שאלה מתמטית שנותרה פתוחה 31 שנה נפתרה: חוקר ממיקרוסופט ושותף הוכיחו את השערת KLS
חוקר ממיקרוסופט ושותף למחקר הוכיחו את השערת Kannan-Lovász-Simonovits מ-1995, אחת השאלות הפתוחות המרכזיות בגאומטריה רב-ממדית. ההוכחה התגבשה בתהליך שבו סוכני AI בחנו כיווני פתרון והחוקרים כיוונו אותם, והיא כבר עברה אימות פורמלי ממוחשב. התוצאה מסירה מכשול תיאורטי בהבנת היעילות של אלגוריתמים הסתברותיים.
שני חוקרים, ביניהם Xinzhi Zhang מקבוצת Machine Learning and Optimization ב-Microsoft Research, הוכיחו את השערת Kannan-Lovász-Simonovits (KLS). ההשערה הוצגה ב-1995, ומאז היא נחשבת לאחת השאלות הפתוחות המרכזיות בגאומטריה של מרחבים רב-ממדיים. כך דיווחה מיקרוסופט בבלוג המחקר שלה. לפי החברה, כמה חוקרים בלתי תלויים כבר בדקו את העבודה ואישרו אותה, וההוכחה עברה גם אימות פורמלי ממוחשב, כלומר תוכנה בדקה כל צעד לוגי בה.
על מה ההשערה מדברת
אפשר לדמיין צורה או "ענן" של נקודות במרחב, ולשאול איפה נמצא צוואר הבקבוק הצר ביותר: המקום שבו אפשר לחתוך את הצורה לשני חלקים עם "קו תפר" קטן במיוחד. השערת KLS מתייחסת למשפחה רחבה של התפלגויות הסתברות רב-ממדיות, שנקראות log-concave. היא שואלת אם חיתוך שטוח פשוט, במישור (hyperplane), יעיל תמיד כמעט כמו החיתוך הטוב ביותר מכל צורה שהיא.
ליתר דיוק, ההשערה טוענת שהפער בין שני סוגי החיתוך חסום בקבוע אוניברסלי, בלי תלות במספר הממדים. לפי מיקרוסופט, זה בדיוק מה שהחוקרים הוכיחו. עד עכשיו התוצאה הטובה ביותר, מיולי 2026, אפשרה לחסם הזה לגדול לאט ככל שמספר הממדים עולה.
לחשיבות של השאלה הייתה הכרה רחבה הרבה לפני שנפתרה. המכון למחקר במדעי המתמטיקה (MSRI) כינה אותה "בעיה פתוחה מרכזית בגאומטריה קמורה רב-ממדית", מכון סיימונס תיאר אותה כ"אחת הבעיות הפתוחות החשובות ביותר בגאומטריה קמורה", ו-Quanta Magazine כתב שהיא "נמצאת בלב שאלות רבות בסטטיסטיקה ובמדעי המחשב".
למה זה נוגע למחשוב
הקשר למחשוב עובר דרך הליכות אקראיות (random walks). אלגוריתמים רבים דוגמים מהתפלגויות מורכבות בעזרת "צעדים" אקראיים במרחב, וצווארי הבקבוק בגאומטריה של ההתפלגות קובעים כמה מהר ההליכה הזאת מצליחה לסרוק אותה. לכן KLS ממלאת תפקיד מרכזי בתיאוריה של דגימה במרחבים רב-ממדיים. לדברי מיקרוסופט, ההוכחה מראה שמרחבים רב-ממדיים "מתנהגים יפה יותר ממה שהיה ידוע", ושהמכשולים לניווט בהם לא גדלים בלי גבול ככל שמספר הממדים עולה.
איך הגיעו להוכחה
לפי הבלוג, העבודה התקדמה בשלבים. החוקרים יצאו מהתוצאה של יולי 2026 וניסו לשפר אותה. בתהליך מובנה שהם עצמם הובילו, הם עבדו עם סוכני AI ובחנו יותר מ-100 גישות אפשריות, שרבות מהן דרשו חישובים ארוכים עם טנזורים מסדר גבוה. המאמץ הזה הניב קריטריון מתמטי חדש, והוא הפך לבסיס של ההוכחה. מיקרוסופט מדגישה שה-AI בחן אפשרויות, ואילו החוקרים העריכו את התוצאות, סיננו אותן וכיוונו מחדש את החיפוש.
אחר כך התברר שאפשר להפעיל את הקריטריון באופן רקורסיבי: כל חסם משופר מוזן חזרה לאותו טיעון, וכך מתקבל חסם הדוק עוד יותר. בגרסת המאמר מ-1 באוקטובר 2026 הצליחו החוקרים לצמצם את התלות בממד ללוגריתם איטרטיבי, פונקציה שגדלה לאט מאוד אבל עדיין גדלה, ולכן ההשערה עוד לא הוכרעה. הצעד האחרון היה לחזור על כל תהליך השיפור הרקורסיבי שוב ושוב, ולא להפעיל אותו פעם אחת בלבד. את הרעיון הזה הם שאבו מעבודה קודמת שלהם על אלגוריתמים מהירים לתכנות ליניארי (linear programming). החוקרים הוכיחו שהשגיאות הקטנות שנוצרות בכל שלב מצטמצמות מהר מספיק כדי שהסכום שלהן יישאר חסום.
המשמעות
הקשר ל-AI כאן עקיף, אבל ככל הנראה מהותי. אלגוריתמי דגימה הסתברותיים משמשים בסטטיסטיקה, באופטימיזציה ובלמידת מכונה, ותוצאה שמבטיחה שהגאומטריה שמתחתם לא "מתקלקלת" בממדים גבוהים מחזקת את היסודות התיאורטיים שלהם. לצד זה, אופן העבודה מעניין בפני עצמו: AI ששימש כלי חיפוש בידי מתמטיקאים, ואימות פורמלי ממוחשב בסוף הדרך. השילוב הזה עשוי להצביע על הדרך שבה ייפתרו בעיות מתמטיות פתוחות בשנים הקרובות.