การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด

ชุดผลลัพธ์ทางคณิตศาสตร์จากโมเดลภายในของ OpenAI ยุติคำถามเรื่องความแข็งแกร่งเชิงเส้นกำกับของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies โดยให้การปรับปรุงเลขชี้กำลังการบรรจุทรงกลมทั่วไปครั้งแรกนับแต่ปี 1978 พร้อมขอบเขตล่างที่ตรงกันพอดี

ชุดผลลัพธ์นี้คืออะไร และทำไมผลลัพธ์หนึ่งจึงโดดเด่น #

เอกสารเปิดตัวอย่างถ่อมตน มันนำเสนอชุดผลลัพธ์ที่ได้จากโมเดลภายในของ OpenAI และบอกว่าผลลัพธ์เหล่านั้นครอบคลุมคณิตศาสตร์และวิทยาการคอมพิวเตอร์เชิงทฤษฎี นี่คือคำอธิบายที่มาและขอบเขต ซึ่งไม่ได้บอกว่าใช้โมเดลอย่างไรหรือตรวจสอบผลลัพธ์ของมันอย่างไร คำถามเหล่านั้นสำคัญ และแหล่งข้อมูลที่สรุปไว้ในที่นี้ไม่ได้ตอบ บทความนี้จึงจะไม่ทำเป็นว่ารู้ สิ่งที่ข้อกล่าวอ้างรองรับคือรายการผลลัพธ์ที่ระบุไว้ และรายการนั้นยาวพอที่คำถามที่น่าสนใจไม่ใช่ว่ารายการใดรายการหนึ่งน่าประทับใจหรือไม่ แต่คือทำไมรายการหนึ่งจึงควรได้รับความสนใจมากที่สุด

เหตุผลคือ ผลลัพธ์การบรรจุทรงกลมเป็นผลลัพธ์เดียวในชุดที่ปิดช่องว่างเชิงปริมาณในโครงการที่มีประวัติยาวนานและมีชื่อเรียก ผลลัพธ์อื่นก็น่าทึ่งในตัวเอง กรุป nonsofic ที่สร้างได้อย่างชัดแจ้งตอบคำถามที่ค้างมานาน การหักล้างข้อคาดการณ์ของ Connes ยุติสิ่งที่นักคณิตศาสตร์ผู้มีชื่อเสียงคนหนึ่งเสนอไว้ แต่ผลลัพธ์การบรรจุทรงกลมอยู่ที่ปลายของห่วงโซ่ที่เริ่มจากกรอบงานเชิงวิเคราะห์แบบ Fourier ผ่านผลเฉลยที่แน่ชัดอันโด่งดังสองชิ้นในมิติเฉพาะ ไปจนถึงคำถามเกี่ยวกับมิติสูงที่เปิดค้างอยู่หลายปี การเข้าใจมันหมายถึงการเข้าใจห่วงโซ่นั้น

ดังนั้นเนื้อหาส่วนใหญ่ต่อจากนี้จึงว่าด้วยโปรแกรมเชิงเส้น Cohn-Elkies มันคืออะไร เคยรู้อะไรเกี่ยวกับมัน ทฤษฎีบทใหม่บอกอะไร และฝั่งความไม่แน่นอนของเครื่องหมายในข้อโต้แย้งถูกประกอบขึ้นอย่างไร จากนั้นส่วนที่สั้นกว่าจะสำรวจผลลัพธ์ที่เหลือในชุด แต่ละข้อตามที่ระบุไว้และไม่เกินกว่านั้น

โปรแกรม Cohn-Elkies และสิ่งที่มันจำกัดขอบเขต #

การบรรจุทรงกลมถามว่าลูกบอลที่ไม่ซ้อนทับกันเติมเต็มปริภูมิได้หนาแน่นเพียงใด เอกสารกำหนดสัญกรณ์สำหรับเรื่องนี้ไว้ สำหรับจุดศูนย์กลางที่ห่างกันอย่างน้อย 1 ∆d คือค่าสูงสุดน้อยสุดของความหนาแน่นบนของลูกบอลรัศมี 1/2 ใน Rd กล่าวอีกอย่างคือ ∆d แทนความหนาแน่นการบรรจุทรงกลมสูงสุดใน Rd ทุกอย่างในบทแรกของชุดผลลัพธ์วัดเทียบกับปริมาณนี้

โปรแกรม Cohn-Elkies ให้ขอบเขตบนของ ∆d ผลลัพธ์ที่เหมาะที่สุดของมันเขียนว่า LPd นิยามเป็นขอบเขตความหนาแน่นที่เหมาะที่สุดที่โปรแกรมให้ได้ กลไกคือขอบเขต Gorbachev–Cohn-Elkies ซึ่งกำหนดขอบเขตบนของความหนาแน่น vd f(0)/(2d f̂(0)) ให้กับ f ทุกตัวในคลาสที่เรียกว่า Ad พูดเป็นคำก็คือ คุณเลือกฟังก์ชันช่วย f จากคลาสที่ยอมรับได้ คำนวณค่าของมันที่จุดกำเนิดและค่าของการแปลง Fourier ของมันที่จุดกำเนิด สร้างอัตราส่วนนั้นพร้อมตัวประกอบด้านปริมาตรและการปรับมาตราส่วน แล้วผลที่ได้จะจำกัดความหนาแน่นการบรรจุจากด้านบน โปรแกรมเชิงเส้นค้นหา f ที่ทำให้ขอบเขตนี้เล็กที่สุดเท่าที่เป็นไปได้

นี่คือกรอบงานที่ความยากทั้งหมดอยู่ที่การเลือก f ให้ดี ฟังก์ชันที่เลือกอย่างชาญฉลาดให้ขอบเขตที่แน่น ส่วนฟังก์ชันที่เลือกได้ไม่ดีให้ขอบเขตที่หลวมแต่ยังใช้ได้ นี่คือเหตุผลที่ขอบเขตล่างที่ตรงกันในผลลัพธ์ใหม่สำคัญมาก มันพูดถึงฟังก์ชันที่ยอมรับได้ทุกตัวพร้อมกัน และเปลี่ยนการค้นหาฟังก์ชันที่ดีกว่าให้กลายเป็นคำถามที่ปิดแล้ว

