리만 제타 함수의 영점 중 83.69% 이상은 서로 구별된다
More than 83.69% of the zeros of the Riemann zeta function are distinct
한국어 초록
중복도를 고려하여 센 전체 개수에 대비해 리만 제타 함수의 서로 다른 비자명 영점(distinct nontrivial zeros)의 점근적 비율 하한은 최소 $0.8369928814\ldots$이다. 이전 연구에서는 $0.83625\ldots$가 증명되었으며, 본 연구진이 검증하지 않은 한 보고서에서는 $0.83672\ldots$를 주장한다. $0.83625$ 상한의 증명에서와 마찬가지로, 몽고메리의 쌍 상관 정리(Montgomery's pair-correlation theorem)의 무조건적 버전이 점근적 에너지 추정치를 제공한다. 새로운 핵심 요소는 자유 클리핑 매개변수(parameter)를 갖는 짧은 행렬 부등식이다. 이는 서로 구별되는 영점의 수 관점에서 이 에너지의 하한을 강화한다. 이러한 개선은 임계선(critical line) 상의 서로 다른 인접 영점 간의 중첩에서 비롯된 음이 아닌 보정값이며, 이들 영점 중 일부가 이중 영점인 경우에도 유지된다. 행렬 부등식, 임계값 보조정리(threshold lemma), 블록 이분법(block dichotomy), 계수 결합(counting assembly) 및 정확한 산술은 Lean 4에서 형식적으로 증명되었다. 이 상수는 아직 심사를 거치지 않은 최근 연구의 컴퓨터 보조 국소 부등식에 의존한다. 해당 계산은 독립적으로 다시 수행되었으며, 가져온 모든 입력값이 나열되어 있다. 본 논문은 주로 AI 보조 수학 연구에 관한 실험이다(섹션 4).
원문 초록
The lower asymptotic proportion of distinct nontrivial zeros of the Riemann zeta function, relative to the total number counted with multiplicity, is at least $0.8369928814\ldots$. Earlier work proves $0.83625\ldots$, and a report we have not verified claims $0.83672\ldots$. As in the proof of the bound $0.83625$, an unconditional version of Montgomery's pair-correlation theorem gives an asymptotic energy estimate. The new ingredient is a short matrix inequality with a free clipping parameter. It strengthens the lower bound for this energy in terms of the number of distinct zeros. The gain is a nonnegative correction from overlaps between different nearby zeros on the critical line, which is retained even when some of these zeros are double. The matrix inequality, the threshold lemma, the block dichotomy, the counting assembly and the exact arithmetic are proved formally in Lean 4. The constant relies on a computer-assisted local inequality from recent work that has not yet been refereed. That computation was re-run independently, and every imported input is listed. This paper is primarily an experiment in AI-assisted mathematical research (Section 4).
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
SqueezeBench: 포화에 강건한 수학적 능력 평가
SqueezeBench: Saturation-Resilient Evaluation of Mathematical Capability
AI 시스템은 수학 분야에서 빠르게 발전하고 있지만, 이러한 발전을 측정하기는 어렵다. 이미 풀린 문제들로 구성된 벤치마크(benchmark)는 포화(saturate)되며, 미해결 문제들로 구성된 벤치마크에서는 각 문제가 최초로 단 한 번만 해결될 수 있다. 우리는 포화에 강건한 벤치마크인 SqueezeBench를 제시한다: 성공은 문제를 제거하는 대신 기준을 높인다. 각 문제는 작은 $n$에 대해서만 값이 알려진 정수 함수 $f(n)$을 고정하며, 벤치마크는 이에 대한 하한(lower) 기록과 상한(upper) 기록을 유지한다. 기록(record)은 $f$를 한정(bound)함을 기계 검증된 증명(machine-checked proof)으로 보인 계산 가능한 Lean 함수이다. 제출(submission)은 새로운 함수를 제안하고, 그 함수가 $f$를 한정하며, 모든 $n$에서 현재 기록보다 나쁘지 않고, 일부 $n$에서는 엄밀히 더 우수함을 증명한다. 채택되면 해당 제출은 다음 제출이 넘어서야 할 새로운 기록이 된다. 따라서 이 시스템은 한계값(bound)뿐 아니라 그 증명까지 선택하며, 단일 $n$에서의 기록을 개선할 수도 있고 성장률(growth rate)을 개선할 수도 있다. 모든 $n$에서 두 기록 사이의 간극은 인증된 한계값들이 $f(n)$을 결정하는 데에서 얼마나 떨어져 있는지를 보여준다. 모든 증명은 두 개의 독립적인 Lean 커널에 의해 검증되므로, 심판이 수학적 내용을 검토할 필요가 없다. 검증 과정은 또한 작은 $n$에서 전수 탐색(exhaustive search)으로 $f$를 계산하는 함수를 거부하며, 유지관리자(maintainer)는 제출자의 보고서만 읽고 더 큰 $n$에서 그러한 탐색이 있는지를 확인한다. 우리는 극단적 조합론(extremal combinatorics) 분야의 열 가지 문제를 스무 개의 증명된 초기 기록 및 승인 도구(admission tools)와 함께 공개한다. 기준선(baseline)으로서, 최신(frontier) 언어 모델(language model) 기반 에이전트(agent)는 기록당 최대 한 시간을 사용하여 82건의 제출을 승인받았고 모든 기록을 개선했으며, 이는 기존 발표된 문헌의 범위를 넘어서지는 않았다. 이후 두 개의 더 새로운 모델(model) 기반 에이전트들이 이 기록들로부터 시작하여 60건의 추가 제출을 승인받았고, 20개의 기록 중 19개를 다시 개선했다. 열 가지 문제 중 여덟 가지 문제에서는, 적어도 하나의 기록이 여전히 발표된 최선의 한계값(bound)에 비해 점근적으로(asymptotically) 뒤처져 있다.
