要点 - Shellsort のギャップ（間隔）選びは半世紀以上にわたる未解決課題で、短くまばらな実用列に関する最良の最悪時上界は長く N^{4/3} のままでした。 - 新しい研究（arXiv:2609.29881v1）は、自己教師ありの強化学習（RL）システムを用いて実行可能なギャップ生成器を探索し、実行中に比較・移動回数を直接測定することで候補列を発見しました。 - システムは独立した複数回の探索で共通する「有理幾何学的（rational-geometric）」族を見つけ、有限接頭辞を微調整して実用的な列 1, 3, 8, 20, 47, 116, 300, 585, 1416, 3303, … を得ています。 - 実験ではこの凍結した列が 10^7 < N ≤ 10^8 の 25 の大規模タスクで 7 つの古典的ベースラインより平均操作回数が低く、実用面での有望性を示しています。

背景（簡単に） Shellsort は単純で実装の軽いソート法であり、複数の“ギャップ”を使って配列を段階的に局所ソートしていくアルゴリズムです。どのギャップ列を選ぶかが性能を大きく左右し、長年にわたりさまざまな経験則や数論的構成、探索法が提案されてきました。しかし「短く、まばらで、実際に競争力のある列」についての最悪ケースの理論的上界は数十年にわたり N^{4/3} を超えられていませんでした。

研究のアプローチ（概観） 著者らは「列そのものを実行データから学ぶ」方針を採りました。システムは「実行可能なギャップ生成器」すなわち任意の N に対してギャップ列を出力するプログラム空間を探索します。各候補は構成上常に有効で、実際にそのギャップ列で Shellsort を走らせることで比較回数・移動回数を正確に得られます。従来の列を目標とする教師信号は使いません（自己教師あり）。

発見と実用的成果 5 回の独立探索を行ったところ、システムは共通の有理幾何学的族に収束しました。さらに第2段階で有限接頭辞のみをチューニングすることで、上に示した実用列を固定化しました。固定した列は大規模実験（N≈10^7～10^8）で古典的な 7 つのベースラインに比べて平均操作回数が低く、実用的な効率改善を確認しています。

理論的な境界（慎重に） 著者らは学習された列の「尾部」を変更せずに理論的解析を完成させ、稀な（zero-density）な単位補助数 h_s+1 の集合を除けば互換性の障壁を取り除けると述べています。この結果として得られる最終列は多項式的な上界と下界でほぼ一致し、指数部は 1.024296451657… でそろいます。すなわち、厳密には Ω(N^{1.024296451657…}) ≤ T(N) ≤ O(N^{1.024296451657…} · polylog N) という形の評価が示されます。下界は Zang の最新の定理に依るもので、著者らの貢献は対応する上界を与えた点にあります。

何が新しいか・何に注意するか - 新規性: 実行データから列を「発見」し、それを実用評価と理論解析の両方につなげた点が目を引きます。学習による設計と解析を両立させた例です。 - 改善の度合い: 旧来の短くまばらな実用列に対する長らくの基準 N^{4/3}（指数約1.333…）に比べ、今回の指数は約1.0243 と大きく下がっています。理論的にかなり小さな指数であることは注目に値します。 - 注意点: それでも指数は 1 より大きく、アルゴリズムは依然として多項式的に増大します。上界には polylog（多重対数的因子）が付く点や、尾部の特殊な構成が N が天文学的に大きい領域（例: 10^{1000} を超える規模）でのみ影響を与えるという記述など、実用上は限定的な特性もあります。また学習プロセスが特定のタスク群に特化している可能性や、実装の詳細・再現性は論文本文やコードで確認すべきです。

応用と今後の課題 この成果は二方向のインパクトをもたらします。ひとつは「自動探索＋実行フィードバック」でアルゴリズムの構成要素（ここではギャップ列）をデザインする手法の有効性を示したこと。もうひとつは、実用的で短いギャップ列に関する理論的境界が前進した点です。今後は公開コードによる再現、他の入力分布や実装環境での比較、さらなる理論的一般化（例えば他族への拡張や尾部の構成の簡素化）などが期待されます。