สิ่งที่กรอบงานทำสำเร็จมาก่อนแล้ว #

ก่อนจะไปถึงทฤษฎีบทใหม่ ควรระบุให้ชัดว่ากรอบงานกำหนดการเชิงเส้นเชิงวิเคราะห์แบบ Fourier ได้ให้อะไรมาแล้วบ้าง เพราะผลลัพธ์ใหม่ส่วนหนึ่งเป็นข้อความว่ากรอบงานนี้ไปต่อได้อีกไกลเพียงใด

Viazovska ใช้กรอบงานนี้พิสูจน์ว่าแลตทิซ E8 ให้การบรรจุที่เหมาะที่สุดในมิติที่แปด จากนั้น Cohn, Kumar, Miller, Radchenko และ Viazovska ได้พิสูจน์ความเหมาะที่สุดของแลตทิซ Leech ในมิติที่ยี่สิบสี่ ผลลัพธ์เหล่านี้แน่ชัดในมิติเดี่ยว และเป็นเหตุที่กรอบงานนี้มีชื่อเสียงเกินกว่าบทบาทของเครื่องมือหาขอบเขต ในสองมิติเฉพาะ มันได้คำตอบที่แท้จริง

ภาพในมิติสูงคลุมเครือกว่า Cohn และ Zhao พิสูจน์ว่าโปรแกรมเชิงเส้นแข็งแกร่งอย่างน้อยเท่ากับขอบเขตรหัสทรงกลม Kabatianskii–Levenshtein เสมอ นี่เป็นหลักประกันที่มีประโยชน์ เพราะขอบเขต Kabatianskii–Levenshtein เป็นเลขชี้กำลังทั่วไปที่ดีที่สุดที่รู้จัก แต่คำว่า "แข็งแกร่งอย่างน้อยเท่ากัน" ยังเปิดสองความเป็นไปได้ไว้ โปรแกรมอาจเท่ากับเลขชี้กำลังนั้นพอดี หรืออาจเอาชนะมันได้ เอกสารระบุผลที่ตามมาโดยตรง คำถามว่าโปรแกรมเชิงเส้นปรับปรุงเลขชี้กำลังการบรรจุทรงกลมในมิติสูงแบบดั้งเดิมได้หรือไม่ยังคงเปิดอยู่

Afkhami-Jeddi, Cohn, Hartman, de Laat และ Tajdini ตั้งข้อคาดการณ์อัตราในมิติสูงของโปรแกรมเชิงเส้นไว้ ข้อคาดการณ์นั้นเป็นสิ่งที่ต้องระวัง และแหล่งข้อมูลก็ปฏิบัติต่อมันเช่นนั้น มันเป็นข้อคาดการณ์ที่มีหลักฐานเท่าที่ผู้เขียนมีรองรับ และยังไม่มีใครพิสูจน์ได้ ผลลัพธ์ใหม่เปลี่ยนสถานะของมัน

ทฤษฎีบทหลัก #

ทฤษฎีบทหลักของเอกสารพิสูจน์อัตราแบบเลขชี้กำลังที่คาดการณ์ไว้ในข้อคาดการณ์ 3.1 และ 3.2 ของบทความปี 2020 นั้น หากกล่าวในระดับที่ข้อกล่าวอ้างรองรับ ผู้เขียนระบุอัตราการลดลงแบบเลขชี้กำลังที่แน่ชัดของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies ในถ้อยคำของแหล่งข้อมูล ความแข็งแกร่งเชิงเส้นกำกับของโปรแกรมถูกระบุได้อย่างแน่ชัด

ผลที่ตามมาสองข้อเกิดจากแหล่งข้อมูลโดยตรง ข้อแรกคือขอบเขตการบรรจุทั่วไปที่ดีขึ้นในมิติสูง ข้อที่สองคือปัญหาความไม่แน่นอนของเครื่องหมาย Fourier ที่เกี่ยวข้องได้รับการยุติในเชิงเส้นกำกับ ทั้งสองเป็นผลที่ตามมาต่างชนิดกัน ข้อหนึ่งว่าด้วยเรขาคณิต อีกข้อว่าด้วยการวิเคราะห์ และการที่ทฤษฎีบทเดียวให้ทั้งสองอย่างคือสัญญาณแรกว่าปัญหาการบรรจุทรงกลมกับปัญหาความไม่แน่นอนเป็นสองด้านของโครงสร้างเดียวกัน

แหล่งข้อมูลยังวางความสำเร็จนี้เทียบกับประวัติศาสตร์ด้วย มันบรรยายผลลัพธ์นี้ว่าเป็นการปรับปรุงเลขชี้กำลังการบรรจุทรงกลมทั่วไปครั้งแรกนับแต่ปี 1978 เลขชี้กำลัง Kabatianskii–Levenshtein แบบดั้งเดิมคือ 0.59905576... และตัวเลขนั้นเป็นมาตรฐานเทียบมาตลอด เอกสารบันทึกว่าการขัดเกลาด้านรหัสทรงกลมในภายหลังปรับปรุงได้เพียงตัวประกอบอันดับต่ำ กล่าวอีกอย่างคือ สำหรับตัวเลขชี้กำลังเอง ซึ่งเป็นปริมาณอันดับนำ ไม่มีอะไรขยับเลย

ผมเห็นว่ากรอบการมองนี้ถูกต้องสำหรับการประเมินผลลัพธ์ การปรับปรุงอันดับต่ำปรับแต่งค่าคงที่และตัวประกอบพหุนาม ขณะที่ปล่อยอัตราแบบเลขชี้กำลังไว้ที่เดิม การปรับปรุงเลขชี้กำลังเปลี่ยนตัวอัตรา ข้อกล่าวอ้างรองรับความแตกต่างนี้พอดี และรองรับข้อความที่ว่าการขัดเกลาก่อนหน้าตกอยู่ในฝั่งอันดับต่ำของความแตกต่างนั้น

ทำไมขอบเขตล่างที่ตรงกันจึงเปลี่ยนตัวคำถาม #

การปรับปรุงขอบเขตบนเพียงอย่างเดียวก็ถือเป็นข่าวดีแล้ว สิ่งที่ทำให้ผลลัพธ์นี้เป็นที่สุดอย่างผิดปกติคือครึ่งหลัง ขอบเขตล่างที่ตรงกันแสดงว่าไม่มีฟังก์ชันช่วยของ Cohn-Elkies ใดปรับปรุงเลขชี้กำลังนี้ได้

