Cuộc tấn công của AI vào các tập hợp không chứa cấp số cộng: sổ cái ghi lại những điểm bế tắc

TL;DR. Một trợ lý AI đã giải quyết hai bài toán về các tập hợp không chứa cấp số cộng: một lập luận cho bài toán tổng nghịch đảo, và một cận tựa đa thức cho mọi độ dài cấp số cộng cố định. Nó sử dụng kết quả của Bloom và...

Điểm chính

Hai nhiệm vụ, và chỉ một trong số đó từng được tuyên bố. Tài liệu chia thành hai nhiệm vụ, và cần tách biệt rõ trạng thái của chúng.
Suy giảm mật độ không đồng nghĩa với tính khả tổng. Trở ngại đầu tiên xuất hiện ở cấp độ kiến trúc của lập luận, trước cả bất kỳ phân tích Fourier nào.
Giữ lại cấu trúc, và lý do trường hợp ba số hạng không thể tổng quát hóa. Một biện pháp khắc phục được đề xuất là duy trì cấu trúc xung quanh.
Căn chỉnh các tần số một lần thay vì nhiều lần. Việc căn chỉnh tuần tự các hàm tần số là nơi bài toán tích tụ gây thiệt hại nặng nề nhất.

Điều hữu ích nhất mà một chứng minh dang dở có thể cho bạn biết chính là vị trí cụ thể mà nó bị gãy đổ, và chứng minh này gãy đổ ở khoảng một tá điểm cụ thể.

Tóm tắt Điều hành

Công trình này gồm hai nhiệm vụ. Nhiệm vụ thứ nhất phát triển một lập luận cho bài toán tổng nghịch đảo. Nhiệm vụ thứ hai tìm kiếm một cận tựa đa thức cho mọi độ dài cấp số cộng cố định, và mục tiêu đó đã không đạt được.

Điểm xuất phát cơ sở là kết quả tổng nghịch đảo ba số hạng của Bloom và Sisask. Sự suy giảm mật độ mang tính định tính đơn thuần không cung cấp đủ tính khả tổng mà lập luận đòi hỏi.

Nhiều phương pháp đã được thử nghiệm: các tập hợp bao có cấu trúc, căn chỉnh tần số đồng thời, các bổ đề đếm thưa, làm trơn Croot-Sisask, nâng và lặp, góc, và entropy ở thang đo p = log M. Mỗi hướng đều gặp phải một rào cản được nêu rõ.

Phép tính cuối cùng bị bỏ dở, không có bổ đề thu hẹp hay nguyên lý đếm thưa.

Đối với các nhà sáng lập và trưởng nhóm kỹ thuật, bài học nằm ở phương pháp: một sổ cái liệt kê các thất bại có định danh là sản phẩm bàn giao đáng tin cậy hơn một bản phác thảo đầy tự tin.

Hai nhiệm vụ, và chỉ một trong số đó từng được tuyên bố #

Tài liệu chia thành hai nhiệm vụ, và cần tách biệt rõ trạng thái của chúng. Nhiệm vụ đầu tiên phát triển một lập luận cho bài toán tổng nghịch đảo. Nhiệm vụ thứ hai tìm kiếm một cận tựa đa thức cho mọi độ dài cấp số cộng cố định. Các động từ ở đây rất quan trọng. Nhiệm vụ đầu tiên được mô tả là phát triển một lập luận. Nhiệm vụ thứ hai chỉ là tìm kiếm một cận. Không có chi tiết nào trong hồ sơ nói rằng mục tiêu thứ hai đã đạt được, và tôi sẽ xem nó như một đích nhắm xuyên suốt bài viết.

Trợ lý AI không bắt đầu từ con số không. Nó sử dụng kết quả tổng nghịch đảo ba số hạng của Bloom và Sisask làm cơ sở. Mọi bước sau đó đều là nỗ lực vượt qua mốc cơ sở này, hoặc hướng tới các cấp số cộng dài hơn, hoặc hướng tới một khẳng định định lượng mạnh hơn. Ký hiệu được ấn định ngay từ đầu. Với mỗi k, r_k(N) là kích thước lớn nhất của một tập con của {1, ..., N} không chứa cấp số cộng k số hạng không tầm thường nào. Một tập hợp A có mật độ α = |A|/N là đối tượng nghiên cứu, và hàm chuẩn hóa là f = 1_A/α.

