論文の概要: Thermodynamic Limits of Physical Intelligence

• arxiv url: http://arxiv.org/abs/2602.05463v1
• Date: Thu, 05 Feb 2026 09:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.85542
• Title: Thermodynamic Limits of Physical Intelligence
• Title（参考訳）: 物理知能の熱力学限界
• Authors: Koichi Takahashi, Yusuke Hayashi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3580891736370874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern AI systems achieve remarkable capabilities at the cost of substantial energy consumption. To connect intelligence to physical efficiency, we propose two complementary bits-per-joule metrics under explicit accounting conventions: (1) Thermodynamic Epiplexity per Joule -- bits of structural information about a theoretical environment-instance variable newly encoded in an agent's internal state per unit measured energy within a stated boundary -- and (2) Empowerment per Joule -- the embodied sensorimotor channel capacity (control information) per expected energetic cost over a fixed horizon. These provide two axes of physical intelligence: recognition (model-building) vs.control (action influence). Drawing on stochastic thermodynamics, we show how a Landauer-scale closed-cycle benchmark for epiplexity acquisition follows as a corollary of a standard thermodynamic-learning inequality under explicit subsystem assumptions, and we clarify how Landauer-scaled costs act as closed-cycle benchmarks under explicit reset/reuse and boundary-closure assumptions; conversely, we give a simple decoupling construction showing that without such assumptions -- and without charging for externally prepared low-entropy resources (e.g.fresh memory) crossing the boundary -- information gain and in-boundary dissipation need not be tightly linked. For empirical settings where the latent structure variable is unavailable, we align the operational notion of epiplexity with compute-bounded MDL epiplexity and recommend reporting MDL-epiplexity / compression-gain surrogates as companions. Finally, we propose a unified efficiency framework that reports both metrics together with a minimal checklist of boundary/energy accounting, coarse-graining/noise, horizon/reset, and cost conventions to reduce ambiguity and support consistent bits-per-joule comparisons, and we sketch connections to energy-adjusted scaling analyses.
• Abstract（参考訳）: 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。 物理効率にインテリジェンスを接続するため,(1) ジュールあたりの熱力学的エピプレキシティ - エージェントの内部状態に新たに符号化された理論環境-インスタンス変数の構造情報 - と(2) ジュールあたりのエンパワーメント - 固定地平線上の予測エネルギーコスト当たりのインボディード・センタモタチャネル容量(制御情報) - の2つの相補的ビット・ジュール計測法を提案する。 これらは、認識(モデル構築)と制御(アクション影響)の2つの物理的知性を提供する。 確率的熱力学をベースとして,Landauerスケールの閉サイクルベンチマークが,明示的なサブシステム仮定の下での標準的な熱力学学習の不等式をまとめたものであることを示すとともに,Landauerスケールのコストが,明示的なリセット/再利用および境界閉鎖仮定の下で閉サイクルベンチマークとして機能しているかを明らかにする。 潜伏構造変数が利用できない経験的設定では、エピプレキシティという操作的概念を計算境界のMDLエピプレキシティと整合させ、MDL-エピプレキシティ/圧縮ゲインサロゲートをコンパニオンとして報告することを推奨する。 最後に、両指標を最小限のチェックリスト、境界/エネルギー会計、粗粒度/ノイズ、地平/リセット、コスト規則と共に報告し、あいまいさを低減し、一貫したビット/ジュール比較をサポートする統合効率フレームワークを提案し、エネルギー調整スケーリング分析との接続をスケッチする。

関連論文リスト

• BEDS : Bayesian Emergent Dissipative Structures : A Formal Framework for Continuous Inference Under Energy Constraints [0.6345523830122167]
  本稿では,エネルギー制約下での信念を継続的に維持しなくてはならない推論システムを解析するための公式なフレームワークであるBEDSを紹介する。 我々はエネルギー、精度、散逸を結びつける中心的な結果を証明する。 Gdel-Landauer-Prigogine予想(英語版)を提案し、形式系、計算、熱力学にまたがる閉包経路が共通の構造を持つことを示唆する。
  論文  参考訳（メタデータ） (2026-01-05T18:21:02Z)
• Going beyond Landauer: Information-cost relations from inference based on the maximum entropy principle [10.21983319647914]
  最大エントロピー原理に基づく一般的な情報コストトレードオフ関係を導出する。 我々は、エネルギーと励起を交換する結合量子ビットシステムを用いて、情報コストのトレードオフ関係を数値的に検証する。 この結果は、一般的な有限時間量子過程における熱力学的コストの制約における最大エントロピー推論の幅広い有用性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-09-21T12:38:17Z)
• Hierarchy of Qubit Dynamical Maps in the Presence of Symmetry and Coherence [0.0]
  U(1)保存は、パウリ弦の電荷保存を通じて量子熱力学的操作を制約することを証明する。 我々のノーゴー定理は、U(1)力学が対角的な熱状態から局所的コヒーレンスを生成できないことを示している。 作業抽出と状態判別性における測定可能な熱力学的優位性を示す。
  論文  参考訳（メタデータ） (2025-09-05T04:04:34Z)
• Demonstration of energy extraction gain from non-classical correlations [62.615368802619116]
  エンタングルメントは、制御可能な設定における抽出可能なエネルギーの量を支配していることを示す。 2ビットの資源状態の一致とフィードバックポリシの適用によるエネルギー抽出利得の両方を定量化することにより、情報とエネルギーの関連性を裏付ける。
  論文  参考訳（メタデータ） (2024-04-23T08:44:07Z)
• Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
  textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
  論文  参考訳（メタデータ） (2023-11-03T03:18:40Z)
• A pathway to accurate potential energy curves on NISQ devices [0.483420384410068]
  量子デバイス上で水素分子のポテンシャルエネルギー曲線を計算するための実用的なワークフローを提案する。 提案手法は,数量子ビットしか持たず,基本セットの限界に近い完全な構成相互作用の結果を提供するために外挿方式を用いる。 シミュレーション量子ハードウェアのノイズ特性に制約があるにもかかわらず、現実的な電子相関値の復元が可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-19T11:32:43Z)
• Mixed-Integer Nonlinear Programming for State-based Non-Intrusive Load Monitoring [2.2237337682863125]
  非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、1つのスマートメーターによって記録された集約信号に対して、各アプライアンスのエネルギー消費を推定するタスクである。 エネルギー分散のための2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-16T22:16:00Z)
• Out-of-time-order correlations and the fine structure of eigenstate thermalisation [58.720142291102135]
  量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。 我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。 無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
  論文  参考訳（メタデータ） (2021-03-01T17:51:46Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。