🔢 mathematics

Grokability in five inequalities

Este artigo apresenta cinco descobertas matemáticas verificadas feitas em colaboração com o modelo de IA Grok, incluindo limites aprimorados para perímetros gaussianos, desigualdades de momento mais agudas no cubo de Hamming, uma desigualdade de autoconvolução fortalecida, limites assintóticos melhores para conjuntos $g$ -Sidon e uma desigualdade de Szarek balanceada ótima.

Autores originais: Paata Ivanisvili, Xinyuan Xie

Publicado 2026-05-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Paata Ivanisvili, Xinyuan Xie

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma equipe de matemáticos sentando-se com um assistente digital muito inteligente e muito rápido chamado Grok. Em vez de apenas pedir fatos, eles pediram ao Grok que os ajudasse a resolver cinco quebra-cabeças complicados em matemática. O artigo relata que o Grok não apenas forneceu respostas; ajudou-os a descobrir cinco novas verdades matemáticas que nunca haviam sido escritas antes. Os autores então verificaram o trabalho novamente e confirmaram que estava correto.

Aqui está uma análise das cinco descobertas, explicada usando analogias simples:

1. A "Borda Difusa" de uma Forma (Perímetro Gaussiano)

O Quebra-Cabeça: Imagine uma nuvem de neblina no espaço. Se você desenhar uma forma dentro dessa neblina, o "perímetro" não é apenas o comprimento da linha; é quanto dessa forma toca a neblina. Os matemáticos queriam saber: Qual é a quantidade máxima de neblina que uma forma pode tocar à medida que o espaço fica cada vez maior?
A Descoberta: Por anos, a melhor estimativa para esse limite foi baseada em uma construção de 2003. O Grok ajudou os autores a ajustar ligeiramente a forma, como ajustar os botões de um rádio para encontrar um sinal mais claro. Esse pequeno ajuste revelou que a forma pode, na verdade, tocar 9% mais neblina do que se pensava anteriormente. É como encontrar uma maneira ligeiramente melhor de organizar móveis em um quarto para caber mais uma pessoa do que todos pensavam ser possível.

2. A Razão "Volume vs. Peso" (Comparação de Momentos)

O Quebra-Cabeça: Imagine que você tem um saco de números (uma função). Você pode medir o "peso" do saco de duas maneiras: uma média grosseira (L1) e uma média mais sensível e pesada (L2). Os matemáticos queriam saber a regra exata de quanto a média sensível pode ficar mais pesada em comparação com a média grosseira.
A Descoberta: Uma pergunta havia sido feita online por dez anos: "A regra é exatamente a raiz quadrada de 2?" O Grok ajudou os autores a provar que a regra é, na verdade, um pouco mais complexa. Eles encontraram uma nova faixa mais estreita para essa regra. É como perceber que, embora o velocímetro de um carro geralmente corresponda às RPM do motor em uma proporção simples, existe na verdade uma relação de marchas específica e ligeiramente diferente que se aplica nos casos mais extremos.

3. O "Balancim Equilibrado" (Desigualdade de Szarek)

O Quebra-Cabeça: Geralmente, problemas matemáticos assumem que cada lançamento de moeda é independente (como lançar uma moeda 100 vezes). Mas e se você forçar as moedas a serem "equilibradas"? Por exemplo, você só olha para os lançamentos onde o número total de caras é igual ao número total de coroas. Nesse mundo equilibrado, as moedas não são mais independentes; se você vê uma cara, sabe que uma coroa deve existir em outro lugar.
A Descoberta: Os autores encontraram a regra perfeita (a constante ótima) para como essas moedas equilibradas se comportam. Surpreendentemente, mesmo que as moedas estejam "ligadas" e não independentes, as antigas e clássicas ferramentas matemáticas ainda funcionam perfeitamente para encontrar a resposta. É como descobrir que um balancim se equilibra perfeitamente mesmo se as crianças nele estiverem de mãos dadas e se movendo juntas, e não apenas sentadas aleatoriamente.

4. O "Tamanho da Sombra" de um Padrão (Autoconvolução e Conjuntos de Sidon)

O Quebra-Cabeça: Imagine que você tem um padrão de pontos em uma linha. Se você deslizar esse padrão sobre si mesmo e olhar para onde os pontos se sobrepõem (a "sombra"), qual é o tamanho da maior sobreposição? Isso ajuda os matemáticos a descobrir quantos pontos eles podem empacotar em uma linha sem que eles colidam de maneiras específicas (chamados conjuntos g-Sidon).
A Descoberta: Esse problema havia sido estudado por muito tempo usando supercomputadores massivos que verificavam milhões de padrões. O Grok ajudou os autores a examinar a matemática por trás de uma dessas verificações de computador e encontrou um pequeno erro no cálculo. Ao corrigir apenas esse pequeno erro, eles melhoraram o limite inferior da resposta. É como um humano olhando para uma longa lista de cálculos de um computador e dizendo: "Espere, se você apenas arredondar esse número para cima ligeiramente, toda a resposta fica um pouquinho melhor."

