Die von Wang Hong bewiesene dreidimensionale Kakeya-Vermutung, OpenAI hat ein 175-seitiges Manuskript mit dem vierdimensionalen Beweis veröffentlicht.
Wang Hong hat den dreidimensionalen Fall gelöst, und OpenAI legt direkt das vierdimensionale Beweisdokument auf den Tisch!
Am 6. Oktober veröffentlichte OpenAI auf GitHub die ersten 722 mathematischen Manuskripte öffentlich.
Eines davon ist 175 Seiten lang und zielt direkt auf die vierdimensionale Kakeya-Vermutung ab.
Das andere umfasst 97 Seiten, will im dreidimensionalen Bereich noch eine weitere Hürde überwinden und zielt auf eine stärkere Version der Maximalfunktion ab, die stärker als der Mengensatz von Wang Hong und Zahl ist.
Die Gruppe 074 im Inhaltsverzeichnis der OpenAI-Mathematikmanuskripte entspricht jeweils der dreidimensionalen Maximalfunktionsversion und der vierdimensionalen Mengenversion
Dieses Problem, das Mathematiker mehr als ein Jahrhundert lang verfolgt haben, ist in seiner ursprünglichen Form erstaunlich einfach.
Wie kann eine Nadel auf möglichst kleinem Raum umgedreht werden?
Die Grenzwerte für das Umdrehen einer Nadel
In einem überfüllten Wagen ist es oft platzsparender, einen zusammengeklappten Regenschirm mit langem Stiel umzudrehen, indem man ihn beim Verschieben dreht, statt ihn direkt quer zu drehen.
1917 stellte der japanische Mathematiker Soichi Kakeya ein ähnliches Problem auf: Wie groß ist die kleinste Fläche, die eine Nadel der Länge 1 ohne Dicke beim Umdrehen um 180° in einer Ebene überstreichen muss?
Besicovitch gab die Antwort: Die Fläche kann beliebig klein sein.
Wenn man die Anforderung noch weiter lockert, indem man keine kontinuierliche Drehung der Nadel verlangt, sondern nur verlangt, dass in jeder Richtung ein Einheitsliniensegment untergebracht werden kann, kann die Fläche dieser Menge sogar Null betragen!
Die Fläche ist bereits bis auf Null geschrumpft, aber das Problem ist noch nicht beendet. Müssen diese Liniensegmente, die in alle Richtungen zeigen, trotzdem eine zweidimensionale Struktur bilden?
Die Kakeya-Vermutung besagt: In einem n-dimensionalen Raum muss die Dimension einer Menge, die Einheitsliniensegmente in allen Richtungen enthält, genau n sein, also "volldimensional".
Der zweidimensionale Fall wurde 1971 bewiesen, aber im dreidimensionalen Fall steckten Mathematiker mehr als ein halbes Jahrhundert lang fest.
Was hat Wang Hong bewiesen?
Um das dreidimensionale Problem zu beantworten, verdichten Mathematiker diese Liniensegmente zunächst leicht zu dünnen Röhren und beobachten dann, wie sich das überlappende Volumen ändert, wenn die Röhren immer dünner werden.
Vor mehr als zwanzig Jahren entdeckten Katz, Łaba und Terence Tao bereits einige nutzbare Anordnungsregeln.
Aber wenn man die dicht gedrängten Röhrenbündel aus der Nähe betrachtet, können sie nach dem Vergrößern viele Lücken aufweisen, sodass sie nicht direkt als massive dicke Röhren berechnet werden können. Die Ergebnisse auf verschiedenen Skalen passen möglicherweise auch nicht zusammen.
Um dieses Problem zu lösen, begannen Wang Hong und Zahl mit dem regelmäßigeren "klebrigen" Fall und schlossen den Beweis 2022 ab.
Im Februar 2025 legten die beiden ein 127-seitiges Papier vor und brachten den Beweis schließlich auf den allgemeinen Fall voran.
Die dreidimensionale "Mengenvariante" der Vermutung ist damit offiziell gelöst.
Im Abstract von Wang Hongs und Zahls dreidimensionalem Kakeya-Papier wird geschlussfolgert, dass sowohl die Hausdorff-Dimension als auch die Minkowski-Dimension gleich 3 sind
Das linke Bild zeigt den "klebrigen" Fall; im rechten Bild überlappen sich die dicken Röhren stark, während die inneren dünnen Röhren sehr spärlich sind
Der neue dreidimensionale Beweis von OpenAI
Dasselbe Problem, eine stärkere Version
Der dreidimensionale Fall ist gelöst, aber die Schwierigkeiten sind noch nicht vorbei.
Wang Hong und Zahl haben das Problem der Dimension der Menge gelöst, aber die anspruchsvollere "Maximalfunktionsversion" wartet noch auf eine Antwort.
Auf genau diesen Schritt zielt dieses 97-seitige Manuskript von OpenAI ab.
Titel und Abstract des dreidimensionalen Manuskripts von OpenAI, der Hauptsatz zielt auf die stärkere Kakeya-Maximalfunktionsvermutung ab
Der Unterschied liegt in der Färbung der dünnen Röhren. Jede Röhre wird nur teilweise gefärbt, Überlappungen werden nur einmal gezählt. Wie groß muss das Gesamtvolumen dieser gefärbten Bereiche mindestens sein?
Die Schätzungen von Wang Hong und Zahl reichen bereits aus, um zu schlussfolgern, dass "die Dimension gleich 3 ist". OpenAI geht einen Schritt weiter und steuert präzise die Beziehung zwischen dem Färbeanteil und dem Gesamtvolumen. Selbst wenn immer weniger Bereiche gefärbt werden, muss diese strengere untere Schranke gelten.
Nach der Argumentation von OpenAI ist diese strengere Anforderung erfüllt, und daraus kann weiter die vollständige dreidimensionale Maximalfunktionsschätzung abgeleitet werden.
Das Problem tritt nach dem Vergrößern auf.
Wenn 10% der Fläche gefärbt ist, aber der gesamte Anteil an einem Ende konzentriert ist oder überall verteilt ist, kann die Dichte nach dem Herausschneiden eines kleinen Abschnitts völlig unterschiedlich sein.
OpenAI erfasst daher die Verteilung der Färbung auf verschiedenen Skalen, verfolgt die Änderungen bei jedem Schnitt und jeder Vergrößerung und kombiniert geometrische Schätzungen mit Entropieanalysen, um Anordnungen mit übermäßigen Überlappungen auszuschließen, die die angestrebte untere Schranke verletzen.
Diese Argumentation nutzt weiterhin die Mengenschätzungen von Guth, Wang Hong und Zahl sowie den ebenen Furstenberg-Satz von Wang Hong und Ren Kang.
Wenn der Hauptsatz gilt, sind die Erkenntnisse nicht auf diese eine beschränkt.
Eine Kategorie sind die Nikodym-Maximalfunktionsschätzungen, bei denen man von der Suche nach dünnen Röhren nach Richtungen zur Untersuchung von dünnen Röhren übergeht, die durch alle Punkte verlaufen.
Die andere Kategorie nutzt vorhandene Umwandlungssätze, um die Schlussfolgerungen von geraden dünnen Röhren auf gekrümmte dünne Röhren zu erweitern, die bestimmte Bedingungen erfüllen, und entsprechende lokale Ergebnisse zu erhalten.
Der neue vierdimensionale Beweis von OpenAI
Eine Dimension mehr, die Schwierigkeit steigt mehr als nur um eins
Bisher lag die untere Dimensionsschranke bei 3,059; der Durchbruch zur vollen Dimension von Wang Hong und Zakharov im September dieses Jahres deckte nur den speziellen "klebrigen" Fall ab.
Von 3,059 direkt auf 4! Dieses 175-seitige Manuskript von OpenAI will genau diesen Schritt herausfordern.
Titel und Abstract des vierdimensionalen Kakeya-Manuskripts von OpenAI. Die Hauptschlussfolgerung bezieht sich auf die Hausdorff-Dimension allgemeiner vierdimensionaler Kakeya-Mengen
Aber der dreidimensionale Beweis kann nicht direkt auf den vierdimensionalen Fall übertragen werden.
Guth wies darauf hin, dass sich in vier Dimensionen dünne Röhren in großer Zahl entlang von Quadriken ansammeln können, was zu Überlappungen führt, die mit dreidimensionalen Methoden nicht kontrolliert werden können.
OpenAI nimmt diese Ansammlung selbst als Hinweis. Es beschreibt die lokalen Beziehungen zwischen Liniensegmenten mit quadratischen Polynomen und verfolgt, wie weit diese Beziehungen sich entlang der Liniensegmente fortsetzen lassen.
Aber es reicht nicht aus, nur wenige Liniensegmente zu erklären.
OpenAI nutzt eine gewichtete Schätzung aus dem 97-seitigen dreidimensionalen Manuskript, sodass die ausgewählten lokalen Bereiche genügend Schnittpunkte von Liniensegmenten enthalten.
Und die Quelle dieses Lemmas sind wiederum die Mengenschätzungen von Guth, Wang Hong und Zahl.
Seite 20 des dreidimensionalen Manuskripts von OpenAI, Lemma 3.3 mit den Formeln (3.7) und (3.8); bei der Zitierung im vierdimensionalen Manuskript wird es als "Lemma 2.3" bezeichnet und in Lemma 2.15 desselben Manuskripts wiederholt
Bei der Behandlung ebener Strukturen nutzt die vierdimensionale Argumentation von OpenAI auch das Punktprodukt-Theorem von Wang Hong und Zahl.
Das ähnelt dem Entwickeln eines Technologiebaums: OpenAI schreitet weiter voran und nutzt dabei immer noch die von Wang Hong mitentwickelten Voraussetzungen
Im letzten Schritt soll das hypothetische Gegenbeispiel selbst seine Schwachstellen aufzeigen.
OpenAI nimmt zunächst an, dass es eine Kakeya-Menge mit einer Dimension von weniger als 4 gibt, und behandelt dann Fälle getrennt nach der Art der Ansammlung von Liniensegmenten. In einigen Fällen können sich die lokalen Beziehungen weiter entlang der Liniensegmente fortsetzen, in anderen lassen sich