Contexte théorique
Le préprint publié le 23 septembre 2026 par OpenAI porte le titre Integer multiplication below n log n. Depuis les années 1970, la multiplication d’entiers de taille n est majoritairement réalisée en temps O(n log n) grâce à la transformée de Fourier rapide (FFT). Cette borne a longtemps été considérée comme optimale dans le modèle de calcul RAM à accès aléatoire, même si des améliorations asymptotiques ont été obtenues en introduisant des facteurs log‑log ou en réduisant la constante multiplicative. Le document référencé dans le paper.pdf indique qu’une nouvelle méthode permet de descendre en dessous de la barrière n log n, ce qui constitue un point de rupture théorique.
Nouvelle approche algorithmique
Le texte de la README ne détaille pas les étapes de l’algorithme, mais le titre même affirme un complexité strictement inférieure à n log n. Cette affirmation implique que les auteurs ont identifié une structure de données ou une transformation numérique qui évite la multiplication de polynômes de degré n via FFT, ou qu’ils ont optimisé la phase de recombinaison des coefficients. En l’absence de description technique, on ne peut pas préciser si la méthode repose sur une variante de la multiplication de Karatsuba, sur des techniques de convolution à base de réseaux de neurones, ou sur une nouvelle forme de décomposition de nombres. Le fait que le préprint soit publié sous forme de preprint suggère que les preuves de complexité sont formelles et reposent sur des arguments de théorie des nombres ou d’analyse combinatoire.
Implications et limites
Si l’algorithme atteint réellement une complexité o(n log n), il remet en question les estimations de coût utilisées dans les bibliothèques de calcul arbitraire comme GMP ou MPIR. Les gains potentiels se manifesteraient surtout pour des entiers très larges (méga‑bits et plus), où la composante logarithmique domine le temps d’exécution. Cependant, le préprint ne fournit pas de mesures empiriques, de constantes cachées, ni d’évaluation de la consommation mémoire. Sans ces données, l’impact pratique reste incertain : un facteur constant élevé pourrait neutraliser les avantages asymptotiques sur des tailles de données réalistes. De plus, l’absence de code source ou d’implémentation open‑source limite la reproductibilité et la validation indépendante.
