論文の概要: ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems
- arxiv url: http://arxiv.org/abs/2604.23878v1
- Date: Sun, 26 Apr 2026 20:39:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.661018
- Title: ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems
- Title（参考訳）: ZenBrain:自律型AIシステムのための神経科学にヒントを得た7層メモリアーキテクチャ
- Abstract要約: 我々は神経科学モデルを統合した多層メモリアーキテクチャであるZenBrainを紹介する。
9つのアルゴリズムで編成された7つのメモリ層(作業層、短期層、エピソード層、意味層、手続き層、コア層、基礎層)を実装している。
LongMemEvalでは、ZenBrainはシステム審査員12人の中で最高位である。
- 参考スコア（独自算出の注目度）: 51.56484100374058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite a century of empirical memory research, existing AI agent memory systems rely on system-engineering metaphors (virtual-memory paging, flat LLM storage, Zettelkasten notes), none integrating principles of consolidation, forgetting, and reconsolidation. We present ZenBrain, a multi-layer memory architecture integrating fifteen neuroscience models. It implements seven memory layers (working, short-term, episodic, semantic, procedural, core, cross-context) orchestrated by nine foundational algorithms (Two-Factor Synaptic Model, vmPFC-coupled FSRS, Simulation-Selection sleep, Bayesian confidence, and five more) plus six new Predictive Memory Architecture (PMA) components: a four-channel NeuromodulatorEngine, prediction-error-gated ReconsolidationEngine, TripleCopyMemory with divergent decay, four-dimensional PriorityMap with amygdala fast-path, StabilityProtector (NogoA/HDAC3 analogue), and MetacognitiveMonitor for bias detection. The 15-algorithm ablation reveals a cooperative survival network: under stress, 9 of 15 algorithms become individually critical (delta-Q up to -93.7%, Wilcoxon, 10 seeds, alpha=0.005). Simulation-Selection sleep achieves 37% stability improvement (p<0.005) with 47.4% storage reduction. TripleCopyMemory retains S(t)=0.912 at 30 days; PriorityMap reaches NDCG@10=0.997. Multi-layer routing beats a flat single-layer baseline by 20.7% F1 on LoCoMo (p<0.005) and 19.5% on MemoryArena (p=0.015). On LongMemEval-500, ZenBrain holds the highest mean rank on all 12 system-judge cells (4 systems x 3 LLM judges), three-judge mean J=0.545 vs letta=0.485, a-mem=0.414, mem0=0.394; all 9 pair-wise contrasts clear Bonferroni (alpha=0.05/18, min p=6.2e-31, d in [0.18, 0.52]). Under LongMemEval's binary judge, ZenBrain reaches 91.3% of oracle accuracy at 1/106th the per-query token budget. Open-source with 11,589 automated test cases.
- Abstract（参考訳）: 一世紀に及ぶ経験的メモリ研究にもかかわらず、既存のAIエージェントメモリシステムはシステムエンジニアリングのメタファー(仮想メモリのページング、フラットなLLMストレージ、ゼッテルカステンのメモ)に依存しており、統合、忘れ、再統合の原則を統合していない。
我々は15の神経科学モデルを統合した多層メモリアーキテクチャであるZenBrainを紹介する。
