IA ajuda a calcular amplitudes de grávitons em gravidade quântica

A física teórica sempre foi vista como um reduto da mente humana, uma área em que a intuição e anos de formação especializada são insubstituíveis. Um novo preprint, publicado por um grupo de pesquisadores, questiona esse axioma: o grande modelo de linguagem GPT-5.2 Pro ajudou, pela primeira vez, a deduzir e verificar amplitudes de grávitons não nulas em nível de árvore no contexto da gravidade quântica. Não é apenas uma curiosidade técnica: é um sinal de que a inteligência artificial começa a trabalhar de verdade em um terreno onde, até agora, só um círculo restrito de especialistas conseguia atuar.

Para entender a relevância do resultado, é preciso um pouco de contexto. Amplitudes de espalhamento são objetos matemáticos que descrevem as probabilidades de interação entre partículas elementares. Na teoria quântica de campos, calculá-las com os diagramas de Feynman clássicos é um processo sabidamente trabalhoso: o número de termos cresce de forma fatorial com o número de partículas envolvidas.

O chamado método de amplitudes single-minus, uma classe especial de configurações de helicidade em que exatamente um dos momentos externos tem helicidade negativa, permite reduzir bastante o trabalho analítico. Até pouco tempo atrás, porém, o método era aplicado principalmente a glúons em teorias de calibre, como a cromodinâmica quântica. Estender a abordagem aos grávitons, as partículas que transmitem a interação gravitacional na gravidade quântica, era um problema à parte e nada trivial.

Em termos teóricos, os grávitons são consideravelmente mais complexos que os glúons. Suas amplitudes de espalhamento, mesmo no nível de diagramas de árvore e sem correções quânticas, geram expressões de volume realmente assustador. Foi aí que entrou o GPT-5.

2 Pro. Os pesquisadores usaram o modelo não como substituto de um físico humano, mas como assistente analítico capaz de operar com cálculo simbólico, acompanhar longas cadeias algébricas e checar a correção de resultados intermediários. O modelo ajudou a deduzir amplitudes específicas não nulas e as verificou comparando-as com relações conhecidas, em particular as relações de Kawabata-Luforo-Stevens, que conectam amplitudes gravitacionais e de calibre.

É importante destacar: não se trata de simulação numérica nem de ajuste de parâmetros. O GPT-5.2 Pro trabalhou com álgebra simbólica, justamente a que tradicionalmente exige um humano com qualificação profissional.

Essa distinção é fundamental. Nos últimos anos, redes neurais têm sido muito usadas em física para resolver equações diferenciais, otimizar estruturas moleculares ou acelerar simulações. Mas todas essas são tarefas em que o modelo opera com números ou aproxima funções. O cálculo analítico em física teórica é uma história totalmente diferente: é preciso manipular expressões simbólicas, entender a estrutura das álgebras de Lie, o grupo de simetrias do problema e as restrições físicas impostas ao resultado. Que um modelo de linguagem consiga fazer esse trabalho em nível suficiente para entrar em um preprint científico representa um salto qualitativo nas capacidades da tecnologia.

Para a indústria e a comunidade acadêmica, o resultado abre várias perspectivas importantes. Primeiro, legitima o uso de LLMs na ciência teórica fundamental, área em que essas ferramentas eram vistas com ceticismo. Segundo, aponta um nicho concreto em que os modelos de linguagem trazem ganho real: não substituir o cientista, mas acelerar as etapas mais rotineiras, ainda que tecnicamente complexas, do trabalho. Manipulações algébricas trabalhosas, que podem consumir semanas de um físico teórico, potencialmente caem para algumas horas. Terceiro, a publicação estimula o debate sobre verificação: como a comunidade deve tratar resultados obtidos em parte com ajuda de IA? Os autores, pelo que tudo indica, apostaram na transparência ao indicar explicitamente o papel do GPT-5.2 Pro no trabalho.

A gravidade quântica continua sendo um dos principais problemas não resolvidos da física fundamental. A teoria ainda não tem confirmação experimental, e o aparato analítico necessário para desenvolvê-la é extremamente complexo. Se os modelos de linguagem conseguirem assumir parte dessa carga analítica, o ritmo da pesquisa teórica pode aumentar de forma perceptível. Não porque a IA entenda física no sentido humano, mas porque sabe operar com enorme precisão e rapidez as estruturas formais pelas quais a física se expressa. É um preprint para acompanhar: se os resultados passarem pela revisão por pares, é possível que estejamos vendo o início de uma nova prática de trabalho na física teórica.