantes optimales ou améliorées dans diverses inégalités. La méthodologie repose sur une « approche conversationnelle » où les auteurs engagent Grok pour :

Examiner des preuves sophistiquées existantes (par exemple, la construction de Nazarov).
Identifier et corriger des imprécisions numériques mineures ou des preuves manquantes dans la littérature.
Affiner les paramètres dans les constructions pour optimiser les bornes.
Appliquer des cadres connus (par exemple, méthodes de semi-groupes, bases orthogonales) à de nouveaux contextes (par exemple, variables aléatoires conditionnées).

Contrairement aux systèmes de raisonnement automatisés qui paramètrent les problèmes en code et font évoluer les solutions de manière itérative via une recherche exhaustive (une méthode utilisée dans des travaux antérieurs pour la constante $C_{1a}$ ), cette approche utilise le dialogue en langage naturel pour guider le raisonnement mathématique.

Contributions et résultats clés

1. Meilleure borne inférieure pour le périmètre gaussien maximal

Problème : Déterminer la croissance de $\Gamma(n)$ , le périmètre gaussien maximal des ensembles convexes dans $\mathbb{R}^n$ . L'ordre de croissance est connu pour être $n^{1/4}$ , mais le facteur constant a fait l'objet d'études depuis la construction de Nazarov en 2003.
Méthodologie : Les auteurs ont suivi la stratégie de Nazarov consistant à construire un polytope convexe aléatoire. Grok a aidé à fournir des preuves détaillées pour des énoncés intermédiaires laissés sans preuve dans l'article original et a corrigé une imprécision mineure dans l'exposant d'un intégrande. Le modèle a ensuite aidé à affiner les paramètres ( $a, b, W$ ) dans la construction de Nazarov.
Résultat : Les auteurs prouvent $\liminf_{n\to\infty} \Gamma(n)/n^{1/4} \ge 0.31258$ . Cela représente une amélioration d'environ $9\%$ par rapport à la meilleure borne inférieure précédente de $e^{-5/4} \approx 0.2865$ .

2. Comparaison de moments $L^2-L^1$ plus précise sur le cube de Hamming

Problème : Déterminer la base exponentielle optimale $C^*$ telle que $\|f\|_2 \le C^d \|f\|_1$ pour les fonctions $f$ sur $\{-1, 1\}^n$ de degré de Fourier-Walsh $d$ . Une question posée sur MathOverflow en 2014 demandait si $C^* = \sqrt{2}$ .
Méthodologie : Les auteurs ont utilisé l'observation qu'une forte croissance $L^4/L^2$ dans une famille de fonctions fournit des bornes inférieures pour $C^*$ . Grok a suggéré d'utiliser des polynômes d'Hermite évalués sur de longues formes linéaires (un modèle gaussien) pour construire un contre-exemple à la conjecture $\sqrt{2}$ .
Résultat : L'article établit $2.408\dots \ge C^* \ge \sqrt{3}$ . La borne inférieure $\sqrt{3}$ répond définitivement par la négative à la question de MathOverflow. L'amélioration de la borne supérieure, passant de $2.69\dots$ à $2.408\dots$ , avait été notée par les auteurs d'un article connexe mais n'avait pas été explicitement publiée ; Grok a retrouvé ce raffinement.

3. Inégalité de Szarek équilibrée optimale

Problème : Étendre l'inégalité de Khintchine à la « tranche médiane » du cube de Hamming $\Omega_n = \{x \in \{-1, 1\}^n : \sum x_i = 0\}$ , où les coordonnées sont dépendantes. Plus précisément, trouver la constante optimale pour l'extrémité $L^1$ ( $p=1$ ).
Méthodologie : Les auteurs ont adapté le cadre de semi-groupe de Kwapie'n, Lata\l a et Oleszkiewicz, généralement utilisé pour des variables indépendantes. Pour traiter l'absence d'indépendance, ils ont invoqué les résultats récents de Filmus sur les bases orthogonales pour la tranche du cube de Hamming.
Résultat : Ils prouvent que l'inégalité $c_n \sqrt{E|\sum a_i x_i|^2} \le E|\sum a_i x_i|$ vaut avec la constante optimale $c_n = \sqrt{\frac{n-2}{2(n-1)}}$ . Il s'agit de la première documentation de la constante optimale pour cette extrémité dans la littérature.

4. Meilleure borne inférieure pour l'autoconvolution et les ensembles $g$ -Sidon

Problème : Trouver la plus grande constante universelle $c$ telle que $\sup_x (f*f)(x) \ge c (\int f)^2$ pour $f$ non négative supportée sur $[-1/4, 1/4]$ . Cette constante est liée à la taille asymptotique des ensembles $g$ -Sidon.
Méthodologie : Les auteurs ont affiné une estimation d'une étude précédente [7] qui avait utilisé 20 000 heures de CPU pour rechercher exhaustivement des espaces discrets. Grok a été invité à resserrer l'inégalité dans le terme d'erreur de la preuve existante.
Résultat : La borne inférieure est améliorée de $c \ge 1.28$ à $c \ge 1.2802$ . L'amélioration provient d'une borne plus serrée sur la norme $L^\infty$ de l'autoconvolution d'un terme d'erreur spécifique, dérivée via un simple prompt en langage naturel.

5. Importance et affirmations
L'article revendique une importance principalement comme démonstration de la « grokabilité » des problèmes mathématiques par les modèles de raisonnement de pointe actuels.

Nouveauté de l'approche : Les auteurs soulignent que, tandis que les systèmes de raisonnement automatisés reposent souvent sur une paramétrisation explicite et une évolution de code, cette « approche conversationnelle » a réussi à découvrir des améliorations dans des problèmes qui avaient été étudiés de manière approfondie via des recherches structurées et exhaustives (spécifiquement le problème de la constante $C_{1a}$ ).
Capacité des LLMs : Les résultats suggèrent que les LLMs peuvent mener des arguments analytiques sophistiqués, explorer les limites des méthodes existantes et mettre en œuvre de nouvelles idées avec une précision significative.
Modestie : Les auteurs sont modestes quant à l'ampleur des contributions mathématiques. Ils notent que l'amélioration de la constante d'autoconvolution n'est « pas particulièrement substantielle » sur le plan mathématique, représentant un raffinement mineur. Cependant, ils insistent sur l'implication méthodologique : les LLMs conversationnels peuvent extraire des améliorations supplémentaires de problèmes où la recherche structurelle explicite était censée avoir épuisé le potentiel.

L'article conclut en fournissant des liens vers les sessions de chat spécifiques avec Grok ayant conduit à chaque résultat, visant à tenir la communauté mathématique informée de l'utilité croissante de ces outils dans l'exploration mathématique.