ลองนึกว่าสิ่งนี้ทำอะไรกับโครงการวิจัย ก่อนผลลัพธ์นี้ นักวิจัยที่มีแนวคิดดีกว่าในการสร้างฟังก์ชันช่วยมีเส้นทางที่เป็นไปได้สู่เลขชี้กำลังการบรรจุทรงกลมที่ดียิ่งขึ้น หลังจากนั้น เส้นทางนั้นถูกปิดในระดับเลขชี้กำลัง ความก้าวหน้าใด ๆ เพิ่มเติมเรื่องเลขชี้กำลังต้องมาจากนอกกรอบงาน Cohn-Elkies เพราะภายในกรอบงานนั้นอัตราแน่ชัดแล้ว

ผมไม่อยากพูดเกินจริง ข้อกล่าวอ้างไม่ได้บอกว่าเลขชี้กำลังใหม่คือเลขชี้กำลังการบรรจุทรงกลมที่แท้จริง และไม่ได้บอกว่าการบรรจุทรงกลมเองทำได้ดีกว่านี้ไม่ได้ ข้อความนี้ว่าด้วยโปรแกรมเชิงเส้น เลขชี้กำลังของมันถูกตรึงแล้ว และเอาชนะไม่ได้ด้วยการเปลี่ยนฟังก์ชันช่วย ส่วนเทคนิคอื่นจะเอาชนะได้หรือไม่เป็นคำถามที่ข้อกล่าวอ้างไม่ได้แตะ นี่คือเส้นแบ่งที่ชัดเจน และเป็นเส้นแบ่งแบบที่บอกสาขาวิชาว่าควรมองหาที่ใดต่อไป

ยังมีการอ่านในเชิงธุรกิจด้วย สำหรับผู้อ่านที่ใส่ใจว่าความพยายามถูกใช้ไปที่ใด เพดานที่รู้แน่ชัดของวิธีการหนึ่งเป็นข้อมูลที่มีประโยชน์ มันบอกให้หยุดหาค่าเหมาะที่สุดภายในวิธีการนั้น สำหรับใครก็ตามที่จัดสรรเวลาวิจัย การเปลี่ยนจาก "สิ่งนี้อาจดีขึ้น" เป็น "สิ่งนี้ดีขึ้นไม่ได้" มีค่าพอ ๆ กับผลลัพธ์เชิงบวกขนาดย่อม

รหัสทรงกลมและรหัสไบนารี #

ชุดผลลัพธ์ไม่ได้หยุดที่การบรรจุ ขอบเขตบนแบบดั้งเดิมของรหัสไบนารีและรหัสทรงกลมที่มีระยะห่างคงที่ได้รับการปรับปรุงด้วยตัวประกอบแบบเลขชี้กำลังสำหรับทุกพารามิเตอร์ ประโยคนั้นมีตัวบ่งปริมาณที่หนักแน่น การปรับปรุงเป็นตัวประกอบแบบเลขชี้กำลัง และใช้ได้กับทุกพารามิเตอร์ ซึ่งกว้างกว่าการปรับปรุงในช่วงที่เอื้ออำนวย

ยังมีความเชื่อมโยงกลับไปที่บทที่ 1 การสร้างรหัสทรงกลมยังได้เลขชี้กำลังการบรรจุทรงกลมของบทที่ 1 กลับคืนมาด้วย ทั้งสองเส้นเรื่องจึงเชื่อมกัน การสร้างฝั่งรหัสให้เลขชี้กำลังฝั่งการบรรจุซ้ำอีกครั้ง ข้อกล่าวอ้างไม่ได้อธิบายกลไกของการได้คืนนั้น และผมจะไม่แต่งขึ้นมาเอง สิ่งที่ข้อกล่าวอ้างยืนยันคือความสัมพันธ์ดำเนินไปในทิศทางนี้ โดยการสร้างทรงกลมให้เลขชี้กำลังเดียวกับบทการบรรจุ

ควรทบทวนว่าทำไมความเชื่อมโยงนี้สำคัญเมื่อดูจากประวัติข้างต้น ขอบเขตรหัสทรงกลม Kabatianskii–Levenshtein เป็นจุดเปรียบเทียบของโปรแกรมเชิงเส้น และทฤษฎีบทของ Cohn และ Zhao บอกว่าโปรแกรมแข็งแกร่งอย่างน้อยเท่ากันเสมอ ผลลัพธ์ใหม่ปรับปรุงทั้งขอบเขตรหัสและขอบเขตการบรรจุ และทำเช่นนั้นจากการสร้างที่วนกลับมาที่เลขชี้กำลังการบรรจุ ทั้งสองฝั่งถูกขยับไปพร้อมกัน

ปัญหาความไม่แน่นอนของเครื่องหมาย #

ผลที่ตามมาข้อที่สองของทฤษฎีบทหลักว่าด้วยความไม่แน่นอนของเครื่องหมาย Fourier และเอกสารให้นิยามมากพอที่จะร่างรูปร่างของมัน

สำหรับฟังก์ชัน g นิยาม r(g) เป็นค่าต่ำสุดมากสุดของ R ≥ 0 ที่ทำให้ g(x) ≥ 0 สำหรับ |x| ≥ R พูดง่าย ๆ คือ r(g) คือรัศมีที่เลยออกไปแล้ว g ไม่เป็นลบทุกแห่ง เมื่อไม่มีรัศมีเช่นนั้น r(g) = ∞ ปัญหาความไม่แน่นอนถามว่ารัศมีนี้ทำให้เล็กได้เพียงใดสำหรับฟังก์ชันที่มีความสัมพันธ์ตามที่กำหนดกับการแปลง Fourier ของตัวเอง

ความสัมพันธ์นั้นคือเครื่องหมาย เงื่อนไข ĝ = ςg ผูกฟังก์ชันไว้กับการแปลง Fourier ของมันโดยต่างกันที่เครื่องหมาย เครื่องหมาย +1 และ −1 ให้ปัญหาความไม่แน่นอนแบบดั้งเดิมและแบบเติมเต็มตามลำดับ Cohn และ Gonçalves นำเสนอคู่เทียบแบบ anti-self-Fourier ซึ่งก็คือปัญหาแบบเติมเต็ม และเชื่อมมันกับการบรรจุทรงกลม ความเชื่อมโยงนั้นคือสะพานที่ผลลัพธ์การบรรจุทรงกลมใช้ยุติปัญหาความไม่แน่นอนในเชิงเส้นกำกับ

