研究突破与成果 - AI驱动的PackingStar强化学习系统在25-31维打破了人类已知的最佳亲吻数结构 同时打破了长期保持不变的14维与17维的"两球亲吻数"以及12维 20维与21维的"三球亲吻数" [1] - 该研究将高维堆积问题转化为余弦矩阵上的多智能体博弈学习问题 使AI能够探索远超人类直觉的复杂空间 [1] - 过去50年 亲吻数构造仅有7次实质性进展 此次AI驱动的突破是重大进展 [1] 研究方法与技术创新 - PackingStar系统将原本极为复杂的高维几何问题 统一转化为高度契合GPU并行逻辑的代数问题 从而彻底释放AI模型的计算潜力 [4] - 具体方法是将"加球"问题重构为余弦矩阵的填充问题 并设计了一套多智能体强化学习架构来求解 在求解性能和扩展能力上实现了跨越式提升 [4] - 此前的AI尝试 如DeepMind的AlphaEvolve 仅在11维将最优值从592提到593 且构型混乱 缺乏内在数学结构 推动作用有限 而PackingStar的方法更具系统性 [3] 计算效率与平台支持 - 依托星河启智科学智能开放平台 亲吻数问题研究搜索效率提升2-3倍 累计节省超10万GPU卡时 [6] - 通过PackingStar项目的探索 相关科学智算能力进一步沉淀在了星河启智平台上 将服务广大科学家 加速科学新发现 [6] - 这套方法已沉淀为可复用的跨学科智能计算范式 许多曾经因算力门槛而被视为"不可计算"的科学难题 现在可以被系统化探索 [6] 研究团队与机构背景 - 该课题由上海科学智能研究院 北京大学 复旦大学的联合研究团队完成 由上智院AI Math青年研究员 北京大学博士生马成栋于2024年发起 [1][7] - 上智院是一家成立于2023年 聚焦科学智能前沿的新型研发机构 科研人才既有大厂背景 也有海归经历 [7] - 机构鼓励青年科研人员独立探索 亲吻数项目便由青年科学家担任独立PI发起推进 没有论资排辈 [7] 问题意义与应用前景 - 亲吻数问题不仅是抽象的几何难题 它已成为离散几何和编码理论的核心问题之一 [3] - 球体如何紧密排列 对应于工程上将信号点均匀分布在多维球面上的方式 在卫星通讯 量子编码 数据压缩等领域 高维空间的"最优分布"也是实际工程问题的数学表示 [3] - 亲吻数问题与数学中许多分支有深度联系 如数论中的格论 代数中的群论 物理中的弦论 以及组合学中的各类组合设计理论 [3] 未来计划 - 后续计划是在当前成果基础上改进系统 拓展至全空间球堆积问题 探索在图论等领域的应用 以及尝试触及更高维度 [8] - 团队正开始与更多数学家建立合作 [8]