論文の概要: ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems
- arxiv url: http://arxiv.org/abs/2604.23878v2
- Date: Sat, 02 May 2026 12:08:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.418551
- 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: LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。
ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
- 参考スコア（独自算出の注目度）: 51.56484100374058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On LongMemEval-500, ZenBrain matches a long-context oracle's binary-judge accuracy to within 4.5 pp ($47.7\%$ vs. $52.2\%$; $91.3\%$) at $1/106^\text{th}$ of the per-query token cost (App. F.5-F.6, Fig. 2), and wins all 12 head-to-head answer-quality cells (4 systems $\times$ 3 LLM judges) against Letta, Mem0, and A-Mem under Bonferroni correction ($α=0.05/18$, $p_\text{min}=6.2\times 10^{-31}$, $d \in [0.18, 0.52]$). ZenBrain is a 7-layer neuroscience-inspired memory architecture. The contribution is architectural integration: 15 validated neuroscience mechanisms unified under a single MemoryCoordinator -- 9 foundational algorithms (Two-Factor Synaptic KG, vmPFC-coupled FSRS, Simulation-Selection sleep, Bayesian confidence, and five more) plus 6 Predictive Memory Architecture components (NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, MetacognitiveMonitor). No prior system integrates more than two. Stress ablation (60 days, Wilcoxon, 10 seeds) reveals a cooperative survival network: 9 of 15 mechanisms become individually critical ($ΔQ$ up to $-93.7\%$), while moderate conditions mask individual contributions. Sim-Selection sleep adds 37% stability with 47.4% storage reduction ($p \le 5.1\times 10^{-3}$); TripleCopyMemory retains $S(t)=0.912$ at 30 days; multi-layer routing beats a flat baseline by $+20.7\%$ F1 on LoCoMo, $+19.5\%$ on MemoryArena. A cross-provider bias-direction check ($Δ_\text{GPT-Anth}=-0.0001$ for ZB vs. $-0.049$ for Mem0) rules out LLM-judge-specific confounds. Open-source with 11,589 CI tests.
- Abstract（参考訳）: LongMemEval-500では、ZenBrainは、LongMemEval-500において、1/106^\text{th}$で4.5pp(47.7\%$ vs. 52.2\%$; 9,1.3\%$)の長いコンテキストのオラクルのバイナリ・ジャッジの精度と一致し、Leta、Mem0、A-Memのボネロニ補正(α=0.05/18$, $p_\text{min}=6.2\times 10^{31}$$, $8, 0.52$)に対して12の頭から頭までの応答品質のセル(4システム$\times$3 LLM judges)を獲得した。
ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
15の検証済み神経科学メカニズムを1つのメモリコーディネータで統一する -- 9つの基礎アルゴリズム(2要素シンプティックKG、vmPFC結合FSRS、シミュレーション選択睡眠、ベイズ信頼度、さらに5つ)と6つの予測的メモリアーキテクチャコンポーネント(NeuromodulatorEngine、ReconsolidationEngine、トリプルコピーメモリ、プライオリティMap、StableProtector、MetacognitiveMonitor)。
以前のシステムでは2つ以上の統合は行われていない。
ストレスアブレーション(60日、ウィルコクソン、10種)は15のメカニズムのうち9つのメカニズムが個別に重要になる(ΔQ$から-93.7\%$)一方で、中程度の条件は個々の貢献を隠蔽する。
Sim-Selection Sleepは、47.4%のストレージ削減(p \le 5.1\times 10^{-3}$); TripleCopyMemoryは30日間で$S(t)=0.912$を保ち、複数層ルーティングはLoCoMoで$+20.7\%、MemoryArenaで$+19.5\%のフラットベースラインを打ち負かす。
クロスプロジェクタバイアス指向チェック(Δ_\text{GPT-Anth}=-0.0001$ for ZB vs. $-0.049$ for Mem0)は、LLM-judge固有の欠点を除外する。
11,589のCIテスト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。