Sự chuẩn hóa đó dẫn dắt phần lớn những gì diễn ra tiếp theo. Định nghĩa μ = 1_A/α sao cho E[μ] = 1, và đặt M = α^-1. Khi đó độ thưa lôgarit là p = log(1/α), tương đương với log M. Tập hợp càng thưa thì M và p càng lớn. Mọi rào cản dưới đây, dưới hình thức này hay hình thức khác, đều là một phát biểu về những gì xảy ra khi độ thưa đó tăng lên.

Suy giảm mật độ không đồng nghĩa với tính khả tổng #

Trở ngại đầu tiên xuất hiện ở cấp độ kiến trúc của lập luận, trước cả bất kỳ phân tích Fourier nào. Hồ sơ nêu rõ rằng chỉ riêng sự suy giảm mật độ mang tính định tính thì không cung cấp được tính khả tổng này. Việc biết rằng mật độ co lại khi đi qua các thang đo là chưa đủ. Bài toán tổng nghịch đảo cần sự co lại đó phải được định lượng đủ tốt để có thể lấy tổng.

Một lối thoát đầy cám dỗ là sử dụng hệ thức truy hồi. Các ghi chú viết rằng một hệ thức truy hồi đủ mạnh cho các mật độ cực trị không chứa cấp số cộng có thể mang lại tính khả tổng qua các thang đo hàm mũ. Câu văn đó được viết rất dè dặt, và nó nên được giữ nguyên như vậy. Nó mô tả những gì một hệ thức truy hồi mạnh giả định có thể làm được, chứ không báo cáo rằng đã tìm ra một hệ thức như thế.

Một chi phí thứ hai tách biệt với chi phí thứ nhất. Trợ lý AI xác định sự tích tụ của nhiều tương quan yếu là một chi phí phát sinh thêm. Từng tương quan riêng lẻ có thể vô hại nhưng tổng của chúng thì không. Chủ đề này lặp đi lặp lại: một bước có chi phí thấp khi thực hiện một lần sẽ trở nên đắt đỏ khi phải lặp lại nhiều lần.

Giữ lại cấu trúc, và lý do trường hợp ba số hạng không thể tổng quát hóa #

Một biện pháp khắc phục được đề xuất là duy trì cấu trúc xung quanh. Trợ lý AI đề xuất giữ lại các tập hợp bao có cấu trúc qua các bước tăng liên tiếp. Ý tưởng, như được nêu một cách dè dặt trong tài liệu gốc, là bạn không nên vứt bỏ tập hợp có cấu trúc mà bạn đã tìm thấy ở một giai đoạn khi chuyển sang giai đoạn tiếp theo.

Trường hợp ba số hạng có một đặc tính mà các cấp số cộng dài hơn không có. Cơ chế tính dương hữu ích cho các cấp số cộng ba số hạng không mở rộng trực tiếp sang các phép đếm có gốc dài hơn. Đây là điểm đầu tiên trong số nhiều vị trí mà rào cản mang tính đặc thù đối với k lớn hơn ba. Một ghi chú sau đó cũng nêu cùng một quan điểm dưới góc độ tổng quát: các cấp số cộng dài hơn làm xuất hiện thêm các rào cản bậc cao hơn.

Hồ sơ có bao gồm một bản phác thảo tích ten-xơ về việc liệu các chuẩn đồng nhất cố định có thể kiểm soát được các hàm chuẩn hóa thưa hay không. Trợ lý AI không hoàn thành bản phác thảo này. Tôi thà báo cáo đúng như vậy còn hơn ngụ ý rằng câu hỏi đó đã được giải quyết theo chiều hướng nào.

