摘要：Google Research、哈佛大学和卡内基梅隆大学的研究团队提出了一种神经符号系统，结合Gemini DeepThink推理引擎和树搜索技术，成功解决了理论物理学中宇宙弦引力辐射功率谱的精确解析解难题。该系统通过自动化数值验证和错误回溯，筛选出6种分析方法，其中盖根鲍尔多项式法最为优雅高效。研究还强调了人机协作的重要性，最终导出了与数值计算和量子场论一致的渐近公式。实验表明，谱方法在稳定性和速度上显著优于传统方法，证明了AI在加速数学发现中的巨大潜力。

Ref：https://arxiv.org/pdf/2603.04735

这份由 Google Research、哈佛大学和卡内基梅隆大学的研究人员于2026年3月发表的论文，详细介绍了如何利用人工智能（AI）加速数学发现，并成功解决了一个理论物理学中的开放性难题 。

以下是对该论文内容的系统讲解：

1. 核心成就：攻克理论物理难题

研究团队展示了一个神经符号系统，成功推导出了宇宙弦（Cosmic Strings）发射引力辐射功率谱的新颖、精确解析解 。具体而言，该系统计算了核心积分 $I(N, \alpha)$，这一难题此前仅有部分渐近解或奇数 $N$ 的解，而统一的精确解一直未能得出 。

2. 核心技术架构：神经符号系统

该系统结合了强大的推理引擎与严密的搜索框架：

• Gemini Deep Think：作为底层推理引擎，负责生成数学假设、进行符号推演，并评估推导步骤的“优雅性”或可行性 。

• 树搜索（Tree Search, TS）：系统性地探索不同的基函数展开（如勒让德、切比雪夫、盖根鲍尔等）和积分技术 。

• 自动化数值反馈：每个搜索节点都会自动生成 Python 代码，通过高精度数值计算验证符号推导的正确性 。

  • 自动剪枝：验证程序捕获并剪掉了超过 80% 的包含代数错误或数值发散的搜索分支，极大地提升了发现效率 。

  • 反馈循环：系统会将错误回溯（traceback）和绝对误差惩罚反馈给模型，使其能够自主纠正错误 。

3. 发现成果：六种解析方法

AI 代理共识别出 6 种不同的分析方法，并将其分为三大类：

• 第一类：单项式基方法（方法 1-3）：基于泰勒级数展开。虽然在 $N$ 较小时有效，但在 $N \rightarrow \infty$ 时会出现数值不稳定性 。

• 第二类：谱基方法（方法 4-5）：利用 Funke-Hecke 卷积定理，不仅稳定且计算速度快 。其中**方法 4（Galerkin 矩阵法）**被测定为运行速度最快的方法 。

• 第三类：精确解析解（方法 6：盖根鲍尔法）：这是最优雅的方法。它通过将内核展开为盖根鲍尔多项式（Gegenbauer polynomials） $C_{l}^{(3/2)}$，自然地吸收了被积函数的奇点，最终导出了涉及广义余弦积分函数 $Cin(z)$ 的闭式解 。

4. 人机协作与渐近公式

研究强调了**人机协同（Human-AI handoff）**的重要性：

• 在 AI 发现初步精确解后，人类研究员引导更高级版本的 Gemini Deep Think 对结果进行简化 。

• 这一过程导致了渐近公式（公式 72）的发现。当 $N \rightarrow \infty$ 时，该公式与数值计算结果完美契合，并与量子场论（QFT）中的连续费曼参数化建立了联系 。

5. 方法对比与结论

研究对比了不同方法的性能（如上图所示 ）：

• 稳定性：谱方法（方法 4-6）保持在数值噪声水平，而单项式方法（方法 2）在 $N=20$ 时由于数值不稳定性而失效 。

• 速度：谱方法的评估速度比单项式方法快几个数量级 。

结论： 这项工作证明，当现代大语言模型被嵌入到严密的搜索和自动化反馈框架中时，具有 uncover 多种策略来解决极端数学难题的巨大潜力，能有效加速科学发现进程 。