困擾數學家25年的“切蘋果”難題，被一位華人博士解決了

　　請聽題：如何將蘋果平均一分為二，還能保證它長時間的新鮮？

　　這是一個嚴肅的科學問題，已經困擾了人類數學家 25 年之久。根據常識，就是要保證果肉暴露在外面的面積最小，也就是切片的面積最小。如果跨越到更高的維度，是否依然成立？這就是 1995 年，由三位數學家提出的一個幾何學猜想。

　　現在，這個難題被一位華人統計學博士解決了。成果一經發布，就迅速引起了數學、理論計算機科學、統計學等多個領域的科學家的關注。他們一致認為，數學大師、菲爾茲獎得主，原本猜想的提出者讓·布爾甘（Jean Bourgain）一定會對這一進展感到興奮。畢竟，在他去世前（2018 年）的幾個月里還在關心這一問題進展，但終其一生都未能解決。

　　困擾數學家 25 年的幾何問題

　　1984 年，著名數學家讓·布爾甘提出了一個猜想。

　　一個任意維度的凸體，用低一維的平面去平分，那么存在一個常數 c，讓凸體至少存在一個切面的面積大于 c。

　　換句話說，如果你一刀平分“任意維度空間的西瓜”，隨便你怎么劈，總有一個切面總大于 c。（Ps：以往的科學家用的是蘋果的例子。但準確來說不能選蘋果，因為蘋果上下是凹的。）

　　在 3 維空間中，這個結論似乎很好理解，因為無論西瓜長成什么奇形怪狀，總不可能在每個角度都細長。像長形的西瓜，豎直切下去，切面很小，可以你也可以水平切開平分它，這樣切面就會很大。

　　但在 3 維世界中正確的事情，到了高維空間卻不一定成立。這個問題后來被布爾甘自己證明，但數學家們并不滿足于用平面切西瓜，而是希望能找到一個更小的切面，它可以是曲面。而這恰好是 1995 年 Kannan、Lovász 和 Simonovits 三人提出的

　　KLS

　　猜想關心的問題：用來平分的最小曲面面積是多少？

　　以二維空間里的一個三角形為例。這個最小的“曲面”是一段圓弧。用圓弧來平分一個三角形，中間的線長度最短，而最佳“平面”——直線——的效果略差。

　　到了更高維度的空間中，二等分的最佳平面和最佳曲面差距會變大嗎？切面的面積是否和維度 d 有關？

　　這個問題已經不再是純粹的數學問題。普林斯頓大學數學系教授 Assaf Naor 表示，KLS 猜想在純粹的數學和理論計算機科學中都很重要。KLS 猜想的結果，直接關系到隨機行走算法的運行時間，如機器學習模型中采樣問題。·所以最后解決這個幾何問題的學者，都并非幾何學的專家，而是來自計算機界。

　　用統計方法解決問題

　　經過數學家的抽象，KLS 猜想就像一個封裝著氣體的容器，找到最佳切面就是尋找容器的“瓶頸”。

　　想象一個啞鈴形狀的容器，里面有一個氣體分子在隨機運動，啞鈴中間連接部分越細，分子就越難跑到另一側。

　　現在人們想知道，在高維空間，這個凸的容器最細的地方有多細。（當然，啞鈴并非是凸的。）

　　2012 年，Eldan 通過引入一種稱為隨機定位的技術，來降低這個問題與維度上界。（到底是維度 d 的幾次冪。）

　　2015 年末，華盛頓大學的 Vempala 和 Yin Tat Lee改進了 Eldan 的隨機定位，以進一步將 KLS 因子（用于描述瓶頸是否存在）降低到維度的四次根 d1/4。

　　甚至，他們還將冪指數降低到幾乎為 0，由于 d 的 0 次冪總是等于 1，Lee 和 Vempala 似乎證明了 KLS 因子是一個與維度無關的常數。

　　他們在 arXiv 上發布了他們的論文。但是幾天后，這篇文章就被人發現了一個缺陷，他們關于 d0

　　的證明是錯的。之后，二人修改了文章，把界限重新調整到 d1/4。幾年來，研究人員認為 KLS 猜想的探索已經到此終結了。

　　不過他們還在論文中，保留了 d0

　　證明的一些想法。這也為后來的突破埋下伏筆。

　　他們的論文引起了另一位統計學者 Yuansi Chen 的注意。Chen 當時是加州大學伯克利分校的統計學研究生，他正在研究隨機采樣方法的混合率。而隨機采樣是許多類型統計推斷中的關鍵，例如貝葉斯統計。

