この動画は、AIシステムにおける「知的ダークマター」という概念を提示し、科学的推論のための新しいアプローチを解説している。従来のLLMは事実を列挙するだけで、その背後にある論理的な推論の連鎖を欠いていた。この研究では、大学のSTEM科目から約300万件の質問応答ペアを生成し、結論から第一原理へと遡る「長鎖思考(LCOT)」データベースを構築することで、この問題に取り組んでいる。さらに、推論トレースを高次元数学空間における構造的要素として扱い、それらが最小エネルギー配置に「折り畳まれる」過程を通じて、新たな幾何学的パターンと高次複雑性多様体が出現することを示している。この手法は、理論物理学、動力学系、カテゴリー理論などの概念を統合し、AIの推論能力を根本的に向上させる可能性を秘めている。
AIと知的ダークマターの新概念
こんにちは、コミュニティの皆さん。戻ってきてくださって本当に嬉しいです。今日はAIについて、そしてダークマターAIについて話していきます。私のチャンネル「Discoveri」へようこそ。ここでは最新のAI研究論文を見ていきます。今日は第一原理からAIを構築していきます。そしてもちろん、少し楽しむために、前回の動画で示した洞察と組み合わせていきます。前回の動画では、トランスフォーマーアーキテクチャのパラメトリック知識の奥深くに、どこかに幾何学的な記憶があることをお見せしました。
では、機械推論を始めましょう。天体物理学では美しい銀河がありますね。そして、ここで星の速度分布を計算すると、銀河がバラバラに飛び散ってしまうことに気づきます。そこで、銀河が安定するようにより多くの重力を提供するために、ダークマターという概念を発明しました。
今日の新しい論文では、「私たちの事実の銀河においても、推論目的でダークマターが不足している」と述べています。では、これを見ていきましょう。彼らは、私たちの極めて密な推論ネットワークにおいて、例えばマクスウェル方程式を電波に接続するすべての論理経路、そうです、少し物理学をやりますが、位相幾何学という数学の分野を凝縮物理学に結びつける微妙な数学的トリックなど、段階的な導出を示しています。
これが知識のダークマターなのです。この相互接続性、この結合組織、ここに構造と意味を与える重力的な足場こそが、事実の銀河を安定させているのです。今、私たちにはWikipediaだけでなく、Guacipediaというものがあることを知りました。彼らはただWikipediaをコピーして、Grokのプラットフォームの所有者によって開始された、いくつかの解釈を含む独自のバリエーションを百科事典として提示しています。
興味深いですが、単に事実を述べるだけでなく、それらの事実を生み出した理性的、論理的な道筋も保存する反Wikipedia、あるいはアンチペディアを想像してみてください。つまり、第一原理から私たちが世界で検証する結論へと繋がる、段階的な論理的推論の連鎖です。そしてもちろん、これを長鎖思考(Long Chain of Thought)と呼びます。
典型的なCoT(Chain of Thought)ではなく、LCoTです。典型的なRAG(検索拡張生成)のようなAIから、AI推論拡張生成へと移行するのです。取得するオブジェクトは、通常の数学的ベクトル空間のデータポイントだけでなく、この空間に推論トレースを埋め込むのです。前回の動画をご覧になった方は、今私たちがどこにいるか正確にわかるでしょう。
では、何を構築するのでしょうか?私たちは新しいデータ分布を構築し、これをLCoTコーパスと呼びます。このコーパスは、私たちのLLMが学習し、訓練するものです。このデータ分布、この事前訓練データは、科学的推論、因果推論、論理的推論など、科学、金融、医学、法律で必要とされるすべてのタスクに、根本的により適していることを期待しています。
ご存知のように、私たちは開始地点から始め、そしていくつかの素晴らしいアイデア、自己回帰的な次トークン予測などがありました。私たちはワイルドなネットワークを構築しました。何かを構築しましたが、それは無限に発散してしまいました。これは完璧ではありませんでした。しかし、これが私たちがインターネットからコピーしたデータから訓練した方法です。
エンドポイント駆動型還元主義
この新しい論文の新しいアイデアは、エンドポイント駆動型還元主義です。つまり、今度はエンドポイントを定義します。例えば物理学では、マクスウェル方程式があり、そこから逆方向に進み、ここで第一原理を理解しようとするのです。これらが3つの第一原理です。あなたの特定のケースに応じて、ラグランジアンやハミルトニアン、あるいは保存則、理論物理学における何らかの対称性などがあるかもしれません。だから、まったく違う方法で始めましょう。
エンドポイントであるマクスウェル方程式を取り、ここで第一原理に接続しましょう。第一原理まで遡って作業する場合、もちろん到達したい場所が正確にわかります。これは、推論トレースをマッピングする、はるかに整合性の高い方法論です。基本的に私たちが尋ねているのは、「どのような一連の出来事がこの特定の結果、マクスウェル方程式に至ったのか」ということです。
単純な事実ではなく、因果関係の物語、推論の連鎖を探しているのです。今日の論文の著者たちは、「わかりました、大学にはSTEMで200の学部課程と200の大学院課程があります」と言いました。各コースについて、約200のコアトピックをリストアップしました。200のコースに各200のトピック、そして推論チェーンのエンドポイントの圧縮セットを作成しました。大学院コースでは、すべてが説明されています。完全な長い推論の連鎖があり、隠されたトピックはありません。すべてが詳細に説明されています。
そして彼らは、「これらのトピックのそれぞれについて、合計で約300万の質問がありました」と言いました。ここで、エージェントがいます。彼らはこれをSocratesと呼びました。もちろん、今は中国ですね。トピックについて100のプロンプトがあり、2つのカテゴリーがあります。
