🔢 mathematics

Machine learning the arithmetic of Boyd's Mahler measure conjectures

Dit artikel maakt gebruik van machine learning en grootschalige statistische analyse op een dataset van 250.000 waarden om de rekenkundige eigenschappen van de rationale coëfficiënten in de Mahler-maatconjecturen van Boyd te onderzoeken, waarbij wordt onthuld dat deze coëfficiënten doorgaans reciproken van gehele getallen zijn die worden beheerst door elliptische kromconductor en verschillende $p$ -adische waarderingspatronen vertonen voor verschillende priemgetallen.

Oorspronkelijke auteurs: Alberto Alfarano, Pablo Bianucci, Matilde N. Lal\'ın, Berend Ringeling

Gepubliceerd 2026-08-04

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alberto Alfarano, Pablo Bianucci, Matilde N. Lal\'ın, Berend Ringeling

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 detective bent die een mysterie probeert op te lossen dat verborgen zit in een gigantische, magische getallenmachine. Deze machine spuugt niet zomaar willekeurige getallen uit; de resultaten lijken een geheime code te volgen die door het universum zelf is geschreven. In de wereld van de wiskunde wordt deze code vaak gevonden in iets dat de "Mahler-maat" wordt genoemd. Denk aan deze maat als een speciale "vingerafdruk" of "energiescore" voor een wiskundig recept dat variabelen zoals $x$ en $y$ bevat. Wanneer je verschillende getallen in dit recept plopt, spuugt de machine een waarde uit. Voor eenvoudige recepten weten we precies wat deze waarden betekenen. Maar voor complexere recepten zijn de waarden mysterieus, en verbergen ze vaak diepe connecties met vormen die "elliptische krommen" worden genoemd — die eruitzien als gedraaide lussen of donuts die zweven in een wiskundige ruimte.

Waarom geven we erom? Omdat deze mysterieuze getallen niet zomaar willekeurige ruis zijn. Ze lijken te communiceren met andere beroemde wiskundige objecten die "L-functies" worden genoemd, die als het DNA van deze elliptische krommen fungeren. Als we de code kunnen kraken van hoe deze getallen zich verhouden tot de krommen, kunnen we wellicht enkele van de grootste geheimen van de wiskunde ontrafelen, wat ons helpt te begrijpen hoe getallen zijn opgebouwd en hoe ze zich gedragen. Het is alsoer dat je probeert de exacte ingrediënten van een taart te achterhalen door slechts een kruimel te proeven, in de hoop dat de smaak je het recept vertelt.

Dit artikel is een massieve, hoogtechnologische poging om dat recept te kraken. De auteurs, een team van wiskundigen, besloten een superkrachtig instrument te gebruiken: Kunstmatige Intelligentie. Ze keken niet naar slechts een paar voorbeelden; ze voerden een computer meer dan 250.000 verschillende "ingrediënten" (vertegenwoordigd door een getal $k$ ) in. Voor elk van deze ingrediënten berekenden ze de Mahler-maat en vergeleken ze deze met de voorspelde waarde van de elliptische kromme. Hun doel was om te zien of de AI de geheime regel kon leren die de input $k$ omzet in het outputgetal.

Wat ze vonden, is een mix van "aha!"-momenten en "mysterie blijft bestaan". Ten eerste bevestigden ze een vermoeden van een wiskundige genaamd Boyd: bijna altijd is het mysterieuze getal exact de reciproque van een geheel getal. Het is alsof de machine bijna altijd een perfecte punt van een taart geeft, en nooit een rommelige breuk. Ze ontdekten ook dat de grootte van dit getal nauw wordt gecontroleerd door de "conductor" van de elliptische kromme — een getal dat beschrijft hoe complex de kromme is. Hoe groter de conductor, hoe groter het getal.

Echter, de echte magie gebeurt wanneer ze keken naar hoe deze getallen deelbaar zijn door priemgetallen (zoals 2, 3, 5, enz.). Voor de grotere priemgetallen (5 en hoger) gedragen de getallen zich bijna als een willekeurige loterij: de kans om deelbaar te zijn door een priemgetal $p$ volgt een eenvoudig, voorspelbaar patroon. Maar voor de kleinere priemgetallen, 2 en 3, wordt het universum veel ingewikkelder. Het getal 3 lijkt erom te geven of het inputgetal $k$ aan bepaalde patronen voldoet (zoals een veelvoud van 27 zijn), en het getal 2 heeft een zeer specifieke "persoonlijkheid" die afhangt van hoe dicht $k$ bij het getal 8 ligt.

Het AI-gedeelte van het verhaal is het meest opwindend. De onderzoekers trainden een neuraal netwerk (een type AI dat leert door middel van voorbeelden) om deze getallen te voorspellen. De AI kon het exacte getal niet perfect voorspellen — dat is te moeilijk! — maar het was verrassend goed in het raden van de grootte van het getal, vooral wanneer de onderzoekers de "conductor" als hint gaven. Nog fascinerender was dat toen de AI probeerde de deelbaarheid door 2 te voorspellen, het begon te leren van dezelfde complexe regels die de mensen ontdekten. In het begin leerde het alleen de basisregel van de "ondergrens" (een minimale grootte die het getal moet hebben). Maar naarmate het bleef trainen, werd het beter in het herkennen van de exacte momenten waarop het getal die ondergrens bereikte, wat suggereert dat de AI verborgen patronen in de data vond die de mensen nog niet volledig hadden opgeschreven.

Kortom, dit artikel laat zien dat hoewel we de definitieve formule voor deze magische getallen nog niet hebben, ze zeker niet willekeurig zijn. Ze volgen een strikte, ingewikkelde set regels die verband houdt met priemgetallen en de geometrie van elliptische krommen. De AI heeft het hele puzzelstukje niet opgelost, maar het heeft de mensen geholpen om de vorm van de stukjes veel duidelijker te zien, waarmee bewezen wordt dat zelfs in de diepste uithoeken van de wiskunde patronen wachten om gevonden te worden, mits je genoeg data en de juiste instrumenten hebt om naar ze te zoeken.

Technische Samenvatting: Machine Learning van de Aritmetische Eigenschappen van de Boyd's Mahler Measure Conjecturen

Probleemstelling
Het artikel onderzoekt de aritmetische aard van de rationale factoren $r_k$ die voorkomen in de Boyd-conjecturen met betrekking tot de Mahler-maat van de twee-variabele Laurent-polynoom $P_k(x, y) = x + y + \frac{1}{x} + \frac{1}{y} + k$ . Boyd conjectureerde dat voor gehele $k \notin \{-4, 0, 4\}$ , de Mahler-maat $\mu_k$ voldoet aan:
$\mu_k = r_k L'(E_k, 0)$
waarbij $E_k$ de elliptische curve is geassocieerd met de nulverzameling van $P_k$ , en $r_k$ een niet-nul rationaal getal is. Hoewel het teken van $r_k$ wordt bepaald door het root number van $E_k$ , blijven de grootte en de $p$ -adische eigenschappen van $r_k$ (specifiek de reciproke waarde $n_k = 1/r_k$ ) grotendeels mysterieus. De auteurs beogen de aritmetische structuur van $n_k$ te begrijpen door middel van grootschalige statistische analyse en machine learning, waarbij de vraag wordt behandeld hoe $r_k$ zich verhoudt tot $k$ en de elliptische curve $E_k$ .

Methodologie
De studie hanteert een tweeledige aanpak die massale numerieke berekeningen combineert met transformer-gebaseerde machine learning:

Datageneratie: De auteurs hebben de eerste 250.000 waarden van $\mu_k$ en $L'(E_k, 0)$ berekend voor $1 \le k \le 250.000$ (exclusief $k=4$ ).
- $\mu_k$ werd berekend met behulp van expliciete hypergeometrische formules.
- $L'(E_k, 0)$ werd berekend met 19 decimalen precisie met behulp van PARI/GP.
- De rationale quotient $r_k$ werd numeriek geïdentificeerd met behulp van het LLL-algoritme.
- Dit proces vereiste ongeveer 9,6 $\times$ 10 $^7$ seconden aan single-core rekentijd.
Statistische Analyse: De dataset werd geanalyseerd om patronen in de grootte van $n_k$ en zijn $p$ -adische valuaties $v_p(n_k)$ te identificeren. De auteurs onderzochten correlaties met de conductor $N_k$ , de discriminant $\Delta_k$ , en congruentievoorwaarden op $k$ .
Machine Learning Experimenten: Gebruikmakend van het Axolver framework (gebaseerd op de Int2Int transformer-architectuur), trainden de auteurs sequence-to-sequence neurale netwerken om eigenschappen van $r_k$ te voorspellen.
- Inputs: Gehele getallen $k$ (gecodeerd als digit-sequenties) en diverse aritmetische kenmerken (root number $\omega_k$ , conductor $N_k$ , factorisaties van $N_k$ en $\Delta_k$ , sporen van Frobenius $a_p$ , rang, en Tamagawa-getallen).
- Taken: Het direct voorspellen van $r_k$ , het voorspellen van de grootte $|n_k|$ , en het voorspellen van $p$ -adische valuaties $v_p(n_k)$ voor $p \in \{2, 3, 5, 7\}$ .
- Evaluatie: De nauwkeurigheid werd gemeten via greedy exact-match ratio's en correlatiecoëfficiënten tussen voorspelde en werkelijke waarden.

Belangrijkste Bijdragen en Resultaten

1. Statistische Observaties over $n_k$

Integrale aard: Met enkele uitzonderingen ( $k \in \{3, 4, 5, 8, 12, 16, 32\}$ ) is $n_k = 1/r_k$ een geheel getal.
Grootte: De orde van grootte van $n_k$ wordt bepaald door de conductor $N_k$ en $k$ , volgens de schatting $|n_k| \asymp \frac{N_k}{\log k}$ . De term $L(E_k, 2)$ , die deze relatie schaalt, bevindt zich empirisch gezien in een nauw bereik van $(0.52, 1.75)$ met een gemiddelde van 0.83.
Primes $p \ge 5$ : Voor $p \ge 5$ volgen de $p$ -adische valuaties over het algemeen een eenvoudige probabilistische wet: $P(v_p(n_k) = r) \approx p^{-r}$ voor $r \ge 1$ . Echter, de priem $p=5$ vertoont een significante afwijking van dit willekeurige model, waarbij een hogere waarschijnlijkheid van deelbaarheid wordt waargenomen.
Priem $p=3$ : De 3-adische valuatie vertoont een complexe structuur. Deelbaarheid door 3 komt met hoge frequentie voor (~73%). De valuatie wordt sterk beïnvloed door congruentievoorwaarden op $k$ (specifiek modulo 27) en de pariteit van het aantal slechte priemgetallen van $E_k$ die congruent is aan $1 \pmod 3$ . Op specifieke subfamilies (bijv. waar $k(k^2-16)$ squarefree is) ontstaan strikte pariteitswetten die de $v_3(n_k)$ relateren aan de pariteit van deze slechte priemgetallen.
Priem $p=2$ : De 2-adische valuatie wordt gemodelleerd door een deterministische term plus een stochastische fout. De auteurs stellen het model voor:
$v_2(n_k) \approx \hat{v}(k) + s(k) + X_k$
waarbij $\hat{v}(k) = \omega_{odd}(k) + 2\omega_{odd}(k^2-16) - c(k)$ de gewogen oneven priemfactoren van $k$ en $k^2-16$ telt, $s(k)$ een correctieterm is voor $k$ dat 2-adisch dicht bij $\pm 8$ ligt, en $X_k$ een negatief-binomiale verdeling $NB(r=3, p=3/5)$ volgt. Dit leidt tot Conjectuur 3.2: $\hat{v}(k) \le v_2(n_k)$ voor alle $k \neq 4, 8$ .
Conditioneel Bewijs: De auteurs leveren een conditioneel bewijs voor Conjecture 3.2 voor een specifieke familie van $k$ (waar $k=4u$ , $u \equiv 4 \pmod 8$ , etc.) uitgaande van de Bloch-Kato conjectuur en specifieke hypothesen van Dummigan et al. [DGdJK26].

