KI-gestützte Mathematik: Neue Grenzen beim Kugelpacken

Das klassische Problem des Kugelpackens – die dichte Anordnung gleichmaßer Kugeln im n‑dimensionalen euklidischen Raum – bleibt eines der spannendsten offenen Fragen der Mathematik. Es hat weitreichende Anwendungen, von der Kryptographie über die Kristallographie bis hin zur medizinischen Bildgebung, und wurde sogar als Hilbert’sches 18. Problem bezeichnet. Trotz bedeutender Fortschritte, etwa der Beweis der optimalen Packung in acht Dimensionen, sind für die meisten Dimensionen weder optimale Packungen noch scharfe obere Schranken bekannt.

Die herkömmliche Methode, obere Schranken zu bestimmen, nutzt den sogenannten „Three‑Point‑Methoden“-Ansatz, der das Problem in riesige, hochpräzise semidefinite Programme (SDPs) überführt. Ein einzelnes SDP kann Tage dauern, um gelöst zu werden, was herkömmliche datenintensive KI‑Ansätze unpraktisch macht. Um dieses Engpassproblem zu überwinden, haben die Forscher die Konstruktion von SDPs als sequentiellen Entscheidungsprozess – das „SDP‑Spiel“ – formuliert. In diesem Spiel baut eine Policy die SDP‑Formulierungen aus einer Menge zulässiger Bausteine zusammen.

Durch die Kombination von Bayesian‑Optimierung mit Monte‑Carlo‑Tree‑Search in einem modellbasierten, sample‑effizienten Rahmen konnten die Autoren neue, bisher unerreichte obere Schranken für die Dimensionen vier bis sechzehn erreichen. Diese Ergebnisse zeigen, dass modellbasierte Suche nicht nur die Grenzen des aktuellen Wissens verschiebt, sondern auch einen vielversprechenden, komplementären Ansatz für KI‑unterstützte Entdeckungen darstellt – insbesondere bei Problemen, die durch strenge mathematische Strukturen und begrenzte Evaluationsmöglichkeiten geprägt sind.