論文の概要: Statistically Meaningful Geometry and Gauge Symmetry Breaking: A Geometric Foundation for Scientific Discovery and Intelligence Emergence
- arxiv url: http://arxiv.org/abs/2607.05436v1
- Date: Fri, 03 Jul 2026 13:34:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.259013
- Title: Statistically Meaningful Geometry and Gauge Symmetry Breaking: A Geometric Foundation for Scientific Discovery and Intelligence Emergence
- Title（参考訳）: 統計的に意味のある幾何学とゲージ対称性の破れ:科学発見と知能創発のための幾何学的基礎
- Authors: Bing Cheng, Yi-Shuai Niu, Howell Tong, Shing-Tung Yau,
- Abstract要約: 機械学習システムは真の知性を示すのか、それとも単なる高度な統計的パターンマッチングなのか?
パラメータ化学習システムを無限次元の非パラメトリックオルリッツファイバーバンドルとしてモデル化するフレームワークである統計的意味幾何を導入する。
我々は、SMGが真知性を数学的に証明し、AI for Scienceを自律的なパラダイムシフトのエンジンに変換するために、パラメータフリーで偽装可能なダッシュボードを提供することを示した。
- 参考スコア（独自算出の注目度）: 0.7766379063545538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid scaling of over-parameterized machine learning architectures, particularly LLMs, raises a profound crisis: do these systems exhibit genuine intelligence, or are they merely sophisticated statistical pattern matchers? Classical flat Euclidean statistics cannot differentiate continuous interpolation from the autonomous discovery of novel causal laws. To resolve this, we introduce Statistically Meaningful Geometry (SMG), a framework modeling over-parameterized learning systems as infinite-dimensional non-parametric Orlicz fiber bundles. We prove that under persistent out-of-distribution (OOD) stimuli governed by unmodeled causal mechanisms, continuous optimization fails. Unmodeled variance is rejected by the visible horizontal base manifold, leaking into the unobservable vertical fiber space and generating an accumulation of Active Acausal Tension. Driven by the statistical manifold's non-linear curvature, this tension inevitably strikes a conjugate focal boundary ($T_{\text{crit}} = π^2 / K_{\text{max}}$), triggering localized volumetric collapse and a catastrophic matrix singularity ($[G_f]^{-1} \to \infty$). We demonstrate this geometric breakdown acts as the strict non-equilibrium trigger for a Gauge Symmetry Break (GSB). The system purges hidden tension from unobservable gauge redundancies, spontaneously crystallizing a new, mathematically independent horizontal coordinate axis. This non-parametric phase transition registers as a discrete $+1.0$ integer step-jump in observable Structural G-Entropy. By decoupling parameter charts and subjecting emergent axes to a Minimal Energy Path Criterion and a Causal Invariance Filter, we distinguish genuine discovery from malignant hallucinations. Ultimately, SMG provides a parameter-free, falsifiable dashboard to mathematically certify true intelligence, transforming AI for Science into an engine of autonomous paradigm shifts.
- Abstract（参考訳）: 過度にパラメータ化された機械学習アーキテクチャ、特にLLMの急激なスケーリングは、深刻な危機を引き起こす。
古典的平坦なユークリッド統計は、新しい因果法の自律的な発見と連続的な補間を区別することはできない。
これを解決するために,多パラメータ学習システムを無限次元非パラメトリックオルリッツファイバーバンドルとしてモデル化するフレームワークである統計的意味幾何(SMG)を導入する。
モデルのない因果機構によって制御される持続的アウト・オブ・ディストリビューション(OOD)刺激の下では、連続的な最適化は失敗する。
非モデル化された分散は、可視水平ベース多様体によって否定され、観測不可能な垂直繊維空間に漏れて、アクティブアコーザルテンションが蓄積される。
統計多様体の非線形曲率により、この緊張は共役焦点境界(T_{\text{crit}} = π^2 / K_{\text{max}}$)を必然的に打ちつけ、局所的な体積崩壊と破滅的行列特異性([G_f]^{-1} \to \infty$)を引き起こす。
