← Nieuwste papers
🤖 AI

Improved lower bounds for the Shannon capacity of odd cycles

Dit artikel presenteert verbeterde ondergrenzen voor de Shannon-capaciteit van oneven cycli C7C_7, C11C_{11}, C13C_{13} en C15C_{15} door grotere onafhankelijke verzamelingen in hun sterke producten te construeren via iteratieve samenwerking met een Large Language Model.

Oorspronkelijke auteurs: Nathaniel Itty, Christopher D. Rosin, Chase Carstensen, Daniel Reichman

Gepubliceerd 2026-07-31
📖 4 min leestijd☕ Koffiepauze-leesvoer

Oorspronkelijke auteurs: Nathaniel Itty, Christopher D. Rosin, Chase Carstensen, Daniel Reichman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een geheime boodschap probeert te versturen via een ruisend walkie-talkiekanaal. Elke keer als je spreekt, kan statische elektriciteit je woorden door elkaar halen, waardoor een "ja" verandert in een "nee". In de wereld van de informatietheorie stellen wetenschappers een zeer specifieke vraag: wat is de hoogst mogelijke snelheid waarmee we berichten kunnen verzenden zodat de ontvanger ze perfect begrijpt, zonder fouten, ongeacht hoeveel ruis er in de lucht hangt? Deze limiet wordt de Shannon-capaciteit genoemd.

Om dit te bepalen, gebruiken wiskundigen een hulpmiddel genaamd een "graaf", wat simpelweg een kaart is van stippen die verbonden zijn door lijnen. Denk aan de stippen als verschillende berichten die je kunt versturen, en de lijnen als de verwarrende gelijkenissen tussen hen. Als twee stippen met elkaar verbonden zijn, betekent dit dat die twee berichten door de ruis met elkaar kunnen worden verward. Het doel is om een groep stippen (berichten) te kiezen die niet met elkaar verbonden zijn, zodat ze allemaal duidelijk van elkaar verschillen en veilig zijn voor verwarring. Hoe groter deze groep, hoe meer informatie je kunt versturen.

Het lastige deel is dat we deze kaarten kunnen combineren om zelfs grotere, complexere kaarten te maken. Door deze kaarten op te stapelen, kunnen we soms enorme groepen veilige berichten vinden die we eerder niet konden zien. Voor bepaalde vormen, zoals even-aantal ringen, kennen we het antwoord perfect. Maar voor oneven-aantal ringen (zoals een 7-zijdige of 11-zijdige vorm), is het antwoord al decennia lang een hardnekkig mysterie. Het is alsof je probeert het grootste aantal niet-raakbare plekken te vinden op een gedraaide, geknoopte armband, en niemand heeft tot nu toe de absoluut beste indeling kunnen vinden.

Dit artikel gaat over een team van onderzoekers dat besloot deze hardnekkige oneven ringen aan te pakken met een heel nieuwe soort helper: een Large Language Model (LLM), wat hetzelfde type AI is dat slimme chatbots aanstuurt. In plaats van alleen maar code te schrijven om naar het antwoord te zoeken, behandelden ze de AI als een creatieve partner. Ze vroegen de AI om naar de best bekende arrangementen van veilige berichten voor deze oneven ringen te kijken en vervolgens te proberen deze slechts een klein beetje aan te passen om ze nog groter te maken.

De resultaten waren verrassend succesvol. Het team ontdekte, werkend met de AI, nieuwe, grotere groepen veilige berichten voor ringen met 7, 11, 13 en 15 zijden. Voor de 7-zijdige ring vonden ze een groep van 134.753 veilige berichten, wat groter is dan het vorige record van 367. Voor de 11-zijdige ring vonden ze er 21.909, voor de 13-zijdige ring 62.530, en voor de 15-zijdige ring een enorme 8.076.974.

Deze getallen zien er misschien uit als een simpele lijst cijfers, maar ze vertegenwoordigen een echte verbetering in ons begrip van hoeveel informatie er zonder fouten verzonden kan worden. Door deze grotere groepen te vinden, hebben de onderzoekers bewezen dat de maximale snelheid voor het versturen van perfecte berichten over deze specifieke ruisige kanalen iets hoger ligt dan we voorheen dachten. Zo is de snelheidslimiet voor de 7-zijdige ring nu bekend als groter dan 3,258020, terwijl deze voorheen slechts groter was dan 3,257865.

Wat dit verhaal bijzonder spannend maakt, is niet alleen de cijfers, maar ook hoe ze gevonden zijn. De onderzoekers probeerden traditionele computerzoekmethoden te gebruiken, zoals simulated annealing (wat lijkt op het schudden van een doos met puzzelstukjes totdat ze passen), maar die methoden slaagden er niet in om deze nieuwe, grotere groepen te vinden. Zelfs lokale zoekalgoritmen gebouwd met AI konden deze nieuwe hoogtes niet bereiken. Het was alleen door een heen-en-weer gesprek met de AI, waarbij de onderzoekers hints gaven en de AI creatieve aanpassingen aan de bestaande patronen voorstelde, dat deze nieuwe records werden gebroken.

Het artikel beweert niet het volledige mysterie van de Shannon-capaciteit voor alle oneven ringen te hebben opgelost; dat probleem blijft onopgelost. Het laat echter zien dat door menselijke wiskundige intuïtie te combineren met het patroonherkenningsvermogen van moderne AI, we de grenzen van wat we weten kunnen verleggen. De onderzoekers hebben elk van hun nieuwe berichtengroepen geverifieerd om te garanderen dat ze wiskundig correct waren, waarmee ze bewezen dat de AI niet alleen maar geraden heeft, maar daadwerkelijk geldige, grotere oplossingen heeft gevonden die menselijke experts over het hoofd hadden gezien. Dit suggereert dat de toekomst van het oplossen van complexe wiskundige puzzels wellicht zal bestaan uit een team van mensen en AI die samenwerken, waarbij de AI fungeert als een creatieve vonk die ons helpt de volgende stap in de dans van de getallen te zien.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →