Claude AI एजंट्सनी क्रिटिकल लाईनवर (critical line) असलेल्या Riemann-zeta शून्यांचे (zeros) सत्यापित प्रमाण ४१.६% वरून ६७.२% पर्यंत वाढवले आहे. ही वाढ रिमन हायपोथेसिस (Riemann hypothesis) सिद्ध करत नाही, परंतु मोठ्या प्रमाणावरील AI-चालित वर्कफ्लो गणितीयदृष्ट्या तपासण्यायोग्य निकाल देऊ शकतात हे यातून दिसून येते.

रिमन हायपोथेसिस (Riemann hypothesis) का महत्त्वाची आहे

ही हायपोथेसिस असे सांगते की Riemann zeta फंक्शनमधील प्रत्येक नॉन-ट्रिव्हियल शून्य (non-trivial zero) चा वास्तव भाग (real part) नेमका १/२ असतो. ही शून्ये मूळ संख्यांच्या (prime numbers) वितरणावर नियंत्रण ठेवतात, त्यामुळे या कल्पनेची (conjecture) पुष्टी झाल्यास मूळ संख्यांचे नमुने (prime patterns) आणि कॉम्प्लेक्स ॲनालिसिस (complex analysis) यांच्यातील संबंध अधिक दृढ होईल. आजपर्यंत, केवळ काही प्रमाणात शून्ये "क्रिटिकल लाईन"वर असल्याचे सिद्ध झाले आहे. हे प्रमाण वाढवणे ही प्रगतीसाठी एक मानक बेंचमार्क आहे.

Anthropic ने ६७.२% पर्यंत मजल कशी मारली

Anthropic ने त्यांच्या कोड-केंद्रित मॉडेल, Claude Code, द्वारे दोन सखोल संशोधन सत्रे राबवली. दुसऱ्या सत्रात ६० सब-एजंट्स तैनात करण्यात आले होते, ज्यांनी २,४०० हून अधिक शेल कमांड्सद्वारे समन्वय साधला आणि शेकडो Python स्क्रिप्ट्स तयार केल्या. एकूण प्रक्रियेत अंदाजे ३१ दशलक्ष आउटपुट टोकन्स तयार झाले—जे एका लहान कादंबरीच्या आकाराएवढे आहेत.

टीममधील गणितज्ञांनी तयार झालेल्या शोधनिबंधाचे ऑडिट केले आणि Lean 4 formalization (एक मशीन-चेक केलेली प्रूफ लँग्वेज) प्रसिद्ध केले, जेणेकरून इतर लोक प्रत्येक पायरीची पडताळणी करू शकतील. या कामासाठी Claude च्या अंतर्गत, अनरिलीज्ड रिसर्च व्हर्जनचा वापर करण्यात आला होता आणि पडताळणी ही औपचारिक पीअर रिव्ह्यूऐवजी (peer review) अंतर्गत तपासणी आणि तज्ज्ञांच्या संक्षिप्त पुनरावलोकनावर आधारित होती.

या निकालाचा नेमका अर्थ काय आहे

नवीन शोधनिबंध क्रिटिकल लाईनवरील शून्यांची सिद्ध झालेली खालची मर्यादा (lower bound) ४१.६% वरून ६७.२% पर्यंत वाढवतो. ही संख्या एक लोअर बाउंड (lower bound) आहे: या लाईनवर आणखी अनेक शून्ये असू शकतात, परंतु विश्लेषणात ती पकडली गेली नाहीत.

महत्त्वाचे म्हणजे, हा निकाल हायपोथेसिसला पूर्ण सिद्धतेच्या जवळ नेत नाही. हायपोथेसिसनुसार सर्व नॉन-ट्रिव्हियल शून्ये त्या लाईनवर असणे आवश्यक आहे; ६७.२% लोअर बाउंडमुळे एक तृतीयांश पेक्षा जास्त शून्यांचा हिशोब अद्याप बाकी आहे.

AI दृष्टिकोनाच्या मर्यादा

Anthropic च्या स्वतःच्या विधानांवरून हे स्पष्ट होते की, सध्याच्या वर्कफ्लोमुळे ही हायपोथेसिस लवकर सुटण्याची त्यांना अपेक्षा नाही. मॉडेलच्या आउटपुटमधील तार्किक त्रुटी तपासण्यासाठी मानवांना अजूनही पुनरावलोकन करावे लागते आणि अंतर्गत पडताळणी प्रक्रियेत कम्युनिटी पीअर रिव्ह्यूसारखी (community peer review) कठोरता नाही. Claude चे रिसर्च व्हर्जन सार्वजनिकरित्या उपलब्ध नाही, त्यामुळे स्वतंत्रपणे त्याची पुनरावृत्ती करणे मर्यादित आहे.

पुढे काय?

Lean 4 formalization च्या प्रकाशनामुळे व्यापक गणिती समुदायाला या पुराव्याचे ऑडिट करण्यासाठी आमंत्रित केले आहे.

निष्कर्ष

Anthropic च्या Claude एजंट्सनी हे सिद्ध केले आहे की AI जटिल गणितीय विधानांच्या पडताळणीचा वेग वाढवू शकते, ज्यामुळे Riemann-zeta शून्यांच्या ज्ञात लोअर बाउंडमध्ये लक्षणीय सुधारणा झाली आहे. हा शोध मोठ्या रिसर्च-एजंट वर्कफ्लोसाठी एक 'प्रूफ-ऑफ-कॉन्सेप्ट' (proof-of-concept) आहे, मिलेनियम-प्रायझ समस्या (millennium-prize problem) सोडवणारा उपाय नाही.