OpenAI의 내부 모델이 평면 단위거리 문제에 대한 오랜 추측을 반박하고, 이산기하학과 AI 수학 연구의 중요한 이정표를 세웠습니다.
거의 80년 동안 수학자들은 겉보기에는 단순하지만 실제로는 만만치 않은 한 질문을 연구해 왔습니다. 평면 위에 $n$개의 점을 놓았을 때, 정확히 거리 $1$만큼 떨어진 점의 쌍은 최대 몇 개일까요?
이것이 1946년 Paul Erdős가 처음 제기한 평면 단위거리 문제입니다. 이는 조합기하학에서 가장 잘 알려진 문제들 가운데 하나로, 서술은 쉽지만 해결은 놀라울 만큼 어렵습니다. 2005년 Brass, Moser, Pach의 저서 Research Problems in Discrete Geometry 는 이를 “아마도 조합기하학에서 가장 잘 알려져 있고(그리고 설명하기 가장 쉬운) 문제”라고 부릅니다. Princeton의 대표적인 조합론자 Noga Alon은 이를 “Erdős가 가장 좋아한 문제들 가운데 하나”라고 설명합니다. Erdős는 이 문제를 해결하는 데 현상금까지 걸었습니다.
오늘 우리는 단위거리 문제에 관한 돌파구를 공유합니다. Erdős의 원래 연구 이후, 아래에 더 자세히 나오는 “정사각 격자” 구성들이 단위거리 쌍의 수를 최대화하는 데 본질적으로 최적이라는 믿음이 지배적이었습니다. OpenAI의 내부 모델 하나가 이 오랜 추측을 반박했고, 다항식적 개선을 주는 무한한 예의 계열을 제시했습니다. 이 증명은 외부 수학자들로 이루어진 한 그룹이 검토했습니다. 이들은 또한 논증을 설명하고, 결과의 중요성에 대한 추가적인 배경과 맥락을 제공하는 동반 논문도 작성했습니다.
이 결과는 발견된 방식에서도 주목할 만합니다. 이 증명은 수학에 특화해 훈련된 시스템이나, 증명 전략을 탐색하도록 스캐폴딩된 시스템, 혹은 단위거리 문제를 특별히 겨냥한 시스템이 아니라, 새로운 범용 추론 모델에서 나왔습니다. 고급 모델이 최전선 연구에 기여할 수 있는지를 시험하는 더 넓은 노력의 일환으로, 우리는 Erdős 문제들의 모음에 대해 이를 평가했습니다. 이 경우 모델은 미해결 문제를 해결하는 증명을 만들어냈습니다.
이 증명은 수학과 AI 공동체 모두에 중요한 이정표입니다. 수학의 한 하위 분야의 중심에 있는 저명한 미해결 문제가 AI에 의해 자율적으로 해결된 것은 이번이 처음입니다. 또한 이는 이러한 시스템이 이제 얼마나 깊은 추론을 뒷받침하는지도 보여줍니다. 수학은 추론을 시험하기에 특히 명확한 환경을 제공합니다. 문제는 정확하고, 가능한 증명은 검증할 수 있으며, 긴 논증은 처음부터 끝까지 추론이 일관되게 유지될 때에만 성립합니다. 이 문제가 해결된 방식 역시 주목할 만합니다. 이 증명은 초등적인 기하학 문제에 대수적 수론의 예상 밖이면서도 정교한 아이디어들을 끌어옵니다.
Fields 메달 수상자인 Tim Gowers는 동반 논문에서 이 결과를 “AI 수학의 이정표”라고 부릅니다. 대표적인 수론학자 Arul Shankar에 따르면, “제 생각에 이 논문은 현재의 AI 모델이 인간 수학자의 단순한 조력자를 넘어선다는 점을 보여줍니다. 이들은 독창적이고 기발한 아이디어를 낼 수 있으며, 그것을 끝까지 밀고 나가 결실로 만들 수 있습니다.”
결과에 대한 수학자들의 평가
4개 중 1개
크기를 조정한 정사각 격자로부터 많은 단위거리를 만드는 이전에 알려진 구성.
