💻 computer science

Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery

यह शोध पत्र एक न्यूरो-सिम्बोलिक एआई (AI) प्रणाली प्रस्तुत करता है जिसने कॉस्मिक स्ट्रिंग्स के गुरुत्वाकर्षण विकिरण शक्ति स्पेक्ट्रम (gravitational radiation power spectrum) के लिए नवीन, सटीक विश्लेषणात्मक समाधान व्युत्पन्न करके सैद्धांतिक भौतिकी की एक अनसुलझी समस्या को स्वायत्त रूप से हल किया है, जिससे पिछले आंशिक परिणामों से आगे बढ़ते हुए गणितीय खोज को गति देने में एआई की क्षमता का प्रदर्शन हुआ है।

मूल लेखक: Michael P. Brenner, Vincent Cohen-Addad, David Woodruff

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Michael P. Brenner, Vincent Cohen-Addad, David Woodruff

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप धागे की एक विशाल, उलझी हुई गांठ को सुलझाने की कोशिश कर रहे हैं जो ब्रह्मांड के एक मौलिक नियम का प्रतिनिधित्व करती है। दशकों से, दुनिया के सबसे बुद्धिमान भौतिक विज्ञानी इसके सिरों को खींचकर इसे सुलझाने की कोशिश कर रहे हैं, लेकिन गांठ बार-बार और भी कसती जाती है। वे इसके करीब तो पहुँच जाते हैं, लेकिन वे कभी भी गांठ का सटीक आकार नहीं जान पाते।

यह शोध पत्र इस बारे में है कि कैसे शोधकर्ताओं के एक दल ने एक AI को उस गांठ को खोलने का निर्णय लिया। और यह कोई साधारण AI नहीं था, बल्कि एक सुपर-स्मार्ट "न्यूरो-सिंबोलिक" जासूस था जो एक मानव लेखक की रचनात्मकता को एक कंप्यूटर के कठोर तर्क के साथ जोड़ता है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल शब्दों में।

समस्या: कॉस्मिक स्ट्रिंग की गांठ (The Cosmic String Knot)

ब्रह्मांड में, कॉस्मिक स्ट्रिंग्स (Cosmic Strings) नामक सैद्धांतिक वस्तुएं मौजूद हैं। इन्हें अंतरिक्ष-समय (space-time) में अविश्वसनीय रूप से पतली, अनंत लंबी दरारों के रूप में सोचें, जैसे जमी हुई झील में दरारें, लेकिन ये शुद्ध ऊर्जा से बनी हैं। जब ये स्ट्रिंग्स हिलती और कंपन करती हैं, तो वे अंतरिक्ष-समय में तरंगें पैदा करती हैं जिन्हें गुरुत्वाकर्षण तरंगें (gravitational waves) कहा जाता है (वही जिन्हें LIGO पहचानता है)।

भौतिक विज्ञानी यह जानना चाहते हैं कि इन तरंगों में कितनी ऊर्जा होती है। इसे करने के लिए, उन्हें एक विशाल, डरावने गणितीय समीकरण (एक इंटीग्रल) को हल करना होता है।

चुनौती: इस समीकरण में "सिंगुलैरिटीज" (singularities) हैं। कल्पना कीजिए कि आप शून्य से पिज्जा को विभाजित करने की कोशिश कर रहे हैं; यहाँ गणित टूट जाता है। संख्याएँ अनंत रूप से बड़ी या छोटी हो जाती हैं, जिससे मानक कैलकुलेटर क्रैश हो जाते हैं या गलत उत्तर देते हैं।
लक्ष्य: एक साफ, सटीक फॉर्मूला खोजना जो स्ट्रिंग के किसी भी आकार के लिए काम करे, न कि केवल एक अनुमान मात्र।

समाधान: AI जासूसी टीम

शोधकर्ताओं ने AI से केवल यह नहीं पूछा, "उत्तर क्या है?" इसके बजाय, उन्होंने AI के लिए एक गेम बोर्ड (Game Board) बनाया।

