Evolving Ranking Functions for Canonical Blow-Ups in Positive Characteristic

Resumo Técnico: Evolução de Funções de Classificação para Explosões Canônicas em Característica Positiva

Enunciado do Problema
A resolução de singularidades em característica positiva permanece um problema central em aberto na geometria algébrica. Embora Hironaka tenha estabelecido a existência da resolução em característica zero (1964) via algoritmos construtivos impulsionados por funções de classificação (invariantes que diminuem estritamente ao longo de sequências de explosão/blow-up), nenhuma função de classificação geral semelhante é conhecida para característica positiva. Em característica positiva, os invariantes clássicos frequentemente falham em diminuir monotonicamente devido a patologias específicas da Frobenius, notadamente o "fenômeno canguru", onde invariantes secundários (como a ordem residual ou "sombra") podem aumentar temporariamente após uma explosão. As abordagens existentes lutam para contornar essas obstruções, particularmente em dimensões $d \ge 4$.

Metodologia
Este artigo relata uma série de experimentos computacionais utilizando o AlphaEvolve, um motor de busca evolutiva que otimiza scripts Python dentro de um framework de aprendizado por reforço. Os autores projetaram um "simulador de explosão canônica de brinquedo" para investigar se uma função de classificação poderia ser descoberta para induzir terminação finita, apesar do aumento temporário nos invariantes.

A metodologia envolveu:

1. Design do Simulador: Um simulador determinístico foi construído para singularidades de hipersuperfície no espaço afim $A^d$ com uma variável de eliminação distinta $z$. O estado consiste em uma especificação de ideal (codificada por vetores de expoentes e tags simbólicas) e uma função de fronteira rastreando divisores excepcionais. O simulador segue uma regra determinística fixa para a seleção de centros de explosão baseada em dados Newton-combinatórios.
2. Engenharia de Atributos (Feature Engineering): Um dicionário de 26 invariantes numéricos intrínsecos (atributos $f_0$ a $f_{25}$) foi definido como proxies para quantidades geométricas usadas na teoria de resolução (ex: ordem, ordem ponderada, valores de Hilbert-Samuel, vanishing de Jacobiano e dados de fronteira). Esses atributos foram projetados para serem livres de histórico (funções puras do estado atual).
3. Busca Evolutiva: O AlphaEvolve teve a tarefa de evoluir uma função de classificação $R: \mathbb{R}^{26} \to \mathbb{R}^k$ (uma tupla de valores) que satisfizesse um critério de descida de atraso limitado (bounded-delay descent). Diferente da descida estrita passo a passo exigida em característica zero, este critério exige que o "melhor até agora" (best-so-far) melhore estritamente pelo menos uma vez dentro de uma janela de $m$ passos (onde $m=5$).
4. Refinamento Iterativo: Os experimentos procederam através de um currículo. Os autores refinaram manualmente os benchmarks de teste e os conjuntos de atributos após cada execução, adicionando contraexemplos adversariais encontrados pelo sistema ou por ferramentas externas (como LLMs) para testar rigorosamente as funções de classificação evoluídas.

Contribuições Principais e Resultados

• Framework Experimental: O artigo estabelece um fluxo de trabalho para usar a busca evolutiva para descobrir construções matemáticas candidatas para problemas de geometria biracional, abordando especificamente a dificuldade de encontrar invariantes em característica positiva.
• Construção de Benchmark: Os autores curaram um benchmark focado de 100 singularidades de hipersuperfície em dimensão $d=4$ e característica $p=3$. Estas são singularidades monicas e puramente inseparáveis da forma $z^3 + \dots$, desenhadas para exibir comportamentos de platô e saltos do tipo canguru.
• Funções de Classificação Evoluídas:
  • Classificador Contínuo: Um experimento inicial produziu uma função de classificação contínua de dois componentes que alcançou zero violações em um benchmark de 71 instâncias.
  • Classificador Discretizado: Um experimento subsequente evoluiu uma função de classificação lexicográfica de cinco componentes combinada com um mapa de discretização $\Pi: \mathbb{R}^5 \to \mathbb{N}^5$. Esta função alcançou zero violações no benchmark de 71 instâncias.
  • Melhoria Adversarial: Quando um contraexemplo (Lema 2) foi encontrado violando a condição de atraso limitado para o classificador de 71 instâncias, o benchmark foi expandido para 100 instâncias. O AlphaEvolve conseguiu evoluir um novo classificador de cinco componentes ($R_{100}$) que alcançou zero violações nas 100 instâncias.
• Contraexemplos e Limitações: O artigo documenta explicitamente contraexemplos onde os classificadores evoluídos falham em classes mais amplas de entradas (ex: termos mistos de grau maior ou não monicos), demonstrando que as soluções atuais são específicas para a família "Weierstrass" restrita usada no benchmark.

Conjecturas
Os resultados experimentais motivam duas conjecturas específicas sobre a existência de funções de classificação com atraso:

1. Conjectura 1: A tupla de classificação lexicográfica de cinco componentes evoluída na primeira fase ($R_{lex}$) satisfaz a condição de descida de atraso limitado para a família restrita de polinômios de Weierstrass monicos $z^3 + g + z^2h$.
2. Conjectura 2: Existe uma função de classificação bruta de cinco componentes $R$ construída a partir dos invariantes intrínsecos tal que sua discretização $\Pi \circ R$ é uma função de classificação de atraso limitado para a classe de singularidades de hipersuperfície puramente inseparáveis monicas em dimensão 4 e característica 3. Os autores conjecturam que o classificador específico $R_{100}$ pode se generalizar para famílias com termos mistos de grau superior.

Significância e Alegações
O artigo enquadra-se modestamente não como uma teoria matemática finalizada, mas como uma exploração de como projetar e evoluir experimentos de resolução.

• Prova de Conceito: Demonstra que o AlphaEvolve pode servir como um motor produtivo para a exploração matemática, gerando construções candidatas que podem ser verificadas e potencialmente promovidas a teoremas rigorosos.
• Insight sobre Patologias: Os experimentos destacam que, em característica positiva, os mecanismos de terminação provavelmente requerem não apenas invariantes baseados em ordem, mas uma interação complexa de dados conscientes da fronteira (divisores excepcionais), sinais de Jacobiano e informações de profundidade p-ádica para quebrar platôs.
• Mudança Metodológica: O trabalho sugere uma mudança de impor a monotonicidade estrita para aceitar a descida de "atraso limitado", reconhecendo que o progresso geométrico em característica positiva pode envolver regressões temporárias em invariantes secundários.

Os autores enfatizam que as conclusões matemáticas, conjecturas e contraexemplos apresentados surgem da análise matemática independente dos outputs computacionais, e não de outputs diretos da IA. O artigo serve como um relatório de uma jornada computacional para investigar um problema central em geometria biracional.