Стандартная модель отлично согласуется с результатами физических экспериментов, однако, непертурбативного определения полной теории — то есть такого, в котором взаимодействия не рассматриваются как малые поправки, — у ученых еще нет. В так называемой решеточной теории поля пространство-время заменяется дискретной решеткой; этот подход успешно применяется для описания сильного взаимодействия — в частности, он позволил рассчитать массу протона исходя из фундаментальных принципов.
Правда, со слабым взаимодействием дело обстоит сложнее: в нем лево- и правосторонние фермионы ведут себя по-разному. Если попытаться разместить левостороннюю частицу на решетке самым простым способом, неизбежно возникает «лишний» партнер с правой хиральностью — эта проблема известна как «удвоение фермионов».
Вопросом устранения таких «дублеров» занимались ведущие физики, однако, как отмечает Натаниэль Крейг, руководитель научной группы по теории элементарных частиц в Калифорнийском университете в Санта-Барбаре, вопрос о фазовом правиле для всей Стандартной модели «оставался открытым свыше 25 лет». Его собственный подход к решению заключался в том, чтобы представить силовые поля на ряде всё более и более мелких решеток, а затем просуммировать различия между соседними сетками для получения фазовой поправки на исходной решетке.
По его словам, у него была общая стратегия, но он не мог доказать, что она работает во всех случаях. Моделдь GPT-6 Astra предложила способ переноса полей на более мелкие решетки, показала, что результаты сравнений сходятся, и провела основную часть доказательства.
Работа прошли ряд проверок, в том числе формализацию на языке Lean 4; при этом авторы предостерегают, что верификация с помощью Lean — это еще «не последнее слово в физике». Тем не менее, несколько специалистов в теории решеточных моделей уже ознакомились с доказательством ИИ и задали вопросы, которые, по словам Крейга, помогли ему «обрести уверенность в полученном результате».
Сейчас Крейг выясняет, удовлетворяет ли этот подход остервальдер-шрадеровской позитивности — требованию, которое связывает решеточную модель с квантовой теорией.
«Метод, который предложили мы с „Астрой“, — это скорее решение в принципе, нежели решение, готовое к практическому применению, — пояснил Крейг. — Чтобы понять, обладает ли этот подход всеми необходимыми нам свойствами, требуется научная дискуссия в кругу экспертов».
Недавно ученые использовали модель GPT-6 Astra, чтобы напрямую изменить веса другой нейросети и улучшить ее результаты в математических задачах. В эксперименте точность небольшой модели Qwen3.5-0.8B выросла с 7,9 до 48,1% после изменения лишь около 0,016% весовых коэффициентов.