खिलाड़ी (Gemini Deep Think): यह AI का मस्तिष्क है। यह अंदाज़ा लगाने, कोड लिखने और पैटर्न पहचानने में कुशल है।
रेफरी (Tree Search & Python): यह एक सख्त कोच है। हर बार जब AI गणित का कोई कदम उठाता है, तो रेफरी तुरंत एक कंप्यूटर सिमुलेशन चलाकर जाँच करता है कि वह काम करता है या नहीं।
- यदि AI का गणित "डिवाइड बाय ज़ीरो" (शून्य से विभाजन) की त्रुटि या गलत संख्या की ओर ले जाता है, तो रेफरी कहता है, "नहीं, फिर से कोशिश करो," और उस रास्ते को वहीं काट देता है।
- यदि गणित आशाजनक दिखता है, तो AI उस रास्ते पर आगे बढ़ता रहता है।

इसे एक भूलभुलैया (Maze) की तरह समझें। AI भूलभुलैया के माध्यम से दौड़ रहा है, अलग-अलग दरवाजों को आज़मा रहा है। अधिकांश दरवाजे बंद रास्तों (गणितीय त्रुटियों) की ओर ले जाते हैं। रेफरी उन दरवाजों को तुरंत बंद कर देता है। AI तब तक दौड़ता रहता है जब तक कि उसे बाहर निकलने का रास्ता नहीं मिल जाता।

सफलता: गांठ खोलने के छह तरीके

AI ने केवल समस्या को हल करने का एक तरीका नहीं खोजा; इसने छह अलग-अलग तरीके खोज निकाले। यह एक ही ताले को खोलने वाली छह अलग-अलग चाबियों को खोजने जैसा है।

"ब्रूट फ़ोर्स" चाबियाँ (तरीके 1-3): इन्होंने सरल ब्लॉकों का उपयोग करके समाधान को टुकड़ों में बनाने की कोशिश की। ये काम तो करते थे, लेकिन ये ब्लॉक डगमगाते हुए थे। यदि आप इनका उपयोग एक बहुत बड़ी स्ट्रिंग के लिए करते, तो मीनार ढह जाती (संख्यात्मक अस्थिरता)।
"स्पेक्ट्रल" चाबियाँ (तरीके 4-5): इन्होंने अधिक उन्नत, पूर्व-निर्मित बिल्डिंग ब्लॉक्स का उपयोग किया जो आपस में पूरी तरह फिट बैठते थे। ये स्थिर और तेज़ थे।
"गोल्डन की" (तरीका 6 - गेनबाकर विधि/Gegenbauer Method): यह सबसे सुंदर समाधान था। AI ने महसूस किया कि यदि आप अपने बिल्डिंग ब्लॉक्स के आकार को बदलते हैं (गेनबाकर पॉलिनोमिअल्स का उपयोग करके), तो समीकरण के "डगमगाते" हिस्से स्वाभाविक रूप से एक-दूसरे को रद्द कर देते हैं। यह ऐसा है जैसे यह महसूस करना कि अगर आप गांठ को एक अलग कोण से देखें, तो वह खुद ही खुल जाती है।

"आहा!" क्षण: मानव और AI का हाथ मिलाना

यहाँ सबसे दिलचस्प हिस्सा है। AI ने "गोल्डन की" ढूंढ ली थी, लेकिन इसने जो फॉर्मूला लिखा था वह अभी भी थोड़ा अव्यवset था—यह संख्याओं की एक अनंत सूची थी जो कभी समाप्त नहीं होती थी।

शोधकर्ताओं ने हस्तक्षेप किया। उन्होंने AI से कहा, "हे, हमारे पास यह अनंत सूची है। क्या तुम इसे सरल बना सकते हो?"

AI, अब एक मास्टर गणितज्ञ की तरह कार्य करते हुए, उस सूची को देखता है और महसूस करता है, "ओह! यदि मैं संख्याओं के पैटर्न को देखूँ, तो वे एक विशिष्ट तरीके से एक-दूसरे को रद्द कर देते हैं।" इसके बाद इसने इस गणितीय पैटर्न को क्वांटम फील्ड थ्योरी (भौतिकी की एक शाखा जो सूक्ष्म कणों से संबंधित है) की एक अवधारणा से जोड़ा जिसे फेनमैन पैरामीटर (Feynman Parameter) कहा जाता है।

