Harvey 2026 整数乘法算法突破 O(n log n) 障碍

摘要

David Harvey 于 2026 年 10 月宣布的算法实现了 o(n log n) 位操作来相乘两个 n 位整数，改进了 2021 年 Harvey-van der Hoeven 算法长期保持的 O(n log n) 界限。该结果依赖于一种新颖的 张量放大 技术，该技术减少了基于 FFT 的卷积中蝶形操作的数量，以及一个复杂的装置，该装置用比朴素预期更少的切片调用来评估许多独立的 DFT。尽管作者尚未检查每个细节，但社区共识——在广泛的 LLM 辅助验证的支持下——认为该主张合理且 可能正确。

1. 为什么 o(n log n) 很重要

要点：将对数因子的指数降低到 1 以下将使整数乘法在渐近意义上比任何基于经典 FFT 的算法更快，推翻了几十年来 O(n log n) 被认为是最优的信念。

影响：

引入了一个新的 整数乘法指数，α < 1，其中运行时间为 O(n (log n)^α)。论文报告 α≈0.9983，这是一个微小但在数学上意义重大的改进。
打破了自 Schönhage-Strassen (1971) 和 2021 年 O(n log n) 算法以来一直存在的障碍。
提供了一个模板——张量放大 + 装置构造——可以进一步完善以将 α 推得更低，可能朝向推测的 1/2 下界。

2. 新算法的高级结构

2.1. 基于 2021 年算法

2021 年 Harvey-van der Hoeven 算法将整数乘法简化为在环 R = C[y]/(y^r + 1) 上的 高维离散傅里叶变换 (DFT)。核心成本来自 FFT 的 蝶形算术，它贡献了 O(n log n) 项。

2.2. 张量放大思想

设 A 为 2 × 2 蝶形矩阵。在大小为 2^m 的向量上计算 A^{⊗ m} 通常需要 m·2^{m-1} 次切片调用（蝶形应用）。
如果一个程序可以用 g < m 次切片调用来计算 A^{⊗ m}，那么通过递归地张量扩展该程序，对于大小为 2^{mk} 的输入，我们获得一个因子 (g/m)^k。这产生了 n^{log g / log m} · 2^{n-1} 的运行时间，即 O(N (log N)^α)，其中 α = log g / log m < 1。
关键是 为适度的 m 找到这样的程序，然后放大它。

2.3. 装置

Harvey 描述了一个装置，它用少于朴素 W·m 次切片调用来评估 W 个独立的 A^{⊗ m} 副本。构造如下：

使用蝶形的酉版本 C (C = (1/√2)·B)。
引入 切片调用 Cv（方向特定的蝶形）和 重新标记（线性置换），这些在布尔电路模型中是免费的。
将寄存器组织成 F₂^m 的子空间，并使用精心选择的正交向量将切片调用转换为一个受控操作，该操作同时推进许多寄存器。
通过利用子空间之间的线性关系，该装置为每个寄存器节省了一个常数因子，将总切片调用数从 W·m 变为 W·m − Θ(|T|)，其中 |T| 是参数 h（底层 3 元素子集的大小）的三次方。

当 h 足够大时（根据作者的计算，h ≥ 22），节省的成本超过开销，从而净减少切片调用。

3. 构造的详细演练

3.1. 符号回顾

C₂：二维复向量空间。
(C₂)^{⊗ m}：张量幂，表示大小为 2^m 的数组。
F₂^m：二进制地址空间；向量写为 v。
Cv：在方向 v（即，在配对 (x, x+v) 上）应用 C 的切片调用。
Φ_U：为子空间 U 实现 Cv 乘积的线性算子。
U, U^⊥：非退化子空间及其在点积下的正交补。

3.2. 婴儿程序（第 7.5 节）

婴儿程序在适度的维度 h ≥ 8 上工作，并展示了核心节省：

寄存器被分为数据 (x_T, y_S)，侧边 (A_{S,T}) 和中心 (c_i, c_*)。
每个寄存器携带一个关联的子空间 U；切片调用 Cv 更新 U，同时保持底层值不变。
一个 8 步 序列交替进行 变换阶段（添加切片调用以增长子空间）和 混合阶段（共享相同子空间的寄存器的线性组合）。
总切片调用数变为 W·h − 2|T| + 2(h² + h)，对于足够大的 h，这 < W·h，因为 |T| = Θ(h³)。

