Un preprint firmado por investigadores de Harvard, Cambridge, Vanderbilt y el Institute for Advanced Study revela que una interacción considerada imposible sí puede ocurrir bajo condiciones específicas. La fórmula central fue conjeturada por GPT-5.2 Pro y luego demostrada y verificada con asistencia de modelos internos de OpenAI.
La inteligencia artificial acaba de cruzar una nueva frontera en la ciencia fundamental. OpenAI publicó un preprint en arXiv titulado “Single-minus gluon tree amplitudes are nonzero”, en el que se demuestra que un tipo de interacción entre gluones —partículas que transportan la fuerza nuclear fuerte— que durante décadas se consideró inexistente, en realidad puede producirse bajo condiciones matemáticamente precisas.
El trabajo está firmado por Alfredo Guevara (Institute for Advanced Study), Alex Lupsasca (Vanderbilt University y OpenAI), David Skinner (University of Cambridge), Andrew Strominger (Harvard University) y Kevin Weil (OpenAI), en representación de la compañía.
El eje del estudio es una cantidad central en física de partículas conocida como scattering amplitude o amplitud de dispersión, que permite calcular la probabilidad de que partículas interactúen de una manera determinada. En el caso de los gluones, muchas amplitudes adoptan formas sorprendentemente simples “a nivel árbol” (tree level), es decir, considerando únicamente los diagramas más básicos sin bucles cuánticos.
Sin embargo, existía un caso particular que los manuales descartaban como nulo: cuando un gluón presenta helicidad negativa (una de las dos orientaciones posibles del espín en partículas sin masa) y los restantes n−1 gluones tienen helicidad positiva. Bajo supuestos estándar de momento genérico —sin alineaciones especiales en direcciones o energías—, el resultado debía ser cero.
El nuevo trabajo demuestra que esa conclusión era demasiado fuerte.
El “half-collinear regime” y una amplitud no nula
Los autores identifican una región específica del espacio de momentos, denominada half-collinear regime, donde la alineación de los gluones cumple una condición especial, consistente pero no genérica. En ese recorte preciso del espacio cinemático, la amplitud no se anula y puede calcularse explícitamente.
El resultado abre una nueva línea de investigación. Entre las extensiones previstas se encuentra el cálculo de amplitudes análogas para gravitones, las partículas hipotéticas que median la fuerza gravitatoria.
GPT-5.2 Pro como coautor metodológico
Uno de los aspectos más disruptivos del trabajo es su metodología. La fórmula final —la ecuación (39) del preprint— fue inicialmente conjeturada por GPT-5.2 Pro.
Los investigadores humanos calcularon manualmente los casos para valores enteros de n hasta n=6, obteniendo expresiones extremadamente complejas (ecuaciones (29) a (32)) derivadas de expansiones en diagramas de Feynman cuya complejidad crece superexponencialmente con n. GPT-5.2 Pro simplificó esas expresiones en formas mucho más compactas (ecuaciones (35) a (38)), detectó un patrón y propuso una fórmula válida para todo n.
Posteriormente, una versión interna “scaffolded” de GPT-5.2 dedicó aproximadamente 12 horas a razonar sobre el problema, llegó a la misma fórmula y produjo una demostración formal. La ecuación fue verificada analíticamente mediante la relación de recurrencia de Berends-Giele —un método estándar para construir amplitudes multipartícula— y contrastada con el soft theorem, que impone restricciones cuando una partícula se vuelve “soft”.
Con asistencia de GPT-5.2, los resultados ya fueron extendidos de gluones a gravitones, y se anticipan nuevas generalizaciones.
La reacción de la comunidad académica
El impacto del trabajo no pasó desapercibido entre físicos teóricos.
Nima Arkani-Hamed, profesor en el Institute for Advanced Study, afirmó: “La física de estos procesos de dispersión altamente degenerados ha sido algo que me intrigó desde que me encontré con ellos hace unos quince años, por lo que es emocionante ver las expresiones sorprendentemente simples en este artículo”.
Añadió que “sucede con frecuencia en esta parte de la física que las expresiones para ciertos observables físicos, calculadas con métodos de manual, parecen terriblemente complicadas, pero resultan ser muy simples”. Y subrayó: “Para mí, ‘encontrar una fórmula simple’ siempre ha sido algo delicado, y también algo que desde hace tiempo sentí que podría automatizarse con computadoras… Parece que en varios dominios estamos empezando a ver que esto ocurre; el ejemplo de este artículo parece especialmente adecuado para aprovechar el poder de las herramientas modernas de IA. Espero ver que esta tendencia continúe hacia una herramienta de ‘reconocimiento de patrones de fórmulas simples’ de propósito general en el futuro cercano”.
Por su parte, Nathaniel Craig, profesor en la University of California, Santa Barbara (UCSB), señaló: “Ya estoy pensando en las implicancias de este preprint para aspectos del programa de investigación de mi grupo. Esto es claramente investigación a nivel de revista que avanza la frontera de la física teórica, y su novedad inspirará desarrollos futuros y publicaciones posteriores”.
Craig destacó además que el trabajo ofrece “una plantilla para validar ideas impulsadas por LLMs y satisface lo que esperamos de una investigación científica rigurosa”, y concluyó: “No hay duda de que el diálogo entre físicos y LLMs puede generar conocimiento fundamentalmente nuevo”.
Ciencia asistida por IA: un punto de inflexión
Más allá del resultado específico en teoría cuántica de campos, el preprint marca un hito en la integración entre investigadores humanos y modelos de lenguaje avanzados. No se trata solo de acelerar cálculos, sino de detectar patrones, formular conjeturas generales y producir demostraciones verificables.
En un momento en que la IA redefine industrias enteras, este avance sugiere que también puede redefinir el método científico en disciplinas de frontera. Si la promesa se confirma, GPT-5.2 no solo habrá contribuido a una nueva fórmula en física teórica, sino que habrá ayudado a inaugurar una nueva etapa en la producción de conocimiento científico.