🔢 mathematics

Evolving Ranking Functions for Canonical Blow-Ups in Positive Characteristic

本文利用进化搜索模型 AlphaEvolve 发现了一种新型离散化排序函数，该函数成功克服了维度 4 中的特征特定障碍（如袋鼠现象），从而针对解决正特征下的奇异性提出了两个关于延迟排序函数的猜想。

原作者： Gergely Bérczi

发布于 2026-02-09

📖 1 分钟阅读🧠 深度阅读

原作者： Gergely Bérczi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大问题：抚平凹凸不平的形状

想象你有一张揉皱的纸或者一段崎岖的山脉。在数学中，这些“凸起”和“褶皱”被称为奇异性（singularities）。它们是形状表现异常、打破常规几何规则的点。

数学家们有一个叫做**“吹胀”（blow-up）**的工具来修复这些凸起。你可以把“吹胀”想象成放大观察一个特定的点，并将那个单一的褶皱点替换为一个全新的、光滑的曲面（就像把一张揉皱的纸展开成平整的纸片）。

在“特征为零”（一种特定的数学宇宙）的世界里，数学家们拥有一种完美的配方。他们有一个分级函数（ranking function），就像一张计分卡。每当他们进行一次“吹胀”，计分卡上的分数就会下降。由于分数不可能无限下降（最终会达到零），他们知道这个过程最终一定会完成，从而留下一个完美光滑的形状。

“正特征”中的问题

然而，在另一种被称为**“正特征”（positive characteristic）**的数学宇宙中（其行为更像是一个在达到某个数值后会循环重置的数字时钟），这张计分卡失效了。

有时，当你试图抚平一个凸起时，分数并不会下降。相反，它可能会长时间保持不变，甚至会暂时跳升。这被称为**“袋鼠现象”（Kangaroo phenomenon）**。这就像你想走下楼梯，但每隔几步，一只袋鼠就会把你跳回更高的台阶。因为分数没有严格下降，数学家们被困住了数十年，无法证明这个平滑过程最终何时会结束。

实验：教机器人寻找新的计分卡

这篇论文并不是一篇传统的数学证明。相反，它是一份计算机实验报告。作者 Gergely Berczi 使用了一个强大的 AI 工具——AlphaEvolve，让它扮演“数学侦探”。

以下是实验的运作方式：

模拟器： 作者构建了一个简化的电子游戏。在这个游戏中，存在着“凹凸不平的形状”（奇异性）以及一套关于如何“吹胀”它们的规则。
挑战： AI 的任务是发明一个新的计分卡（分级函数）。这个计分卡需要观察当前形状的状态并为其分配一个分数。
目标： AI 需要找到一个计分卡，即使分数偶尔会像“袋鼠”一样跳升，它也必须能保证分数在最终会下降到足以确保过程完成的程度。规则是：“分数必须至少每 5 步改进一次。”

历程：尝试、错误与进化

AI 并没有立即成功。它经历了几个轮次的“进化”：

第一轮（广泛搜索）： AI 试图同时解决各种各样的凹凸形状。它失败了。问题太复杂了；AI 无法找到一个适用于所有情况的统一规则。
第二轮（聚焦）： 作者告诉 AI 专注于一种特定且棘手的形状类型：在特定的数学宇宙（数字每到 3 就会循环）中的四维形状。
发现： AI 进化出了一个五部分组成的计分卡。它不再仅仅是一个数字，而是一个由五个数字组成的列表（类似于元组：(5, 2, 1, 0, 0)）。
- 第一个数字检查形状是否已经光滑。
- 接下来的数字充当“平原打破者”和“平局打破者”，用以处理“袋鼠跳升”。
- 至关重要的是，这个计分卡成功地引导了模拟过程，在对 100 个困难形状的测试集中，实现了 100% 的平滑完成率。

“袋鼠”与“羚羊”

论文使用了一个可爱的比喻来解释其中的难度：

羚羊（Antelope）： 指形状看起来正在变好的一点。
袋鼠（Kangaroo）： 指在你认为已经修复了某个点之后，数学逻辑却又将你“跳”回了一个更糟的状态（残余阶数增加）。
AI 的新计分卡足够聪明，能够忽略这些暂时的跳升，并从大局出发，确保在一段短时间内，形状确实是在变得更加光滑。

结果：是猜想，而非证明

这篇论文并不声称已经解决了这个有着 60 年历史的数学难题。相反，它声称发现了强有力的证据表明解的存在。

作者提出了两个猜想（Conjectures）：

猜想 1： 一个特定的由五个数字组成的列表（即 AI 发现的那一个）可以作为特定类形状的计分卡。
猜想 2： 这个计分卡可以通过微调，使其适用于更复杂的形状。

核心启示

你可以把这篇论文看作是一个概念验证（proof of concept）。作者不仅是在黑板上演算，他们还构建了一个数字游乐场，并让 AI 在其中运行了数千次模拟。AI 找到了一个“神奇的计分卡”，能够完美地应对正特征几何中棘手的“袋鼠跳升”。

虽然这目前还不是一个最终的数学定理，但它提供了一个具体的、可运行的范例，展示了这样的计分卡可能长什么样。它表明，如果数学家能够将 AI 的发现形式化，他们或许终于能够证明：即使是在这个困难的数学宇宙中，你也能够抚平任何形状。