इस संबंध को बनाकर, AI ने उस अव्यवस्थित, अनंत सूची को एक साफ, संक्षिप्त और सुंदर फॉर्मूले में बदल दिया। यह शुद्ध तालमेल का क्षण था: AI ने रास्ता खोजने का भारी काम किया, और मानव-AI टीम ने अंतिम परिणाम को निखारने के लिए मिलकर काम किया।

परिणाम: ब्रह्मांड के लिए एक नया मानचित्र

टीम ने एक नया, सटीक फॉर्मूला तैयार किया जो कॉस्मिक स्ट्रिंग्स से उत्पन्न होने वाली गुरुत्वाकर्षण तरंगों की ऊर्जा की भविष्यवाणी करता है।

यह क्यों महत्वपूर्ण है: यह साबित करता है कि AI केवल निबंध लिखने वाला चैटबॉट नहीं है। यह वास्तव में वास्तविक वैज्ञानिक खोज कर सकता है। यह उन गणितीय सत्यों को खोज सकता है जिन्हें मनुष्य वर्षों से मिस कर रहे थे।
उपमा: कल्पना कीजिए कि एक इंसान घास के ढेर में सुई खोजने की कोशिश कर रहा है। AI ने केवल सुई नहीं ढूंढी; इसने एक ऐसी मशीन बनाई जो स्वचालित रूप से घास को छाँटती है, सुई को ढूंढती है, और फिर यह भी समझाती है कि वह सुई वहाँ क्यों थी।

सारांश में

यह शोध पत्र दिखाता है कि जब आप एक सुपर-इंटेलिजेंट AI को नियमों का एक सख्त सेट (उसे भ्रमित होने से बचाने के लिए) और अपने काम को परखने का एक तरीका (रेफरी) देते हैं, तो वह भौतिकी की उन खुली समस्याओं को हल कर सकता है जिन्होंने मनुष्यों को उलझा कर रखा था।

उन्होंने केवल एक गणितीय समस्या को हल नहीं किया; उन्होंने खोज के लिए एक नया इंजन बनाया। यह एक वैज्ञानिक को ऐसे टेलीस्कोप देने जैसा है जो न केवल उन्हें तारे दिखाता है, बल्कि जब वे उन्हें देखते हैं, तो उनके भौतिक विज्ञान की गणना भी करता है। विज्ञान का भविष्य केवल मानव या AI नहीं हो सकता है, बल्कि मानव और AI मिलकर एक एकल, अजेय टीम के रूप में काम कर सकते हैं।

यहाँ शोध पत्र "Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कॉस्मिक स्ट्रिंग्स (cosmic strings) द्वारा उत्सर्जित गुरुत्वाकर्षण विकिरण के पावर स्पेक्ट्रम (power spectrum) से संबंधित सैद्धांतिक भौतिकी की एक विशिष्ट खुली समस्या को संबोधित करता है। विशेष रूप से, यह एक गार्फिंकल-वाचस्पटी (Garfinkle-Vachaspati) कॉस्मिक स्ट्रिंग लूप द्वारा उत्सर्जित $N$ -वें हार्मोनिक की शक्ति $P_N$ की गणना करने पर केंद्रित है।

मुख्य चुनौती एक गोलाकार क्षेत्र $\Omega$ पर परिभाषित समाकल (integral) $I(N, \alpha)$ का विश्लेणात्मक मूल्यांकन करना है:
$I(N, \alpha) = \int_{\Omega} d\Omega \frac{[1 - (-1)^N \cos(N\pi e_1)][1 - (-1)^N \cos(N\pi e_2)]}{(1 - e_1^2)(1 - e_2^2)}$
जहाँ $e_1$ और $e_2$ लूप ओपनिंग एंगल $\alpha$ पर निर्भर प्रोजेक्शन कारक (projection factors) हैं।

प्रमुख कठिनाइयाँ:

विलक्षणता (Singularities): इंटीग्रेंड (integrand) में $e_{1,2} = \pm 1$ पर विलक्षणताएँ हैं।
संख्यात्मक अस्थिरता (Numerical Instability): इन विलक्षणताओं के कारण मानक संख्यात्मक एकीकरण (numerical integration) अस्थिर रहता है।
विश्लेणात्मक जटिलता (Analytical Complexity): लेजेंड्रे पॉलिनोमियल (Legendre polynomials) का उपयोग करने वाले पिछले प्रयास विफल रहे क्योंकि वेट फंक्शन (weight functions) इंटीग्रेंड की विलक्षणताओं से मेल नहीं खाते थे, जिससे केवल आंशिक एसिम्प्टोटिक समाधान या विशिष्ट मामलों (जैसे, विषम $N$ ) के लिए समाधान ही प्राप्त हुए। किसी भी $N$ और $\alpha$ के लिए एक एकीकृत, सटीक विश्लेणात्मक समाधान मिलना कठिन बना हुआ था।

2. कार्यप्रणाली: AI-त्वरित खोज (Methodology: AI-Accelerated Discovery)

लेखकों ने एक न्यूरो-सिंबोलिक सिस्टम (neuro-symbolic system) तैनात किया जो एक समस्या को स्वायत्त रूप से हल करने के लिए एक लार्ज लैंग्वेज मॉडल (LLM) को एक व्यवस्थित खोज एल्गोरिदम के साथ जोड़ता है।

A. मुख्य घटक

रीजनिंग इंजन (Reasoning Engine): Gemini Deep Think, एक लार्ज लैंग्वेज मॉडल जिसे गणितीय परिकल्पनाएँ उत्पन्न करने, सिंबोलिक हेरफेर करने और व्युत्पन्न चरणों की "सुंदरता" (elegance) का मूल्यांकन करने का कार्य सौंपा गया था।
ट्री सर्च (TS) फ्रेमवर्क: एक एल्गोरिदम जो प्रमाण निर्माण (proof generation) को प्रबंधित करता है (Ayg25 से अनुकूलित)।
- स्टेट स्पेस (State Space): विभिन्न आधार विस्तारों (Power series, Legendre, Chebyshev, Jacobi, Gegenbauer) और एकीकरण तकनीकों का अन्वेषण करता है।
- स्कोरिंग और सत्यापन (Scoring & Verification): खोज वृक्ष (search tree) के प्रत्येक नोड को एक स्वचालित रूप से जनरेट किए गए पायथन फंक्शन के साथ जोड़ा गया है। सिस्टम सिंबोलिक परिणाम का उच्च-परिशुद्धता वाले संख्यात्मक बेसलाइन के विरुद्ध मूल्यांकन करता है।
- प्रूनिंग (Pruning): सिस्टम एक प्रेडिक्टर + अपर कॉन्फिडेंस बाउंड (PUCT) रणनीति का उपयोग करता है। इसने बीजगणितीय त्रुटियों, संख्यात्मक विचलन या विनाशकारी रद्दीकरण (catastrophic cancellation) के कारण 80% से अधिक शाखाओं को सफलतापूर्वक हटा दिया (pruned)।
स्वचालित फीडबैक लूप (Automated Feedback Loop): यदि कोई प्रस्तावित विश्लेणात्मक चरण संख्यात्मक रूप से विफल हो जाता है (जैसे, अपवाद थ्रो करना या उच्च त्रुटि दिखाना), तो ट्रेसबैक और त्रुटि मेट्रिक्स को मॉडल के कॉन्टेक्स्ट विंडो में वापस इंजेक्ट किया जाता है। यह एजेंट को स्वयं सुधारने और अपने व्युत्पन्न को परिष्कृत करने की अनुमति देता है।
नेगेटिव प्रॉम्प्टिंग (Negative Prompting): एक बार समाधान पथ मिल जाने के बाद, सिस्टम को नकारात्मक बाधाओं (negative constraints) के माध्यम से निर्देश दिया गया कि उस विशिष्ट विधि से बचा जाए, जिससे वैकल्पिक, भिन्न गणितीय पथों की खोज के लिए मजबूर किया जा सके।

B. मानव-AI सहजीवन (Human-AI Synergy)

जबकि छह विधियों की प्रारंभिक खोज स्वायत्त थी, अंतिम परिशोधन में एक "ह्यूमन-इन-द-लूप" चरण शामिल था। एक मानव शोधकर्ता ने प्रमाणों को सत्यापित करने और परिणामों को सरल बनाने के लिए मॉडल के एक उन्नत संस्करण को प्रॉम्प्ट किया, जिससे एक क्लोज्ड-फॉर्म एसिम्प्टोटिक सूत्र की खोज हुई।