5. O "Equilíbrio Perfeito" (Desigualdade de Szarek Equilibrada Ótima)

(Nota: Isso é essencialmente o mesmo que o ponto #3, mas o artigo enfatiza a natureza específica "ótima" da constante encontrada.)
A Descoberta: Isso confirma que a regra "equilibrada" mencionada acima não é apenas uma boa estimativa, mas a regra absolutamente melhor possível. É o equivalente matemático de encontrar o centro de gravidade exato de um objeto complexo; você não pode movê-lo mais perto do equilíbrio perfeito.

O Quadro Geral: O Que Isso Significa

A parte mais emocionante deste artigo não é apenas a matemática em si, mas como eles chegaram lá.

O Jeito Antigo: Para resolver problemas como o #4, os pesquisadores geralmente escrevem código para verificar milhões de cenários específicos e pré-definidos (como verificar todas as combinações possíveis de uma fechadura). Isso leva milhares de horas de tempo de computador.
O Novo Jeito: Os autores simplesmente falaram com o Grok em inglês comum. Pediram-lhe para examinar uma desigualdade específica e ver se ela poderia ser apertada. Em alguns minutos de conversa, o Grok identificou um refinamento que a busca massiva por computador havia perdido.

A Conclusão: Este artigo sugere que a IA não é apenas uma calculadora que segue regras estritas. Ela pode atuar como um parceiro criativo, usando linguagem natural para identificar melhorias sutis em argumentos matemáticos complexos que até mesmo os computadores mais poderosos poderiam ignorar se estiverem apenas buscando cegamente através de dados. É um vislumbre de um futuro onde matemáticos e IA têm uma conversa para resolver problemas juntos.

Resumo Técnico de "Grokabilidade em cinco desigualdades"

Visão Geral
Esta nota relata cinco descobertas matemáticas em análise, probabilidade, geometria convexa e combinatória aditiva obtidas por meio de conversas colaborativas com o modelo de linguagem de grande escala (LLM) Grok. Os autores, Paata Ivanisvili e Xinyuan Xie, verificam que esses resultados são novos na literatura pública. O artigo serve como um estudo de caso na descoberta matemática "conversacional", demonstrando que LLMs de raciocínio podem refinar argumentos existentes, corrigir imprecisões menores e explorar espaços de parâmetros para produzir constantes aprimoradas em desigualdades estabelecidas.

Contexto do Problema e Metodologia
O artigo aborda cinco problemas distintos cujo objetivo é determinar constantes ótimas ou aprimoradas em várias desigualdades. A metodologia baseia-se em uma "abordagem conversacional" onde os autores engajam o Grok para:

Revisar provas sofisticadas existentes (por exemplo, a construção de Nazarov).
Identificar e corrigir imprecisões numéricas menores ou provas ausentes na literatura.
Ajustar finamente parâmetros em construções para otimizar limites.
Aplicar estruturas conhecidas (por exemplo, métodos de semigrupos, bases ortogonais) a novos contextos (por exemplo, variáveis aleatórias condicionadas).

Diferentemente de sistemas de raciocínio automatizado que parametrizam problemas em código e evoluem soluções iterativamente por meio de busca exaustiva (um método usado em trabalhos anteriores para a constante $C_{1a}$ ), esta abordagem utiliza diálogo em linguagem natural para guiar o raciocínio matemático.

Principais Contribuições e Resultados

1. Limite Inferior Aprimorado para o Perímetro Gaussiano Máximo

Problema: Determinar o crescimento de $\Gamma(n)$ , o perímetro gaussiano máximo de conjuntos convexos em $\mathbb{R}^n$ . A ordem de crescimento é conhecida como $n^{1/4}$ , mas o fator constante tem sido objeto de estudo desde a construção de Nazarov em 2003.
Metodologia: Os autores seguiram a estratégia de Nazarov de construir um poliedro convexo aleatório. O Grok auxiliou fornecendo provas detalhadas para afirmações intermediárias deixadas sem prova no artigo original e corrigiu uma imprecisão menor no expoente de um integrando. O modelo então ajudou a ajustar finamente os parâmetros ( $a, b, W$ ) na construção de Nazarov.
Resultado: Os autores provam que $\liminf_{n\to\infty} \Gamma(n)/n^{1/4} \ge 0.31258$ . Isso representa uma melhoria de $\approx 9\%$ sobre o limite inferior anterior de $e^{-5/4} \approx 0.2865$ .

