Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >困扰数学家近60年的搬沙发难题疑似被解决!119页论文证明最优解,百万网友围观

困扰数学家近60年的搬沙发难题疑似被解决!119页论文证明最优解,百万网友围观

作者头像
机器之心
发布于 2025-02-14 12:52:45
发布于 2025-02-14 12:52:45
740
举报
文章被收录于专栏:机器之心机器之心

机器之心报道

机器之心编辑部

《老友记》中的罗斯终于能把沙发搬进屋了。

生活中处处充满数学,比如在经典美剧《老友记》中,罗斯要搬家,却在和瑞秋抬沙发上楼梯扶手时翻了车。这涉及了数学领域一个著名的未解决难题 —— 移动沙发问题(the moving sofa problem)。

来源:《老友记 S05E16》

该问题是由加拿大数学家 Leo Moser 于 1966 年正式提出:在宽度为 1 的 L 形平面走廊中,能够通过一个直角转弯的「沙发」的最大面积是多少?

1968 年,数学家 John Michael Hammersley 提出了一种简单的解法。他将沙发设计成类似于一个电话听筒的形状,由两个四分之一圆和一个中间的矩形块组成,中间的矩形块中挖去了一个半圆形,从而得出的沙发最大面积为 2.2074。

但遗憾的是,这并不是最优解。

1992 年,美国数学家 Gerver 在 Hammersley 沙发的基础上进行了改进,算出的最大沙发面积为 2.2195,虽然比 Hammersley 沙发面积略大一些,但在方法上却聪明得多。

Gerver 沙发由 18 条不同的曲线段组成,其中包括圆弧、圆的渐开线以及圆的渐开线的渐开线等多种曲线。每条曲线段都由一个单独的解析表达式描述,这使得 Gerver 沙发在数学上非常复杂。

Gerver 推测他的解决方案是最优的,但他无法证明他的沙发是唯一一个(并且是最大面积的)满足这个强条件的沙发。

2024 年 12 月 2 日,韩国学者 Jineon Baek 发表了一篇新论文,声称证明了 Gerver 确实是正确的 —— 他的沙发是最优的。这项研究在社交媒体(如 x)上的热度非常高,引起了很多人的关注。

图源:x@Scientific_Bird

图源:x@morallawwithin

不过,Jineon Baek 的证明论文足足有 119 页,题目为《Optimality of Gerver’s Sofa》。相关专家验证证明的正确性还需要一些时间。

论文地址:https://arxiv.org/pdf/2411.19826

这道困扰人类 58 年的数学难题终于有了答案,不少网友也发表了自己的看法。

「我甚至不是数学家,自从 20 年前听说这个问题后,我就一直在思考它。每次我需要把东西通过门时,我都会想到这个问题。」

「我没想到这个形状会是最优的,这 18 个部分看起来不够优雅。」

证明过程简述

论文共分 8 章,目录如下:

摘要只有一句话,「通过证明具有 18 个曲线段的 Gerver 沙发的确达到了最大面积 2.2195,进而解决了移动沙发问题」。

下图为 Gerver 的沙发 G。刻度表示构成 G 边界的 18 条解析曲线和线段的端点,包含 G 的支撑走廊 L_t 在右侧以灰色表示。

在证明 Gerver 的沙发 G 达到最大面积的过程中,作者除了在科学计算器上进行数值计算之外,没有使用任何的计算机辅助。下图 1.3 为从走廊(顶部)和沙发(底部)视角来看移动沙发的移动。

下面为作者要证明的定理 1.1.1。

这个问题之所以很难,是因为没有一个通用的公式可以计算所有可能的移动沙发面积。因此,为了解决这个问题,作者证明了最大面积的移动沙发 S_max 的一个属性,被称为可注入性条件(injectivity condition)。

对于每个满足条件的移动沙发 S,作者将定义一个更大的形状 R,它类似于 Gerver 沙发的形状(下图 1.2)。那么 R 的面积 Q (S) 就是 S 面积的上限,如果是 Gerver 沙发 G,则 Q (S) 与 S 的精确面积相匹配。S 的可注入性条件确保区域 R 的边界形成 Jordan 曲线,从而能够使用格林定理计算 Q (S)。

然后,移动沙发 S 面积的上界 Q (S) 相对于 S 的最大值如下所示:作者使用 Brunn-Minkowski 理论将 Q 表示为凸体元组 (K,B,D) 空间 L 上的二次函数(上图 1.2),并使用 Mamikon 定理建立 Q 在 L 上的全局凹性(下图 1.13)。

作者使用加州大学戴维斯分校数学系教授 Dan Romik [Rom18] 关于 Gerver 沙发 G 的局部最优方程,来证明 S = G 局部最大化 Q (S)。由于 Q 是凹的,因此 G 也全局最大化 Q。并且,由于上界 Q 与 G 处的面积相匹配,因此沙发 G 也全局最大化了面积,从而证明定理 1.1.1。