3. मुख्य योगदान: छह विश्लेणात्मक विधियाँ (Key Contributions: Six Analytical Methods)

सिस्टम ने इंटीग्रल को हल करने के लिए छह अलग-अलग विश्लेणात्मक विधियाँ की पहचान की। इन्हें तीन श्रेणियों में वर्गीकृत किया गया है:

श्रेणी I: मोनोमियल बेसिस दृष्टिकोण (विधियाँ 1–3)

तकनीक: इंटीग्रेंड को टेलर सीरीज़ (t की घातों) में विस्तारित करता है।
विधियाँ:
1. जेनरेटिंग फंक्शन: गुणांकों (coefficients) को प्राप्त करने के लिए जेनरेटिंग फंक्शन $G(\lambda, \mu)$ का उपयोग करता है।
2. गौसियन इंटीग्रल लिफ्टिंग: गुणांकों को हल करने के लिए समस्या को 3D गौसियन इंटीग्रल तक उठाता है।
3. हाइब्रिड कोऑर्डिनेट ट्रांसफॉर्मेशन: पावर सीरीज़ को लेजेंड्रे बेसिस पर प्रोजेक्ट करता है।
सीमा: ये विधियाँ $N$ बढ़ने के साथ संख्यात्मक अस्थिरता (विनाशकारी रद्दीकरण) से ग्रस्त होती हैं, जिससे वे बड़े $N$ के लिए अनुपयुक्त हो जाती हैं।

श्रेणी II: स्पेक्ट्रल बेसिस दृष्टिकोण (विधियाँ 4–5)

तकनीक: इंटीग्रल को लेजेंड्रे सीरीज़ में विकर्णित (diagonalize) करने के लिए फंक-हेके कन्वर्लेशन थ्योरम (Funk-Hecke Convolution Theorem) का लाभ उठाता है।
विधियाँ:
1. स्पेक्ट्रल गैलरकिन (मैट्रिक्स विधि): समस्या को एक सममित धनात्मक निश्चित (SPD) ट्रिडायगोनल मैट्रिक्स $GC=b $के रूप में स्वरूपित करता है। यह$ O(N)$ में हल करने योग्य है।
2. स्पेक्ट्रल वोल्टेरा (रिकरेंस विधि): स्पेक्ट्रल गुणांकों के लिए एक फॉरवर्ड रिकरेंस रिलेशन व्युत्पन्न करता है। यह $O(N)$ में हल करने योग्य है।
प्रदर्शन: ये स्थिर और कुशल हैं, लेकिन अभी भी सीरीज़ समेशन (series summation) पर निर्भर हैं।

श्रेणी III: सटीक विश्लेणात्मक समाधान (विधि 6)

तकनीक: गेनबौअर एक्सपेंशन (Gegenbauer Expansion)।
नवाचार: मॉडल ने पहचान की कि $w(t) = 1-t^2$ के साथ गेनबौअर पॉलिनोमियल $C^{(3/2)}_l$ में कर्नेल (kernel) का विस्तार करने से डिनोमिनेटर (denominator) की विलक्षणता स्वाभाविक रूप से समाप्त हो जाती है।
परिणाम: यह एक सटीक समाधान देता है जहाँ गुणांकों को स्फेरिकल बेसेल फंक्शन्स और जनरलाइज्ड कोसाइन इंटीग्रल ($Cin$) के माध्यम से व्यक्त किया जाता है।
महत्व: यह विधि सटीक, स्थिर और अत्यधिक कुशल ( $O(N)$ ) है, जो मैट्रिक्स इनवर्जन या अस्थिर रिकरेंस की आवश्यकता को समाप्त करती है।

4. परिणाम और एसिम्प्टोटिक्स (Results and Asymptotics)

