Beide Fassungen sind Block für Block ausgerichtet, in der Reihenfolge des Textes: Titel, das Wesentliche, dann Absatz für Absatz. Wo die Übersetzung einen Absatz zusammengezogen oder geteilt hat, bleibt das entsprechende Feld leer — wir stellen niemals zwei Passagen nach Gefühl nebeneinander.
Since 1995, one question about high-dimensional geometry has stood between mathematicians and a clean answer about how random walks explore a distribution. The Kannan–Lovász–Simonovits conjecture asks whether, for a broad class of probability distributions, the best flat cut is nearly as effective as the best cut of any shape. Microsoft Research now reports that two researchers, including Xinzhi Zhang of its Machine Learning and Optimization group, have proved it: the gap between the two kinds of cut stays below a fixed bound, whatever the number of dimensions.
Seit 1995 steht eine Frage zur hochdimensionalen Geometrie zwischen Mathematikern und einer klaren Antwort darauf, wie Zufallswanderungen eine Verteilung erkunden. Die Kannan–Lovász–Simonovits-Vermutung fragt, ob bei einer breiten Klasse von Wahrscheinlichkeitsverteilungen der beste ebene Schnitt fast so wirksam ist wie der beste Schnitt beliebiger Form. Microsoft Research meldet nun, dass zwei Forscher sie bewiesen haben, darunter Xinzhi Zhang von der Gruppe für maschinelles Lernen und Optimierung: Die Lücke zwischen beiden Schnittarten bleibt unterhalb von einer festen Schranke, unabhängig von der Zahl der Dimensionen.
A flat cut is a slice through a shape made with a flat blade, a hyperplane in mathematical terms. For log-concave distributions, a broad family of probability distributions, the conjecture predicts that the best flat cut differs from the best cut of any shape by no more than a universal constant, however many dimensions there are. The geometry of these cuts sets how quickly a random walk can explore the distribution, which is why the problem sits at the centre of high-dimensional sampling, the family of methods that draw random points from complicated distributions.
Ein ebener Schnitt ist ein Schnitt durch eine Form mit einer flachen Klinge, mathematisch eine Hyperebene. Für log-konkave Verteilungen, eine breite Familie von Wahrscheinlichkeitsverteilungen, sagt die Vermutung voraus, dass der beste ebene Schnitt vom besten Schnitt beliebiger Form nur um eine universelle Konstante abweicht, egal wie viele Dimensionen es gibt. Die Geometrie dieser Schnitte bestimmt, wie schnell eine Zufallswanderung die Verteilung erkunden kann. Deshalb steht das Problem im Zentrum des hochdimensionalen Samplings, also der Verfahren, die Zufallspunkte aus komplizierten Verteilungen ziehen.
The problem was recognised as central long before it fell. The Mathematical Sciences Research Institute called it “a central open problem in high-dimensional convex geometry” in its 2017-18 Annual Report, and the Simons Institute described it as “one of the most important open problems in convex geometry.” The best known result, established in July 2026, let the bound grow slowly as dimensions increased. The authors first sharpened it: in the version posted on October 1, 2026, the dependence on dimension fell to the iterated logarithm, a function that grows very slowly but still grows, so the conjecture was not yet resolved.
Dass das Problem zentral ist, war lange bekannt, bevor es fiel. Das Mathematical Sciences Research Institute nannte es im Jahresbericht 2017/18 „eine zentrale offene Frage der hochdimensionalen konvexen Geometrie“, und das Simons Institute beschrieb es als „eines der wichtigsten offenen Probleme der konvexen Geometrie“. Das bis dahin beste bekannte Ergebnis, im Juli 2026 erzielt, ließ die Schranke mit wachsender Dimension langsam steigen. Die Autoren schärften es zunächst: In der am 1. Oktober 2026 veröffentlichten Fassung sank die Abhängigkeit von der Dimension auf den iterierten Logarithmus, eine Funktion, die sehr langsam, aber dennoch wächst. Die Vermutung war damit noch nicht gelöst.