具体来讲,定理 1.1.1 的完整证明分为以下三个主要步骤:

  • 步骤 1 :限制最大面积移动沙发 S_max 的可能形状;
  • 步骤 2 :建立 S_max 的可注入性条件;
  • 步骤 3 :构建满足可注入性条件的移动沙发 S 面积的上界 Q (S),并最大化关于 S 的 Q (S)。

作者提供了步骤 1、2、3 的更细分步骤。

其中步骤 1-(a) 将 S_max 的可能形状缩小为单调沙发(monotone sofa),即由支撑走廊内角雕刻出的凹痕的凸体(下图 1.4)。

步骤 1-(b) 重新证明了 Gerver 的一个重要局部最优条件,即 S_max 的边长应该相互平衡(定理 1.3.1)。

由于 Gerver 的原始证明存在逻辑漏洞,没有解决移动沙发的连通性问题,因此作者引入了新的想法并重新进行了证明。步骤 1-(c) 使用前面的步骤和基本几何来表明 S_max 在移动过程中旋转了整整一个直角。

步骤 2 证明了 S_max 上的可注入性条件,这是之后建立上限 Q 的关键。它表明 L 内角 (0,0) 的轨迹在移动沙发的视角(参考系)中不会形成自环(下图 1.9)。

为了证明 S_max 的这一条件,作者在 S_max 上建立了一个新的微分不等式(等式 (1.9)。该不等式受到了 Romik 的一个 ODE 的启发,该 ODE 平衡了 Gerver 沙发的微分边(等式 (1.8))。

步骤 3-(a) 将所有移动沙发的空间 S 扩展为具有单射条件的凸体元组 (K,B,D) 的集合 L,使得每个 S 一一映射到 (K,B,D) ∈ L(但不一定到 L)。该凸体描述了包围 S 的区域 R 的不同部分(上图 1.2)。

步骤 3-(b) 定义了扩展域 L 上的上界 Q。作者遵循 R 的边界,并使用格林定理和 Brunn-Minkowski 理论中关于 K、B 和 D 的二次面积表达式来表示其面积 Q。同时使用单射条件和 Jordan 曲线定理严格证明 Q (K,B,D) 是 S 面积的上界。

步骤 3-(c) 使用 Mamikon 定理确定 Q 在 L 上的凹度(上图 1.13)。步骤 3-(d) 计算由 Gerver 沙发 G 产生的凸体 (K,B,D) ∈ L 处 Q 的方向导数。Romik [Rom18] 在 G 上的局部最优 ODE 用于表明方向导数始终为非正值。这意味着 G 是 Q 在 L 中的局部最优值。Q 在 L 上的凹度意味着 G 也是 Q 在 L 中的全局最优值。由于 G 处 Q 的值与面积匹配,沙发 G 也全局最大化了面积,最终完成定理 1.1.1 的证明。

更具体的证明细节请参考原论文。

作者介绍

这篇论文的作者 Jineon Baek,本科毕业于韩国浦项科技大学,博士期间就读于美国密歇根大学安娜堡分校。现为韩国首尔延世大学的博士后研究员,导师是 Joonkyung Lee。

Jineon Baek2018 年讲解关于非对角线 Erdős-Szekeres 凸多边形问题视频截图

他主要研究兴趣是组合数学和几何学中的优化问题,这类问题往往通过简单却有趣的表述,能够吸引更广泛的受众。

他在人工智能领域也发表过一些相关文章。他在医学图像处理、教育数据挖掘等领域发表了多篇会议和期刊论文,特别是在 X 射线 CT 图像去噪、考试分数预测、标准化考试准备推荐系统等方面有所贡献。

查阅 Jineon Baek 发表过的文章,就会发现这已经不是他第一次研究移动沙发问题了。在今年 6 月他就移动沙发的上限问题进行了研究。在新文章发布的 12 月 2 日当天,arxiv 上显示,这篇论文提交了一个更新版本(v2),之后撤回了该版本。

现在,不少网友在网上讨论《Optimality of Gerver's Sofa》。

「非常直观,正是大多数人会猜测的那样。不过,我猜证明这一点要困难得多吧?」

「在现实生活中,答案取决于天花板的高度以及沙发是否带有可倾斜的靠背。」

「对于沙发来说,这真的是一个糟糕的设计。」

你怎么看这个移动沙发的最优解呢?