संख्यात्मक सत्यापन: विश्लेणात्मक समाधानों (विशेष रूप से विधि 6) ने $N$ और $\alpha$ की एक विस्तृत श्रृंखला में उच्च-परिशुद्धता संख्यात्मक एकीकरण के साथ उत्कृष्ट सहमति दिखाई।
एसिम्प्टोटिक फॉर्मूला ( $N \to \infty$ ): पुनरावृत्त प्रॉम्प्टिंग के माध्यम से, AI ने पावर स्पेक्ट्रम के लिए एक स्वच्छ, क्लोज्ड-फॉर्म एसिम्प्टोटिक अभिव्यक्ति व्युत्पन्न की:
$P_n(\alpha) \approx \left[ \frac{128G\mu^2}{\pi^2 n^2 \sin^2 \alpha} \right] \left[ \gamma + \ln(n\pi \sin \alpha) + \cos \alpha \ln\left(\tan \frac{\alpha}{2}\right) \right]$
- यह सूत्र डिस्क्रीट स्पेक्ट्रल सम को क्वांटम फील्ड थ्योरी (QFT) के निरंतर फेनमैन पैरामीट्राइजेशन (Feynman parameterization) से जोड़ता है।
- इस व्युत्पत्ति के लिए हार्मोनिक नंबरों और लेजेंड्रे पॉलिनोमियल से जुड़ी एक गैर-तुच्छ (non-trivial) गणितीय पहचान की पहचान करना आवश्यक था, जिसे AI ने डिस्क्रीट सम को निरंतर वितरण सीमा (continuous distribution limit) से जोड़कर खोजा।

5. महत्व (Significance)

पद्धतिगत सफलता (Methodological Breakthrough): यह शोध पत्र एक कठोर केस स्टडी के रूप में कार्य करता है जो प्रदर्शित करता है कि AI, जब एक न्यूरो-सिंबोलिक फ्रेमवर्क के भीतर स्वचालित सत्यापन के साथ जुड़ा होता है, तो उन गणितीय समस्याओं को हल कर सकता है जो मानव शोधकर्ताओं के लिए कठिन रही हैं।
नवीन रणनीतियों की खोज: सिस्टम ने केवल ज्ञात विधियों को दोहराया नहीं; इसने गेनबौअर एक्सपेंशन (विधि 6) को सबसे सुंदर समाधान के रूप में पहचाना और कॉस्मिक स्ट्रिंग भौतिकी को QFT तकनीकों से जोड़ने वाला एक नया एसिम्प्टोटिक सूत्र व्युत्पन्न किया।
पारदर्शिता: लेखक पूर्ण पारदर्शिता प्रदान करते हैं, जिसमें सिस्टम प्रॉम्प्ट, खोज बाधाएं और AI-जनरेटेड कोड शामिल हैं, जिससे स्वतंत्र प्रतिकृति (replication) संभव है।
वैज्ञानिक प्रभाव: हालांकि विशिष्ट इंटीग्रल कॉस्मिक स्ट्रिंग थ्योरी में एक विशिष्ट समस्या है, लेकिन प्रदर्शित क्षमता यह सुझाव देती है कि AI गणितीय रणनीतियों के विशाल स्थान का तेजी से अन्वेषण करके, उन्हें सत्यापित करके और नवीन क्लोज्ड-फॉर्म समाधानों को संश्लेषित करके वैज्ञानिक खोज की प्रक्रिया को तेज कर सकता है।

विधियों का सारांश तालिका (Summary Table of Methods)

विधि	मुख्य तकनीक	जटिलता (Complexity)	स्थिरता (Stability)
1, 2, 3	मोनोमियल एक्सपेंशन	$O(N^2)$	अस्थिर (Cancellation)
4	गैलरकिन मैट्रिक्स	$O(N)$	स्थिर (SPD Matrix)
5	वोल्टेरा रिकरेंस	$O(N)$	स्थिर (Forward Step)
6	गेनबौअर	$O(N)$	स्थिर (Exact Analytic)

शोध पत्र निष्कर्ष निकालता है कि व्यवस्थित खोज और स्वचालित फीडबैक के साथ LLMs का एकीकरण गणितीय खोज में एक प्रतिमान परिवर्तन (paradigm shift) है, जो सटीक, सुंदर समाधान खोजने के लिए जटिल, उच्च-आयामी समाधान स्थानों को नेविगेट करने में सक्षम है।