Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
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.
Dal 1995, una domanda di geometria ad alta dimensione separa i matematici da una risposta netta su come i cammini aleatori esplorano una distribuzione. La congettura di Kannan–Lovász–Simonovits chiede se, per un'ampia classe di distribuzioni di probabilità, il miglior taglio piatto sia quasi altrettanto efficace del miglior taglio di forma qualsiasi. Microsoft Research annuncia ora che due ricercatori, tra cui Xinzhi Zhang del suo gruppo di apprendimento automatico e ottimizzazione, l'hanno dimostrata: la differenza tra i due tipi di taglio resta sotto un limite fisso, qualunque sia il numero di dimensioni.
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.
Un taglio piatto è una sezione di una figura fatta con una lama piatta, cioè un iperpiano in termini matematici. Per le distribuzioni log-concave, un'ampia famiglia di distribuzioni di probabilità, la congettura prevede che il miglior taglio piatto differisca dal miglior taglio di forma qualsiasi di non più di una costante universale, qualunque sia il numero di dimensioni. La geometria di questi tagli determina la velocità con cui un cammino aleatorio può esplorare la distribuzione, ed è per questo che il problema occupa il centro del campionamento ad alta dimensione, la famiglia di metodi che estraggono punti casuali da distribuzioni complesse.
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.
Il problema era riconosciuto come centrale molto prima di cadere. Il Mathematical Sciences Research Institute lo ha definito «un problema aperto centrale nella geometria convessa ad alta dimensione» nel suo rapporto annuale 2017-18, e il Simons Institute lo ha descritto come «uno dei problemi aperti più importanti della geometria convessa». Il miglior risultato noto, stabilito nel luglio 2026, faceva crescere lentamente il limite al crescere delle dimensioni. Gli autori l'hanno prima affinato: nella versione pubblicata il 1° ottobre 2026, la dipendenza dalla dimensione si era ridotta al logaritmo iterato, una funzione che cresce molto lentamente ma che continua a crescere, sicché la congettura non era ancora risolta.
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.
Gli ultimi passi sono venuti da un flusso di lavoro insolito. Lavorando con agenti di IA in un processo strutturato e guidato dall'uomo, gli autori hanno esplorato oltre 100 approcci candidati, molti dei quali comportavano lunghi calcoli con tensori di ordine superiore. Uno di essi ha prodotto un nuovo criterio che è diventato il fondamento della dimostrazione. La mossa finale è stata ripetere l'intero perfezionamento ricorsivo invece di applicarlo una sola volta, un'idea ispirata al lavoro precedente degli autori sugli algoritmi veloci per la programmazione lineare. Hanno mostrato che i piccoli errori introdotti a ogni fase si riducono abbastanza rapidamente da fare in modo che il loro totale resti limitato da una costante universale, indipendente dalla dimensione. La versione pubblicata il 4 ottobre 2026 ha completato la dimostrazione. Secondo gli autori, gli strumenti di IA hanno aiutato a esplorare, dedurre e verificare, mentre i ricercatori hanno scelto la direzione, selezionato le idee e verificato l'argomentazione.
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.
L'affermazione ha suscitato lavori paralleli. Lo stesso giorno in cui il team di Microsoft ha pubblicato la dimostrazione completa, un gruppo separato di esperti di primo piano ha pubblicato una dimostrazione completa sviluppata in parallelo, definendo la prima versione di Microsoft «il passo cruciale della dimostrazione». Una terza dimostrazione, pubblicata quel giorno, si basa su un'idea strettamente correlata. Il post di Microsoft riferisce inoltre che diversi ricercatori indipendenti hanno convalidato il lavoro e che è seguita una verifica formale controllata da macchina. Non dice se l'articolo sia già stato accettato da una rivista.
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.
Per i ricercatori che costruiscono e analizzano metodi di campionamento e ottimizzazione, il cambiamento riguarda le garanzie: un limite che non cresce più con la dimensione sostituisce uno che cresceva, per quanto lentamente. Il post presenta questo risultato come la rimozione di un importante ostacolo teorico alla comprensione dell'efficienza degli algoritmi randomizzati usati in tutta la scienza e l'informatica. Non fissa alcuna data per un effetto pratico e non dice se il risultato si tradurrà in strumenti più veloci.