参考链接:

https://x.com/deedydas/status/1865060166322032764

https://x.com/Scientific_Bird/status/1865116279574528088

https://jcpaik.github.io/CV.pdf

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2024-12-08,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器之心 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
扩散模型、最优传输存在什么关系?法国数学家4页论文引网友围观
但有一点很清楚的是:在相似的数据集上训练的不同扩散模型倾向于恢复出相似的映射关系。
机器之心
2025/02/14
1160
扩散模型、最优传输存在什么关系?法国数学家4页论文引网友围观
陶哲轩预测再成真!AI做出椭圆曲线难题重大发现,华人数学家接近千禧年大奖
椭圆曲线的数据,恰巧按照conductor来排序;一个经验不足的本科生,恰巧没有处理某个数值,让曲线的震荡极为明显;按照conductor预排序的数据集,恰巧被人提前做了出来……
新智元
2024/03/13
1590
陶哲轩预测再成真!AI做出椭圆曲线难题重大发现,华人数学家接近千禧年大奖
KAN: Kolmogorov–Arnold Networks论文全译
KAN: Kolmogorov–Arnold Networks https://arxiv.org/pdf/2404.19756
CreateAMind
2024/05/06
2K0
KAN: Kolmogorov–Arnold Networks论文全译
SysML 2019论文解读:推理优化
随着机器学习和人工智能领域的持续发展,神经网络及其代表性的算法通过提升计算成本而实现了越来越高的准确度。量化(quantization)是一种以准确度为代价旨在降低计算成本的方法。为了在尽可能小地损失准确度的同时尽可能多地减少计算,研究者们已经提出了多种不同的量化方案。
机器之心
2019/04/29
1.1K0
SysML 2019论文解读:推理优化
7 Papers & Radios | ICCV 2021获奖论文,MIT华人团队解决持续70年的数学难题
机器之心 & ArXiv Weekly Radiostation 参与:杜伟、楚航、罗若天 本周论文主要包括ICCV 2021获奖论文等研究。 目录: Revitalizing CNN Attentions via Transformers in Self-Supervised Visual Representation Learning  Pixel-Perfect Structure-from-Motion with Featuremetric Refinement  Deep Neural Netwo
机器之心
2023/03/29
4100
7 Papers & Radios | ICCV 2021获奖论文,MIT华人团队解决持续70年的数学难题
Grok 3证明黎曼猜想,训练遭灾难性事件?数学家称不夸张,两年内AI将解出千禧年难题
为此,xAI暂停了Grok 3的训练来验证它的证明,如果结果是正确的,将会完全终止模型的训练。
新智元
2025/02/14
830
Grok 3证明黎曼猜想,训练遭灾难性事件?数学家称不夸张,两年内AI将解出千禧年难题
神童、数学家、抑郁症患者,控制论之父诺伯特·维纳的一生
美国数学家诺伯特·维纳(Norbert Wiener,1894–1964)被认为是一个非常古怪的人。
机器之心
2020/05/19
9260
神童、数学家、抑郁症患者,控制论之父诺伯特·维纳的一生
6万字解决算法面试中的深度学习基础问题
真的是千呼万唤始出来emmmm,去年春招结束写了篇面试的经验分享。在文中提到和小伙伴整理了算法岗面试时遇到的常见知识点及回答,本想着授人以渔,但没想到大家都看上了我家的 !但因本人执行力不足,被大家催到现在才终于想着行动起来分享给大家,笔者在这里给各位读者一个大大的抱歉,求原谅呜呜~~相信今年参加秋招的小伙伴们一定都拿到理想的offer啦,明年准备找工作的小盆友如果觉得本文还有些用可以收藏哈。
对白
2022/04/01
6240
6万字解决算法面试中的深度学习基础问题
统计学学术速递[10.18]
【1】 Choice functions based multi-objective Bayesian optimisation 标题:基于选择函数的多目标贝叶斯优化 链接:https://arxiv.org/abs/2110.08217
公众号-arXiv每日学术速递
2021/10/21
7870
普林斯顿算法讲义(四)
根据弹性碰撞的法则使用事件驱动模拟模拟 N 个碰撞粒子的运动。这种模拟在分子动力学(MD)中被广泛应用,以理解和预测粒子级别的物理系统的性质。这包括气体中分子的运动,化学反应的动力学,原子扩散,球体堆积,围绕土星的环的稳定性,铈和铯的相变,一维自引力系统以及前沿传播。相同的技术也适用于其他涉及粒子系统的物理建模领域,包括计算机图形学,计算机游戏和机器人技术。我们将在第七章再次讨��其中一些问题。