Two-Factor Synaptic Model, vmPFC- Coupled FSRS, Simulation-Selection sleep, Bayesian confidence, and five more) と6つの新しい予測メモリアーキテクチャ (PMA) コンポーネント: 4チャネルNeuromodulatorEngine, prediction-error-gated ReconsolidationEngine, TripleCopyMemory with divergent decay, four-dimensional PriorityMap with amygdala fast-path, stabilityProtector (NogoA/HDAC3 analogue), MetacognitiveMonitor for bias。
15-algorithm ablationは、ストレス下で15のアルゴリズムのうち9つは個別に臨界となる(デルタQは-93.7%、ウィルコクソンは10種、アルファ=0.005)。
シミュレーション選択睡眠は37%の安定性向上(p<0.005)を達成し、47.4%の記憶量削減を実現した。
TripleCopyMemoryは30日間でS(t)=0.912を維持し、PreferityMapはNDCG@10=0.997に達する。
多層ルーティングは、LoCoMo(p<0.005)で20.7%のF1、MemoryArena(p=0.015)で19.5%のフラットな単一層ベースラインを破る。
LongMemEval-500では、ZenBrainは12のシステムジャッジ細胞(4つのシステム x 3 LLM 審査員)、J=0.545 対 letta=0.485, a-mem=0.414, mem0=0.394 で最高位を保持し、9対のコントラストはすべてボニフェロニ(alpha=0.05/18, min p=6.2e-31, d in [0.18, 0.52])を明確にしている。
LongMemEvalの2項裁判では、ZenBrainは1/106分の1でオラクルの精度の91.3%に達した。
11,589の自動化テストケースを備えたオープンソース。
関連論文リスト
- Ockhamareto: Pareto-Gated Segment-Level Credit Assignment for Concise Unit-Test Generation with Reinforcement Learning [64.49364696628294]
我々は単発のGRPOフレームワークであるtextbfOckhamaretoを紹介した。
Ockhamaretoには2つの主要なコンポーネントがある: (i)emphPareto-gated Bonusは、(mutation, $-$#tests)スペースで非支配的なロールアウトのみを報酬する。
論文 参考訳（メタデータ） (2026-08-25T12:20:02Z) - Caching for the Future: Scrub Jay Episodic Memory Principles for Agent Memory Systems [5.321970297768025]
既存の記憶アーキテクチャは、全ての記憶を、時代遅れの事実と共に、保存されたコンテキストを均等に永続的で体系的に汚染したものとして扱う。
メモリ当たりの時間減衰は,外部LLMエージェントメモリストアにおいて,自動分類係数$_i$として操作可能であることを示す。
本稿では,時間的一般化テスト(TGT)と,保持間隔を保ったベンチマーク,一般化ギャップ(GenGap)メトリクスを紹介する。
論文 参考訳（メタデータ） (2026-08-05T12:12:44Z) - What Do EEG Foundation Models Capture from Human Brain Signals? [64.48249643001402]
現代の脳波基礎モデルは、自己教師付き事前訓練を通じて生信号から直接学習する。
我々は3つのサブクエストに分解する: モデルが何を学習するか、モデルを何に使用するのか、そしてどのように説明できるのか。
3つの基礎モデル(CSBrain, CBraMod, LaBraM),5つの臨床タスク(MDD, Stress, ISRUC-Sleep, TUSL, Siena)と6ファミリー63機能レキシコンを含む。
論文 参考訳（メタデータ） (2026-05-12T01:57:53Z) - When Quantization Is Free: An int4 KV Cache That Outruns fp16 on Apple Silicon [0.0]
KVキャッシュ量子化は、品質-レイテンシトレードオフとしてフレーム化される。
Apple Siliconの統一メモリにインセンティブを与えています。
論文 参考訳（メタデータ） (2026-05-07T05:44:39Z) - SCM: Sleep-Consolidated Memory with Algorithmic Forgetting for Large Language Models [0.0]
本稿では, 永続的で構造化された, 生物学的に妥当な記憶の欠如に対処するために, 神経科学的原理に基づく大規模言語モデルのためのメモリアーキテクチャを提案する。
SCMは、人間のメモリにインスパイアされた5つのコアコンポーネントを実装している: 限られた容量のワーキングメモリ、多次元の重要タグ付け、異なるNREMとREMフェーズによるオフライン睡眠ステージの統合、意図的な値ベースの忘れ、イントロスペクションを可能にする計算自己モデル。
8つのテストからなる標準化されたベンチマークスイートの中で、プロトタイプは10ターンの会話に対して完全なリコール精度を達成し、適応的な忘れ込みによってメモリノイズを90.9%削減した。
論文 参考訳（メタデータ） (2026-04-22T15:47:27Z) - ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - SuperLocalMemory V3.3: The Living Brain -- Biologically-Inspired Forgetting, Cognitive Quantization, and Multi-Channel Retrieval for Zero-LLM Agent Memory Systems [0.0]
