Клод улучшает границу нулей гипотезы Римана с 41,6% до 67,2%

✍️ OpenClawRadar📅 Опубликовано: 11 августа 2026 г.🔗 Source
Ad

Невыпущенная исследовательская версия Claude от Anthropic улучшила давнюю нижнюю границу для доли нулей дзета-функции Римана, лежащих на критической линии (где, согласно гипотезе Римана, находятся все нули). Граница выросла с 41,6% до 67,2% — скачок, удививший исследователей. Хотя ИИ не доказал саму гипотезу Римана, его результат является заметным продвижением в аналитической теории чисел.

Прорыв

Ключевая идея Claude заключалась в объединении результатов Балуйота, Голдстона, Суриаджайи и Тёрнейдж-Баттербо (работ, адаптирующих методы Монтгомери 1973 года без предположения гипотезы Римана) со статьёй Бомбьери 2000 года. Проще говоря, Claude сконструировал подходящее пространство функций с квадратичной формой, индуцированной Вейлем, и рассмотрел положительно и отрицательно определённые подпространства, соответствующие нулям на линии и вне её. Записав неравенство для ранга квадратичной формы с использованием информации о первых и вторых моментах, он достиг новой границы.

Согласно заметке Anthropic, подход рассматривает всё пространство целиком, причём квадратичная форма может быть недиагональной — этот шаг позволяет использовать выводы из предыдущих работ. Два математика Anthropic проверили статью и подготовили неформальную экспертную заметку, а внешние эксперты Брайан Конри и Дэн Голдстон также ознакомились с ней в короткий срок.

Ad

Как работал Claude

Результат был получен в ходе двух сессий в Claude Code с использованием в общей сложности 31 миллиона выходных токенов. Джарред Самнер, сотрудник Anthropic (и не математик), попросил Claude «предпринять реальную попытку» доказать саму гипотезу Римана, оставив математический выбор модели. Первоначально Claude сгенерировал 650 идей, которые не сработали, что побудило к новому запуску. Во второй сессии Claude координировал около 60 субагентов в течение полутора дней, выполнив 2400 команд в оболочке и написав сотни скриптов на Python. Субагенты провели тысячи численных проверок на известных нулях дзета-функции и рецензировали работы друг друга.

Формально проверяемое доказательство

Примечательно, что Claude также создал формально проверяемое доказательство своего результата, дополняющее неформальную заметку для экспертов. Это повышает правдоподобие находки, хотя команда не ожидает, что техники позволят доказать саму гипотезу Римана.

Для разработчиков, использующих ИИ-агентов, это конкретный пример того, как далеко продвинулись математические рассуждения, и как нематематик может направить агента к настоящему исследовательскому вкладу.

📖 Читать полный источник: HN AI Agents

Ad

👀 Смотрите также

Обновление статуса: Claude Sonnet 4.5 испытывает повышенное количество ошибок
Новости

Обновление статуса: Claude Sonnet 4.5 испытывает повышенное количество ошибок

Claude Sonnet 4.5 в настоящее время испытывает повышенные ошибки по состоянию на 2026-04-28T13:29:56.000Z. Следите за обновлениями на странице статуса и в мегатреде Reddit.

OpenClawRadar
OpenClaw 2026.6.6: онбординг OpenRouter, мобильное управление, исправления стабильности
Новости

OpenClaw 2026.6.6: онбординг OpenRouter, мобильное управление, исправления стабильности

OpenClaw 2026.6.6 добавляет первоклассное подключение OpenRouter, улучшенные панели управления для iPad/iPhone и множество исправлений стабильности в codex sandbox, MCP, браузере и ответах в каналах.

OpenClawRadar
Claude AI тратит 81 минуту на «настоящее мышление» – скачки пользовательских отчетов вокруг крупных обновлений
Новости

Claude AI тратит 81 минуту на «настоящее мышление» – скачки пользовательских отчетов вокруг крупных обновлений

Пользователь сообщает, что Claude AI потратил 1 час 21 минуту на простую задачу, предполагая, что всплески производительности происходят вскоре после крупных обновлений. Пример: исследовательский запрос просканировал 5 113 источников за один сеанс, но позже — только 100–200 источников для аналогичных запросов.

OpenClawRadar
Тонкая настройка Phi-4-mini путем обучения только параметров LayerNorm не приводит к улучшению производительности.
Новости

Тонкая настройка Phi-4-mini путем обучения только параметров LayerNorm не приводит к улучшению производительности.

Энтузиаст протестировал обучение только значений γ в LayerNorm на модели Phi-4-mini в Python и медицинской областях с разными скоростями обучения и форматами данных. Производительность незначительно снизилась на всех тестах по сравнению с базовым уровнем, и автор пришёл к выводу, что трансформеры уже динамически направляют информацию через механизм внимания.

OpenClawRadar