ApacheCN_飞龙
2024/03/16
2320
普林斯顿算法讲义(四)
机器之心开放人工智能专业词汇集(附Github地址)
机器之心原创 机器之心编辑部 作为最早关注人工智能技术的媒体,机器之心在编译国外技术博客、论文、专家观点等内容上已经积累了超过两年多的经验。期间,从无到有,机器之心的编译团队一直在积累专业词汇。虽然有很多的文章因为专业性我们没能尽善尽美的编译为中文呈现给大家,但我们一直在进步、一直在积累、一直在提高自己的专业性。 两年来,机器之心编译团队整理过翻译词汇对照表「红宝书」,编辑个人也整理过类似的词典。而我们也从机器之心读者留言中发现,有些人工智能专业词汇没有统一的翻译标准,这可能是因地区、跨专业等等原因造成的
机器之心
2018/05/08
2.2K0
机器之心开放人工智能专业词汇集(附Github地址)
支持向量机通俗导论(理解SVM的三层境界)【转载】
原文链接:https://blog.csdn.net/v_JULY_v/article/details/7624837
用户6021899
2019/08/21
9290
支持向量机通俗导论(理解SVM的三层境界)【转载】
《统计学习方法》 ( 李航 ) 读书笔记
因为要准备面试,本文以李航的《统计学习方法》为主,结合西瓜书等其他资料对机器学习知识做一个整理。
石晓文
2019/06/04
1.7K0
《统计学习方法》 ( 李航 ) 读书笔记
统计学学术速递[7.14]
【1】 GENIUS-MAWII: For Robust Mendelian Randomization with Many Weak Invalid Instruments 标题:Genius-MAWII:具有多个弱失效工具的稳健孟德尔随机化
公众号-arXiv每日学术速递
2021/07/27
8490
机器人运动规划方法综述
随着应用场景的日益复杂,机器人对旨在生成无碰撞路径(轨迹)的自主运动规划技术的需求也变得更加迫切。虽然目前已产生了大量适应于不同场景的规划算法,但如何妥善地对现有成果进行归类,并分析不同方法间的优劣异同仍是需要深入思考的问题。以此为切入点,首先,阐释运动规划的基本内涵及经典算法的关键步骤;其次,针对实时性与解路径(轨迹)品质间的矛盾,以是否考虑微分约束为标准,有层次地总结了现有的算法加速策略;最后,面向不确定性(即传感器不确定性、未来状态不确定性和环境不确定性)下的规划和智能规划提出的新需求,对运动规划领域的最新成果和发展方向进行了评述,以期为后续研究提供有益的参考。
一点人工一点智能
2023/05/09
1.5K0
机器人运动规划方法综述
统计学学术速递[6.28]
【1】 Active Learning with Multifidelity Modeling for Efficient Rare Event Simulation 标题:基于多保真建模的有效稀有事件仿真主动学习
公众号-arXiv每日学术速递
2021/07/02
1.2K0
用人工智能做设计,究竟能不能真的有效?
利用大量的数据学习、预训练、参数调优、微调、模型架构调整等等改进或处理手段,这些人工智能的模型或方法能够依赖数据或经验自动完成一些任务,但是却无法拥有人类的主观能力,例如对事物、事件或者环境的感受和感知能力。它们不能够独立思考,因此,也不能真正具备像人类一样的推理、类比等抽象思维的能力。
机器之心
2021/04/21
1.1K0
用人工智能做设计,究竟能不能真的有效?
博弈论(Game Theory)入门学习笔记(持续更新)
注意:迭代消除的过程同样也可以使用混合策略,比如说第二张图中,如果U行与D行以相同概率混合,混合结果同样严格占优M行,同样可以消除掉M行,虽然这里M行可以使用纯策略消除。因此给与我们提示,如果纯策略消除不掉的话或许可以尝试混合策略消除。
全栈程序员站长
2022/11/04
2.5K0
博弈论(Game Theory)入门学习笔记(持续更新)
Python 无监督学习实用指南:1~5
在本章中,我们将介绍基本的机器学习概念,即 ,前提是您具有一些统计学习和概率论的基本知识 。 您将了解机器学习技术的使用以及逻辑过程,这些逻辑过程将增进我们对数据集的性质和属性的了解。 整个过程的目的是建立可支持业务决策的描述性和预测性模型。
ApacheCN_飞龙
2023/04/24
1.3K0
Python 无监督学习实用指南:1~5
一文掌握常用的机器学习模型(文末福利)
AI 科技大本营按:本文节选自微软亚洲研究院机器学习研究团队刘铁岩、陈薇、王太峰、高飞合著的《分布式机器学习:算法、理论与实践》一书。为了让大家更好地理解分布式机器学习,AI科技大本营联合华章科技特别邀请到了本书的作者之一——微软亚洲研究院副院长刘铁岩老师进行在线公开课分享,详情请见文末信息,还有福利哦~~
AI科技大本营
2018/12/17
5890
推荐阅读
相关推荐
扩散模型、最优传输存在什么关系?法国数学家4页论文引网友围观
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档