論文の概要: From Phenomenological Fitting to Endogenous Deduction: A Paradigm Leap via Meta-Principle Physics Architecture

• arxiv url: http://arxiv.org/abs/2604.08245v1
• Date: Thu, 09 Apr 2026 13:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.940303
• Title: From Phenomenological Fitting to Endogenous Deduction: A Paradigm Leap via Meta-Principle Physics Architecture
• Title（参考訳）: 現象学的フィッティングから内因性推論へ:メタ原理物理アーキテクチャによるパラダイム・リード
• Authors: Helong Hu, HongDan Pan, ShuiQing Hu,
• Abstract要約: メタ原理物理アーキテクチャ(MPPA)の構築 MPPAは3つの中核となるメタ原則 – 接続性、保存性、周期性 – をアーキテクチャに組み込む。 物理推論(0から0から0.436、0.436対0.000)、2.18xの数学的タスク改善(0.330対0.151)、52%の論理的タスクゲイン(0.456対0.300)、3.69%の検証難読度(259.45対269.40)、11.8%のパラメータ(242.40M対216.91M)。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The essence of current neural network architectures is phenomenological fitting: they learn input-output statistical correlations via massive parameters and data, yet lack intrinsic understanding of the fundamental principles governing physical reality. This paper proposes a paradigm leap from pure phenomenological fitting to the fusion of phenomenological fitting and endogenous deduction. By embedding physical meta-principles into neural network architecture, we construct the Meta-Principle Physics Architecture (MPPA). Specifically, MPPA embeds three core meta-principles - Connectivity, Conservation, Periodicity - into its architecture, implemented via three core components: the Gravitator realizes Connectivity via standard causal attention; the Energy Encoder implements Conservation via log-domain energy tracking and delayed compensation; the Periodicity Encoder fulfills Periodicity via FFT-based spectral analysis and delayed modulation. These components collaborate via a learnable independent gating fusion mechanism, forming a complete physical cognition framework of 'local relational connectivity - global conservation constraint - evolutionary periodic law'. Experiments show MPPA achieves significant improvements: physical reasoning (from near zero to 0.436, 0.436 vs 0.000), 2.18x mathematical task improvement (0.330 vs 0.151), 52% logical task gain (0.456 vs 0.300), and 3.69% lower validation perplexity (259.45 vs 269.40), with only 11.8% more parameters (242.40M vs 216.91M). Notably, MPPA shows strong generalization on out-of-distribution physical scenarios, proving the robustness and interpretability of this principle-embedded design. This work establishes a new theoretical foundation and technical path for next-generation AI with physical common sense, causal reasoning, and mathematical rigor.
• Abstract（参考訳）: 現在のニューラルネットワークアーキテクチャの本質は現象学的適合性である:彼らは大量のパラメータとデータを通して入出力統計相関を学習するが、物理的な現実を規定する基本原理に関する本質的な理解は欠如している。 本稿では,純粋な現象学的適合から,現象学的適合と内因性推論の融合へのパラダイム的飛躍を提案する。 物理メタプリンシプルをニューラルネットワークアーキテクチャに組み込むことで、メタ原理物理アーキテクチャ(MPPA)を構築する。 具体的には、MPPAは、接続性、保存性、周期性という3つの中核原理をアーキテクチャに組み込み、標準因果的注意による接続性の実現、エナジーエンコーダはログドメインエネルギー追跡と遅延補償による保存を実装し、周期性エンコーダはFFTベースのスペクトル分析と遅延変調によって周期性を満たす。 これらのコンポーネントは、学習可能な独立したゲーティング融合機構を通じて協調し、「局所的関係接続 - グローバルな保護制約 - 進化的周期法則」の完全な物理的認知フレームワークを形成する。 物理推論(0から0.436、0.436、0.000)、2.18xの数学的タスク改善(0.330対0.151)、52%の論理的タスクゲイン(0.456対0.300)、3.69%の検証難読度(259.45対269.40)、11.8%のパラメータ(242.40M対216.91M)。 特に、MPPAは分配外の物理的シナリオを強く一般化し、この原則を組み込んだ設計の堅牢性と解釈可能性を証明する。 この研究は、物理的常識、因果推論、数学的厳密さを備えた次世代AIの新たな理論的基盤と技術パスを確立する。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems [0.5735035463793009]
  我々は、リカレントインテグレータ内に既知の物理をハード構造制約として埋め込んだ汎用アーキテクチャであるHybrid Recurrent Physics-Informed Neural Network (HRPINN) を定式化し、残留力学のみを学習する。 第2に,計画HRPINN (PHRPINN, Projected HRPINN) を導入する。 実世界のバッテリ確率DAEでHRPINNを評価し,標準制約ベンチマークでPHRPINNを評価する。
  論文  参考訳（メタデータ） (2025-11-28T16:06:24Z)
• Unified Spatiotemporal Physics-Informed Learning (USPIL): A Framework for Modeling Complex Predator-Prey Dynamics [0.0]
  エコロジーシステムは、従来のモデリングに挑戦する複雑なマルチスケールのダイナミクスを示す。 新しい方法は、保存原則に固執しながら、時間的振動と創発的なパターンを捉える必要がある。 本稿では,物理インフォームドニューラルネットワークを統合したディープラーニングアーキテクチャであるUnified Stemporal Physics-Intemporal Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-16T18:02:23Z)
• CMPhysBench: A Benchmark for Evaluating Large Language Models in Condensed Matter Physics [71.42168240638462]
  CMPhysBenchは、凝縮物質物理学における大規模言語モデルの習熟度を評価するように設計されている。 以上の結果から,最高モデルであるGrok-4でさえ,CMPhysBench上での平均SEEDスコアが36点,精度が28%であった。
  論文  参考訳（メタデータ） (2025-08-25T15:32:22Z)
• 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)
• Symmetry-Constrained Multi-Scale Physics-Informed Neural Networks for Graphene Electronic Band Structure Prediction [0.0]
  本稿では,Symmetry-Constrained Multi-Scale Physics-Informed Neural Network (SCMS-PINN) v35を紹介する。 グラフェンバンド構造を直接学習し、結晶対称性を厳格に強化する。 このモデルは、理論ゼロの30.3$mu$eVと平均誤差53.9meVとブリルアンゾーンの40.5meV(導電性)でディラック点ギャップを予測する。
  論文  参考訳（メタデータ） (2025-08-14T14:59:10Z)
• A Graph-Based Framework for Exploring Mathematical Patterns in Physics: A Proof of Concept [0.0]
  このコーパスは、グラフ注意ネットワークがリンク予測で97.4%のAUCを達成した、重み付き知識グラフとして表現された。 フレームワークの主な価値は、仮説の生成と知識の監査という2つの能力から生まれる。
  論文  参考訳（メタデータ） (2025-08-07T16:18:47Z)
• PhyX: Does Your Model Have the "Wits" for Physical Reasoning? [49.083544963243206]
  既存のベンチマークでは、物理的な推論という、インテリジェンスの重要な側面を捉えられません。 視覚シナリオにおける物理基底推論のモデルキャパシティを評価するために設計された,最初の大規模ベンチマークであるPhyXを紹介する。
  論文  参考訳（メタデータ） (2025-05-21T18:33:50Z)

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。