ปัญหาแบบเติมเต็มไม่ใช่เรื่องแปลกของการวิเคราะห์บริสุทธิ์ ใน spinless modular bootstrap สมมาตรแบบต่อต้าน S เชิงมอดุลาร์สร้างฟังก์ชันทดสอบแบบ anti-self-Fourier ซึ่งเครื่องหมายในท้ายที่สุดของมันควบคุม spectral gap แหล่งข้อมูลอ้าง Hartman, Mazáč และ Rastelli กับบทความของ Afkhami-Jeddi et al. สำหรับเรื่องนี้ ดังนั้นคำถามที่เริ่มต้นเป็นข้อความเกี่ยวกับฟังก์ชันและการแปลงของมันจึงปรากฏในบริบทที่มีชื่อฟังดูเป็นฟิสิกส์ด้วย นั่นคือ spectral gap ข้อกล่าวอ้างไม่ได้ไปไกลกว่ากลไกหนึ่งบรรทัดนั้น และผมก็จะไม่ไปไกลกว่า แต่มันเตือนว่าปัญหาความไม่แน่นอนมีเพื่อนร่วมทางนอกเรื่องการบรรจุทรงกลมด้วย

ภาคผนวก A เพิ่มการเปรียบเทียบระหว่างสองปัญหา มันสังเกตว่า A+(d) < A−(d) สำหรับทุก d นี่เป็นข้อความว่าสองปัญหาแตกต่างกันในทุกมิติ โดยปริมาณแรกเล็กกว่าปริมาณที่สองอย่างแท้จริง ข้อกล่าวอ้างไม่ได้ให้การตีความเพิ่มเติม และอสมการนี้น่าสังเกตเพียงเพราะมันเป็นจริงสำหรับทุก d โดยไม่มีข้อยกเว้น

ภายในข้อโต้แย้ง การเฉลี่ย การเป็นศูนย์ และการประมาณมวล #

เอกสารมีข้อความเชิงเทคนิคหลายข้อที่ให้ความรู้สึกว่าการวิเคราะห์ความไม่แน่นอนถูกสร้างขึ้นอย่างไร ข้อความเหล่านั้นเป็นเศษเสี้ยว และผมจะนำเสนอมันในฐานะเศษเสี้ยว แต่เมื่อรวมกันแล้วก็ร่างวิธีการหนึ่งขึ้นมา

เริ่มจากสมมาตร การเฉลี่ยตามการหมุนนิยามโดยใช้เมเชอร์ Haar ที่ทำให้เป็นบรรทัดฐานแล้วบน O(d) การเฉลี่ยฟังก์ชันตามการหมุนให้ฟังก์ชันเชิงรัศมี และจุดประสงค์ของการทำเช่นนั้นคือทำให้ปัญหาง่ายขึ้นโดยไม่ทำลายข้อจำกัด แหล่งข้อมูลบอกว่าการเฉลี่ยตามการหมุนรักษาเงื่อนไขเครื่องหมายทุกข้อในรายการข้อจำกัดของปัญหา ซึ่งติดป้ายว่า (2) และเสริมว่าถ้า ĝ = ςg แล้ว r(Rg) ≤ r(g) โดยที่ Rg คือค่าเฉลี่ยตามการหมุนของ g ดังนั้นการเฉลี่ยไม่เคยทำให้รัศมีเครื่องหมายแย่ลง นอกจากนี้ ในถ้อยคำของแหล่งข้อมูล Rg ≠ 0 เมื่อใดก็ตามที่ g ≠ 0 ไม่เป็นลบในท้ายที่สุด การเฉลี่ยจึงไม่ลบล้างฟังก์ชันที่มีพฤติกรรมเครื่องหมายถูกต้องที่ระยะไกล

ข้อเท็จจริงทั้งสามข้อรวมกันให้เหตุผลรองรับการลดรูปสู่ฟังก์ชันเชิงรัศมี การลดรูปนี้ไม่ต้องเสียอะไรในเรื่องรัศมี รักษาเงื่อนไขเครื่องหมาย และไม่ยุบฟังก์ชันให้เป็นศูนย์ นี่คือรูปแบบของข้อโต้แย้งด้านสมมาตรมาตรฐาน และข้อกล่าวอ้างยืนยันองค์ประกอบทุกส่วนของมัน

ถัดมาคือจุดกำเนิด ฟังก์ชัน g = h − ĥ เป็นศูนย์ที่จุดกำเนิด นี่เป็นข้อเท็จจริงเล็ก ๆ แบบที่ทำงานใหญ่ในบทพิสูจน์ เพราะขอบเขต Cohn-Elkies เกี่ยวข้องกับค่าที่จุดกำเนิดโดยตรง และฟังก์ชันที่เป็นศูนย์ที่นั่นมีพฤติกรรมต่างจากฟังก์ชันที่ไม่เป็นศูนย์ ขั้นตอนการแก้ไขที่เกี่ยวข้องก็ถูกบันทึกไว้ด้วย ฟังก์ชันที่แก้ไขแล้ว gn สอดคล้องกับ gn(0) = 0 และ gn → g ใน L1 นั่นคือลำดับของฟังก์ชันที่แก้ไขแล้ว ซึ่งแต่ละตัวเป็นศูนย์ที่จุดกำเนิด ลู่เข้าสู่ g ในความหมายของ L1 สิ่งนี้ทำให้ข้อโต้แย้งทำงานกับฟังก์ชันที่สอดคล้องกับเงื่อนไขที่จุดกำเนิดอย่างแน่ชัด ขณะยังประมาณเป้าหมายได้

