ปัญหาของ Lehmer: AI ทำลายขีดจำกัดดีกรีสูงสำหรับพหุนามดีกรีคู่จนถึง 2000

สรุปสั้น: ทีมวิจัยใช้วงจรการค้นพบแบบมนุษย์และ AI พัฒนาอัลกอริทึม Generalized Boyd เพื่อสร้างพหุนามที่มีค่า Mahler ต่ำกว่าขีดจำกัดของ Boyd สำหรับทุกดีกรีคู่จนถึง 2000 ซึ่งทำลายสถิติเดิมที่ระดับ 180 และเปิดทางสู่การใช้ปัญญาประดิษฐ์แก้ปัญหาทฤษฎีจำนวนที่ยากลำบากได้อย่างมีประสิทธิภาพ

ข้อเท็จจริงสำคัญ

• ทีมวิจัยเผยแพร่ผลงานบน arXiv เมื่อวันที่ 21 ตุลาคม 2026 โดยใช้วงจรการค้นพบแบบมนุษย์และปัญญาประดิษฐ์ (human-AI discovery loop) เพื่อแก้ปัญหาของเลห์เมอร์
• ความสำเร็จนี้ทำลายสถิติเดิมที่ระดับคู่สูงสุดเพียง 180 โดยขยายขอบเขตการสร้างพหุนามที่ลดทอนไม่ได้ไปจนถึงดีกรีคู่สูงถึง 2000
• นักวิจัยพัฒนาอัลกอริทึม Generalized Boyd ซึ่งเป็นวิธีการสร้างที่มีห้าพารามิเตอร์ เพื่อเอาชนะข้อจำกัดของครอบครัวพารามิเตอร์เดียวแบบเดิม
• พหุนามที่สร้างขึ้นมีค่าวัดมาห์เลอร์ (Mahler measure) ต่ำกว่าจุดจำกัดของบอยด์ซึ่งอยู่ที่ประมาณ 1.255434 อย่างชัดเจนในทุกดีกรีคู่ที่ศึกษา
• วิธีการนี้ครองตำแหน่งค่าที่รู้จักดีที่สุดถึง 99.6% สำหรับระดับคู่ทั้งหมดสูงสุดถึง 2000 และปรับปรุงสถิติจากผลงานตีพิมพ์หกชิ้นก่อนหน้านี้
• กระบวนการค้นพบผสมผสานการตั้งคำถามผ่านการสนทนา ระบบนำตัวเลขความเร็วสูง เครื่องตรวจสอบเชิงสัญลักษณ์ และการค้นหาแบบกระจายบนคลัสเตอร์คอมพิวเตอร์
• ชุดข้อมูลที่ผ่านการตรวจสอบแล้วประกอบด้วยพหุนามที่ลดทอนไม่ได้และมีค่าวัดมาห์เลอร์ต่ำสุดสำหรับทุกดีกรีคู่จนถึง 2000 เพื่อใช้เป็นมาตรฐานอ้างอิงในอนาคต

การทำลายกำแพงระดับสูงในปัญหาของเลห์เมอร์

ปัญหาของเลห์เมอร์ (Lehmer’s problem) ซึ่งเสนอขึ้นในปี 1933 ตั้งคำถามว่า ค่าวัดมาห์เลอร์ (Mahler measure) ของพหุนามจำนวนเต็ม—ซึ่งสะท้อนระดับที่รากของพหุนามเบี่ยงเบนออกจากวงกลมหนึ่งหน่วย—สามารถมีค่าน้อยลงได้ตามใจชอบหรือไม่ [1][2] เป็นเวลาหลายทศวรรษที่การสร้างพหุนามดังกล่าวในระดับสูงยังคงเป็นความท้าทายสำคัญ ความพยายามก่อนหน้านี้จำกัดอยู่เฉพาะระดับคู่สูงสุดที่ 180 โดยครอบครัวของพารามิเตอร์เดียวของบอยด์ (Boyd’s one-parameter family) มักล้มเหลวในการสร้างพหุนามที่ลดทอนไม่ได้ (irreducible polynomials) ในระดับที่สูงขึ้น ข้ามระดับคู่เป้าหมายไปเกือบครึ่งหนึ่งเนื่องจากกระบวนการแยกตัวประกอบ [1][2]

การศึกษาใหม่ที่ยื่นต่อ arXiv เมื่อวันที่ 21 ตุลาคม 2026 นำเสนอวงจรการค้นพบแบบมนุษย์-ปัญญาประดิษฐ์ (human-AI discovery loop) ที่เอาชนะกำแพงดังกล่าวสำหรับระดับคู่สูงสุดถึง 2000 [1][2] ทีมวิจัยได้พัฒนาอัลกอริทึมบอยด์แบบทั่วไป (Generalized Boyd algorithm)—ซึ่งเป็นวิธีการสร้างที่มีห้าพารามิเตอร์—เพื่อสร้างพหุนามที่ลดทอนไม่ได้โดยมีค่าวัดมาห์เลอร์ต่ำกว่าจุดจำกัดของบอยด์อย่างชัดเจน ซึ่งอยู่ที่ประมาณ $\alpha_1 \approx 1.255434$ [1][2] ความสำเร็จนี้ถือเป็นวิธีการทั่วไปครั้งแรกที่สามารถสร้างพหุนามดังกล่าวได้ทั่วทุกระดับคู่ในช่วงที่ศึกษา

วงจรการค้นพบแบบมนุษย์-ปัญญาประดิษฐ์

ความก้าวหน้านี้เกิดขึ้นจากกระบวนการวนซ้ำที่ผสมผสานระหว่างการตั้งคำถามผ่านการสนทนา (conversational prompting) ระบบนำตัวเลขความเร็วสูง เครื่องตรวจสอบเชิงสัญลักษณ์ที่แม่นยำ และการค้นหาแบบกระจายขนาดใหญ่ [1][2] เอเจนต์ปัญญาประดิษฐ์จะทำหน้าที่สร้างต้นแบบตัวแก้ปัญหาระดับท้องถิ่น เริ่มการค้นหาแบบขนานบนคลัสเตอร์คอมพิวเตอร์ที่กระจายอยู่ และร่วมมือกับนักวิจัยมนุษย์ในการสกัดและตรวจสอบสมมติฐานทางคณิตศาสตร์ [1][2] วงจรนี้ช่วยให้ทีมวิจัยสามารถระบุรูปแบบและได้มาซึ่งอัลกอริทึมบอยด์แบบทั่วไปผ่านการสำรวจทางคอมพิวเตอร์อย่างกว้างขวาง

วิธีการนี้ปรับปรุงสถิติค่าวัดมาห์เลอร์จากผลงานตีพิมพ์หกชิ้นก่อนหน้านี้ และครองตำแหน่งค่าที่รู้จักดีที่สุดถึง 99.6% สำหรับระดับคู่ทั้งหมดสูงสุดถึง 2000 [1][2] อย่างมีนัยสำคัญ วิธีการนี้ไม่ได้อ้างว่าครอบคลุมระดับคี่หรือลำดับระดับแบบสุ่ม—แต่จัดการเฉพาะระดับคู่เท่านั้น ซึ่งเป็นข้อจำกัดสำคัญที่สร้างความแตกต่างระหว่างความก้าวหน้านี้กับคำกล่าวอ้างในวงกว้าง

ชุดข้อมูลที่ผ่านการตรวจสอบและผลกระทบ

นักวิจัยได้เผยแพร่ชุดข้อมูลที่ผ่านการตรวจสอบแล้ว ซึ่งประกอบด้วยพหุนามที่ลดทอนไม่ได้และมีค่าวัดมาห์เลอร์ต่ำสุดสำหรับทุก ๆ ระดับคู่ที่ศึกษาจนถึง 2000 [1][2] ชุดข้อมูลนี้ทำหน้าที่เป็นมาตรฐานอ้างอิงสำหรับงานในอนาคตในสาขาทฤษฎีจำนวนและคณิตศาสตร์เชิงคำนวณ ในขณะที่วรรณกรรมอื่น ๆ ได้สำรวจข้อสันนิษฐานที่เกี่ยวข้อง—เช่น การอ้างว่ามีการพิสูจน์สมมติฐานของเลห์เมอร์โดยใช้ฟังก์ชันซีตาพลวัตในปี 2019 [5] หรือลำดับที่เกี่ยวข้องกับปัญหานี้ในปี 2023 [6]—แต่ไม่มีงานใดที่ให้วิธีการเชิงโครงสร้างสำหรับกรณีระดับสูง

งานชิ้นนี้แสดงถึงการเปลี่ยนผ่านไปสู่ระบบเอเจนต์และการเรียนรู้แบบเสริมกำลัง (reinforcement learning) ในการแก้ปัญหาทางคณิตศาสตร์ที่ยังคงค้างคามายาวนาน ผ่านการสำรวจด้วยพลังการคำนวณขนาดใหญ่ ซึ่งแสดงให้เห็นว่า AI สามารถเร่งกระบวนการค้นพบได้อย่างไรเมื่อผสานรวมกับความเข้าใจของมนุษย์

แหล่งข้อมูล

1. Breaking the high-degree barrier in Lehmer’s problem with a human-AI discovery loop (arxiv.org) — 2026-10-21
2. Breaking the high-degree barrier in Lehmer’s problem with a human-AI discovery loop | Arxiv - DeepPaper (arxiv.deeppaper.ai) — 2026-10-21
3. A proof of the Conjecture of Lehmer (arxiv.org) — 2019-11-24
4. Sequences related to Lehmer’s problem (arxiv.org) — 2023-08-18