$u \left(\right. n \left.\right)$을 평면 위의 $n$개 점 사이에서 가능한 단위거리 쌍의 최대 개수라고 합시다. 선형 성장률을 달성하는 예는 쉽게 만들 수 있습니다. 일직선 위에 $n$개의 점을 놓으면 $n - 1$개의 쌍이 생기고, 정사각 격자는 약 $2 n$개의 쌍을 줍니다. 이전에 알려진 최선의 구성은 크기를 조정한 정사각 격자에서 오며, 실제로는 그보다 더 많은 수를 줍니다. 즉 상수 $C$에 대해 $n^{1 + C / log log \left(\right. n \left.\right)}$입니다. $log log \left(\right. n \left.\right)$은 $n$과 함께 무한대로 가므로, 지수의 추가 항은 $0$으로 가며, 이는 이러한 구성들이 선형보다 아주 조금 빠른 성장만 달성한다는 뜻입니다. 수십 년 동안 이 속도가 본질적으로 가능한 최선이며, 어떤 구성도 정사각 격자를 크게 능가할 수 없다고 널리 믿어졌습니다. 기술적으로 말해, Erdős는 추가 항 $o \left(\right. 1 \left.\right)$이 $n$과 함께 $0$으로 가는 $n^{1 + o \left(\right. 1 \left.\right)}$라는 상한을 추측했습니다. 우리의 새로운 결과는 이 추측을 반박합니다. 더 정확히 말하면, 무한히 많은
$n$의 값에 대해, 이 증명은 어떤 고정된 지수 $\delta > 0$에 대해 적어도 $n^{1 + \delta}$개의 단위거리 쌍을 갖는 $n$개 점의 배치를 구성합니다. (원래의 AI 증명은 명시적인 $\delta$를 주지 않지만, Princeton 수학과 교수 Will Sawin의 곧 발표될 정교화는 $\delta = 0.014$로 둘 수 있음을 보였습니다.) 문제의 역사를 보면 왜 이 결과가 놀라운지 이해하는 데 도움이 됩니다. 알려진 최선의 하한은 Erdős의 1946년 원래 구성 이후 본질적으로 변하지 않았습니다. 알려진 최선의 상한인
$O \left(\right. n^{4 / 3} \left.\right)$는 1984년 Spencer, Szemerédi, Trotter의 연구까지 거슬러 올라가며, 이후 Székely, Katz and Silier, Pach, Raz, Solymosi 및 다른 연구자들의 정교화와 관련 구조 연구가 있었음에도, 그 상한은 본질적으로 변하지 않았습니다. 추측을 지지하는 증거로는, Matoušek과 Alon-Bucić-Sauermann이 평면에서 비유클리드 거리들을 가지고 이 문제를 연구했고, 이런 비유클리드 거리들의 “대부분”이 어떤 의미에서는 그 추측을 따른다는 것을 보였습니다. 놀랍게도, 이 구성의 핵심 요소들은 대수적 수론이라는 매우 다른 수학 분야에서 오는데, 이 분야는 대수적 수체라고 불리는 정수의 확장에서의 인수분해 같은 개념을 연구합니다.
초기 증명을 검증한 뒤, 우리는 테스트 시 계산량을 달리하면서 이 문제에 대한 모델들의 성공률을 조사했습니다. 결과는 여기에 나와 있습니다.
큰 그림에서 보면, 이 증명은 익숙한 기하학적 아이디어에서 출발해 그것을 예상 밖의 방향으로 밀고 나갑니다.
Erdős의 원래 하한은 가우스 정수를 통해 이해할 수 있습니다. 이는 $a + b i$ 꼴의 수인데, 여기서 $a$와 $b$는 정수이고 $i$는 $- 1$의 제곱근입니다. 가우스 정수는 보통의 정수를 확장한 것이며, 보통의 정수처럼 소수에 대한 유일인수분해와 같은 성질을 가집니다. 보통의 정수나 유리수의 이러한 확장을 대수적 수체라고 부릅니다. 새로운 논증은 가우스 정수를, 더 풍부한 대칭성을 지녀 훨씬 더 많은 단위 길이 차이를 만들어낼 수 있는, 대수적 수론의 더 복잡한 일반화들로 대체합니다.
정확한 논증은 무한 클래스 필드 타워와 Golod–Shafarevich 이론 같은 도구를 사용해, 논증에 필요한 수체들이 실제로 존재함을 보입니다. 이러한 아이디어들은 대수적 수론학자들에게는 잘 알려져 있었지만, 이 개념들이 유클리드 평면의 기하학적 문제에 함의를 가진다는 것은 큰 놀라움이었습니다.
이 결과는 AI와 수학의 상호작용에서 중요한 순간을 나타냅니다. AI 시스템이 활발한 분야의 중심에 있는 오랜 미해결 문제를 자율적으로 해결한 것입니다. 동시에 이것은 AI와 인간 수학자 사이의 새로운 종류의 협업을 엿보게 합니다. 이 경우 외부 수학자들의 동반 작업은 원래 해법만으로는 보이지 않던 훨씬 더 풍부한 그림을 제시합니다.