Căn chỉnh các tần số một lần thay vì nhiều lần #

Việc căn chỉnh tuần tự các hàm tần số là nơi bài toán tích tụ gây thiệt hại nặng nề nhất. Nếu mỗi lần căn chỉnh tiêu tốn một chút, thì một chuỗi dài các lần căn chỉnh sẽ tiêu tốn rất nhiều. Trợ lý AI đề xuất căn chỉnh đồng thời nhiều hàm tần số, thay vì tích lũy tổn thất qua việc căn chỉnh tuần tự. Ghi chú bên lề nói thẳng: "Không có tổn thất lặp nếu căn chỉnh tất cả các tần số cùng một lúc." Giống như đề xuất mà nó tóm tắt, câu đó mang tính giả định dè dặt, bởi vì nó mô tả lợi ích mà việc căn chỉnh đồng thời sẽ mang lại nếu nó hoạt động.

Ghi chú sau đó nêu rõ điều vẫn còn thiếu. S_h sẽ cần phải khôi phục được từ các tần số có tương quan lớn, ít nhất là exp(-poly). Đó vẫn là một yêu cầu, chứ chưa phải là một kết quả. Các tương quan đang được sắp xếp là tương quan của các tích cặp f(x)f(x + h), với f = 1_A/α và α = |A|/N.

Ngay cả khi chấp nhận điều đó, trợ lý AI vẫn cần bảo toàn tương quan tương đối và hoàn tất lập luận đếm. Vì vậy, ý tưởng căn chỉnh đồng thời có một đặc tính hấp dẫn là không gây tổn thất lặp, đi kèm một danh sách những điều chưa ai kiểm chứng. Một hướng tiếp cận liên quan cũng có một giới hạn tương tự. Việc cắt bỏ các đỉnh kết hợp hiếm gặp hoạt động được cho các cụm tần số độc lập, nhưng việc mở rộng lập luận đó sang các cụm phụ thuộc vẫn chưa được giải quyết.

Những mảnh rỗng hiếm gặp và cái giá của việc lấp đầy thích ứng #

Khi lập luận chuyển từ việc ghi chép phía Fourier sang việc thực sự đếm các cấp số cộng, một vấn đề cấu trúc xuất hiện. Trợ lý AI xác định một rào cản: các cận trên của mật độ trên các mảnh có cấu trúc cho phép sự tồn tại của những mảnh rỗng hiếm gặp. Một cận trên về lượng phần tử của A nằm trong một mảnh không nói lên điều gì về việc liệu có bất kỳ phần tử nào của A nằm ở đó hay không. Một mảnh vừa hiếm vừa rỗng hoàn toàn có thể nằm bên trong một họ các mảnh mà tất cả đều thỏa mãn cận đó.

Một phản ứng là lấp đầy thích ứng (adaptive filling), và nó đi kèm với hóa đơn riêng của mình. Việc lấp đầy thích ứng đưa vào thêm các điều kiện khả thi mà trợ lý AI chưa chứng minh được. Một hàm trội (majorant) là cách tự nhiên để loại trừ các mảnh xấu hiếm gặp. Đoạn văn bản trích dẫn của trợ lý AI nói rằng một hàm trội trên tất cả các nguyên tử hiếm gặp nhiều khả năng là không thực tế. Nhận xét này có tính dè dặt, nhưng nó chỉ hướng tránh xa cách khắc phục trực tiếp nhất.

Đây là khuôn mẫu giải thích phần còn lại của hồ sơ. Một lập luận rẻ tiền cần một cận dưới ở đâu đó, nhưng các công cụ sẵn có lại chỉ cho các cận trên, và khoảng trống giữa chúng bị chiếm chỗ bởi những thứ hiếm, thưa và rỗng.

Mượn công cụ đếm thưa, và phát hiện ra phần đi mượn là chưa đủ #

Trợ lý AI đã tìm đến các tài liệu đếm thưa hiện có để tìm đường vượt qua. Hai nguồn tài liệu đã định hình nỗ lực này.

Về phương pháp làm đặc Conlon-Fox-Zhao, trợ lý AI nhận thấy rằng nó dựa trên các ước lượng dạng tuyến tính hai phía. Điều đó rất quan trọng vì bối cảnh ở đây có cấu trúc cận trên chứ không phải cấu trúc hai phía. Một phương pháp được xây dựng trên sự kiểm soát hai phía sẽ không thể sử dụng khi chỉ biết một phía.

