論文の概要: Active Inference for Physical AI Agents -- An Engineering Perspective
- arxiv url: http://arxiv.org/abs/2603.20927v1
- Date: Sat, 21 Mar 2026 20:06:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.154164
- Title: Active Inference for Physical AI Agents -- An Engineering Perspective
- Title（参考訳）: 物理AIエージェントのためのアクティブ推論-工学的視点
- Authors: Bert de Vries,
- Abstract要約: 本稿では、アクティブ推論(AIF)が、そのギャップを埋めるための原則的な基盤を提供すると論じる。
AIFは、単一の計算目標内で認識、学習、計画、制御を統一することにより、VFEの最小化を運用していることを示す。
リアクティブメッセージパッシングはイベント駆動であり、割り込み可能で、ローカルに適応可能であるため、リソースの削減の下でパフォーマンスは適切に低下する。
- 参考スコア（独自算出の注目度）: 1.690447548344545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physical AI agents, such as robots and other embodied systems operating under tight and fluctuating resource constraints, remain far less capable than biological agents in open-ended real-world environments. This paper argues that Active Inference (AIF), grounded in the Free Energy Principle, offers a principled foundation for closing that gap. We develop this argument from first principles, following a chain from probability theory through Bayesian machine learning and variational inference to active inference and reactive message passing. From the FEP perspective, systems that maintain their structural and functional integrity over time can, under suitable assumptions, be described as minimizing variational free energy (VFE), and AIF operationalizes this by unifying perception, learning, planning, and control within a single computational objective. We show that VFE minimization is naturally realized by reactive message passing on factor graphs, where inference emerges from local, parallel computations. This realization is well matched to the constraints of physical operation, including hard deadlines, asynchronous data, fluctuating power budgets, and changing environments. Because reactive message passing is event-driven, interruptible, and locally adaptable, performance degrades gracefully under reduced resources while model structure can adjust online. We further show that, under suitable coupling and coarse-graining conditions, coupled AIF agents can be described as higher-level AIF agents, yielding a homogeneous architecture based on the same message-passing primitive across scales. Our contribution is not empirical benchmarking, but a clear theoretical and architectural case for the engineering community.
- Abstract（参考訳）: ロボットなどの物理的AIエージェントは、厳密で変動する資源制約の下で動作し、オープンエンドの現実世界環境における生物学的エージェントよりもはるかに低い能力を維持している。
本稿では,自由エネルギー原理に基づくアクティブ推論(AIF)が,そのギャップを埋めるための原則的基盤を提供すると主張している。
この議論は、ベイジアン機械学習と変分推論から能動推論と反応性メッセージパッシングに至る確率論の連鎖に従って、第一原理から展開する。
FEPの観点からは、時間とともに構造的および機能的整合性を維持するシステムは、適切な仮定の下で変分自由エネルギー(VFE)を最小化するものとして記述することができ、AIFは、単一の計算目的において認識、学習、計画、制御を統一することによりこれを運用する。
VFEの最小化は、局所的な並列計算から推論が現れる因子グラフ上のリアクティブメッセージパッシングによって自然に実現されることを示す。
この実現は、ハードデッドライン、非同期データ、変動する電力予算、環境の変化など、物理的な操作の制約とよく一致している。
リアクティブメッセージパッシングはイベント駆動であり、割り込み可能で、局所的に適応可能であるため、モデル構造がオンラインで調整される一方で、リソースの削減の下でパフォーマンスが適切に低下する。
さらに、適切な結合条件と粗粒化条件下では、結合型AIFエージェントは高レベルのAIFエージェントとして記述することができ、同一のメッセージパスプリミティブに基づいた均質なアーキテクチャがスケールにわたって得られることを示す。
私たちの貢献は経験的なベンチマークではなく、エンジニアリングコミュニティにとって明らかな理論とアーキテクチャのケースです。
関連論文リスト
- EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。
WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-19T17:33:31Z) - Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。
しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。
我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
論文 参考訳（メタデータ） (2025-11-04T15:14:58Z) - PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - A Message Passing Realization of Expected Free Energy Minimization [2.099922236065961]
本稿では,因子グラフ上の期待自由エネルギー(EFE)に対するメッセージパッシング手法を提案する。
我々は,解答可能な探索問題を,標準変分法を用いて抽出可能な推論問題に変換する。
因数化状態空間モデルにメッセージパッシング手法を適用することで、効率的なポリシー推論が可能になる。
論文 参考訳（メタデータ） (2025-08-04T08:48:37Z) - Adapting to Fragmented and Evolving Data: A Fisher Information Perspective [0.0]
FADEは動的環境下での堅牢な学習のための軽量フレームワークである。
フィッシャー情報幾何学に固定されたシフトアウェアの正規化機構を採用している。
FADEは固定メモリでオンラインで動作し、ターゲットラベルにアクセスできない。
論文 参考訳（メタデータ） (2025-07-25T06:50:09Z) - Free Energy Projective Simulation (FEPS): Active inference with interpretability [40.11095094521714]
FEP(Free Energy Projective Simulation)とAIF(Active Inference)は、多くの成功を収めている。
最近の研究は、最新の機械学習技術を取り入れた複雑な環境におけるエージェントの性能向上に重点を置いている。
ディープニューラルネットワークを使わずに解釈可能な方法でエージェントをモデル化するための自由エネルギー射影シミュレーション(FEPS)を導入する。
論文 参考訳（メタデータ） (2024-11-22T15:01:44Z) - Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - Realising Synthetic Active Inference Agents, Part II: Variational Message Updates [2.2940141855172036]
アクティブ推論 (AIF) は自由エネルギー原理 (FEP) の系譜である
自由形Forney-style Factor Graphs(FFGs)上のメッセージパッシングによるAIFのスケーラブルでエピステマティックなアプローチについて述べる。
合成AIFエージェントの完全なメッセージパッシングアカウントにより、モデル間でのメッセージ更新の導出と再利用が可能になる。
論文 参考訳（メタデータ） (2023-06-05T09:29:46Z) - Strictly Batch Imitation Learning by Energy-based Distribution Matching [104.33286163090179]
すなわち、強化信号へのアクセスがなく、遷移力学の知識がなく、環境とのさらなる相互作用もない。
1つの解決策は、既存のアルゴリズムをオフライン環境で動作させるために、見習いの学習に適合させることである。
しかし、このようなアプローチは、政治外の評価やオフラインモデルの推定に大きく依存しており、間接的で非効率である可能性がある。
優れたソリューションは、ポリシーを明示的にパラメータ化し、ロールアウトダイナミクスから暗黙的に学習し、完全にオフラインで運用できるべきだ、と私たちは主張する。
論文 参考訳（メタデータ） (2020-06-25T03:27:59Z)
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。