　　Chen 深入研究文獻，花了數周時間試圖填補 Lee 和 Vempala 的證明中的空白，但依然沒有解決。于是他轉變了思路，在 Lee 和 Vempala 的思想指導下，他找到了一種方法，采用遞歸來降低 KLS 因子上界。

　　經過反復迭代，這種方法將 KLS 猜想問題再次拉回到 d0

　　的上界。這一結果意味著，高維凸形物體不會有啞鈴那樣的結構。在 n 維凸體中隨機行走，遍歷整個圖形的速度比我們之前預想得要快得多。這將有助于計算機科學家對不同的隨機采樣算法進行優先級排序。

　　三個計算機相關的科學家

　　雖然表面看上去，這三位學者似乎跟數學沒什么關系。但仔細翻看他們的履歷，他們都曾跟數學結下了不小的緣分。

　　首先，直接與研究相關的這位統計學博士后——Yuansi Chen（陳遠思，音譯）。今年年初，他開始在杜克大學統計科學系擔任助理教授的職位。主要研究方向是統計機器學習、優化以及在神經科學中的應用，尤其對其中域適應性、穩定性、MCMC 采樣算法、卷積神經網絡和計算神經科學中出現的統計問題感興趣。

　　Yuansi Chen 于 2019 年在加州大學伯克利分校統計系獲得博士學位。其博士生導師是著名華裔統計學家、UC 伯克利統計系和電子工程與計算機科學系終身教授郁彬。在攻讀博士之前，他還在法國 Ecole Polytechnique 獲得了應用數學專業的工程師文憑。隨后，前往在蘇黎世聯邦理工學院 ETH Foundations of Data Science（ETH-FDS）做博士后研究。

　　而啟發 Yuansi Chen 數學靈感的，是兩位計算機科學家，Yin Tat Lee

　　和

　　Santosh S. Vempala。

　　Yin Tat Lee，目前是華盛頓大學助理教授，本科畢業于香港中文大學。2012 年從港中文大學畢業后，前往麻省理工學院攻讀博士學位，隨后前往微軟研究院做博士后研究。他的研究方向主要在算法方面，包括凸優化、凸幾何、譜圖理論和在線算法等廣泛的課題。

　　以往的研究里，他曾結合連續數學和離散數學的思想，大幅提升了在計算機科學和優化中許多基本問題的算法，比如線性編程和最大流量問題。他曾獲得 SODA 最佳論文獎、NeurIPS 2018 最佳論文獎、NSF 職業獎。去年他還獲得了有“諾獎風向標”之稱的斯隆獎，以及美國最大的非政府獎學金之一——帕卡德獎學金。

　　再來看 Santosh S. Vempala，佐治亞理工學院計算機科學教授。主要研究領域是理論計算機科學，包括抽樣、學習、優化和數據分析的算法工具；隨機線性代數，高維幾何。他曾在卡內基梅隆大學攻讀博士學位，本科畢業于印度理工學院的計算機專業，曾獲 NSF 職業獎、斯隆獎等獎項。在來到佐治亞理工學院之前，他曾擔任 MIT 應用數學系擔任教授、UC 伯克利米勒研究員。

　　數學家：不可思議

　　Yuansi Chen

　　的論文一發布，迅速就引起了數學界的學者關注。不光是因為此前的錯誤證明，還由于陳遠思這個名字在數學界十分陌生，研究人員對待這一成果十分謹慎。

　　但他的方法很容易被驗證。早期研究過 KLS 猜想的以色列數學家

　　Boáz Klartag，就在第一時間看了論文。他表示：“我基本上立即停止了我正在做的一切事情，并檢查了這篇論文。這篇論文是 100% 正確的，這一點毫無疑問。”

　　除了一眾數學家關注之外，這篇論文還引起了理論數學家、統計學等領域的注意。哈佛大學計算機科學教授、微軟研究院前新英格蘭首席研究員

　　Boaz Barak

　　則發推祝賀，并表示這是一個非常重要的突破，加速了對近似凸體體積的研究。

　　但點贊祝賀之余，也有不少學者表示十分遺憾。因為提出這一猜想的人菲爾茲獎得主布爾甘已于 2018 年去世，如果他還在的話，一定會為這一進展感到興奮。

　　據

　　Quanta Magazine

　　報道，布爾甘曾在去世前幾個月，聯系了他的朋友、特拉維夫大學教授 Vitali Milman，詢問這一猜想是否有任何進展，想在離開之前知道答案。

　　但 Vitali Milman 說，布爾甘在這一問題上，花費的時間和投入的精力比任何其他問題多得多。沒想到，最后這個問題卻被統計學解決了。