The last steps came from an unusual workflow. Working with AI agents in a structured, human-directed process, the authors explored more than 100 candidate approaches, many involving lengthy calculations with higher-order tensors. One of them produced a new criterion that became the foundation of the proof. The final move was to repeat the whole recursive refinement rather than apply it once, an idea inspired by the authors’ earlier work on fast algorithms for linear programming. They showed that the small errors introduced at each stage shrink fast enough that their total stays bounded by a universal constant, independent of dimension. The version posted on October 4, 2026 completed the proof. The authors say AI tools helped explore, derive and check, while the researchers chose the direction, selected the ideas and verified the argument.
Die letzten Schritte entstanden in einem ungewöhnlichen Arbeitsablauf. Die Autoren arbeiteten mit KI-Agenten in einem strukturierten, von Menschen gelenkten Verfahren und untersuchten mehr als 100 mögliche Ansätze, viele davon mit langwierigen Rechnungen mit Tensoren höherer Stufe. Einer davon führte zu einem neuen Kriterium, das zur Grundlage des Beweises wurde. Der entscheidende Schritt bestand darin, die gesamte rekursive Verfeinerung zu wiederholen, statt sie nur einmal anzuwenden. Diese Idee war von früheren Arbeiten der Autoren zu schnellen Algorithmen für die lineare Optimierung inspiriert. Sie zeigten, dass die kleinen Fehler, die in jeder Stufe entstehen, so schnell schrumpfen, dass ihre Summe durch eine universelle, von der Dimension unabhängige Konstante beschränkt bleibt. Die am 4. Oktober 2026 veröffentlichte Fassung vollendete den Beweis. Die Autoren sagen, KI-Werkzeuge hätten beim Erkunden, Herleiten und Prüfen geholfen, während die Forscher die Richtung vorgaben, die Ideen auswählten und die Argumentation überprüften.
The claim has drawn parallel work. On the same day the Microsoft team posted its complete proof, a separate group of leading experts posted a full proof it had developed in parallel, calling the first Microsoft version “the crucial step in the proof.” A third proof, posted that day, relies on a closely related idea. The Microsoft post also reports that several independent researchers validated the work and that a machine-checked formal verification followed. It does not say whether the paper has yet been accepted by a journal.
Die Behauptung hat parallele Arbeiten ausgelöst. Am selben Tag, an dem das Microsoft-Team seinen vollständigen Beweis veröffentlichte, stellte eine separate Gruppe führender Fachleute einen eigenen, parallel entwickelten vollständigen Beweis ein und nannte die erste Microsoft-Fassung „den entscheidenden Schritt im Beweis“. Ein dritter Beweis, am selben Tag veröffentlicht, stützt sich auf eine eng verwandte Idee. Der Microsoft-Beitrag berichtet außerdem, dass mehrere unabhängige Forscher die Arbeit bestätigt haben und danach eine maschinell geprüfte formale Verifikation folgte. Ob die Arbeit bereits von einer Fachzeitschrift angenommen wurde, geht aus dem Beitrag nicht hervor.
For researchers who build and analyse sampling and optimisation methods, the change is in the guarantees: a bound that no longer grows with dimension replaces one that grew, however slowly. The post presents this as the removal of a major theoretical obstacle to understanding the efficiency of randomized algorithms used across science and computing. It sets no date for any practical effect, and it does not say whether the result will translate into faster tools.
Für Forscher, die Verfahren zum Sampling und zur Optimierung entwickeln und analysieren, liegt die Veränderung in den Garantien: Eine Schranke, die nicht mehr mit der Dimension wächst, ersetzt eine, die wuchs, wenn auch langsam. Der Beitrag stellt dies als Beseitigung eines großen theoretischen Hindernisses dar, das dem Verständnis der Effizienz randomisierter Algorithmen in Wissenschaft und Informatik im Weg stand. Einen Zeitpunkt für praktische Auswirkungen nennt er nicht, und er sagt nicht, ob sich das Ergebnis in schnellere Werkzeuge übersetzen lässt.