La IA y el empaquetamiento de esferas en altas dimensiones (High-dimensional sphere packing)

 La IA no ha resuelto el problema completo del empaquetamiento de esferas en toda dimensión. Lo que habría resuelto es algo más concreto pero muy importante: ha determinado el límite asintótico exacto del método Cohn–Elkies, que es el gran programa de programación lineal/Fourier usado para obtener cotas superiores de empaquetamiento. Como consecuencia, da la primera mejora general del exponente de empaquetamiento en altas dimensiones desde 1978.

1. Qué es el problema de empaquetamiento de esferas

La pregunta básica es:¿Cuál es la mayor densidad con la que podemos llenar el espacio con esferas iguales sin que se solapen?

En dimensión 2, es el problema de colocar círculos en el plano. En dimensión 3, es el problema clásico de las naranjas o bolas de cañón. En dimensiones 8 y 24, Viazovska y colaboradores resolvieron los casos excepcionales usando precisamente técnicas de Fourier relacionadas con Cohn–Elkies. Pero en dimensiones altas generales, el comportamiento seguía siendo mucho más incierto.

En dimensión alta ocurre algo extraño: casi todo el volumen de una esfera se concentra cerca de su frontera, las intuiciones geométricas normales fallan y las mejores cotas conocidas son exponenciales. Es decir, la densidad máxima se comporta aproximadamente como:

$${\mathrm{\Delta }}_{𝑑}\le 2^{-𝛼𝑑}$$

donde $𝑑$ es la dimensión y $𝛼$ es el exponente que se intenta mejorar.

2. Qué ha mejorado exactamente la IA

Antes, la mejor cota general venía del exponente de Kabatianskii–Levenshtein, de 1978:

$$𝛼\approx 0.59905576$$

El nuevo resultado atribuido al modelo interno Astra obtiene:

$${𝛼}_{\ast }=\frac{1}{2}{\log }_2(2𝜋\mathrm{/}𝑒)\approx 0.6044$$

Es una mejora pequeña en apariencia, pero en dimensión alta una mejora del exponente es enorme, porque se multiplica por $𝑑$. El paper dice explícitamente que esta sería la primera mejora del exponente general desde 1978.

La formulación técnica central es:

$$\underset{𝑑\to \mathrm{\infty }}{\lim }𝐿{𝑃}_{𝑑}^{1\mathrm{/}𝑑}=\sqrt{\frac{𝑒}{2𝜋}}$$

donde $𝐿{𝑃}_{𝑑}$ es la mejor cota obtenible mediante el programa lineal de Cohn–Elkies. Como ${\mathrm{\Delta }}_{𝑑}\le 𝐿{𝑃}_{𝑑}$, esto da una nueva cota superior para la densidad máxima de empaquetamiento.

3. La idea del método Cohn–Elkies

El método Cohn–Elkies no intenta colocar las esferas una por una. Hace algo más abstracto: busca una función auxiliar $𝑓$ con dos propiedades de signo.

Primero, en el espacio físico, la función debe ser negativa o cero fuera de la distancia mínima permitida entre centros.

Segundo, en el espacio de Fourier, su transformada $\widehat{𝑓}$ debe ser positiva.

Con esas dos condiciones, mediante suma de Poisson, se puede convertir el problema geométrico en una desigualdad analítica. El manuscrito lo presenta así: para centros separados al menos por 1, las bolas tienen radio $1\mathrm{/}2$, y el método cuenta pares de centros simultáneamente en el espacio físico y en el espacio de Fourier.

La cota resultante tiene esta forma:

$${\mathrm{\Delta }}_{𝑑}\le \frac{{𝑣}_{𝑑}}{2^{𝑑}}\frac{𝑓(0)}{\widehat{𝑓}(0)}$$

donde ${𝑣}_{𝑑}$ es el volumen de la bola unidad en dimensión $𝑑$. El problema se convierte entonces en encontrar la mejor función $𝑓$.

4. El giro de la IA: el problema real no era geométrico, sino de incertidumbre de Fourier

La clave del resultado es que la IA no atacó directamente la pregunta “¿cómo empaquetar esferas?”. La tradujo a otra pregunta:

¿Hasta qué punto una función y su transformada de Fourier pueden tener ciertos patrones de signo?

El documento de explicación dice que el cociente $𝐹(0)\mathrm{/}\widehat{𝐹}(0)$, que parecía una normalización técnica, se convierte en un radio geométrico de una función propia de Fourier. A partir de una función admisible $𝐹$, se reescala y se construye una nueva función:

$$𝑔=\widehat{ℎ}-ℎ$$

Esta $𝑔$ es anti-auto-Fourier, se anula en el origen y tiene una restricción de signo fuera de cierto radio. Así, el empaquetamiento se transforma en un problema de incertidumbre de signo: una función no puede concentrar su parte negativa demasiado cerca del origen si también obedece esas simetrías de Fourier.

Dicho de forma simple:

la IA convierte “cuántas esferas caben” en “dónde puede cambiar de signo una función compatible con Fourier”.

