AI leitet „außerirdische Mathematik“ ab: Ein seit 38 Jahren ungelöstes Chaos-Problem wurde von GPT-6 gemeinsam mit Claude beendet.

Kürzlich gab der theoretische Neurowissenschaftler David Clark bekannt, dass es ihm gelungen ist, das vollständige Lyapunov-Spektrum des Sompolinsky-Modells von 1988 zu entschlüsseln.

Link: https://arxiv.org/abs/2610.12426

Wenn Sie mit diesen trockenen akademischen Begriffen nicht vertraut sind, ist das kein Problem. Sie müssen nur zwei Dinge wissen:

Erstens ist dies das schwierigste Problem in der theoretischen Neurowissenschaft seit fast vierzig Jahren, das sogar allgemein als eine Sackgasse angesehen wurde, die „analytisch absolut unlösbar“ ist.

Zweitens ist der Hauptakteur, der diesen Durchbruch geschafft hat, nicht der Mensch, sondern GPT-6 Astra. Und für die unterstützende Abschlussarbeit war Claude Opus 5.5 verantwortlich.

In diesem bahnbrechenden theoretischen Durchbruch wirkte der menschliche Wissenschaftler David Clark eher wie ein „Bauleiter“ und „Übersetzer“.

In seinem Tweet konnte er seine Aufregung und sein Erstaunen nicht verbergen: „In der Zusammenarbeit mit KI-Modellen habe ich den bisher wichtigsten rein theoretischen Durchbruch meiner Karriere auf dem Gebiet der theoretischen Neurowissenschaft erzielt!“

Die 38 Jahre andauernde akademische Dunkelwolke und der „Schmetterling des Chaos“

Um die Heldentat von GPT-6 zu verstehen, müssen wir zurück ins Jahr 1988 reisen und die „Dunkelwolke“ betrachten, die damals über der theoretischen Neurowissenschaft hing.

Wenn von „Chaotischen Systemen“ die Rede ist, fällt einem als erstes möglicherweise das Stichwort „Schmetterlingseffekt“ ein – ein Schmetterling, der in Südamerika mit den Flügeln schlägt, kann in Texas einen Tornado auslösen.

In Mathematik und Physik bedeutet dies, dass das System extrem empfindlich auf den Ausgangszustand reagiert: Eine winzige Störung wächst im Laufe der Zeit exponentiell und unaufhaltsam an.

Aber die Frage lautet: Wie schnell wächst diese Störung?

In einem mehrdimensionalen Raum hat die Störung in verschiedene Richtungen unterschiedliche Wachstumsraten. Die Wachstumsrate in jeder Richtung wird mathematisch als „Lyapunov-Exponent“ bezeichnet.

Die Gesamtheit der Exponenten in allen Richtungen bildet dann die ultimative Karte, die das gesamte Bild des chaotischen Systems beschreibt – das Lyapunov-Spektrum.

Dieses „Spektrum“ gleicht der „Gensequenzierungskarte“ des chaotischen Systems.

Es kann uns folgende Fragen beantworten: Wie viele Dimensionen nimmt der Attraktor ein? Wie schnell erzeugt das gesamte System tatsächlich Informationen?

Wenn man es beherrscht, hält man den Schlüssel in der Hand, um das Chaos zu zähmen.

1988 stellten drei wissenschaftliche Größen – Sompolinsky, Crisanti und Sommers – in der Top-Fachzeitschrift *Physical Review Letters* ein Modell vor: ein nichtlineares rekurrentes Netzwerk, das aus N zufällig gekoppelten Neuronen besteht.

Sie stellten fest, dass dieses Netzwerk sofort in einen „chaotischen Zustand“ gerät, wenn die Kopplungsstärke zwischen den Neuronen einen bestimmten Grenzwert überschreitet.

Nach seiner Veröffentlichung wurde dieses Modell direkt zum absoluten Grundpfeiler der theoretischen Neurowissenschaft. Seit Jahrzehnten wird es nicht nur zur Simulation der spontanen Aktivität der menschlichen Hirnrinde verwendet, sondern ist auch der Ausgangspunkt für das Training verschiedener moderner rekurrenter neuronaler Netze (RNN) der KI.

Aber dieses göttliche Modell hinterließ eine riesige Lücke.

In dem Aufsatz von 1988 berechneten die drei Wissenschaftler über die Grundzustandsenergie der Schrödingergleichung den „größten“ Lyapunov-Exponenten. Dann ließen sie die Frage „Wie berechnet man das vollständige Lyapunov-Spektrum?“ als offenes Problem für nachfolgende Generationen zurück.

Dieser Zustand hielt ganze 38 Jahre an. Erst im Jahr 2023 berechneten Engelken und seine Mitautoren mithilfe leistungsstarker Rechenkapazitäten das vollständige Spektrum notdürftig über „numerische Verfahren“ (Brute-Force-Berechnung).

Link: https://arxiv.org/abs/2610.12426

Aber „numerische Berechnung“ ist nicht gleich „analytische Herleitung“.

In der akademischen Welt herrscht der allgemeine Konsens, dass es fast „menschlich unmöglich“ ist, eine vollständige analytische Lösung für dieses hochdimensionale chaotische System zu formulieren.

Sogar David Clark selbst ging zu Beginn seiner Forschung davon aus, dass „dieses Problem analytisch vollständig unlösbar (analytically intractable) ist“. Bis er GPT-6 Astra aktivierte.