จากนั้นมีข้อจำกัดเชิงปริมาณ การประมาณมวลบังคับให้ 1/a ≥ (1/π − o(1))√d ข้อกล่าวอ้างไม่ได้นิยาม a ผมจึงบอกไม่ได้ว่ามันวัดอะไร และจะไม่เดา สิ่งที่พูดได้คือรูปแบบของข้อสรุป ขอบเขตล่างของ 1/a ที่เติบโตเหมือนรากที่สองของมิติ โดยมีค่าคงที่ 1/π และการแก้ไขที่หายไป มาตราส่วนรากที่สองของมิติดูเป็นขนาดที่เป็นธรรมชาติสำหรับเรขาคณิตมิติสูง แต่นั่นเป็นข้อสังเกตของผมเรื่องรูปแบบของนิพจน์ และข้อกล่าวอ้างไม่ได้ยืนยันว่ามันเป็นกลไก

ภาพแบบ Mellin #

เครื่องมืออีกชิ้นหนึ่งปรากฏในเอกสาร และเป็นชิ้นที่อธิบายได้ชัดที่สุดว่าทำไมการวิเคราะห์ Fourier เชิงรัศมีจึงจัดการได้ในที่นี้ หลังการแปลง Mellin การแปลง Fourier เชิงรัศมีจะสะท้อนตัวแปร Mellin นี่เป็นข้อความกระชับว่าการแปลงหนึ่งทำงานอย่างไร การแปลง Fourier ของฟังก์ชันเชิงรัศมี ซึ่งปกติเป็นตัวดำเนินการปริพันธ์และให้เหตุผลโดยตรงได้ยาก กลายเป็นการสะท้อนในตัวแปร Mellin การสะท้อนเป็นตัวดำเนินการที่เรียบง่ายแทบที่สุดเท่าที่จะเป็นได้

ข้อความตอนเดียวกันบันทึกเงื่อนไขเชิงวิเคราะห์อีกด้านหนึ่งไว้ด้วย การลดลงแบบ Schwartz ของ g ให้การลดลงอย่างรวดเร็วของ Φg เมื่อ v → +∞ ในที่นี้ Φg คือวัตถุที่ได้จากการวิเคราะห์แบบ Mellin และ v คือตัวแปรของมัน การจับคู่นี้ให้บทเรียน คุณสมบัติการสะท้อนจัดการโครงสร้าง และการลดลงแบบ Schwartz จัดการการควบคุมที่อนันต์ บทพิสูจน์แนวนี้ต้องมีทั้งสองอย่าง เพราะโครงสร้างที่ไม่มีการลดลงทิ้งปริพันธ์ที่อาจไม่ลู่เข้า และการลดลงที่ไม่มีโครงสร้างไม่เหลืออะไรให้คำนวณ

เอกสารยังระบุว่า Sd คือพื้นที่ผิวของทรงกลมหนึ่งหน่วย ซึ่งเข้ามาเป็นตัวประกอบการทำให้เป็นบรรทัดฐานเมื่อแปลงปริพันธ์เชิงรัศมีระหว่างทรงกลมกับเส้นตรง นี่เป็นประเด็นด้านนิยาม และเป็นการทำบัญชีแบบที่กำหนดว่าค่าคงที่ในขอบเขตสุดท้ายจะออกมาถูกหรือไม่

ผมอยากพูดให้ชัดว่าเศษเสี้ยวเหล่านี้คืออะไร มันไม่ใช่บทพิสูจน์ ข้อกล่าวอ้างให้ข้อความ ไม่ได้ให้การพิสูจน์ทีละขั้น และผู้อ่านไม่ควรประกอบข้อโต้แย้งทั้งหมดขึ้นใหม่จากมัน สิ่งที่มันแสดงคือการวิเคราะห์ผสานการลดรูปด้วยสมมาตร เงื่อนไขที่จุดกำเนิด การประมาณมวลเชิงปริมาณ และการแปลงที่การกระทำของมันง่ายขึ้นหลังเปลี่ยนตัวแปร การผสมผสานนี้เป็นแบบแผนปกติของปัญหาสุดขีดเชิงวิเคราะห์แบบ Fourier ซึ่งทำให้ความแน่ชัดของผลลัพธ์สุดท้ายยิ่งน่าสังเกตขึ้นไม่ใช่ลดลง เครื่องมือที่ดูธรรมดาก็เพียงพอที่จะไปถึงคำตอบที่คม

ส่วนที่เหลือของชุดผลลัพธ์ #

บทการบรรจุทรงกลมเป็นเพียงส่วนหนึ่งของเอกสาร และผลลัพธ์ที่เหลือก็สมควรได้รับการบอกเล่าอย่างเป็นธรรม แต่ละข้อระบุไว้ที่นี่ตรงตามที่ข้อกล่าวอ้างให้มา

ในทฤษฎีกรุป มีการสร้างกรุป nonsofic อย่างชัดแจ้ง ซึ่งตอบคำถามที่ค้างมานานว่ากรุปนับได้ทุกกรุปเป็น sofic หรือไม่ บทพิสูจน์ผสานงานของ Kun และ Kun–Thom เข้ากับข้อโต้แย้ง expander-matching เชิงคอมบินาทอริกส์ ซึ่งทำให้เป็นจริงโดยใช้พีชคณิต Leavitt แบบไบนารีและกรุป V ของ Thompson คำว่า "ชัดแจ้ง" มีน้ำหนักในที่นี้ ผลลัพธ์เป็นการสร้าง ไม่ใช่ข้อโต้แย้งเรื่องการมีอยู่

ในพีชคณิตตัวดำเนินการ มีการสร้างกรุปจำนวนอนันต์ที่ไม่สมสัณฐานกันเป็นคู่และมี property (T) โดยมีพีชคณิต von Neumann ของกรุปเหมือนกัน สิ่งนี้หักล้างข้อคาดการณ์ของ Connes และตอบคำถาม finite-to-one ที่เกี่ยวข้องของ Popa คำถามที่มีชื่อเรียกสองข้อถูกยุติด้วยการสร้างเพียงครั้งเดียว

ในความซับซ้อนเชิงเลขคณิต เอกสารให้ขอบเขตล่างสำหรับ permanent วงจรแบบ division-free ต้องใช้เกต Ω(n² log log n) ขณะที่สูตรต้องใช้ใบ Ω(n⁴ / log n) นี่คือขอบเขตสองข้อสำหรับแบบจำลองการคำนวณสองแบบ และเอกสารระบุไว้เคียงกัน