3.3. 扩展到主程序（第 7.6 节）

主程序将婴儿构造提升到 m = h³ 维度：

地址变为 F₂^{m} = (F₂^{h})^{⊗ 3}，即 h × h × h 位数组。
数据寄存器现在是三元组 x_{a₁,a₂,a₃}, y_{a₁,a₂,a₃}，用于所有三元组 (a₁,a₂,a₃)∈T³。
三个阶段沿每个张量维度应用婴儿程序，每次张量膨胀切片方向（v → v⊗v_{a₂}⊗v_{a₃}，等等）。
三个阶段后，每个寄存器都已被 C^{⊗ m} 变换，即卷积所需的完整 DFT。
总切片调用数简化为 W·m − Θ(|T|²)，对于大的 h，再次严格小于朴素的 W·m。

4. 社区反应与未解决问题

评论者	关键点	相关性
jdb1729	存在正式的 Lean 证明（α≈1−2⁻¹⁴·³⁸）。	确认了合理性；提供了机器检查的基础。
Kapura	作者承认没有阅读论文；依赖 LLM 解释。	突出了 LLM 调解理解的新研究工作流程。
kenferry	LLM (Claude Fable 5.1) 似乎立即“理解”了论文，不像人类。	当 AI 声称正确性时，引发了对信任和验证的担忧。
DannyBee	模型尚不能产生 g < m 的程序；论证了为什么这可能是不可能的。	暗示了一个潜在障碍：每次切片调用最多只能使非零条目加倍。
flebron	强调 O 和 o 符号之间的区别。	澄清了改进是严格亚 O(n log n) 的。
Eji1700	目前实际影响有限；改进是渐近的。	为近期应用设定了现实的期望。

未解决的技术问题（作者指出的）：

线性操作计数与合成单位根 – 它们如何与张量放大相互作用。
增加 2021 年算法中维度参数 d 的效果。
图灵模型中的数据重排成本 – 目前被忽略，但对于完整的复杂性声明至关重要。
寻找更小的装置 – 更好的装置可以将 α 推得更低，也许朝向推测的 1/2。

5. 对相关问题的影响

整数乘法的指数：论文将 α 定义为满足 O(n (log n)^α) 的指数的下确界。新的界限表明 α < 1，推翻了先前 α = 1 的信念。
网络编码下界：结合 Afshani 等人的布尔电路下界 [AFKL19]，该结果 反驳了 Li–Li 网络编码猜想。
有限域上的多项式乘法：当前最先进的是 O(n log n · 4^{log* n}) [HvdH19]。这些技术暗示了一个有条件的 O(n (log n)^α) 算法，但尚无无条件的改进。
素数枚举算法：Harvey 自己的素数枚举工作 [Har26] 依赖于 F₂[x] 中的快速乘法；如果条件多项式乘法改进实现，新的界限可以改善瓶颈。

6. AI 在发现中的作用

Harvey 的笔记不同寻常，因为 大部分理解来自 LLM (Claude Fable 5.1)：

作者要求模型解释密集的 38 页手稿。
模型提供了逐步澄清，识别了关键的放大技巧，甚至生成了婴儿程序的健全性检查实现。
这种工作流程说明了一种 新的研究范式，其中人类专家充当 AI 推理的 编排者，而不是洞察力的唯一来源。

社区的混合反应——对突破的兴奋，但也对过度依赖不透明的 AI 解释的谨慎——反映了关于 AI 增强数学的更广泛辩论。

7. 展望

该算法的 渐近改进是真实的（假设装置和放大论证成立）。接下来的里程碑是：

正式验证（例如，Lean 证明）以消除任何挥之不去的疑虑。
扩展到图灵模型，考虑数据移动成本。
优化装置 以进一步降低 α，也许接近理论上的 1/2 障碍。
探索实际影响，例如集成到高精度库中，一旦常数因子变得合理。

如果这些步骤成功，结果不仅将重写整数乘法的教科书条目，还将巩固 AI 作为前沿理论计算机科学中 一流合作者 的地位。

8. 参考文献

[AFKL19] Afshani, Freksen, Kamma, Larsen. 通过网络编码的乘法下界, ICALP 2019.
[Har26] D. Harvey. 更快的素数枚举, arXiv:2606.22851, 2026.
[HvdH19] D. Harvey & J. van der Hoeven. 有限域上更快的多项式乘法, J. Complexity 54 (2019).
[HvdH21] D. Harvey & J. van der Hoeven. 时间 O(n log n) 的整数乘法, Ann. of Math. 193 (2021).
[HvdH22] D. Harvey & J. van der Hoeven. 时间 O(n log n) 的有限域上的多项式乘法, J. ACM 69 (2022).
[HvdH25] D. Harvey & J. van der Hoeven. 整数乘法至少与矩阵转置一样难, arXiv:2503.22848, 2025.
[LL04] Z. Li & B. Li. 无向网络中的网络编码, CISS 2004.
[TC26a-c] The Company. 低于 n log n 的整数乘法 (GitHub, 2026).
全文引用了额外的社区评论。