論文の概要: Physical Complexity of a Cognitive Artifact

• arxiv url: http://arxiv.org/abs/2509.12495v1
• Date: Mon, 15 Sep 2025 22:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.788851
• Title: Physical Complexity of a Cognitive Artifact
• Title（参考訳）: 認知的アーチファクトの物理的複雑さ
• Authors: Gülce Kardeş, David Krakauer, Joshua Grochow,
• Abstract要約: 物理パズルの計算複雑性、ソマキューブの概念を認知問題解決戦略にマッピングする。 タスクの難易度を定量的に評価し、異なる戦略が複雑さをどう修正するかを検討する。 本稿では,心と心の両方の能力を取り入れるアルゴリズムのライブラリとして,インテリジェンスモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.009558392439655011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cognitive science and theoretical computer science both seek to classify and explain the difficulty of tasks. Mechanisms of intelligence are those that reduce task difficulty. Here we map concepts from the computational complexity of a physical puzzle, the Soma Cube, onto cognitive problem-solving strategies through a ``Principle of Materiality''. By analyzing the puzzle's branching factor, measured through search tree outdegree, we quantitatively assess task difficulty and systematically examine how different strategies modify complexity. We incrementally refine a trial-and-error search by layering preprocessing (cognitive chunking), value ordering (cognitive free-sorting), variable ordering (cognitive scaffolding), and pruning (cognitive inference). We discuss how the competent use of artifacts reduces effective time complexity by exploiting physical constraints and propose a model of intelligence as a library of algorithms that recruit the capabilities of both mind and matter.
• Abstract（参考訳）: 認知科学と理論的コンピュータ科学はどちらも、タスクの難しさを分類し、説明しようとする。 知性のメカニズムは、タスクの難易度を下げるメカニズムである。 ここでは、物理パズル「ソマキューブ」の計算複雑性から「物質性の原理」を通して認知的問題解決戦略へと概念をマッピングする。 探索木を通して測定されたパズルの分岐係数を解析することにより,課題の難易度を定量的に評価し,異なる戦略が複雑さをどう修正するかを体系的に検討する。 我々は,事前処理(認知チャンク),値順序付け(認知フリーソート),変数順序付け(認知足場),プルーニング(認知推論)を階層化して,試行錯誤検索を段階的に洗練する。 本稿では, 知的財産権の活用が, 身体的制約を生かして有効時間の複雑さを減らし, 知的財産権と知的財産権の両方の能力を育成するアルゴリズムのライブラリとして, インテリジェンスモデルを提案する。

関連論文リスト

• Are Language Models Puzzle Prodigies? Algorithmic Puzzles Unveil Serious Challenges in Multimodal Reasoning [24.386388107656334]
  本稿では,視覚的質問応答の文脈内での多モーダルパズル解決の新たな課題を紹介する。 本稿では,アルゴリズムパズルの解法におけるマルチモーダル言語モデルの能力に挑戦し,評価するための新しいデータセットAlgoVQAを提案する。
  論文  参考訳（メタデータ） (2024-03-06T17:15:04Z)
• Knowledge Crosswords: Geometric Knowledge Reasoning with Large Language Models [49.23348672822087]
  構造化された事実制約に縛られた不完全な知識ネットワークからなるベンチマークである知識クロスワードを提案する。 幾何学的知識推論の新しい設定は、既存の原子/線形マルチホップQAを超える新しいLM能力を必要とする。 我々は,既存のLLMと知識クロスワードのアプローチを評価するために,広範囲な実験を行っている。
  論文  参考訳（メタデータ） (2023-10-02T15:43:53Z)
• Unleashing the Emergent Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration [116.09561564489799]
  Solo Performance Promptingは、複数のペルソナと多ターンの自己コラボレーションをすることで、単一のLCMを認知的シナジストに変換する。 認知シナジスト(英: Cognitive Synergist)は、複雑なタスクにおける問題解決を強化するために、複数の心の強みと知識を協調的に結合するインテリジェントエージェントである。 より詳細な分析により,LLMに複数の微粒なペルソナを割り当てることによって,単一あるいは固定数のペルソナに比べて問題解決能力が向上することが示された。
  論文  参考訳（メタデータ） (2023-07-11T14:45:19Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Exceeding Computational Complexity Trial-and-Error Dynamic Action and Intelligence [0.0]
  計算複雑性 (Computational complexity) は、計算の難易度を規定する計算機科学のコア理論である。 本稿では,概念を明確にし,不特定型コンピューティング,特化型コンピューティング,コンピュータエージェント,動的検索などの定義を提案する。 また,このフレームワーク,すなわちトライアル・アンド・エラー+動的検索を提案し,議論する。
  論文  参考訳（メタデータ） (2022-12-22T21:23:27Z)
• Intelligent problem-solving as integrated hierarchical reinforcement learning [11.284287026711125]
  生物学的エージェントにおける複雑な問題解決行動の開発は階層的認知機構に依存している。 本稿では,生物にインスパイアされた階層的なメカニズムを組み込むことにより,人工エージェントの高度な問題解決能力を実現する方法を提案する。 われわれの結果は、より洗練された認知にインスパイアされた階層型機械学習アーキテクチャの開発を導くことを期待している。
  論文  参考訳（メタデータ） (2022-08-18T09:28:03Z)
• Learning Iterative Reasoning through Energy Minimization [77.33859525900334]
  ニューラルネットワークを用いた反復推論のための新しいフレームワークを提案する。 すべての出力に対してエネルギーランドスケープをパラメータ化するために、ニューラルネットワークをトレーニングします。 エネルギー最小化ステップとして反復推論の各ステップを実装し,最小限のエネルギー解を求める。
  論文  参考訳（メタデータ） (2022-06-30T17:44:20Z)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。