형식 수학 및 소프트웨어 검증에서 감사 가능한 추론을 위한 FORALL-LEAN-AGENT
FORALL-LEAN-AGENT for Auditable Reasoning in Formal Mathematics and Software Verification
코딩 에이전트(agent)는 Lean 증명 개발을 점점 더 자동화하고 있지만, 컴파일 성공만으로는 후보 증명이 허용 가능한 가정 하에서 의도한 명제를 증명한다는 점을 확증하지 못합니다. 본 논문에서는 형식 수학 및 소프트웨어 검증에서 감사 가능한 추론을 위한 프런트엔드 독립적 프레임워크인 FORALL-LEAN-AGENT를 제시합니다. 이 프레임워크는 격리된 작업 공간, Lean 도구, 새로운 검토를 명제 비교, 공리 감사, 그리고 지원되는 경우 독립적인 증명 검사와 결합합니다. 검증 증거와 검토자의 결정은 동일한 후보 아티팩트에 바인딩되어 수락 과정을 추적할 수 있도록 합니다. 우리는 VeriSoftBench, PutnamBench, 그리고 Lean Eval 소프트웨어 검증 트랙의 두 문제 모두에서 이 프레임워크를 평가합니다. 100개 과제로 구성된 VeriSoftBench 하위 집합에서, FORALLLEAN-AGENT와의 통합은 GPT-5.6 Sol의 벤치마크 규칙 성공을 낮은 노력으로 93개에서 100개로 높이는 동시에 비용을 69달러에서 62달러로 절감합니다. PutnamBench 평가에서는 전체 672개 문제를 평균 4.72달러에 모두 통과시킵니다. 이러한 결과는 에이전트 하네스 설계가 총 해결 횟수를 넘어서는 증거를 제공하는 동시에 정확성과 효율성을 향상시킬 수 있음을 보여줍니다.
FormalTCS: 대규모 언어 모델의 최전선 형식 이론 전산학 연구 전 과정(End-to-End) 벤치마킹
FormalTCS: Benchmarking End-to-End Frontier Formal Theoretical Computer Science Research of Large Language Models
대규모 언어 모델(LLM)은 이론 전산학(TCS) 연구 자동화에서 점점 더 큰 잠재력을 보여 왔지만, 기존 벤치마크는 현실적인 연구 환경과는 여전히 거리가 멀다. 본 논문에서는 최전선(frontier)의 end-to-end TCS 연구에 대한 LLM 평가를 위한, 전문가가 검증한 벤치마크인 \ourbenchmark를 소개한다. \ourbenchmark는 2025-2026년 STOC, FOCS, SODA, COLT에 채택된 논문에서 추출한 $143$개의 인스턴스로 구성되며, 논문별 정의, 가정, 증명 의존성을 그대로 보존하고, 전문가가 검증한 Lean 형식화와 증명을 포함한다. 주요 LLM에 대한 평가 결과, 현재 모델들은 전체 연구 파이프라인을 안정적으로 완수하는 데 여전히 크게 못 미치는 것으로 나타났다. 특히 자동 형식화(autoformalization)가 가장 큰 병목이다. 가장 성능이 좋은 모델은 자연어 주장을 형식 정리 명제로 번역하는 과제에서 $11.5$에 그친 반면, 사람이 제공한 형식 명제를 증명하는 과제에서는 Pass@8 기준 $28.6$을 달성했다. \ourbenchmark를 바탕으로, 새로운 주장을 생성하고, 형식화하고, 필터링하고, 증명하는 자동화된 TCS 연구 프레임워크도 추가로 개발한다. 생성된 $64$개의 주장 중 최종적으로 전문가 평가와 증명 검증을 모두 통과한 것은 $6$개에 불과했으며, 이는 형식화 외에도 제한적인 연구 안목(research taste)이 자율적 TCS 연구를 가로막는 또 다른 주요 장벽임을 시사한다.
FrontierMath Erd\H{o}s
FrontierMath Erd\H{o}s
2026년 8월 기준 미해결 상태인 68개의 에르되시(Erd\H{o}s) 문제로 구성된 벤치마크인 FrontierMath Erd\H{o}s(FME)를 소개합니다. FME의 과제를 해결하려면 AI 시스템이 증명 보조기(proof assistant) Lean에서 68개 추측 중 하나를 해결(증명 또는 반증)해야 합니다. 이 68개 문제는 수학적 흥미도와 난이도를 고려하여 erdosproblems.com에 등록된 652개의 미해결 문제 중 제2저자가 선정했습니다. 최근 AI가 수학 분야의 여러 미해결 문제를 해결하기도 했으나, 이러한 사례들은 AI 역량에 대한 체계적인 연구에는 미치지 못합니다. FME는 동일한 고정 문제에 대해 자율적이면서도 동일한 예산 조건 하에서 모든 AI 모델을 평가합니다. 우리는 문제당 \$300의 예산으로 5개의 AI를 평가했습니다. 그중 하나(GPT-6 Astra)가 3%를 기록했으며, 나머지 모델은 모두 0%를 기록했습니다.
이론 수준 자동 형식화: 고립된 명제에서 통합 형식 지식 베이스로
Theory-Level Autoformalization: From Isolated Statements to Unified Formal Knowledge Bases
자동 형식화(autoformalization)는 비형식적 자연어를 기계적으로 검증 가능한 형식 언어로 번역한다. 대부분의 연구는 개별 명제에 초점을 맞추지만, 실제 형식화 작업은 본질적으로 이론 수준의 작업이다. 목표 정리를 진술하기조차 하려면 공리, 정의, 보조정리의 전체 연결망이 필요하다. 본 입론(position paper)에서는 이론 수준 자동 형식화를 주장한다. 상호 의존성을 모두 포함한 완전한 이론을 구조화된 라이브러리로 형식화하는 것이다. 우리는 이러한 전환의 의의를 검토하고, 대안적 관점에 대응하며, 미해결 과제를 식별하고, 세 가지 유망한 전진 경로를 제안한다. 자동 형식화에 대한 우리의 서베이는 https://github.com/marcusm117/Awesome-Autoformalization 에서 확인할 수 있다.
MathCoPilot: 수학 연구를 위한 인간-AI 공생 패러다임의 상호작용 시스템
MathCoPilot: An Interactive System for Human-AI Symbiotic Paradigm of Mathematical Research
기존 LLM 기반 정리 증명기(theorem prover)는 형식 수학 벤치마크에서 인상적인 결과를 달성했지만, 여전히 주어진 명제를 증명하는 자율적 에이전트(agent) 역할에 한정되어 있다. 본 논문에서는 수학 연구를 위한 새로운 인간-AI 공생 패러다임을 구현하는 human-in-the-loop 시스템인 MathCoPilot을 제안한다. 이 시스템에서는 수학자가 고수준의 수학적 방향을 주도하고, AI 에이전트는 지속적인 인간의 안내 아래 상세한 형식화(formalization) 및 증명 작업을 수행한다. MathCoPilot은 세 가지 핵심 기능을 통합한다: (1) 수학자와 AI 에이전트가 살아 있는(living) 증명 설계도(proof blueprint)를 통해 협업하는 상호작용형 작업대(workbench)로, 증명을 인간이 직접 검사·지시·정교화할 수 있는 탐색 가능한 단계로 분해한다; (2) 적응형 지식 베이스 검색과 Lean 통합 반복 검증을 갖춘 자동화된 증명 기술 오케스트레이션; (3) 주제 기반 논문 검색 및 검증된 Lean 지식 베이스로의 자동 형식화. MathCoPilot을 사용하여 FormalMATH 부분 집합과 심층적인 도메인 전문성이 필요한 두 개의 실제 PDE 정리에 대해 Gemini 3.1 Pro, GPT-5.4, Claude Opus 4.7을 포함한 네 가지 최신 LLM을 체계적으로 비교하고, 검증된 Lean 4 증명을 생성하는 능력과 의도적으로 오류가 포함된 증명에서 오류를 식별하는 능력을 평가한다. 결과는 현재 모델이 유리한 자동 형식화(autoformalization) 조건 하에서 학부 수준 문제를 높은 성공률로 처리할 수 있지만, 진정한 수학적 이해를 요하는 도메인 특화 정리에 대해서는 상당한 과제가 남아 있음을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
6 pages