論文の概要: BEDS: Bayesian Emergent Dissipative Structures

• arxiv url: http://arxiv.org/abs/2601.02329v1
• Date: Mon, 05 Jan 2026 18:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.354277
• Title: BEDS: Bayesian Emergent Dissipative Structures
• Title（参考訳）: BEDS:ベイズ新興散逸構造
• Authors: Laurent Caraffa,
• Abstract要約: 非平衡熱力学、ベイズ推論、機械学習の概念を統一する理論的枠組みであるBEDS(Bayesian Emergent Dissipative Structures)を提案する。 プリゴギンの散逸構造の理論に基づいて、熱力学過程とベイズ更新の間の公式な同型を確立する。 本稿では,BEDSの原理を実装したピアツーピアネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.6345523830122167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present BEDS (Bayesian Emergent Dissipative Structures), a theoretical framework that unifies concepts from non-equilibrium thermodynamics, Bayesian inference, information geometry, and machine learning. The central thesis proposes that learning, across physical, biological, and computational systems, fundamentally constitutes the conversion of flux into structure through entropy export. Building on Prigogine's theory of dissipative structures, we establish a formal isomorphism between thermodynamic processes and Bayesian updating, demonstrating that sustainable learning systems must follow dissipative patterns where crystallized posteriors become priors for subsequent levels of emergence. We derive fundamental mathematical constants (e, π, φ) as fixed points of Bayesian inference under minimal axioms, suggesting these constants emerge necessarily from any system capable of representing and updating uncertainty. Furthermore, we propose a conjecture linking Gödel's incompleteness theorems to thermodynamic constraints, hypothesizing that pathologies of formal systems (incompleteness, undecidability) are structurally analogous to dissipation deficits in physical systems. As practical validation, we present a peer-to-peer network architecture implementing BEDS principles, achieving six orders of magnitude improvement in energy efficiency compared to existing distributed consensus systems while enabling continuous learning. This work bridges fundamental physics, mathematical logic, and practical system design, offering both theoretical insights into the nature of learning and computation, and a concrete pathway toward sustainable artificial intelligence.
• Abstract（参考訳）: 非平衡熱力学、ベイズ推論、情報幾何学、機械学習の概念を統一する理論的枠組みであるBEDS(Bayesian Emergent Dissipative Structures)を提案する。 中心的な論文は、物理的、生物学的、および計算システムにわたる学習が、エントロピー輸出を通じてフラックスの構造への変換を根本的に構成する、というものである。 プリゴギンの散逸構造理論に基づいて、熱力学過程とベイズ更新の間の公式な同型を確立し、持続的な学習システムは、結晶化された後部がその後の出現の段階に先行する散逸パターンに従う必要があることを示した。 我々は、最小公理の下でベイズ推論の固定点として基本的な数学的定数(e, π, φ)を導出し、これらの定数は不確実性を表現および更新できる任意の系から必然的に現れることを示唆する。 さらに、ゲーデルの不完全性定理を熱力学的制約に結びつける予想を提案し、形式系(不完全性、不決定性)の病理は物理系の散逸欠陥と構造的に類似していると仮定する。 本稿では,BEDS原則を実装したピアツーピアネットワークアーキテクチャについて,既存の分散コンセンサスシステムと比較して6桁のエネルギー効率向上を実現し,継続的な学習を実現する。 この研究は基礎物理学、数学的論理学、実用的なシステム設計を橋渡しし、学習と計算の性質に関する理論的知見と、持続可能な人工知能への具体的な経路の両方を提供する。

関連論文リスト

• Thermodynamic Limits of Physical Intelligence [0.3580891736370874]
  現代のAIシステムは、かなりのエネルギー消費を犠牲にして驚くべき能力を達成する。 我々は,知能と物理効率を結びつけるために,明示的な会計規則の下で2ビット単位の計測値を提案する。 本研究では,Landauerスケールの閉サイクル・ベンチマークを熱力学学習の不等式を例に示す。
  論文  参考訳（メタデータ） (2026-02-05T09:12:43Z)
• Avoiding Premature Collapse: Adaptive Annealing for Entropy-Regularized Structural Inference [1.7523718031184992]
  この障害の基本的なメカニズムは、 textbf Premature Mode Collapseである。 提案手法は,適応型スケジューリングアルゴリズムであるtextbfEfficient Piecewise Hybrid Adaptive Stability Control (EPH-ASC) で,推論過程の安定性をモニタする。
  論文  参考訳（メタデータ） (2026-01-30T14:47:18Z)
• Dissipative Learning: A Framework for Viable Adaptive Systems [0.6345523830122167]
  本稿では, BEDS(Bayesian Emergent Dissipative Structures)フレームワークを導入し, 分散制約下での圧縮信念状態の進化として学習をモデル化する。 中心的な貢献は最適性定理であり、ユークリッド距離よりも情報拡散による変化を測定するフィッシャー・ラオ正則化が唯一の熱力学的最適正則化戦略であることを示している。
  論文  参考訳（メタデータ） (2026-01-25T18:10:15Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Memory-Amortized Inference: A Topological Unification of Search, Closure, and Structure [6.0044467881527614]
  単一の幾何学基板の位相遷移として学習と記憶を統一する形式的フレームワークであるtextbfMemory-Amortized Inference (MAI) を提案する。 我々は,高複雑さ探索を低複雑さ検索に変換することによって認知が機能することを示す。 この枠組みは、遅い思考(推論)から速い思考(直観)の出現に関する厳密な説明を提供する。
  論文  参考訳（メタデータ） (2025-11-28T16:28:24Z)
• Quantum Circuit Reasoning Models: A Variational Framework for Differentiable Logical Inference [0.0]
  本稿では、量子回路推論モデル(QCRM)と呼ばれる新しい推論アーキテクチャについて紹介する。 論理規則を命題量子状態上のユニタリ変換として符号化する方法を示す。 本稿では, 科学的, 生医学的, 化学的推論領域に適用可能な, 構成可能な推論モデルのための, 識別可能なハイブリッドコンポーネントとして, QRL(Quantum Reasoning Layer)を提案する。
  論文  参考訳（メタデータ） (2025-11-26T23:15:14Z)
• Information Physics of Intelligence: Unifying Logical Depth and Entropy under Thermodynamic Constraints [7.411478588468014]
  本稿では,情報処理を存在論的状態からキャリア状態へのマッピングを可能にする理論的枠組みを提案する。 与えられた論理深度から対象状態を計算するのに必要な有効な作業量を定量化する,新しい計量である導出エントロピーを導入する。 このことから, 導出エントロピーの最小化は, 生物と人工知能の双方の進化に支配的な原則であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-24T14:24:08Z)
• Simulation-free Structure Learning for Stochastic Dynamics [39.468930729022546]
  本研究では,物理系の構造と人口動態を共同で学習するための,新しいシミュレーション不要な手法であるStructureFlowを提案する。 本研究では,StructureFlowが,条件付き人口動態を同時にモデル化しながら,基礎となるシステムの構造を学習可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-18T22:31:39Z)
• Newton to Einstein: Axiom-Based Discovery via Game Design [55.30047000068118]
  本稿では,ルール進化システムとして科学調査を再放送するゲームデザインフレームワークを提案する。 固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は新たな理論構造の発見を可能にする。
  論文  参考訳（メタデータ） (2025-09-05T18:59:18Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• On Context-Content Uncertainty Principle [5.234742752529437]
  我々は、コンテキスト-コンテンツ不確実性原理から運用原則を導出する階層計算フレームワークを開発する。 基盤レベルでは、CCUPは推論を方向性エントロピー最小化として定式化し、コンテンツファーストの構造化を好む変分勾配を確立する。 本稿では,形式的同値定理,原理間の依存格子,CCUP型推論の効率性向上を示す計算シミュレーションを提案する。
  論文  参考訳（メタデータ） (2025-06-25T17:21:19Z)
• The Quantum Toll Framework: A Thermodynamic Model of Collapse and Coherence [0.0]
  本稿では,従来の量子オブザーバをコヒーレンス制約インタフェースの特別なケースとして再配置する熱力学的レンダリングモデルを提案する。 観測の熱力学的コストは,情報消去だけでなく,予測状態の安定化も含んでいることを示す。 このモデルは、古典的な出現、時間的非対称性、意識や象徴的認知を引き起こすことなく測定する。
  論文  参考訳（メタデータ） (2025-05-10T04:49:27Z)
• Towards a Generalized Theory of Observers [41.94295877935867]
  我々は観察者が測定、参照フレーム、意味の出現に欠かせない基準点として機能すると主張している。 この形式主義は、意識、量子計測、計算境界に関する議論に新たな光を当てている。
  論文  参考訳（メタデータ） (2025-04-22T19:35:55Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• A Robustness Analysis of Blind Source Separation [91.3755431537592]
  ブラインドソース分離(BSS)は、変換$f$が可逆であるが未知であるという条件の下で、その混合である$X=f(S)$から観測されていない信号を復元することを目的としている。 このような違反を分析し、その影響を$X$から$S$のブラインドリカバリに与える影響を定量化するための一般的なフレームワークを提案する。 定義された構造的仮定からの偏差に対する一般的なBSS溶出は、明示的な連続性保証という形で、利益的に分析可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-17T16:30:51Z)
• New insights on the quantum-classical division in light of Collapse Models [63.942632088208505]
  量子的挙動と古典的挙動の分断は熱力学的相の分断と類似していると主張する。 崩壊パラメータ $(lambda)$ と崩壊長スケール$r_C$ との特定の関係は、通常の熱力学相図における共存曲線の役割を担っている。
  論文  参考訳（メタデータ） (2022-10-19T14:51:21Z)
• A Systems Theory of Transfer Learning [3.5281112495479245]
  我々は、移動学習を集合上の関係として定義するためにメサロヴィッチ系理論を用いる。 次に,伝達学習の一般的な性質を数学的構成として特徴づける。 その定式化にもかかわらず、我々のフレームワークは学習理論の詳細な数学や機械学習の解法を避けている。
  論文  参考訳（メタデータ） (2021-07-02T17:25:42Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。