Bổ đề đếm đồ thị thưa của Filmus, Hatami, Hosseini và Kelman đã cung cấp mô hình cho các mô-men lưới bất đối xứng và sự mất cân bằng nửa xác định dương. Vì vậy nó đóng vai trò như một khuôn mẫu, chứ không phải một định lý có thể áp dụng ngay. Dù vậy, khó khăn tương tự vẫn quay trở lại. Chỉ riêng các cận trên đã lặp đi lặp lại việc vấp phải các lỗ hổng thưa. Một chi tiết phức tạp hơn nữa khiến các mô-men lưới trở nên khó đọc: các mô-men lưới quy tâm lớn có thể phản ánh phần khối lượng bị thiếu hụt hơn là sự tập trung hướng lên. Một mô-men lớn trông giống như bằng chứng của sự tập trung, nhưng nó cũng có thể được tạo ra một cách tương đương bởi phần khối lượng không hề tồn tại ở đó. Sự nhập nhằng đó chính là bài toán lỗ hổng thưa khi nhìn từ phía mô-men.

Tiếp theo, trợ lý AI xem xét các tổn thất lũy thừa nhỏ theo M. Nó đã không thu được định lý đếm phù hợp nào. Đó là một kết quả phủ định rõ ràng, và nó thu hẹp phạm vi tìm kiếm: ngay cả khi cho phép lập luận chịu mất một lũy thừa nhỏ của M, vẫn không tìm thấy định lý đếm phù hợp nào.

Làm trơn quá đắt đỏ để áp dụng #

Làm trơn Croot-Sisask là một lộ trình tiêu chuẩn để chính quy hóa một tập hợp trước khi đếm. Trợ lý AI đã xem xét nó và nhận thấy độ chính xác cần thiết là quá tốn kém trong ứng dụng được đề xuất. Phương pháp này không sai, nhưng cái giá của nó vượt quá khả năng chi trả của lập luận.

Cùng một quy luật kinh tế đó chi phối các lộ trình khác. Đối với các lập luận thớ (fibre arguments), các cận trên thớ không tự động nhân với nhau, và các mặt cầu chuẩn hằng đã cản trở sự suy giảm mạnh hằng mong đợi trên các bảng chữ cái chữ số cố định. Một cấu trúc tích thường gợi ý rằng các cận trên từng mảnh sẽ kết hợp lại thành một cận trên toàn bộ, nhưng ở đây chúng đã không làm được như vậy. Nỗ lực nâng và lặp vẫn làm thất thoát quá nhiều về mặt định lượng.

Phương pháp đối ngẫu xấp xỉ của Ben-Sasson và Ron-Zewi được xem xét tiếp theo. Trợ lý AI nhận thấy phép lặp dự kiến làm mất mát quá nhiều về mặt định lượng. Đây là phán quyết giống hệt như nỗ lực nâng, nhưng đạt tới từ một hướng khác, điều này gợi ý rằng rắc rối nằm ở chính bản thân phép lặp chứ không phải ở bất kỳ một cách xây dựng đơn lẻ nào. Tôi sẽ giữ điều đó như một quan sát về khuôn mẫu chung, chứ không phải một chẩn đoán đã được chứng minh.

Một dòng lạc quan, và phép số học đã làm sụp đổ nó #

Hồ sơ có chứa một khoảnh khắc tưởng chừng như đã đạt được bước tiến. Đoạn văn bản trích dẫn của trợ lý AI khẳng định rằng các biến thiên bậc của tích được xử lý với độ chính xác đa thức, có cả dấu chấm than đi kèm. Đó là một khẳng định có tính dè dặt, được trích dẫn nguyên văn như trợ lý AI đã viết.

Sau đó, trợ lý AI nhận ra vấn đề của khẳng định này. Các khai triển có dấu có thể mang khối lượng tuyệt đối cỡ 2^p, áp đảo hoàn toàn độ chính xác đa thức. Hãy nhớ rằng p = log M. Độ chính xác đa thức theo M là một mục tiêu khiêm tốn, trong khi một khai triển có dấu với khối lượng cỡ 2^p lại lớn hơn theo hàm mũ. Độ chính xác đó là có thật, nhưng sự triệt tiêu mà nó dựa vào không thể hấp thụ nổi lượng khối lượng lớn đến vậy.

Tôi thấy đây là mục mang tính giáo dục cao nhất trong sổ cái, bởi vì nó cho thấy cơ chế tự kiểm tra đang hoạt động. Một tuyên bố được đưa ra kèm dấu chấm than đã được mở lại để xem xét, và phép số học mà nó phụ thuộc vào bị phát hiện là thiếu hụt. Đó chính là diện mạo của một hồ sơ làm việc trung thực. Sự phấn khích và sự hiệu chỉnh cùng nằm chung trong một tài liệu.

Các góc và hình hộp không tự lắp ghép thành các cấp số cộng dài hơn #

Một chiến lược khác là sử dụng một kết quả đã biết mạnh hơn làm bàn đạp. Cận tựa đa thức cho các góc (corners) là công cụ có liên quan, nhưng các góc thu được không tự động lắp ghép thành các cấp số cộng dài hơn. Một góc là một mẫu hình hai chiều còn một cấp số cộng dài là một mẫu hình một chiều, và bước chuyển giữa chúng không hề tự động.

Phép đếm hộp bốn số hạng cũng đặt ra một khó khăn tương tự. Tính dương của phép đếm hộp bốn số hạng không kiểm soát được đường chéo ngoại lệ của nó. Một kết quả đếm dương vẫn có thể bị chi phối bởi các cấu hình suy biến, và đường chéo chính là nơi các cấu hình đó cư trú.

Các ghi chú có đưa ra một hướng đi khả dĩ về phía trước, được diễn đạt hết sức thận trọng. Các chuẩn hộp đầy đủ cung cấp một cơ chế khả dĩ cho câu hỏi liệu chỉ riêng các phép đếm cận trên có thể ép buộc các phép đếm cấp số cộng cận dưới hay không. Câu hỏi đó, liệu thông tin một phía có thể ép buộc một cận dưới hay không, chính là câu hỏi mà toàn bộ dự án cứ xoay quanh mãi. Tuy nhiên, có một giới hạn cho việc mở rộng hướng này. Các đóng góp bậc ba âm đã cản trở việc mở rộng trực tiếp sang các hệ thống cấp số cộng.

Chuyển sang entropy ở thang đo p = log M #

Khi các lộ trình đếm trực tiếp bị chặn lại, cuộc khảo sát chuyển hướng sang entropy ở thang đo p = log M, dựa trên cách Kelley-Meka sử dụng các mô-men bậc cao. Việc lựa chọn thang đo này không phải là ngẫu nhiên: p = log M chính xác là độ thưa lôgarit đã được định nghĩa ngay từ đầu.

Đoạn văn bản trích dẫn của trợ lý AI đề xuất sử dụng entropy thay cho L2 nhờ tính không âm và tính phân ly tần số (Chang). Đó là một đề xuất, không phải một kết quả. Lý luận ở đây là μ = 1_A/α không âm, và tính phân ly của Chang mang lại cấu trúc ở phía tần số, do đó entropy có thể thực hiện công việc mà một đại lượng L2 không làm được.

Để điều này hoạt động, trợ lý AI cần một đầu vào giải tích cụ thể. Trợ lý AI đã tìm kiếm một ước lượng thu hẹp Fourier ||g_hat||_q = O(1) cho hàm g bị chặn và q > 2 cố định, dưới các cận trên cục bộ phù hợp. Đây là một mục tiêu nhắm tới, chứ chưa được thiết lập.

Trở ngại xuất hiện ở bước tiếp theo. Việc trích xuất cấu trúc từ các mô-men bậc cao đã làm thất thoát quá nhiều khối lượng. Các mô-men bậc cao là nơi các lập luận kiểu Kelley-Meka có được sức mạnh, nhưng ở đây chúng cũng chính là nơi lập luận làm rơi rụng mất thứ mà nó cần giữ lại.

Phép tính tiến gần đích nhất #

Phép tính cuối cùng xứng đáng có một cái nhìn riêng, bởi vì nó chứa đựng cả một thành công lẫn một thất bại. Nó đạt tới một cận điểm đầu mút đầy đủ dưới các giả thuyết tích chập của mình. Đó là một kết quả thực sự, được phát biểu đúng như vậy, và mang theo điều kiện ràng buộc "dưới các giả thuyết tích chập của mình". Cận này đúng khi các giả thuyết đó được thỏa mãn.

Nhưng nó lại không vượt qua được ngưỡng số mũ bằng ba mà lập luận đếm được đề xuất cần đến. Đoạn trích của trợ lý AI ghi nhận một cận l3 yếu từ tích chập và nắp chặn (cap), đồng thời lưu ý rằng cần một số mũ tốt hơn thực sự (nhỏ hơn 3) để thực hiện nội suy. Nói một cách dễ hiểu, phép tính rơi đúng vào phía bên kia của ranh giới. Một cận ở số mũ bằng ba là chưa đủ, và phép nội suy cần một giá trị tốt hơn thực sự.

Rất dễ bị cám dỗ để đọc một kết quả suýt soát như thế này là "sắp tới đích rồi". Tôi sẽ cưỡng lại cách hiểu đó. Hồ sơ không nói rõ phép tính còn cách ngưỡng bao xa, và một khoảng cách dù chỉ là một số mũ vẫn có thể là toàn bộ bài toán. Điều mà hồ sơ thực sự nói là trợ lý AI đã để lại phép tính dang dở, mà chưa suy ra được bổ đề thu hẹp hay nguyên lý đếm thưa. Hai mảnh ghép còn thiếu đó là khoản nợ còn bỏ ngỏ của dự án.

Giá trị của cuốn sổ cái #

Sẽ rất dễ dàng nếu gạt bỏ công trình này như một nỗ lực thất bại. Tôi nghĩ làm vậy là đọc sai bằng chứng, vì một lý do có giá trị áp dụng vượt xa ngoài lý thuyết số.

Tài liệu này rất cụ thể. Nó gọi tên rào cản tại từng giao điểm: những mảnh rỗng hiếm gặp, khối lượng bị thiếu hụt trong các mô-men lưới, các ước lượng hai phía trong Conlon-Fox-Zhao, khối lượng có dấu tăng theo hàm mũ của p, đường chéo ngoại lệ của phép đếm hộp bốn số hạng, các đóng góp bậc ba âm. Nó phân biệt rõ một giới hạn đã được chứng minh với một cơ chế đang được kỳ vọng. Nó đánh dấu hệ thức truy hồi cho tính khả tổng là thứ có thể hoạt động, và nhiệm vụ thứ hai là thứ đang được tìm kiếm. Nó nói rõ những gì trợ lý AI chưa hoàn thành.

Đối với một nhà sáng lập hoặc trưởng nhóm kỹ thuật đang đánh giá nghiên cứu có sự hỗ trợ của AI, đó chính là điều cần tìm kiếm. Một hệ thống trả về một lập luận đầy tự tin và trông có vẻ hoàn chỉnh rất khó để kiểm toán. Ngược lại, một hệ thống trả về danh sách các thất bại được định danh rõ ràng, cùng với một thành công suýt soát được đánh dấu minh bạch là chưa vượt qua ngưỡng, có thể được kiểm toán từng dòng một. Ai đó có thể tiếp nhận bài toán số mũ bằng ba, hoặc bài toán cụm phụ thuộc, và biết chính xác điểm xuất phát đang ở đâu.

Ngoài ra còn có một khuôn mẫu đáng được nêu trực tiếp. Nhiều thất bại trong số này là thất bại do sự tích tụ: các tương quan yếu cộng dồn lại, các bước căn chỉnh tuần tự nhân lên, phép lặp làm mất mát quá nhiều, các cận trên thớ không thể nhân với nhau. Một biện pháp khắc phục được đề xuất đã nhắm thẳng vào điểm này, bằng cách căn chỉnh các tần số đồng thời để không phát sinh tổn thất lặp. Nó được trình bày dè dặt, và điều kiện tiên quyết của nó, khôi phục S_h từ các tần số có tương quan lớn, vẫn chưa được chứng minh. Dù vậy, đó vẫn là đề xuất trong hồ sơ phản hồi trực tiếp nhất cho lời phàn nàn thường gặp nhất.

Do đó, câu hỏi mở mà hồ sơ đặt ra là hẹp và có thể kiểm tra được. Liệu có thể thu được một cận tốt hơn thực sự so với số mũ bằng ba dưới các giả thuyết tích chập vốn đã cho cận điểm đầu mút hay không? Nếu có, phép nội suy sẽ có nguyên liệu để làm việc. Nếu không, lộ trình thu hẹp Fourier và nguyên lý đếm thưa, cả hai đều chưa được suy ra, sẽ là những nơi tiếp theo cần tìm kiếm.

Câu hỏi Thường gặp #

Hai bài toán toán học mà trợ lý AI đã khảo sát là gì?

Trợ lý AI đã làm việc trên hai nhiệm vụ có liên quan về các tập hợp không chứa cấp số cộng: phát triển một lập luận cho bài toán tổng nghịch đảo, và tìm kiếm một cận tựa đa thức cho mọi độ dài cấp số cộng cố định k. Mặc dù nó sử dụng kết quả tổng nghịch đảo ba số hạng của Bloom và Sisask làm cơ sở, cận tựa đa thức cho độ dài cấp số cộng tùy ý đã không đạt được.

Tại sao các cận trên của mật độ lại thất bại trong việc tạo ra bổ đề đếm cần thiết?

Các cận trên của mật độ trên các mảnh có cấu trúc cho phép sự tồn tại của những mảnh rỗng hiếm gặp, nghĩa là một cận trên về lượng phần tử của tập hợp A nằm bên trong một mảnh không đảm bảo rằng có bất kỳ phần tử nào của A thực sự nằm ở đó. Qua nhiều lần thử nghiệm, việc chỉ dùng các cận trên đã liên tục vấp phải các lỗ hổng thưa, và các mô-men lưới quy tâm lớn có thể phản ánh phần khối lượng bị thiếu hụt hơn là sự tập trung hướng lên.

Phép tính cuối cùng đã bị bế tắc ở đâu?

Phép tính cuối cùng đã đạt tới một cận điểm đầu mút đầy đủ dưới các giả thuyết tích chập được nêu, nhưng chỉ tạo ra một cận l3 yếu không vượt qua được ngưỡng số mũ nhỏ hơn ba thực sự vốn cần thiết cho phép nội suy. Trợ lý AI đã để lại phép tính dang dở mà chưa suy ra được bổ đề thu hẹp Fourier hay nguyên lý đếm thưa.

Tài liệu Tham khảo #

Thomas F. Bloom and Olof Sisask, (2020). Breaking the logarithmic barrier in Roth's theorem on arithmetic progressions ⧉. arXiv.
Zander Kelley and Raghu Meka, (2023). Strong Bounds for 3-Progressions ⧉. arXiv.
David Conlon, Jacob Fox, and Yufei Zhao, (2014). A relative Szemerédi theorem ⧉. Geometric and Functional Analysis.
Ernie Croot and Olof Sisask, (2010). A probabilistic technique for finding almost-periods of convolutions ⧉. Geometric and Functional Analysis.

Cập nhật lần cuối 2026-11-01.

Đăng lại bài này

Cuộc tấn công của AI vào các tập hợp không chứa cấp số cộng: sổ cái ghi lại những điểm bế tắc — Sebastien Rousseau

Một trợ lý AI đã giải quyết hai bài toán về các tập hợp không chứa cấp số cộng: một lập luận cho bài toán tổng nghịch đảo, và một cận tựa đa thức cho mọi độ dài cấp số cộng cố định. Nó sử dụng kết quả của Bloom và...

Bài viết này được cấp phép theo Creative Commons Attribution 4.0 International. Đăng lại yêu cầu ghi nguồn đến URL chính tắc.

Cuộc tấn công của AI vào các tập hợp không chứa cấp số cộng: sổ cái ghi lại những điểm bế tắc — Sebastien Rousseau

Một trợ lý AI đã giải quyết hai bài toán về các tập hợp không chứa cấp số cộng: một lập luận cho bài toán tổng nghịch đảo, và một cận tựa đa thức cho mọi độ dài cấp số cộng cố định. Nó sử dụng kết quả của Bloom và...

Originally published at https://sebastienrousseau.com/vi/2026-10-24-cuoc-tan-cong-ai-vao-tap/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER