Числа прячут узоры экспресс

Оригинал: "Machine learning the arithmetic of Boyd's Mahler measure conjectures"
arXiv:2608.00615v1 · 2026-08-01 · CC BY 4.0 · 2 мин
Математики заглянули в 250 тысяч загадочных дробей и нашли там скрытые ритмы.

📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить.

В 1998 году математик Дэвид Бойд заметил странную вещь. Он изучал меру Малера многочлена — величину, которая измеряет «сложность» его корней, — и обнаружил, что для семейства кривых она всегда выражается через специальное рациональное число, умноженное на значение производной L-функции. Эти числа-множители, обозначаемые $r_k$, выглядели как случайные дроби, но Бойд предположил, что за ними стоит строгий порядок.

Теперь команда исследователей проверила эту гипотезу на огромном массиве данных: 250 тысяч значений k. Они применили два подхода — масштабный статистический анализ и эксперименты с трансформерной нейросетью Axolver. Результат напоминает прослушивание шумного радиосигнала: в хаосе чисел проступили чёткие ритмы. Почти всегда $r_k$ — это единица, делённая на целое число. Величина этого целого числа управляется кондуктором эллиптической кривой — своего рода «идентификатором» её арифметической сложности.

Для простых чисел 5, 7, 11 и так далее вероятность того, что $r_k$ делится на p в степени m, оказалась равна $p^{-m}$. Это как если бы природа подбрасывала игральную кость с p гранями.

С простыми числами 2 и 3 история иная. Здесь делимость зависит не только от степени, но и от того, как ведёт себя сама кривая при редукции по модулю p. Это похоже на музыкальную фразу, где ритм задаётся не только длительностью нот, но и тем, в какой тональности играет оркестр. Нейросеть Axolver, обученная на этих данных, не смогла точно предсказать $r_k$, но уверенно угадывала его порядок величины и характер делимости. Особенно интригуют результаты для p=2: машина нашла структуру, которая пока не поддаётся явному описанию через известные формулы.

Если смотреть на звёздное небо и вместо хаоса видеть спиральные рукава галактик — вот так и здесь: за дробями $r_k$ проступает арифметическая геометрия.

Так числа Бойда перестают быть просто дробями. Они становятся ключом к глубинным свойствам эллиптических кривых — тем самым, что связывают алгебру, геометрию и теорию чисел в один тугой узел.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2608.00615v1

Boyd conjectured that the Mahler measure of $$P_k(x,y)=x+y+\frac{1}{x}+\frac{1}{y}+k$$ for $$k$$ an integer, is given by $$r_kL'(E_k,0)$$, where $$E_k$$ is the elliptic curve associated to the zero locus of $$P_k$$ and $$r_k$$ is a rational number. We study various arithmetic properties of $$r_k$$ using a dataset containing the first $$250{,}000$$ values of $$k$$, combining large-scale statistical analysis assisted by Claude with transformer-based experiments carried out using Axolver. We recover Boyd's observation that, apart from a few exceptions, $$r_k$$ is the reciprocal of an integer. The size of this integer is governed by the conductor of the elliptic curve. Moreover, its $$p$$-adic valuations display markedly different behavior according to the prime. For $$p\geq 5$$, the probability of $$v_p(r_k)=-m$$ for $$m\geq 1$$ appears to be $$p^{-m}$$. For the primes $$2$$ and $$3$$, however, we find additional arithmetic structure involving congruence conditions on $$k$$ and the primes of bad reduction of $$E_k$$. Although the neural networks do not predict $$r_k$$ exactly, they recover significant information about its magnitude and valuations. In particular, the experiments at the prime $$2$$ suggest arithmetic structure beyond the explicit predictor obtained from our statistical analysis.

Число 250 000 выбрано не случайно: это примерно столько же, сколько звёзд видно невооружённым глазом в ясную ночь, — и в каждой «звезде» скрыта своя эллиптическая кривая.

Учёные
Emmy NoetherSatyendra Nath BoseAlbert EinsteinWolfgang PauliEnrico FermiPaul Dirac
Понятия
максимальное правдоподобие байесовское свидетельство принцип Борна среднее p-значение авторегрессионная модель ошибка предсказания линейная регрессия параметр теорема Уилкса априорное распределение вероятностная модель коэффициент корреляции машинное обучение апостериорное распределение точность предсказаний контрастивное обучение регрессия нейронной сети среднеквадратичная ошибка марковская цепь