一句话总结

来自腾讯混元与卡内基梅隆大学的研究人员，在 AI agent Hyra（基于 Hy3）的协助下，通过构造显式集合 $A _ { K } \subset \mathbb { Z }$AK​⊂Z 使得 $\frac {\log \sigma (A _ {K})}{\log \delta (A _ {K})} \longrightarrow 2$logδ(AK​)logσ(AK​)​⟶2，从而确定了和差不等式中的最优指数，证明了 $\sigma (A) ^ {1 / 2} \leqslant \delta (A)$σ(A)1/2⩽δ(A) 中的指数 $1/2$1/2 是最优的。

核心贡献

• 构造了一个显式的有限整数集无穷族 $A_K$AK​，使得对数比 $\log\sigma(A)/\log\delta(A)$logσ(A)/logδ(A) 任意接近 2，从而解决了经典和差不等式 $\sigma(A)^{1/2}\le\delta(A)$σ(A)1/2≤δ(A) 中指数 $1/2$1/2 的最优性这一此前悬而未决的问题。
• 该构造及其证明是在 AI 研究 agent Hyra（基于 Hy3 模型）的协助下完成的，该 agent 在 SimpleTES 评估循环下自主优化了集合构造，在人工改进之前，将找到的最佳 $C(A)$C(A) 值从约 1.14 提升至 1.21。
• 形式化地证明了在所有有限非空整数集上 $C(A)$C(A) 的上确界恰好为 2，该值可以被无限逼近但无法达到；同时给出了一个自包含的数学论证，以及对该证明的 Lean 4 形式化验证。

引言

作者处理了加性组合学中经典的和差不等式，这些不等式关联了有限集的和集与差集的相对大小。对于阿贝尔群的非空子集，已知差集比率不能超过和集比率的平方，且这个二次上界是紧的。然而，相应的下界（和集比率的平方根）此前未被证明是最优的。

先前的工作未解决该下界中的指数 1/2 是否可以改进的问题。作者通过构造一个显式的整数集族解决了这一问题，该族中集合的和集比率与差集比率渐近地趋近于差集比率等于和集比率平方的极端情况。他们的构造将一个 12 进制数字构件与循环群中的对称加性基通过中国剩余定理结合，分析过程使用了一个进位传播模型来追踪差集的增长。

方法

作者构造了一个有限整数集 $A_K$AK​，其和集远大于其差集，为“对所有有限整数集均有 $|A+A| \leq |A-A|$∣A+A∣≤∣A−A∣”这一猜想提供了一个反例。该构造分三个阶段进行：一个 12 进制数字构件，一个循环群中的对称加性基，以及一个将它们结合起来的中国剩余定理（CRT）乘积。

12 进制构件使用了一个数字集 $W = \{0, 1, 2, 4, 5, 9\} \subset \mathbb{Z}$W={0,1,2,4,5,9}⊂Z。在模 12 下，该集合满足 $(W + W) \bmod 12 = \mathbb{Z}/12\mathbb{Z}$(W+W)mod12=Z/12Z 和 $(W - W) \bmod 12 = (\mathbb{Z}/12\mathbb{Z}) \setminus \{6\}$(W−W)mod12=(Z/12Z)∖{6}。随后，作者通过将 $W$W 中的 $j$j 个数字以 12 为基连接起来构造集合 $Y_j$Yj​，因此 $Y_j \subseteq \{0, 1, \dots, 12^j - 1\}$Yj​⊆{0,1,…,12j−1} 且 $|Y_j| = 6^j$∣Yj​∣=6j。引理 2.1 表明 $(Y_j + Y_j) \bmod 12^j$(Yj​+Yj​)mod12j 是整个循环群。模 $12^j$12j 下的差集则更为受限；其大小 $t_j = |(Y_j - Y_j) \bmod 12^j|$tj​=∣(Yj​−Yj​)mod12j∣ 满足线性递推关系 $t_{j+2} = 13 t_{j+1} - 16 t_j$tj+2​=13tj+1​−16tj​，且 $t_j$tj​ 的增长渐近于 $\lambda^j$λj，其中 $\lambda = (13 + \sqrt{105})/2 \approx 12.46$λ=(13+105​)/2≈12.46。关键在于 $\lambda/12 < 31/32$λ/12<31/32，因此模 $n = 12^d$n=12d 下的差集是整个群的一个稀疏子集。

对于第二个组成部分，固定一个正偶数 $K$K 并设 $s = 2^K + 1$s=2K+1，$Q = s^2$Q=s2，$m = (s-1)/2$m=(s−1)/2。在 $\mathbb{Z}/Q\mathbb{Z}$Z/QZ 内部，定义 $H = \{-m, \dots, m\}$H={−m,…,m} 和 $V = \{0, s, 2s, \dots, (s-1)s\}$V={0,s,2s,…,(s−1)s}。集合 $I = H \cup V$I=H∪V 是对称的，并构成一个加性基：$I + I = \mathbb{Z}/Q\mathbb{Z}$I+I=Z/QZ。移除零元素得到 $B = I \setminus \{0\}$B=I∖{0}，并且 $I$I 之外的每个元素都同时属于 $B+B$B+B 和 $B-B$B−B。