2. Comparação de Momentos $L^2-L^1$ Mais Afiada no Cubo de Hamming

Problema: Determinar a base exponencial ótima $C^*$ tal que $\|f\|_2 \le C^d \|f\|_1$ para funções $f$ em $\{-1, 1\}^n$ com grau de Fourier-Walsh $d$ . Uma pergunta de 2014 no MathOverflow questionou se $C^* = \sqrt{2}$ .
Metodologia: Os autores utilizaram a observação de que um grande crescimento $L^4/L^2$ em uma família de funções fornece limites inferiores para $C^*$ . O Grok sugeriu o uso de polinômios de Hermite avaliados em formas lineares longas (um modelo gaussiano) para construir um contraexemplo à conjectura de $\sqrt{2}$ .
Resultado: O artigo estabelece $2.408\dots \ge C^* \ge \sqrt{3}$ . O limite inferior $\sqrt{3}$ responde definitivamente à pergunta do MathOverflow de forma negativa. A melhoria do limite superior de $2.69\dots$ para $2.408\dots$ foi notada pelos autores de um artigo relacionado, mas não havia sido explicitamente publicada; o Grok recuperou esse refinamento.

3. Desigualdade de Szarek Balanceada Ótima

Problema: Estender a desigualdade de Khintchine para a "fatia do meio" do cubo de Hamming $\Omega_n = \{x \in \{-1, 1\}^n : \sum x_i = 0\}$ , onde as coordenadas são dependentes. Especificamente, encontrar a constante ótima para o extremo $L^1$ ( $p=1$ ).
Metodologia: Os autores adaptaram a estrutura de semigrupos de Kwapie'n, Lata\l a e Oleszkiewicz, tipicamente usada para variáveis independentes. Para lidar com a falta de independência, eles invocaram resultados recentes de Filmus sobre bases ortogonais para a fatia do cubo de Hamming.
Resultado: Eles provam que a desigualdade $c_n \sqrt{E|\sum a_i x_i|^2} \le E|\sum a_i x_i|$ vale com a constante ótima $c_n = \sqrt{\frac{n-2}{2(n-1)}}$ . Esta é a primeira documentação da constante ótima para este extremo na literatura.

4. Limite Inferior Aprimorado para Autoconvolução e Conjuntos $g$ -Sidon

Problema: Encontrar a maior constante universal $c$ tal que $\sup_x (f*f)(x) \ge c (\int f)^2$ para $f$ não negativa suportada em $[-1/4, 1/4]$ . Esta constante relaciona-se ao tamanho assintótico de conjuntos $g$ -Sidon.
Metodologia: Os autores refinaram uma estimativa de um estudo anterior [7] que utilizou extensas horas de CPU (20.000) para buscar exaustivamente espaços discretos. O Grok foi solicitado a apertar a desigualdade no termo de erro da prova existente.
Resultado: O limite inferior é melhorado de $c \ge 1.28$ para $c \ge 1.2802$ . A melhoria decorre de um limite mais apertado na norma $L^\infty$ da autoconvolução de um termo de erro específico, derivado por meio de um simples prompt em linguagem natural.

5. Significado e Alegações
O artigo reivindica significado principalmente como uma demonstração da "grokabilidade" de problemas matemáticos por modelos de raciocínio de fronteira atuais.

Novidade da Abordagem: Os autores destacam que, enquanto sistemas de raciocínio automatizado frequentemente dependem de parametrização explícita e evolução de código, esta "abordagem conversacional" descobriu com sucesso melhorias em problemas que haviam sido extensivamente estudados por meio de buscas estruturadas e exaustivas (especificamente o problema da constante $C_{1a}$ ).
Capacidade dos LLMs: Os resultados sugerem que LLMs podem realizar argumentos analíticos sofisticados, explorar os limites de métodos existentes e implementar novas ideias com precisão significativa.
Modéstia: Os autores são modestos quanto à magnitude das contribuições matemáticas. Eles notam que a melhoria na constante de autoconvolução é "não particularmente substancial" matematicamente, representando um refinamento menor. No entanto, eles enfatizam a implicação metodológica: que LLMs conversacionais podem extrair melhorias adicionais de problemas onde a busca estrutural explícita era considerada ter esgotado o potencial.

O artigo conclui fornecendo links para as sessões de chat específicas com o Grok que levaram a cada resultado, visando manter a comunidade matemática informada sobre a utilidade crescente dessas ferramentas na exploração matemática.