Ese es el salto conceptual.

5. El radio crítico: $\sqrt{𝑑}\mathrm{/}𝜋$

El núcleo técnico es demostrar que las funciones relevantes no pueden cambiar de signo antes de un radio crítico. El resultado obtiene que las constantes de incertidumbre de signo, tanto para el caso auto-Fourier como anti-auto-Fourier, tienen el mismo límite:

$${𝐴}_{+}(𝑑)\sim {𝐴}_{-}(𝑑)\sim \frac{\sqrt{𝑑}}{𝜋}$$

El paper afirma que los radios de incertidumbre de signo para autovalores positivos y negativos de Fourier son ambos $(1\mathrm{/}𝜋+𝑜(1))\sqrt{𝑑}$.

Esto es decisivo porque ese radio crítico se traduce, mediante la fórmula de volumen y Stirling, en el nuevo exponente de empaquetamiento:

$$\sqrt{\frac{𝑒}{2𝜋}}$$

o, en base 2:

$$2^{-0.6044𝑑}$$

El manuscrito explica que Stirling convierte los límites del radio de signo en el exponente de empaquetamiento.

6. Cómo se prueba: Mellin, Gaussianas y puntos de silla

Aquí aparece la parte más sofisticada. La IA no solo encontró una desigualdad. Construyó una arquitectura analítica.

Primero, reduce el problema a funciones radiales. En alta dimensión, la simetría radial permite pasar de una función en ${\mathbb{𝑅}}^{𝑑}$ a un análisis de una sola variable radial.

Después usa transformadas de Mellin, que son especialmente buenas para estudiar escalas multiplicativas. En este contexto, la transformada radial de Fourier se vuelve una especie de reflexión Mellin controlada por funciones gamma.

Luego aparece la gaussiana. La gaussiana tiene una simetría perfecta con Fourier, pero por sí sola no sitúa el cambio de signo en el lugar óptimo. Las notas explican que la gaussiana proporciona la simetría correcta, pero el “punto de silla” equivocado; por eso se deforma su envolvente de Mellin para desplazar el punto de silla sin romper la simetría de Fourier.

La imagen intuitiva sería esta:

La gaussiana es el material base. La IA la deforma muy cuidadosamente para que conserve la simetría Fourier pero cambie justo donde debe cambiar de signo.

7. La “cáscara remota”: el detalle fino

Un problema técnico era que la deformación funcionaba cerca del radio objetivo, pero podía fallar en radios muy grandes. Para corregirlo, el argumento añade una pequeña contribución positiva en una región muy alejada, una especie de cáscara remota. Las notas explican que esa corrección restaura el amortiguamiento positivo en toda la rama no acotada sin alterar el radio límite.

Esto es muy interesante desde pensamiento sistémico: el problema no se arregla solo en el punto crítico; hay que estabilizar todo el sistema para que no aparezcan fallos en regiones extremas.

8. Por qué el resultado es doble

El resultado tiene dos caras:

Primera cara: mejora la cota superior general para empaquetamiento de esferas en alta dimensión.

Segunda cara: demuestra que el método Cohn–Elkies no puede ir más allá de ese exponente. Es decir, la IA no solo mejora el método, sino que caracteriza su límite. El paper dice que la cota inferior correspondiente muestra que ninguna función auxiliar de Cohn–Elkies puede mejorar ese exponente.

Esto es importante: no se ha demostrado la densidad óptima real en altas dimensiones. Se ha demostrado el límite exacto de una de las herramientas más potentes conocidas.

9. Qué significa que “la IA lo resolvió”

Según OpenAI, los diez resultados fueron obtenidos por una versión interna de Astra, preparados en manuscritos con ayuda humana y después formalizados por el modelo en Lean. En el repositorio aparecen certificados Lean, incluido uno específico para SpherePacking.lean.

La aportación interesante no parece ser fuerza bruta, sino cambio de representación:

De:

esferas en un espacio geométrico

a:

funciones auxiliares con signos controlados

a:

autovalores de Fourier

a:

transformada de Mellin, gamma, puntos de silla y radio crítico

a:

exponente asintótico de densidad.

10. Lectura RMS / pensamiento complejo

En clave RMS:

Recursos: esferas, dimensión, densidad, funciones de Schwartz, transformada de Fourier, transformada de Mellin, gaussianas, funciones gamma.

Mecanismos: programación lineal, suma de Poisson, control de signos, incertidumbre de Fourier, deformación de gaussianas, análisis asintótico, dualidad.

Sistema: una arquitectura matemática donde un problema geométrico se resuelve al traducirlo a análisis armónico y teoría de la incertidumbre.

La enseñanza sistémica es clara:

El obstáculo no estaba solo en colocar mejor las esferas, sino en entender el límite estructural de una familia entera de métodos.