ในสารสนเทศควอนตัม มีการพิสูจน์การทำซ้ำแบบขนานเชิงเลขชี้กำลังสำหรับเกม entangled แบบสองผู้เล่นที่จำกัดทุกเกม แหล่งข้อมูลบอกว่าสิ่งนี้ขยายหลักการทำซ้ำแบบดั้งเดิมให้เลยคลาสพิเศษของเกมควอนตัมที่เคยศึกษามาก่อน ตัวบ่งปริมาณโดดเด่นอีกครั้ง เกม entangled แบบสองผู้เล่นที่จำกัดทุกเกม โดยไม่จำกัดเฉพาะคลาสพิเศษ

ในความยากของการประมาณค่า การลดรูปโดยตรงจาก 3SAT ให้ความยากระดับตัวประกอบ n^(1/400) สำหรับ Euclidean closest vector problem พร้อมผลที่เกี่ยวข้องต่อการถอดรหัสไบนารีและนอร์มแลตทิซอื่น เลขชี้กำลัง 1/400 มีค่าน้อย และผมขอรายงานตามที่เขียนไว้แทนที่จะแต่งให้ดูดี ข้อกล่าวอ้างเรียกการลดรูปนี้ว่าโดยตรง และแนบผลที่ตามมาต่อการถอดรหัสไบนารีและนอร์มอื่นไว้

ในเรขาคณิตนูน มีการพิสูจน์ขอบเขตบนของปริมาตรที่คม (n + 1)^n / n! ในทุกมิติ สำหรับวัตถุนูนที่จุดเซนทรอยด์เป็นจุดแลตทิซภายในเพียงจุดเดียวของมัน ทั้งความคมและความทั่วไปในทุกมิติเป็นส่วนหนึ่งของข้อกล่าวอ้าง

ในทฤษฎี Ramsey ขอบเขตล่างแบบ superexponential ใหม่แสดงว่า Rk(3) เติบโตแบบ k^Θ(k) และในทฤษฎีกราฟเชิงสุดขีด การสร้างกราฟสองส่วนแยกกันหักล้างข้อคาดการณ์สองข้อ ได้แก่ข้อคาดการณ์ compactness ของ Erdős และ Simonovits และข้อคาดการณ์ degeneracy ข้อหนึ่งของ Erdős

การอ่านชุดผลลัพธ์ทั้งหมด #

การมองรายการนี้เป็นตู้โชว์ถ้วยรางวัลนั้นง่าย จึงควรบอกว่าสรุปอะไรได้และอะไรไม่ได้

สิ่งที่พูดได้คือ เอกสารรายงานผลลัพธ์อย่างน้อยแปดสาขา หลายข้อถูกบรรยายว่าตอบหรือหักล้างข้อคาดการณ์ที่มีชื่อเรียก และบทการบรรจุทรงกลมมาพร้อมขอบเขตล่างที่ตรงกันซึ่งทำให้ผลลัพธ์เป็นที่สุดภายในกรอบงานของมัน ข้อคาดการณ์ที่เกี่ยวข้องมีชื่อของ Connes, Popa, Erdős และ Simonovits และอัตราการบรรจุทรงกลมถูกคาดการณ์โดย Afkhami-Jeddi, Cohn, Hartman, de Laat และ Tajdini ผลลัพธ์ที่ยุติคำถามที่มีชื่อเรียกประเมินได้ง่าย เพราะคำถามถูกตั้งไว้ก่อนที่คำตอบจะมีอยู่

สิ่งที่พูดไม่ได้จากข้อกล่าวอ้างเหล่านี้เพียงอย่างเดียวคือเรื่องว่าโมเดลทำงานอย่างไร ต้องพยายามกี่ครั้ง ผลลัพธ์ถูกตรวจสอบอย่างไร หรือเทียบกับความพยายามของมนุษย์อย่างไร แหล่งข้อมูลบอกว่าผลลัพธ์ได้จากโมเดลภายในของ OpenAI และข้อกล่าวอ้างหยุดอยู่แค่นั้น ผู้อ่านที่ต้องการชั่งน้ำหนักความสำคัญของชุดผลลัพธ์นี้ในฐานะหลักฐานเกี่ยวกับคณิตศาสตร์โดยเครื่องต้องการข้อมูลที่ข้อกล่าวอ้างไม่มี ผมจะต้านแรงยั่วยุที่จะเติมช่องว่างนั้นด้วยเรื่องเล่าที่ฟังดูน่าเชื่อ

ถึงอย่างนั้นก็ยังมีจุดยืนที่ควรถือ ผลลัพธ์หลากหลายในเชิงเทคนิค กรุป nonsofic ใช้พีชคณิต Leavitt แบบไบนารีและกรุป V ของ Thompson ผลลัพธ์การบรรจุทรงกลมใช้การวิเคราะห์ Fourier และการแปลง Mellin และความยากของ closest vector ใช้การลดรูปจาก 3SAT ชุดผลลัพธ์ที่ครอบคลุมพื้นที่เทคนิคกว้างเพียงนั้นไม่ใช่ผลของกลเม็ดเดียวที่ใช้ซ้ำ ๆ ไม่ว่าอะไรเป็นผู้สร้างผลลัพธ์เหล่านี้ มันทำงานในภาษาถิ่นทางคณิตศาสตร์หลายภาษา และข้อกล่าวอ้างรองรับอย่างน้อยเท่านั้น

ความหมายต่อแต่ละภาคส่วน #

การระบุอัตราการลดลง Cohn-Elkies ในมิติสูงได้อย่างแน่ชัด และผลลัพธ์ทางคณิตศาสตร์ที่มาด้วยกัน ส่งผลต่อสาขาเชิงทฤษฎีและการคำนวณประยุกต์หลายสาขา