この幾何分解は、ゲージ対称性ブレーク(GSB)の厳密な非平衡トリガーとして機能することを示す。
このシステムは、観測不能なゲージ冗長性から隠れた張力を浄化し、新しい数学的に独立した水平座標軸を自発的に結晶化する。
この非パラメトリック位相遷移は、可観測構造Gエントロピーにおける離散的な$+1.0$整数ステップジャンプとして登録される。
パラメータチャートと創発軸を最小エネルギーパス基準と因果不変フィルタに分離することにより,悪性幻覚から真の発見を区別する。
究極的には、SMGは真の知性を数学的に証明するためのパラメータフリーで偽造可能なダッシュボードを提供し、AI for Scienceを自律的なパラダイムシフトのエンジンに変換する。
関連論文リスト
- Statistically Meaningful Geometry (SMG) Beyond the Euclidean Paradigm, with Application to Generative AI [0.7766379063545538]
本稿では,パラメトリックモデルから無限次元最小化非漸近統計へ持ち上げる情報幾何学的パラダイムである統計的意味幾何(SMG)フレームワークを紹介する。
接続フィルタによる事前学習の下では、分布外分布予測分散は、同定可能な基底多様体 $mathcalB$ の有限径によって厳密に上界となり、生成幻覚の厳密な幾何学的包含が確立される。
論文 参考訳（メタデータ） (2026-07-03T13:46:31Z) - The Geometric Alignment Tax: Tokenization vs. Continuous Geometry in Scientific Foundation Models [0.0]
根本原因は、幾何学的アライメント税である。
速度歪理論とMINEを用いた14の生物基盤モデルの評価を行った。
低歪み、高相互情報、大域コヒーレンスを同時に達成するモデルは存在しない。
論文 参考訳（メタデータ） (2026-04-05T15:45:49Z) - Robust Sequential Tracking via Bounded Information Geometry and Non-Parametric Field Actions [0.0]
LiDARによるターゲット追跡、高周波暗号秩序フロー、量子状態トモグラフィーの3つの領域にわたる実証的なベンチマークでは、この情報ジオメトリが異常値を解析的に減らすことを実証している。
論文 参考訳（メタデータ） (2026-03-13T21:40:44Z) - Graph Symmetry Organizes Exceptional Dynamics in Open Quantum Systems [0.0]
完備Liouvillian 生成器から直接例外点を同定し特徴付けるための対称性分解アプローチを導入する。
さらに固有ベクトル条件に基づく数値診断(例外点強度$mathcalE$)を導入する。
より広範に、このフレームワークは複雑または高次元のオープンシステムにおいて隠された例外構造を体系的に発見することができる。
論文 参考訳（メタデータ） (2026-03-11T11:14:07Z) - Random Dot Product Graphs as Dynamical Systems: Limitations and Opportunities [0.0]
ランダムドット製品グラフ内の時間ネットワークの進化を規定する微分方程式について検討する。
遅延位置における回転あいまいさからのゲージ自由度、確率行列の多様体構造からの実現可能性制約、スペクトル埋め込みによる軌道回復アーティファクトの3つの基本的な障害を同定する。
対称力学はスキュー対称ゲージ汚染を吸収できないので、力学構造は障害物を解消できる。
論文 参考訳（メタデータ） (2026-03-05T21:56:07Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Random-Matrix-Induced Simplicity Bias in Over-parameterized Variational Quantum Circuits [72.0643009153473]
本稿では,観測可能な期待値とパラメータ勾配の両方がシステムサイズに指数関数的に集中するHaar型普遍性クラスに,表現的変分アンサーゼが入ることを示す。
その結果、そのような回路によって誘導される仮説クラスは、近点関数の狭い族に高い確率で崩壊する。
テンソル-ネットワークベースおよびテンソル-ハイパーネットワークパラメータ化を含むテンソル構造VQCは、ハール型普遍性クラスの外にある。
論文 参考訳（メタデータ） (2026-01-05T08:04:33Z) - Time Symmetry, Retrocausality, and Emergent Collapse: The Tlalpan Interpretation of Quantum Mechanics [51.56484100374058]
Tlalpan Interpretation (QTI) は、波動関数の崩壊は原始的、公理的な規則ではなく、創発的な現象であると主張する。
QTIの新規性は、統計物理学における臨界現象の概念言語に崩壊を埋め込むことにある。
論文 参考訳（メタデータ） (2025-08-25T20:30:56Z) - A U-turn on Double Descent: Rethinking Parameter Counting in Statistical
Learning [68.76846801719095]
二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。
これは二重降下と統計的直観の間の緊張を解消する。
論文 参考訳（メタデータ） (2023-10-29T12:05:39Z) - Macroscopic noise amplification by asymmetric dyads in non-Hermitian
optical systems for generative diffusion models [55.2480439325792]
非対称な非エルミートダイアドは、効率的なセンサーと超高速な乱数発生器の候補である。
このような非対称なダイアドからの集積光放射は、機械学習の全光学的退化拡散モデルに効率的に利用できる。
論文 参考訳（メタデータ） (2022-06-24T10:19:36Z) - Beyond the Edge of Stability via Two-step Gradient Updates [49.03389279816152]
Gradient Descent(GD)は、現代の機械学習の強力な仕事場である。
GDが局所最小値を見つける能力は、リプシッツ勾配の損失に対してのみ保証される。
この研究は、2段階の勾配更新の分析を通じて、単純だが代表的でありながら、学習上の問題に焦点をあてる。
論文 参考訳（メタデータ） (2022-06-08T21:32:50Z)
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。