Síntesis final

La IA habría hecho avanzar el empaquetamiento de esferas en alta dimensión demostrando el límite exacto del programa lineal de Cohn–Elkies. Esto produce una nueva cota superior general:

$${\mathrm{\Delta }}_{𝑑}\le 2^{-(0.6044+𝑜(1))𝑑}$$

frente al exponente clásico de 1978, aproximadamente $0.59905576$. La clave fue transformar el problema geométrico en un problema de signos de funciones de Fourier, descubrir que el radio crítico es $\sqrt{𝑑}\mathrm{/}𝜋$, y construir funciones auxiliares que alcanzan exactamente ese umbral. En términos RMS, es un caso ejemplar de salto sistémico: cambiar el lenguaje del problema para revelar el mecanismo oculto.

Los diez problemas

https://intafuturo.blogspot.com/2026/08/ia-y-matematicas-el-verdadero-salto-de.html

1. High-dimensional sphere packing — empaquetamiento de esferas en altas dimensiones.
2. Binary and spherical codes — códigos binarios y esféricos.
3. Non-sofic groups — existencia de grupos no sóficos.
4. Connes’s rigidity conjecture — conjetura de rigidez de Connes.
5. Arithmetic circuit complexity — complejidad de circuitos aritméticos.
6. Quantum parallel repetition — repetición paralela cuántica.
7. Closest Vector Problem — problema del vector más cercano.
8. Ehrhart’s volume conjecture — conjetura del volumen de Ehrhart.
9. Multicolor Ramsey numbers — números de Ramsey multicolor.
10. Compactness and degeneracy conjectures en teoría extremal de grafos.

OpenAI presenta los diez resultados como avances generados por una versión interna de Astra, después preparados en manuscritos y formalizados en Lean. 

La lista oficial incluye: empaquetamiento de esferas, códigos binarios/esféricos, grupos no sóficos, rigidez de Connes, circuitos aritméticos, repetición paralela cuántica, closest vector problem, conjetura de Ehrhart, Ramsey multicolor y extremal graph theory.

 High-dimensional sphere packing

. Idea clave: el problema geométrico de empaquetar esferas se traduce en un problema de Fourier y de incertidumbre de signo. El resultado determina el límite asintótico del método Cohn–Elkies y mejora el exponente general desde Kabatianskii–Levenshtein 1978.

. Binary and spherical codes
 Es el hermano natural del empaquetamiento de esferas. En vez de preguntar “cuántas esferas caben en un espacio continuo”, pregunta “cuántas palabras binarias o puntos sobre una esfera pueden separarse suficientemente entre sí”. OpenAI afirma mejoras exponenciales en cotas superiores para códigos binarios a distancia mínima prescrita y resultados análogos para códigos esféricos de alta dimensión.

 Connes’s rigidity conjecture
Aquí entramos en álgebras de von Neumann y teoría de grupos. La idea fuerte: refutar que ciertos grupos queden determinados de forma rígida por su álgebra de von Neumann. OpenAI afirma que construye infinitas familias de grupos con propiedad $𝑇$, no isomorfos entre sí, pero con la misma álgebra de von Neumann.

Arithmetic circuit complexity
Complejidad algebraica. Pregunta de fondo: ¿cuántos recursos necesita un circuito aritmético para calcular el permanente? Es el análogo algebraico de grandes problemas tipo P vs NP. OpenAI declara nuevas cotas inferiores, incluyendo una cota de fórmulas aritméticas del orden ${𝑛}^4\mathrm{/}\log 𝑛$.

Quantum parallel repetition
Teoría de juegos cuánticos y complejidad. La pregunta: si repites muchas veces un juego cuántico, ¿la probabilidad de ganar cae exponencialmente como en el caso clásico? OpenAI afirma un teorema de repetición paralela exponencial para juegos cuánticos bipartitos finitos.

Closest Vector Problem
Problema central en retículos/lattices: dado un retículo y un punto, encontrar el vector del retículo más cercano. Es importante en criptografía postcuántica. OpenAI afirma dureza de aproximación con factor polinómico para CVP euclídeo.

 Multicolor Ramsey numbers
Combinatoria extrema. Pregunta: ¿cuántos vértices necesitas para garantizar un triángulo monocromático si coloreas las aristas con muchos colores? OpenAI afirma una cota inferior superexponencial para números de Ramsey multicolor de triángulos.

Compactness and degeneracy conjectures en teoría extremal de grafos
También combinatoria extrema. Aquí la IA habría construido grafos bipartitos que refutan dos conjeturas: la de compactness de Erdős–Simonovits y una conjetura de degeneracy de Erdős.

Clave común de todos

La pauta que se repite es muy RMS:

La IA no resuelve solo calculando más; resuelve cambiando la arquitectura del problema.

En sphere packing cambia geometría por Fourier.
En códigos cambia separación discreta por programación lineal/esférica.
En grupos no sóficos cambia aproximabilidad finita por expansores y rigidez.
En Connes cambia identidad algebraica por construcción de grupos no isomorfos.
En circuitos cambia cálculo concreto por barreras estructurales.
En CVP cambia búsqueda geométrica por reducción de complejidad.
En Ramsey/grafos cambia azar/combinatoria por construcciones extremales.