คณิตศาสตร์บริสุทธิ์และเรขาคณิตไม่ต่อเนื่อง #

สำหรับนักคณิตศาสตร์ที่ทำงานด้านเรขาคณิตมิติสูงและการวิเคราะห์ฮาร์มอนิก การระบุอัตราการลดลง Cohn-Elkies ที่แน่ชัดเปลี่ยนภูมิทัศน์การวิจัย เนื่องจากขอบเขตล่างที่ตรงกันพิสูจน์ว่าไม่มีฟังก์ชันช่วยใดใน $\mathcal{A}_d$ เอาชนะเลขชี้กำลังใหม่ได้ นักวิจัยจึงหยุดค้นหาฟังก์ชันทดสอบเชิงรัศมีที่ดีกว่าภายในกรอบงานกำหนดการเชิงเส้นแบบดั้งเดิมได้ ความก้าวหน้าสู่การบรรจุทรงกลมที่หนาแน่นขึ้นหรือขอบเขตสากลที่แน่นขึ้นต้องสำรวจเทคนิคกำหนดการไม่เชิงเส้น ลำดับชั้น semidefinite อันดับสูง หรือการสร้างทางเรขาคณิตที่ต่างออกไปโดยสิ้นเชิง

วิทยาการรหัสลับและความปลอดภัยแบบแลตทิซ #

วิทยาการรหัสลับแบบแลตทิซ ซึ่งเป็นแกนของมาตรฐานหลังควอนตัมอย่าง ML-KEM และ ML-DSA พึ่งพาความยากที่คาดการณ์ไว้ของการหาเวกเตอร์ที่สั้นที่สุดหรือใกล้ที่สุดในแลตทิซ Euclidean มิติสูงเป็นอย่างมาก การลดรูปโดยตรงจาก 3SAT ที่สร้างความยากระดับตัวประกอบ $n^{1/400}$ สำหรับ Euclidean Closest Vector Problem (CVP) เมื่อรวมกับเพดานแบบเลขชี้กำลังที่แน่นขึ้นของการบรรจุทรงกลมและรหัสทรงกลม ช่วยเสริมรากฐานเชิงทฤษฎีของการลดรูปแลตทิซแบบ worst-case-to-average-case โดยไม่ทำให้พารามิเตอร์ความปลอดภัยที่ใช้จริงอ่อนลง

การพิสูจน์ทฤษฎีบทอัตโนมัติและโมเดลพื้นฐาน #

สำหรับทีมวิจัยที่พัฒนาระบบการให้เหตุผลและเครื่องพิสูจน์ทฤษฎีบทอัตโนมัติ ความกว้างและความลึกเชิงเทคนิคของชุดผลลัพธ์นี้เป็นมาตรฐานเทียบที่โดดเด่น แทนที่จะสร้างรูปแปรสังเคราะห์ของบทพิสูจน์ที่รู้กันอยู่ โมเดลภายในได้รับมือกับปัญหาเปิดที่ครอบคลุมทฤษฎีกรุป (การสร้างกรุป nonsofic อย่างชัดแจ้งผ่านกรุป V ของ Thompson) พีชคณิตตัวดำเนินการ (การหักล้างข้อคาดการณ์ของ Connes) และความซับซ้อนเชิงเลขคณิต (ขอบเขตล่างของ permanent) สิ่งนี้แสดงว่าสถาปัตยกรรมประสาทสามารถรับมือกับการวิเคราะห์ Fourier เชิงลึกและ matching เชิงคอมบินาทอริกส์ได้ ตราบใดที่การตรวจสอบและการตรวจบทพิสูจน์ยังเข้มงวด

บทสรุป #

การระบุอัตราการลดลงที่แน่ชัดของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies ปิดบทสำคัญบทหนึ่งของการวิเคราะห์เชิงเรขาคณิต ด้วยการพิสูจน์ข้อคาดการณ์ปี 2020 ของ Afkhami-Jeddi, Cohn, Hartman, de Laat และ Tajdini และการสร้างการปรับปรุงเลขชี้กำลังการบรรจุทรงกลมทั่วไปครั้งแรกนับแต่ปี 1978 งานนี้วางเส้นฐานทางคณิตศาสตร์ที่ไม่สั่นคลอน เมื่อขอบเขตล่างที่ตรงกันยืนยันว่าไม่มีฟังก์ชันช่วยของ Cohn-Elkies ใดให้ผลได้แบบเลขชี้กำลังเพิ่มเติม ทฤษฎีบทนี้จึงทั้งยุติคำถามเรื่องความแข็งแกร่งเชิงเส้นกำกับของโปรแกรมเชิงเส้น และชี้อนาคตของเรขาคณิตมิติสูงไปสู่ขอบฟ้าเชิงวิเคราะห์ที่ใหม่โดยพื้นฐาน

คำถามที่พบบ่อย #

ขอบเขต Kabatianskii–Levenshtein มีความสำคัญอย่างไร

ขอบเขต Kabatianskii–Levenshtein ที่สร้างขึ้นในปี 1978 ให้เลขชี้กำลังของขอบเขตบนเชิงเส้นกำกับ 0.59905576... สำหรับความหนาแน่นการบรรจุทรงกลมในมิติสูง ตลอดกว่าสี่ทศวรรษ การขัดเกลาในภายหลังปรับปรุงได้เพียงตัวประกอบเชิงพีชคณิตอันดับต่ำ และอัตราแบบเลขชี้กำลังอันดับนำไม่ถูกแตะต้องจนถึงผลลัพธ์นี้

ทำไมขอบเขตล่างที่ตรงกันจึงสำคัญยิ่ง

ขอบเขตบนเพียงอย่างเดียวแสดงสิ่งที่โปรแกรมเชิงเส้นทำได้ แต่ขอบเขตล่างที่ตรงกันพิสูจน์ว่าไม่มีการเลือกฟังก์ชันช่วย f ในคลาสที่ยอมรับได้ของ Cohn-Elkies A(d) ใดที่ให้เลขชี้กำลังเล็กกว่านี้ได้ สิ่งนี้สร้างเพดานสัมบูรณ์บนกรอบงานกำหนดการเชิงเส้นเอง

ปัญหาความไม่แน่นอนของเครื่องหมาย Fourier เกี่ยวข้องกับการบรรจุทรงกลมอย่างไร

Cohn และ Gonçalves แสดงว่าปัญหาความไม่แน่นอนของเครื่องหมาย Fourier แบบเติมเต็ม (ซึ่ง g_hat = -g) ผูกพันอย่างใกล้ชิดกับขอบเขตการบรรจุทรงกลม ผ่านการเฉลี่ยตามการหมุนและการสะท้อนแบบการแปลง Mellin ผลเฉลยเชิงเส้นกำกับของโปรแกรม Cohn-Elkies ยุติปัญหาความไม่แน่นอนของเครื่องหมาย Fourier โดยตรง

