معرکهٔ دل‌سوزی ۲۷ ساله
در 1999، پژوهشگران دانشگاه کالیفرنیا در سن‌دیگو، فرضیهٔ زمان نمایی (Eth) را مطرح کردند؛ ادعایه‌که تمام مسائل پیچیده‌ی محاسباتی نمی‌توانند سریعتر از زمان نمایی پیش‌بینی‌شون شوند. این پیش‌نویس، پایه‌ای برای بسیاری از الگوریتم‌های آینده‌سازی و تحلیل زمان‌بر شد.
پایان دوران سکوت توسط هوش مصنوعی
در تاریخ ۲۶ اکتبر ۲۰۲۶، OpenAI اعلام کرد که یکی از مدل‌های داخلیش، برهان ریاضی برای رد فرضیهٔ ETH را پیدا کرده است. مدل در ۱۶ اکتبر برهان را کشف کرد، سپس با استفاده از سامانهٔ اثبات رسمی Lean، استدلال را به‌صورت کاملاً ماشینی بررسی و تأیید کرد.
قضیهٔ لم پراکنده‌سازی؛ کلید حل نقل مکان محدودیت‌ها
آویالاجو، پاتوری و زین در سال ۲۰۰۱، قضیهٔ لم پراکنده‌سازی را معرف شدند تا مبانی فرضیه‌ی ETH را تقویت کنند. اکنون، همان وسیله‌ی که برای تعریف محدودیت‌ها به کار می‌رفت، در برهانی کلیدی برای رد آن به‌کار رفته است؛ یک پیوند حیران‌کننده‌ای بین گذشته و آینده.
- تأیید برهان بر اساس محاسبات ماشینی دقیق
- تثبیت اینکه محدودیت‌های زمان نمایی کمتر از تصور اولیه هستند
- پتانسیل بازسازی الگوریتم‌های حریص‌کاری پیچیده با سرعت بی‌سابقهٔ جدید
پرسش‌های پرتکرار
فرضیه زمان نمایی چیست؟
فرضیه زمان نمایی ادعا می‌کند که محدودیتی در سرعت حل مسائل پیچیدهٔ محاسباتی وجود دارد؛ اگرچه همهٔ الگوریتم‌های فعلی و انتظار می‌رود کهجهات زمانیشان یک تابع نمایی باشند، در این فرضیه فرض می‌شود که سرعت‌ویژگی‌های فضای وضعیت نهان‌سازی در حد معکوس بالاتر از تابع نمایی محدود می‌شود.
چطور هوش مصنوعی برهان را پیدا کرد؟
مدل هوش مصنوعی OpenAI برپایهٔ شبکه‌های عصبی بزرگ و پیش‌بینی‌گر دستاوردهای بحث‌انگیزی را که در داده‌های آموزش گنجانده شد، استخراج کرد. سپس به‌صورت خودکار محتوای مجموعهٔ برهان را در قالب شبیه‌سازی با ورودی‌های Lean اصلی ترسیم و بررسی کرد تا صحت آن را به صورت ماشینی اثبات کند.
