論文の概要: Intelligence Inertia: Physical Principles and Applications

• arxiv url: http://arxiv.org/abs/2603.22347v1
• Date: Sun, 22 Mar 2026 03:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.085603
• Title: Intelligence Inertia: Physical Principles and Applications
• Title（参考訳）: インテリジェンス・慣性:物理原理と応用
• Authors: Jipeng Han,
• Abstract要約: 本稿では,知能の計算重量を定量化するための基礎的特性として,知能慣性の性質を紹介する。 実際の適応コストと静的情報理論推定との相違を解析することにより、ローレンツ因子を反映した非線形コスト公式を導出する。 本研究は,知的エージェントの計算・解釈可能性維持のオーバーヘッドを第一原理的に説明し,構造適応のコストを統一的に記述することを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While Landauer's principle establishes the fundamental thermodynamic floor for information erasure and Fisher Information provides a metric for local curvature in parameter space, these classical frameworks function effectively only as approximations within regimes of sparse rule-constraints. They fail to explain the super-linear, and often explosive, computational and energy costs incurred when maintaining symbolic interpretability during the reconfiguration of advanced intelligent systems. This paper introduces the property of intelligence inertia and its underlying physical principles as foundational characteristics for quantifying the computational weight of intelligence. We demonstrate that this phenomenon is not merely an empirical observation but originates from the fundamental non-commutativity between rules and states, a root cause we have formally organized into a rigorous mathematical framework. By analyzing the growing discrepancy between actual adaptation costs and static information-theoretic estimates, we derive a non-linear cost formula that mirrors the Lorentz factor, characterizing a relativistic J-shaped inflation curve -- a "computational wall" that static models are blind to. The validity of these physical principles is examined through a trilogy of decisive experiments: (1) a comparative adjudication of this J-curve inflation against classical Fisher Information models, (2) a geometric analysis of the "Zig-Zag" trajectory of neural architecture evolution, and (3) the implementation of an inertia-aware scheduler wrapper that optimizes the training of deep networks by respecting the agent's physical resistance to change. Our results suggest a unified physical description for the cost of structural adaptation, offering a first-principle explanation for the computational and interpretability-maintenance overhead in intelligent agents.
• Abstract（参考訳）: ランダウアーの原理は情報消去の基本的な熱力学フロアを確立し、フィッシャー・インフォメーションはパラメータ空間の局所曲率の指標を提供するが、これらの古典的なフレームワークはスパース・ルール制約の規則の中でのみ近似として機能する。 彼らは超線形の説明に失敗し、しばしば爆発的、計算的、エネルギー的なコストは、先進的なインテリジェントシステムの再構成の間、象徴的な解釈可能性を維持する際に生じる。 本稿では,インテリジェンス慣性の性質とその基礎となる物理原理を,インテリジェンスの計算重量を定量化するための基礎的特性として紹介する。 我々は、この現象が単なる経験的な観察ではなく、規則と状態の基本的な非可換性に由来することを実証した。 実際の適応コストと静的情報理論の推定との相違を解析することにより、静的モデルが盲目である相対論的J字型インフレーション曲線を特徴付ける、ローレンツ因子を反映する非線形コスト公式を導出する。 これらの物理原理の妥当性は,(1)古典的漁業情報モデルに対するJ曲線のインフレーションの比較,(2)ニューラルアーキテクチャ進化の「ジグザグ」軌道の幾何学的解析,(3)エージェントの物理的抵抗を尊重して深層ネットワークのトレーニングを最適化する慣性対応スケジューララッパーの実装,の三部作を通して検証される。 本研究は,知的エージェントの計算・解釈可能性維持のオーバーヘッドを第一原理的に説明し,構造適応のコストを統一的に記述することを提案する。

関連論文リスト

• 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)
• Hierarchical Physics-Embedded Learning for Spatiotemporal Dynamical Systems [12.832325257647128]
  本稿では,前向きの時間予測と逆の物理法則の発見を両立させる階層型物理埋め込み学習フレームワークを提案する。 既知の物理法則は、物理整合性を保証するモデル計算グラフに直接埋め込まれる。 このフレームワークを適応型ニューラル演算子上に構築することにより,動的システムに特徴的な非局所的依存や高次演算子を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-10-29T09:18:41Z)
• StruSR: Structure-Aware Symbolic Regression with Physics-Informed Taylor Guidance [7.1042217955039675]
  StruSRは構造対応のシンボリック回帰フレームワークである。 トレーニングされた物理インフォームドニューラルネットワークを用いて時系列データから構造化された物理先行情報を抽出する。 ベンチマークPDEシステムの実験により、StruSRは収束速度、構造的忠実度、表現解釈可能性を改善した。
  論文  参考訳（メタデータ） (2025-10-08T04:37:04Z)
• Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
  動的非線形系は静的および動的効果の結合による歪みを示す。 本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-08T12:08:02Z)
• Mimicking the Physicist's Eye:A VLM-centric Approach for Physics Formula Discovery [98.58830663687911]
  VIPERR-aq1は、方程式推論のための視覚誘導を行うマルチモーダルモデルである。 視覚知覚、軌跡データ、象徴的推論を統合し、科学的発見過程をエミュレートする。 常に最先端のVLMベースラインを精度と解釈性で上回る。
  論文  参考訳（メタデータ） (2025-08-24T14:34:21Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• Tensor network approaches for learning non-linear dynamical laws [0.0]
  制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。 データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2020-02-27T19:02:40Z)

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。