ผลลัพธ์นี้บั่นทอนวิทยาการรหัสลับแบบแลตทิซหรือไม่

ไม่ แม้ทฤษฎีบทนี้จะทำให้ขอบเขตบนของความหนาแน่นที่ทรงกลมบรรจุได้ในมิติสูงคมขึ้น และสร้างความยากระดับตัวประกอบ $n^{1/400}$ สำหรับ Closest Vector Problem แต่มันไม่ได้ให้อัลกอริทึมลดรูปแลตทิซในเวลาพหุนาม ระบบรหัสลับแบบแลตทิซที่ใช้จริงยังคงปลอดภัยจากการโจมตีทั้งแบบควอนตัมและแบบดั้งเดิมที่รู้จัก

เอกสารอ้างอิง #

• Nima Afkhami-Jeddi et al., (2020). การบรรจุทรงกลมในมิติสูงกับ modular bootstrap ⧉. Journal of High Energy Physics.
• Henry Cohn and Noam Elkies, (2003). ขอบเขตบนใหม่ของการบรรจุทรงกลม I ⧉. Annals of Mathematics.
• Henry Cohn and Felipe Gonçalves, (2019). หลักความไม่แน่นอนที่เหมาะที่สุดในการวิเคราะห์ Fourier ⧉. PNAS.
• Henry Cohn and Yufei Zhao, (2014). ขอบเขตการบรรจุทรงกลมผ่านรหัสทรงกลม ⧉. Duke Mathematical Journal.
• G. A. Kabatianskii and V. I. Levenshtein, (1978). ขอบเขตของการบรรจุบนทรงกลมและในปริภูมิ ⧉. Problems of Information Transmission.
• Maryna S. Viazovska, (2017). ปัญหาการบรรจุทรงกลมในมิติที่ 8 ⧉. Annals of Mathematics.

ทบทวนล่าสุด 2026-10-05.

ทบทวนล่าสุด 2026-10-27.

# การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/](https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/)

โมเดลภายในของ OpenAI ระบุอัตราการลดลงที่แน่ชัดของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies เป็นการปรับปรุงเลขชี้กำลังทั่วไปครั้งแรกนับแต่ปี 1978 พร้อมขอบเขตล่างที่ตรงกัน

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/

การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau

โมเดลภายในของ OpenAI ระบุอัตราการลดลงที่แน่ชัดของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies เป็นการปรับปรุงเลขชี้กำลังทั่วไปครั้งแรกนับแต่ปี 1978 พร้อมขอบเขตล่างที่ตรงกัน

https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/

การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau

โมเดลภายในของ OpenAI ระบุอัตราการลดลงที่แน่ชัดของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies เป็นการปรับปรุงเลขชี้กำลังทั่วไปครั้งแรกนับแต่ปี 1978 พร้อมขอบเขตล่างที่ตรงกัน.

นี่คือประเด็นเชิงกลยุทธ์ที่สำคัญ:

- ชุดผลลัพธ์นี้คืออะไร และทำไมผลลัพธ์หนึ่งจึงโดดเด่น. เอกสารเปิดตัวอย่างถ่อมตน มันนำเสนอชุดผลลัพธ์ที่ได้จากโมเดลภายในของ OpenAI และบอกว่าผลลัพธ์เหล่านั้นครอบคลุมคณิตศาสตร์และวิทยาการคอมพิวเตอร์เชิงทฤษฎี นี่คือคำอธิบายที่มาและขอบเขต…
- โปรแกรม Cohn-Elkies และสิ่งที่มันจำกัดขอบเขต. การบรรจุทรงกลมถามว่าลูกบอลที่ไม่ซ้อนทับกันเติมเต็มปริภูมิได้หนาแน่นเพียงใด เอกสารกำหนดสัญกรณ์สำหรับเรื่องนี้ไว้ สำหรับจุดศูนย์กลางที่ห่างกันอย่างน้อย 1 ∆d คือค่าสูงสุดน้อยสุดของความหนาแน่นบนของลูกบอลรัศมี 1/2 ใน Rd…
- สิ่งที่กรอบงานทำสำเร็จมาก่อนแล้ว. ก่อนจะไปถึงทฤษฎีบทใหม่ ควรระบุให้ชัดว่ากรอบงานกำหนดการเชิงเส้นเชิงวิเคราะห์แบบ Fourier ได้ให้อะไรมาแล้วบ้าง เพราะผลลัพธ์ใหม่ส่วนหนึ่งเป็นข้อความว่ากรอบงานนี้ไปต่อได้อีกไกลเพียงใด.
- ทฤษฎีบทหลัก. ทฤษฎีบทหลักของเอกสารพิสูจน์อัตราแบบเลขชี้กำลังที่คาดการณ์ไว้ในข้อคาดการณ์ 3.1 และ 3.2 ของบทความปี 2020 นั้น หากกล่าวในระดับที่ข้อกล่าวอ้างรองรับ…

แนวทางขององค์กรของคุณในการรับมือกับความท้าทายที่ระบุไว้ในบทความนี้คืออะไร?

→ https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/

#โมเดลภายในOpenai #CohnElkies #การบรรจุทรงกลม #โปรแกรมเชิงเส้น #อัตราการลดลง

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026การบรรจ,
  author  = {Rousseau, Sebastien},
  title   = {{การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/
ER  -

Rousseau S. การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 5. Available from: https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/

Rousseau, Sebastien. "การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau." sebastienrousseau.com. October 5, 2026. https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/.

Rousseau, S. (2026, October 5). การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/

การบรรจุทรงกลม Cohn-Elkies: โมเดลภายใน OpenAI ระบุอัตราการลดลงแน่ชัด — Sebastien Rousseau

โมเดลภายในของ OpenAI ระบุอัตราการลดลงที่แน่ชัดของโปรแกรมเชิงเส้นการบรรจุทรงกลม Cohn-Elkies เป็นการปรับปรุงเลขชี้กำลังทั่วไปครั้งแรกนับแต่ปี 1978 พร้อมขอบเขตล่างที่ตรงกัน

Originally published at https://sebastienrousseau.com/th/2026-10-05-kanbanchu-songklom-cohn-elkies-model-phainai/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER