Cuando dos partículas chocan y se separan, los físicos registran el resultado como una fórmula matemática compleja. Hay muchas de estas fórmulas y entre ellas existen conexiones invisibles, como entre distintas recetas de un mismo plato: cambias el orden de los pasos, pero el sabor es el mismo. Antes, estas conexiones se deducían a mano, llevándose meses y años.
Ahora, un programa se ha encargado de esto: busca patrones en los números. Solo se le dieron los resultados de los cálculos de colisiones, sin ninguna explicación. El programa redescubrió por sí solo las famosas relaciones que conectan distintas descripciones de una misma colisión. Una de ellas es el vínculo entre la teoría de la gravedad y la teoría de las interacciones fuertes dentro del núcleo.
El método funciona para cinco partículas en la colisión. Para un mayor número de partículas, las dificultades técnicas aún lo impiden, pero los autores ya ven cómo superarlas. La conclusión principal es simple: la máquina puede buscar reglas ocultas en la física sin indicaciones humanas. Esto significa que así también se pueden probar teorías nuevas y aún no estudiadas.
tal como lo escribieron los autores, en inglés arXiv:2602.15169
We demonstrate that modern machine-learning methods can autonomously reconstruct several flagship analytic structures in scattering amplitudes directly from numerical on-shell data. In particular, we show that the Kawai--Lewellen--Tye (KLT) relations can be rediscovered using symbolic regression applied to colour-ordered Yang--Mills amplitudes with Mandelstam invariants as input features. Using standard feature-selection techniques, specifically column-pivoted QR factorisation, we simultaneously recover the Kleiss--Kuijf and Bern--Carrasco--Johansson (BCJ) relations, identifying a minimal basis of partial amplitudes without any group-theoretic input. We obtain the tree-level KLT relations with high numerical accuracy up to five external legs, using only minimal theoretical priors, and we comment on the obstacles to generalising the method to higher multiplicity. Our results establish symbolic regression as a practical tool for exploring the analytic structure of the scattering-amplitude landscape, and suggests a general data-driven strategy for uncovering hidden relations in general theories. For comparison, we benchmark this general approach with a recently introduced neural-network based method.
Una de las relaciones encontradas vincula la fuerza de la gravedad con la fuerza que mantiene unidos a los quarks dentro del protón: dos mundos aparentemente completamente distintos.
En la serie «Fundación», Hari Seldon usaba las matemáticas para predecir el futuro; aquí, la máquina busca reglas matemáticas ocultas en los datos del pasado.