Übermenschliche Leistung! Die 100-minütige „rasante Tiefflug“-Berechnung von GPT-6

Wenn die menschliche Intuition und Herleitungsfähigkeit ihre Grenzen erreichen, zeigt das siliziumbasierte Leben eine erschreckende Überlegenheit.

David Clark beschloss, es mit dem Unmöglichen zu versuchen. Er fütterte dieses als „unlösbar“ eingestufte Problem an GPT-6 Astra, das im „Max“-Modus aktiviert war.

Anschließend führte GPT-6 eine 100-minütige unabhängige Berechnung durch.

Schließlich lieferte GPT-6 Astra seine Antwort: Einen vollständigen, raffinierten vorläufigen Herleitungsprozess. Er extrahierte ein in sich geschlossenes Problem, dessen Lösung perfekt mit den Simulationsergebnissen von Supercomputern für große Netzwerke übereinstimmte!

Als David Clark die komplexen mathematischen Formeln auf dem Bildschirm sah, war er fassungslos.

Er schrieb ohne Umschweife: Dieser Herleitungsprozess ist äußerst faszinierend, obwohl er kompliziert ist und sogar eine „nicht-menschliche Geheimnisvollheit (somewhat mysterious)“ aufweist.

Um Ihnen zu verdeutlichen, wie außergewöhnlich GPT-6 ist, zerlegen wir die dreistrategische Herangehensweise der KI für diesen bahnbrechenden Durchbruch in Worten, die Menschen verstehen können:

Erster Schritt: Dimensionsreduzierte Übertragung, geschickte Nutzung der „Minimalnorm-Lösung“

Es ist zu schwierig, direkt zu berechnen, wie viele Exponenten es gibt.

GPT-6 ging den umgekehrten Weg. Er subtrahierte von allen Exponenten eine Konstante s. Dadurch wurde das komplexe ursprüngliche Problem, „wie viele Exponenten unter s liegen“, geschickt in das Problem umgewandelt, „wie viele Tangentialrichtungen abklingen“.

Anschließend steuerte er die verschobene Dynamik mit Quellfeldern, nahm die Minimalnorm-Lösung (minimum-norm solution) und bewies direkt: Die Ein-Schritt-Antwort ist genau der Projektionsoperator der abklingenden Richtungen!

Sobald man die „Spur (trace)“ dieses Operators berechnet, zählt man direkt die Anzahl der abklingenden Richtungen. Dieser Schritt ist bei einer endlichen Anzahl von N Neuronen absolut exakt!

Zweiter Schritt: Das bidirektionale Feld, das die Zeitbarriere durchbricht

Um die äußerst schwierige „Minimalnorm-Lösung“ zu verarbeiten, wandte GPT-6 eine äußerst futuristische mathematische Transformation an: Er wandelte die Minimalnorm-Lösung in den Grenzwert eines Problems der kleinsten Quadrate um, wenn die Regularisierung gegen Null strebt.

Dieser Grenzwert löst tatsächlich ein besonderes dynamisches System – eines der Felder entwickelt sich in der Zeit „vorwärts“, während das andere Feld in der Zeit „rückwärts“ fließt! Diese mathematische Operation, die die Einzigartigkeit des Zeitpfeils durchbricht, zeigt das außergewöhnliche Verständnis der KI für hochdimensionale Dynamik.

Dritter Schritt: Der ultimative Kniff mit der Cavity-Methode

Schließlich führte die KI die klassische Technik der statistischen Physik, die „Cavity-Methode“, ein. Stellen Sie sich vor, Sie fügen diesem chaotischen Netzwerk gewaltsam ein neues Neuron sowie sein „Vorwärtsfeld“ und sein „Rückwärtsfeld“ hinzu.

Der Einfluss des restlichen Systems auf es wird perfekt auf das klassische „dynamische Mean-Field“ reduziert, ergänzt um zwei „Kerne (kernels)“, die die Vorwärts- und Rückwärtsfelder über die Zeit hinweg koppeln.

Damit wurde das unlösbare chaotische System mit N Neuronen von GPT-6 gewaltsam zu einem „Ein-Punkt-Problem“ komprimiert!

Sobald diese „Kerne“ konsistent berechnet werden, lässt sich das vollständige Lyapunov-Spektrum mühelos ermitteln!

Nachdem Sie das gelesen haben, sind Sie möglicherweise schon völlig verwirrt.

Keine Sorge, nicht nur Sie – selbst der Spitzenwissenschaftler David Clark war anfangs etwas verwirrt von diesem „außerirdischen Mathematiksystem“, das GPT-6 vorgelegt hatte.

In diesem Moment trat der zweite KI-Helden auf die Bühne – Claude Opus 5.5.

Mit Unterstützung von Claude analysierten David Clark und die KI-Modelle gemeinsam die etwas „geheimnisvolle“ Lösungsstruktur, die GPT-6 vorgeschlagen hatte. Schließlich übersetzten sie diese „siliziumbasierte Sprache“ in einen „physikalisch vollständig transparenten, logisch äußerst eleganten“ menschlichen Herleitungsprozess.

Dieses Endergebnis reproduzierte sogar mühelos das komplexe Schrödingergleichungsergebnis der ursprünglichen Autoren von vor 38 Jahren.

Außerdem hat diese Theorie noch ein „Nebenprodukt“: Die Dimension des Systemattraktors und die Geschwindigkeit der Informationserzeugung wachsen proportional zur Anzahl der Neuronen N rasant an!