2. Machine Learning Resultaten

Grootte Voorspelling: Het neurale netwerk slaagde er niet in om $r_k$ exact te voorspellen. Het slaagde er echter wel in om de grootte $|n_k|$ te leren (met een nauwkeurigheid van ~100% in factor-van-twee-grenzen) wanneer het werd voorzien van de conductor $N_k$ of de factorisatie daarvan. Dit bevestigt de statistische link tussen de conductor en de grootte van $n_k$ .
Valuatie Voorspelling ( $p \ge 5$ ): Modellen voor $p=5$ en $p=7$ vervielen in het voorspellen van de meest frequente uitkomst ( $v_p=0$ ), waardoor ze faalden om structuur te onthullen door de ongebalanceerde distributie van valuaties.
Valuatie Voorspelling ( $p=3$ ): Het model leerde om $v_3(n_k)=0$ te onderscheiden van $v_3(n_k)=1$ met een hoge nauwkeurigheid (~99%) op specifieke subfamilies, waarbij het succesvol de pariteitswetten identificeerde die in de statistische analyse werden gevonden.
Valuatie Voorspelling ( $p=2$ ): Het leerproces van het model onthulde een twee-fasen evolutie:
- Eerste Plateau: De voorspellingen van het model correleerden nauw met de deterministische voorspeller $\hat{P}(k)$ afgeleid van het statistische model.
- Tweede Plateau: Naarmate de training voortduurde, nam de nauwkeurigheid van het model toe terwijl de correlatie met $\hat{P}(k)$ afnam. Cruciaal was dat het model aanzienlijk beter werd in het identificeren van gevallen waar de ondergrens scherp is ( $v_2(n_k) = \hat{v}(k)$ ). Dit suggereert dat het netwerk aritmetische informatie detecteerde die niet direct gevangen wordt door het huidige statistische model.

Betekenis en Claims
Het artikel claimt niet dat het de Boyd-conjecturen heeft bewezen of een gesloten vormel voor $r_k$ heeft afgeleid. In plaats daarvan claimt het:

De Aritmetische Structuur te hebben Gekarakteriseerd: Geïdentificeerd dat $r_k$ wordt beheerst door een hiërarchie van aritmetische eigenschappen: het root number (teken), de conductor (grootte), en complexe lokale $p$ -adische wetten (deelbaarheid).
Nieuwe Conjecturen te hebben Voorgesteld: Specifieke conjecturen geformuleerd over de distributie van $p$ -adische valuaties, met name de ondergrens voor $v_2(n_k)$ en de probabilistische wetten voor $p \ge 5$ .
De Nuttigheid van AI te hebben Gedemonstreerd: Getoond dat machine learning bekende statistische patronen kan terugwinnen (zoals de relatie tussen conductor en grootte) en, belangrijker nog, subtiele aritmetische structuren kan detecteren (zoals de scherpte van de 2-adische grens) die niet onmiddellijk duidelijk zijn vanuit ruwe data of huidige theoretische kaders.
Gaten te hebben Geïdentificeerd: Het werk benadrukt dat hoewel de "grootte" van $r_k$ goed begrepen is via de conductor, de "fijne structuur" van de valuaties (vooral bij $p=2$ en $p=3$ ) diepere aritmetische verklaringen vereist, mogelijk betrokken hebbend bij Selmer-groepen en regulator-indices zoals gesuggereerd door het Bloch-Kato framework.

De auteurs concluderen dat de combinatie van grootschalige berekeningen en machine learning dient als een krachtig instrument voor het genereren van concrete conjecturen en het identificeren van fenomenen die toekomstige theoretische bewijzen in de context van Mahler-maten en $L$ -functies kunnen sturen.

Technische Samenvatting: Machine Learning van de Aritmetische Eigenschappen van de Boyd's Mahler Measure Conjecturen

Meer zoals dit