論文の概要: Emergent Intelligence: Resonant Oscillators Produce Proactive Adaptive Behavior

• arxiv url: http://arxiv.org/abs/2609.21161v1
• Date: Fri, 18 Sep 2026 00:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.800121
• Title: Emergent Intelligence: Resonant Oscillators Produce Proactive Adaptive Behavior
• Title（参考訳）: 創発的知性:共振子振動子によるプロアクティブ適応行動の生成
• Abstract要約: ほとんどの人工ニューラルネットワークは、与えられた入力を出力にマッピングするために構築されている。 本稿では,信号のない能動的探索という,インテリジェントニューラルネットワークの新たな出発点を提案する。 探索的スパイラル探索と悪用的追跡を切り替える回路を示し、第1次対称群と第2次群の両方を探索する。 この原理は、単純な生物の探索、ナビゲーション、複雑な生物の判断、そして非常に単純で一般的であるので、論理を素足で取り除かない限り気づかない、というものである。
• 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: Most artificial neural systems are built to map given inputs to outputs. Adaptive agents face a prior problem: they must act without enough evidence, seek encounters with the world, and revise behavior when evidence appears. We propose another starting point for intelligent neural networks: proactive search without signals, curiosity at its most basic. We ask whether it can come from a minimal untrained circuit. The spiking unit studied here inverts its response to input: with no signal in its window it fires faster; once signals arrive it switches to a slower, inverted regime. Search needs three or more such oscillators in counter-phase, each reading the same input in a different time window. With no training, supervision, parameter tuning, or controller, the composite switches on its own between exploratory spiral search and exploitative tracking, finding both first-degree symmetry and second-degree groups. The switch comes from temporal disagreement between its fast and slow readings of the same signal. We view the circuit as evolutionarily trained: its abilities come from structure, not experience. Ablation over 63 configurations and 63,000 trials shows the switch needs both temporal staggering and counter-phase opposition, neither enough alone: the behavior is emergent, not programmed. The spiral persists at zero rotational diffusion, so it is structural, and degrades gently under perturbation. More oscillators improve spiral regularity but cut resource capture, so the smallest sufficient circuit wins. We propose that this principle underlies search in simple organisms, navigation and decisions in complex ones, and, being so simple and common, goes unnoticed unless you strip the logic bare. Eventually, networks of such proactive primitives may offer another foundation for AI architectures that explore our world rather than merely predict the next symbol in a sequence.
• Abstract（参考訳）: ほとんどの人工ニューラルネットワークは、与えられた入力を出力にマッピングするために構築されている。 適応的エージェントは、十分な証拠なしに行動し、世界との出会いを求め、証拠が現れると行動を修正する必要がある。 知的ニューラルネットワークの新たな出発点として,信号のないプロアクティブサーチ,好奇心,そして最も基本的なものを提案する。 最小限の未学習回路から得ることができるかどうかを問う。 ここで研究されたスパイクユニットは、入力に対する応答を反転させる。ウィンドウに信号がないと、より速く発火する。 探索には3つ以上の振動子が必要であり、それぞれが異なる時間窓で同じ入力を読み取る。 訓練、監督、パラメータチューニング、コントローラを伴わず、合成は探索的なスパイラル探索と搾取的追跡を単独で切り替え、第1次対称性と第2次対称性の両方を見つける。 このスイッチは、同じ信号の速い読みと遅い読みの時間的な相違から生じる。 回路は進化的に訓練され、その能力は経験ではなく構造から生まれる。 63以上の構成と63,000の試行は、スイッチが時間的停滞と反フェーズの対立の両方を必要としていることを示している。 渦巻きはゼロ回転拡散で持続するので構造的であり、摂動下では緩やかに劣化する。 より多くの発振器はスパイラル正則性を向上するが、資源捕獲を減らし、最小の回路が勝利する。 この原理は、単純な生物の探索、ナビゲーション、複雑な生物の判断、そして非常に単純で一般的であるので、論理を素足で取り除かない限り気づかない、というものである。 最終的に、このようなプロアクティブプリミティブのネットワークは、シーケンス内の次のシンボルを単に予測するのではなく、私たちの世界を探索するAIアーキテクチャの別の基盤を提供するかもしれない。

関連論文リスト

• Supervised Hebbian learning in Deep Counterstream Associative Networks [0.0]
  現代の機械学習アプリケーションは、エラーバックプロパゲーションアルゴリズムを用いたディープニューラルネットワークトレーニングを採用している。 このアルゴリズムは非常に効果的であるが、生物学的リアリズムに欠ける。 ディープ・アソシエイト・ネットワークにおける教師付き対流学習を提案する。
  論文  参考訳（メタデータ） (2026-06-28T17:44:13Z)
• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• Provable In-Context Learning of Nonlinear Regression with Transformers [66.99048542127768]
  In-context Learning (ICL) は、パラメータを更新することなくタスク固有のプロンプトを使用して見えないタスクを実行する能力である。 最近の研究はICLの背後にあるトレーニングのダイナミクスを積極的に探求しており、その多くは比較的単純なタスクに重点を置いている。 本稿では、変換器が文脈内学習能力をいかに獲得するかを明らかにすることを目的として、より複雑な非線形回帰タスクについて検討する。
  論文  参考訳（メタデータ） (2025-07-28T00:09:28Z)
• New Evidence of the Two-Phase Learning Dynamics of Neural Networks [59.55028392232715]
  時間ウィンドウ全体にわたってネットワーク状態を比較するインターバルワイズ・パースペクティブを導入する。 摂動に対するネットワークの応答はカオスから安定への移行を示す。 また、この遷移点の後に、モデルの関数軌道は狭い円錐形の部分集合に制限される。
  論文  参考訳（メタデータ） (2025-05-20T04:03:52Z)
• Spiking Neural Networks as a Controller for Emergent Swarm Agents [8.816729033097868]
  既存の研究では、バイナリセンサーとシンプルだが手書きのコントローラー構造のみを備えたロボット群における創発的行動について検討している。 本稿では,特に創発的行動をもたらす局所的相互作用規則を見つけるために,スパイクニューラルネットワークを訓練する可能性について検討する。
  論文  参考訳（メタデータ） (2024-10-21T16:41:35Z)
• Scan and Snap: Understanding Training Dynamics and Token Composition in 1-layer Transformer [37.37547759817417]
  トランスフォーマーアーキテクチャは、複数の研究領域で顕著な性能を示している。 我々は、次のトークン予測タスクのためのSGDトレーニングダイナミクスを解析する。 自己注意が自己識別型スキャンアルゴリズムとして機能することを証明する。
  論文  参考訳（メタデータ） (2023-05-25T15:59:13Z)
• Stabilizing Transformer Training by Preventing Attention Entropy Collapse [56.45313891694746]
  本研究は,トランスフォーマーのトレーニングダイナミクスについて,注目層の進化について検討する。 我々は、$sigma$Reparamが注意層におけるエントロピー崩壊を防ぎ、より安定したトレーニングを促進することを示す。 画像分類、画像自己教師型学習、機械翻訳、音声認識、言語モデリングタスクについて、$sigma$Reparamで実験を行った。
  論文  参考訳（メタデータ） (2023-03-11T03:30:47Z)
• Deep Transformers without Shortcuts: Modifying Self-attention for Faithful Signal Propagation [105.22961467028234]
  ディープニューラルネットワーク(DNN)のトレーニングにおいて,スキップ接続と正規化レイヤはユビキタスである Deep Kernel Shapingのような最近のアプローチは、それらへの依存を減らすために進歩しました。 しかし、これらのアプローチは変換器に存在する自己注意層とは相容れない。
  論文  参考訳（メタデータ） (2023-02-20T21:26:25Z)
• When should agents explore? [10.043855330523888]
  本稿では,強化学習のためのモードスイッチング,非モノリシック探索について検討する。 スイッチング機構を適応的かつ堅牢にするための,実用的なアルゴリズムコンポーネントを提案する。 本稿では,2モード探索と切り換えによるアタリの予測的かつ詳細な解析について報告する。
  論文  参考訳（メタデータ） (2021-08-26T14:27:25Z)

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。