Thomas Bloom은 동반 노트에서 이렇게 씁니다.
“AI가 생성한 증명의 중요성과 영향력을 평가할 때, 제가 스스로에게 묻는 질문은 이것입니다. 이것이 우리에게 문제에 대해 새로운 무언가를 가르쳐 주었는가? 우리는 이제 이산기하학을 더 잘 이해하게 되었는가? 제 생각에 답은 절제된 의미에서 그렇다입니다. 이는 이런 종류의 질문들에 대해 수론적 구성이 우리가 짐작했던 것보다 훨씬 더 많은 것을 말해 줄 수 있음을 보여주며, 더 나아가 필요한 수론이 매우 깊을 수 있음을 보여줍니다. 의심할 여지 없이 많은 대수적 수론학자들이 앞으로 몇 달 동안 이산기하학의 다른 미해결 문제들을 면밀히 들여다보게 될 것입니다.”
해법이 드러낸 대수적 수론과 이산기하학 사이의 예상 밖 연결은 이 결과를 주목할 만하게 만드는 요소의 일부입니다. 이는 단지 특정 추측 하나를 해결하는 데 그치지 않고, 수학자들에게 더 나아가 관련된 다른 문제들을 탐구하기 시작할 수 있는 다리를 제공할 수도 있습니다.
Bloom은 더 넓은 가능성도 가리킵니다.
“지식의 최전선은 매우 들쭉날쭉하며, 앞으로 몇 달과 몇 년 동안 수학의 많은 다른 영역에서도 이와 비슷한 성공이 나타날 것임은 분명합니다. 오랫동안 풀리지 않던 문제가 AI가 예상 밖의 연결을 드러내고 기존의 기술적 도구를 한계까지 밀어붙임으로써 해결될 것입니다. AI는 우리가 수세기에 걸쳐 세워 온 수학의 대성당을 더 완전하게 탐험하도록 돕고 있습니다. 아직 무대 뒤에 숨어 있는 다른 보이지 않는 경이로움은 무엇일까요?”
이 결과는 유망한 사례를 제공합니다. AI가 단지 해법만이 아니라, 이후 인간의 이해를 통해 그 의미가 더 분명해지고 더 풍부해지는 하나의 수학적 발견에도 기여한 것입니다.
핵심은 이 특정 결과보다 더 큽니다. 더 나은 수학적 추론은 AI를 더 강력한 연구 파트너로 만들 수 있습니다. 즉, 어려운 사고의 줄기를 유지하고, 멀리 떨어진 지식 영역 사이의 아이디어를 연결하며, 전문가들이 우선순위를 두지 않았을 수 있는 유망한 경로를 드러내고, 그렇지 않았다면 너무 복잡하거나 시간이 많이 들어 다루기 어려운 문제들에서 연구자들이 진전을 이루도록 도울 수 있는 존재가 되는 것입니다.
이런 역량은 수학을 넘어 중요합니다. 모델이 복잡한 논증의 일관성을 유지하고, 멀리 떨어진 지식 영역의 아이디어를 연결하며, 전문가의 검토를 견디는 작업을 만들어낼 수 있다면, 그것은 생물학, 물리학, 재료과학, 공학, 의학에서도 유용한 능력입니다. 또한 이것은 더 자동화된 연구를 향한 우리의 장기적인 경로의 일부이기도 합니다. 즉, 과학자와 엔지니어가 더 많은 아이디어를 탐색하고 더 어려운 기술적 질문을 추구하도록 도울 수 있는 시스템으로 가는 길입니다.
AI는 이제 연구의 창의적인 부분, 그리고 무엇보다 AI 연구 자체에서 매우 진지한 역할을 맡기 시작하려 하고 있습니다. 이러한 진전은 예상 밖의 일은 아니지만, AI 발전의 다음 단계를 이해하고, 매우 지능적인 시스템을 정렬하는 과제와 인간-AI 협업의 미래를 이해해야 한다는 우리가 느끼는 긴급성을 더욱 강화합니다.
그 미래는 여전히 인간의 판단에 달려 있습니다. 전문성의 가치는 줄어드는 것이 아니라 더 커집니다. AI는 탐색하고, 제안하고, 검증하는 일을 도울 수 있습니다. 어떤 문제가 중요한지 선택하고, 결과를 해석하며, 다음에 어떤 질문을 추구할지 결정하는 것은 사람입니다.