ローカルファーストのエージェントメモリシステムであるSuperLocalMemory V3.3("The Living Brain")を提案する。
認知記憶の完全な分類と数学的ライフサイクルのダイナミクスを実装している。
Elastic License 2.0の下でオープンソースで、完全にCPUで動作し、毎月5000回以上ダウンロードされている。
論文 参考訳（メタデータ） (2026-04-06T08:27:26Z) - Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [76.63021613850093]
我々は、生涯にわたるAIエージェントのための統合マルチモーダルメモリフレームワークであるOmni-SimpleMemを発見するために、自律的な研究パイプラインをデプロイする。
システムは2つのベンチマークで最先端を実現し、LoCoMoではF1を+411%改善し、Mem-Galleryでは+214%向上した。
本稿では,6種類の発見型を分類し,特に自動検索に適したマルチモーダルメモリを実現する4つの特性を同定する。
論文 参考訳（メタデータ） (2026-04-01T15:06:23Z) - Persistent Memory Through Triple-Loop Consolidation in a Non-Gradient Dissipative Cognitive Architecture [0.0]
本稿では,三重ループ統合サイクルを通した非段階的な永続メモリ機構であるDeep Memoryを紹介する。
我々は、Mixture-of-Experts (MoE) ゲーティングによる個別のエキスパートルーティングがDMの因果的前提であることを示した。
以上の結果から, DMは, 海馬統合と機能的並行性を有する非段階認知システムにおいて, 持続記憶の機構として確立された。
論文 参考訳（メタデータ） (2026-03-28T08:29:48Z) - Trained Persistent Memory for Frozen Decoder-Only LLMs [0.0]
トレーニングされたメモリアダプタは、凍結したエンコーダ-デコーダバックボーン、永続的な潜時空間メモリを提供する。
LoCoMoでは、インダクティブバイアスの二分法が目覚ましい。キャパシティが1ドル以上で、強いアーキテクチャ上の先行点を持つ3つのメソッドが、7〜18%のメモリスコアを達成します。
これらの知見は、大きなトランスフォーマーファミリーにまたがる一般的なパラダイムとして、永続的な潜在空間記憶を確立した。
論文 参考訳（メタデータ） (2026-03-20T19:11:02Z) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - Rényi exponent landscape of multipartite entanglement in free-fermion systems [51.56484100374058]
我々は、Rényi tripartite information $I_3() が小フェルミ運動量での質的に $exclusion-dependent scaling を示すことを示した。
I_m(n)/I_m(1) sim zm-1 to 0$ for all integer $n geq 2$, so the leading von Neumann signal can builded from integer Rényi data。
論文 参考訳（メタデータ） (2026-03-09T22:27:00Z) - Chronicals: A High-Performance Framework for LLM Fine-Tuning with 3.51x Speedup over Unsloth [0.0]
Unsloth上で3.5倍のスピードアップを実現したオープンソースのトレーニングフレームワークであるCentralsを紹介します。
オンラインのソフトマックスの正しさ、FlashAttention IO complexity O(N2 d2 M-1)、LoRA+学習速度勾配近似など、完全な数学的基礎を提供する。
論文 参考訳（メタデータ） (2026-01-06T00:00:55Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - MindGrab for BrainChop: Fast and Accurate Skull Stripping for Command Line and Browser [0.5983020804545164]
我々はパラメータとメモリ効率の深い完全畳み込みモデルであるMindGrabを開発した。
MindGrabはSynthStripデータセットから得られた606個のマルチモーダル成人脳スキャン(T1, T2, DWI, MRA, PDw MRI, EPI, CT, PET)を用いて評価した。
MindGrabは標準偏差(SD)1.6で95.9のDiceスコアを達成し、古典的手法よりも優れていた。
論文 参考訳（メタデータ） (2025-06-13T15:09:15Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳（メタデータ） (2022-06-24T17:58:13Z) - IMAC: In-memory multi-bit Multiplication andACcumulation in 6T SRAM
Array [5.29958909018578]
インメモリコンピューティングは、メモリアレイに計算のいくつかの側面を埋め込むことを目的としている。
6Tアレイ内で並列ドット生成を行うことができる新しいインメモリ乗算法を提案する。
提案システムはエネルギー消費の6.24倍、遅延の9.42倍である。
論文 参考訳（メタデータ） (2020-03-27T17:43:19Z)
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。