简而言之： 这篇论文利用 AI 玩了一场“抚平形状”的游戏，并找到了一种能在特定困难场景下完美运行的获胜策略，为解决一个重大的未解数学问题提供了新的路径。

技术摘要：正特征标下正则化爆破（Canonical Blow-Ups）的演化排序函数

问题陈述
正特征标下的奇异性消解（resolution of singularities）仍是代数几何中的一个核心开放问题。虽然 Hironaka 在 1964 年通过由排序函数（在爆破序列中严格递减的不变量）驱动的构造性算法，确立了特征标为零时的消解存在性，但在正特征标下，尚未发现类似的通用排序函数。在正特征标下，经典的变量往往由于 Frobenius 特有的病态性质（pathologies）而无法实现单调递减，最显著的是“袋鼠现象”（kangaroo phenomenon），即次级变量（如剩余阶或“阴影” shade）在爆破后可能会暂时增加。现有方法难以规避这些障碍，特别是在维度 $d \ge 4$ 的情况下。

方法论
本文报告了一系列使用 AlphaEvolve 的计算实验，AlphaEvolve 是一个在强化学习框架内优化 Python 脚本的进化搜索引擎。作者设计了一个“玩具正则化爆破模拟器”（toy canonical blow-up simulator），以研究是否可以发现一种即使在不变量发生暂时增加的情况下也能诱导有限终止的排序函数。

其方法论包括：

模拟器设计： 构建了一个针对仿射空间 $A^d$ 中具有特定消除变量 $z$ 的超曲面奇异性的确定性模拟器。状态由理想规格（由指数向量和符号标签编码）和一个追踪例外除子（exceptional divisors）的边界函数组成。该模拟器遵循一套基于 Newton-组合数据的固定且确定性的规则来选择爆破中心。
特征工程： 定义了一个包含 26 个内在数值不变量（特征 $f_0$ 到 $f_{25}$ ）的字典，作为用于消解理论的几何量（如阶、加权阶、Hilbert-Samuel 值、Jacobian 消失度和边界数据）的代理。这些特征被设计为无历史依赖的（即当前状态的纯函数）。
进化搜索： AlphaEvolve 的任务是进化一个排序函数 $R: \mathbb{R}^{26} \to \mathbb{R}^k$ （一个数值元组），该函数需满足有界延迟下降准则（bounded-delay descent criterion）。与特征标为零时要求的严格步进式下降不同，该准则要求“迄今为止最佳”的秩在每 $m$ 步的窗口内至少改进一次（其中 $m=5$ ）。
迭代精炼： 实验通过一个课程（curriculum）进行。作者在每次运行后手动精炼测试基准和特征集，通过添加由系统或外部工具（如 LLM）发现的对抗性反例来压力测试进化出的排序函数。

主要贡献与结果

实验框架： 本文建立了一个利用进化搜索来发现双有理几何问题候选数学构造的工作流，专门应对正特征标下寻找不变量的困难。
基准构建： 作者策划了一个针对维度 $d=4$ 且特征 $p=3$ 的 100 个超曲面奇异性的精选基准。这些是单项、纯非分离形式的奇异性，形式为 $z^3 + \dots$ ，旨在展示平台行为和类似袋鼠的跳跃现象。
进化出的排序函数：
- 连续排序器（Continuous Ranker）： 初步实验产生了一个两分量的连续排序函数，在 71 个实例的基准测试中实现了零违规。
- 离散化排序器（Discretized Ranker）： 随后的实验进化出了一个五分量的列举排序（lexicographic ranking）结合离散化映射 $\Pi: \mathbb{R}^5 \to \mathbb{N}^5$ 。该函数在 71 个实例的基准测试中同样实现了零违规。
- 对抗性改进： 当发现一个违反了 71 实例排序器有界延迟条件的反例（引理 2）时，基准被扩展到 100 个实例。AlphaEvolve 成功进化出了一个新的五分量排序器（ $R_{100}$ ），在所有 100 个实例上均实现了零违规。
反例与局限性： 本文明确记录了进化出的排序器在更广泛输入类（例如非单项或高阶混合项）上失效的反例，证明了当前的解决方案仅限于所使用的受限“Weierstrass 族”。

猜想
实验结果启发了关于存在延迟排序函数的两个具体猜想：

猜想 1： 在第一阶段进化的特定五分量列举元组（ $R_{lex}$ ）对于受限的单项 Weierstrass 多项式族 $z^3 + g + z^2h$ 满足有界延迟下降条件。
猜想 2： 存在一个基于内在不变量构建的五分量原始排序函数 $R$ ，使得其离散化 $\Pi \circ R$ 是对于维度 4 且特征 3 的单项纯非分离超曲面类的有界延迟排序函数。作者猜想特定的排序器 $R_{100}$ 可能推广到具有更高阶混合项的族。

意义与声明
本文谦逊地将其定位为并非一项完成的数学理论，而是一次探索如何设计和进化消解实验的过程。

概念验证： 它证明了 AlphaEvolve 可以作为数学探索的有效引擎，生成可以被验证并可能被提升为严谨定理的候选构造。
对病态现象的洞察： 实验表明，在正特征标下，终止机制可能不仅需要基于阶的变量，还需要边界感知数据（例外除子）、Jacobian 信号以及 $p$ -进深度信息的复杂相互作用，以打破平台期。
方法论转向： 这项工作建议将方法论从强制严格单调性转向接受“有界延迟”下降，承认在正特征标下的几何进展可能涉及次级变量的暂时回归。

作者强调，文中呈现的数学结论、猜想和反例均源于对计算输出的独立数学分析，而非 AI 的直接输出。本文是对调查双有路径几何中核心问题的计算旅程的报告。