CRT 构造将这些部分联系在一起。令 $d = 22(K+2)$d=22(K+2)，$n = 12^d$n=12d，$q = Qn$q=Qn，模数 $Q$Q 和 $n$n 互质。在乘积群 $\mathbb{Z}/q\mathbb{Z} \cong \mathbb{Z}/Q\mathbb{Z} \times \mathbb{Z}/n\mathbb{Z}$Z/qZ≅Z/QZ×Z/nZ 中，集合 $\mathcal{R}$R 由一个完整的零行 $\{0\} \times \mathbb{Z}/n\mathbb{Z}${0}×Z/nZ 以及对应于每个 $b \in B$b∈B 的行 $\{b\} \times Y_d${b}×Yd​ 组成。整数集 $R$R 是 $\mathcal{R}$R 提升到 $\{0, 1, \dots, q-1\}${0,1,…,q−1} 的结果。最后，该构造被加倍：$A_K = R \cup (R + q) = R + q\{0,1\}$AK​=R∪(R+q)=R+q{0,1}。这个加倍步骤对于在控制差集的同时扩大和集至关重要。

精确的模计数在引理 2.5 和引理 2.6 中给出。模 $q$q 下，和集 $(R+R) \bmod q$(R+R)modq 是大小为 $q = Qn$q=Qn 的整个群。差集 $(R-R) \bmod q$(R−R)modq 的基数为 $\rho n + (Q - \rho)t$ρn+(Q−ρ)t，其中 $\rho = |I| = 2s-1$ρ=∣I∣=2s−1，$t = t_d$t=td​。位于 $I$I 中的外部坐标贡献了大小为 $n$n 的完整内部纤维，而位于 $I$I 之外的 $Q-\rho$Q−ρ 个外部坐标各自仅贡献来自 12 进制差构件的 $t$t 个元素。

引理 2.7 将这些模计数提升到整数集 $A = R + q\{0,1\}$A=R+q{0,1}。来自 $q\{0,1\} + q\{0,1\}$q{0,1}+q{0,1} 的块和产生三个不同的商指标 $\{0,1,2\}${0,1,2}，因此每个模和剩余类至少扩展为三个整数，得到 $|A+A| \geq 3|(R+R) \bmod q|$∣A+A∣≥3∣(R+R)modq∣。对于差集，块差的指标为 $\{-1,0,1\}${−1,0,1}，而 $R-R$R−R 中的常规代表元的指标位于 $\{-1,0\}${−1,0} 的一个子集中；它们的和至多有四个元素，从而得到 $|A-A| \leq 4|(R-R) \bmod q|$∣A−A∣≤4∣(R−R)modq∣。$n$n 的指数增长与 $t$t 的次指数增长之间的乘积差距最终迫使 $|A+A|$∣A+A∣ 在 $K$K 足够大时超过 $|A-A|$∣A−A∣。

实验

评估设置结合了显式的有限集构造与由 SimpleTES 框架和 Hyra 指导的 AI 辅助搜索，以优化关联和集与差集的指数。该构造验证了指数可以从下方被推至任意接近 2，而经典的上界则确认 2 是充分的。总体而言，实验表明最优的普适指数恰好为 2，其上确界可被任何容许的整数集无限逼近但无法达到。

表格比较了来自已发表的数学构造和 AI agent 搜索的和集-差集指数下界。历史上由人类设计的集合逐步将比率从约 1.03 提高到 1.13，而一个 AI agent（AlphaEvolve）达到了 1.12。该手稿中由 AI 指导的优化达到了约 1.21 的值，超越了所有先前发表的结果，并突显了 LLM 驱动的搜索在数学发现中日益增长的作用。最早记录的构造是 Conway 的一个八点 MSTD 集，其比率为 1.0344，而 Penman–Wells 族（2013）达到了 1.1259，是已发表数学构造中最高的。AlphaEvolve 使用 Gemini 2.0 Pro 和 Flash，找到了一个比率为 1.1219 的构造，略低于最佳的人类设计族。该手稿使用 Hyra（由 Hy3 驱动并由 GPT-5.6 Sol 指导）进行的自主搜索将最佳值从约 1.14 提升至 1.21，超过了所有先前发表的界限。理论结果证明了最优指数为 2，并有一族集合可以任意接近此极限；该表格侧重于具体的有限集下界，这些下界与此渐近最优值仍相距甚远。

该评估比较了来自历史上的人类构造、一个 AI agent 以及一次 LLM 驱动的自主搜索所得的和集-差集指数下界。人类设计的集合在数十年间逐步改进了该比率，而 AI agent AlphaEvolve 达到了略低于最佳已发表数学族的值。该手稿中的 Hyra 系统在 GPT-5.6 Sol 的指导下，随后显著推高了此界限，超越了所有先前发表的结果，并突显了大型语言模型在加速数学发现方面日益增长的潜力，尽管这些具体的有限集界限仍远未达到理论上的渐近最优值。