Socratesエージェントによる質問生成
最初は還元主義的なプロンプトで、今お見せしたように、何を、そしてなぜを説明します。ここで第一原理からの導出を求めます。物理学からの例を挙げましょう。特定のベリー接続を持つラグランジアンから始めて、ブロッホ波束の半古典的運動方程式を導出してください。これを説明してください。
エンドポイントがあります。基本的なアイデアが何であるかを定義しました。そして今、ここで推論チェーンを構築します。2つ目は応用プロンプトで、理論を実践に根付かせる方法を説明します。簡単なタスクです。質量は異なるが運動量が同じ2つの異なる粒子を区別するために、タイムオブフライト検出器をどのように使用できるか説明してください。
簡単なことですが、今はインターネットに行ったり、Facebookの投稿やWhatsAppの投稿などをコピーしたりしません。私たちは新しい訓練から始め、すべてのナンセンスを取り除き、科学的推論のためにこれから始めます。そして、すぐにいくつかの利点があることがわかるでしょう。各プロンプトは、Anthropic、OpenAI、Google、その他好きなプロバイダーから、少なくとも2つ、4つ、5つの異なるLLMに送信されます。そして、この長鎖思考を含む質問と回答のペア全体は、これらの異なるLLMからの最終回答が収束した場合にのみ受け入れられます。
完全な不一致がある場合、このペアは破棄されます。彼らは、「これは重要です。なぜなら、特に複雑な物理問題では、成功率が50%を下回る可能性があるからです」と言っています。ここで最初のフィルタリングが行われます。なぜなら、一部のLLMは物理学で単に間違えるからです。
例を挙げましょう。例はいつも素晴らしいですね。質問があります。「ニュートンの第2法則と仕事の定義から始めて、静止状態から速度vまで加速される質量mの物体の運動エネルギーの公式を導出してください。」そして、ここで長鎖思考を提供します。
これは、これをどのように解決できるかの数学的演繹です。そして、答えに到達します。ご覧のように、長鎖思考を含む質問と回答のペアがあります。これが事前訓練データになります。これがLLMが訓練される正確なものです。インターネットに行って、何かのナンセンスや不正確な数学的解法をすべて入手するのではありません。なぜなら、「これがシステムに振る舞ってほしい方法だ」と言うからです。彼らはこれを逆知識検索と呼び、教科書やWikipedia、さまざまな論文などの通常の人間のリソースは、圧縮されたデータマップのようなものだと主張します。
知識のダークマターの発見
ランドマーク、つまり提示される結論がありますが、すべての導出や第一原理のリンクという接続的な地形、これが現在欠けている知的ダークマターなのです。特にWikipediaのすべての本文を見ると、非常に多くの相互リンクが欠けています。なぜなら、理論物理学や数学などを勉強するために大学に行くときに、これを学ぶことが前提とされているからです。そして今、彼らは「このダークマターを最初から統合しましょう」と言っています。なぜなら、これをしないといくつかの問題に遭遇するからです。
これが今日の主要な研究です。2025年10月30日です。「なんてこった、何人がここに貢献したんだ」と思うかもしれません。すべてがここにあります。少し見てみましょう。理論物理学センターがあり、これは良いことです。理論物理学の重要研究室があり、量子理論と専門家システムの混合応用の重要研究室があります。すごい。量子物理学の基礎分野。素晴らしい。中国科学院。すごい。フランスもありますね。素敵です。
美しい協力関係です。中国とフランスです。検証可能な推論に対する逆知識検索についてです。長鎖思考知識ベースから科学百科事典を合成することです。これをもう少し発展させていきましょう。
論文を参照するだけでなく、私たちは皆知的です。特にこのチャンネルに登録している方、あるいはこのチャンネルのメンバーである方は、「もう少し面白くしましょう」と言うでしょう。記録されていない推論のネットワークが、人間の知識のダークマターであり、彼らは「これを発見しましょう」と言っています。
彼らは今、3つのエージェントで活動しています。最初のエージェントはすでにお気づきのように、Socratesです。SocratesはSTEMの200のコースから、これらの約300万の長鎖思考を生成します。そして、2番目のエージェントはブレインストーム検索エンジンで、ターゲット概念から導出を検索します。
そして、Platoがいます。もちろん、Platoは検索された検証済みの長鎖思考から物語的な記事を合成します。かなりシンプルな構造です。では、最初から始めましょう。プランナーとジェネレーターがあり、次に4つ、5つ、6つ、7つの異なるLLMに行き、クロスモデル回答検証を行い、そして出力があります。
ブレインストーム検索エンジンの仕組み
理論物理学の公理からの前方推論ではなく、今お見せしたように、私たちのエージェントSocratesは、マクスウェル方程式のようなエンドポイントを選び、この大学セッションからの知識ポイントを選び、LLMにそれらを複数の抽象化レベルで低レベルの原理から導出するよう求めます。素晴らしい。そして、知識ベースが構築されると、知識合成と発見のための新しいツールの別の基盤を提供します。
これが私たちがブレインストーム検索エンジンと呼ぶものです。ここにあります。これがブレインストーム検索エンジンです。ユーザーがいて、ユーザーには今クエリがあります。例えば、私のクエリは量子トンネリングです。「量子トンネリングを説明してもらえますか?」今、Wikipediaや、何と呼ばれているかわかりませんが、Guacipediaなどには行きません。でも、「これを理解してみましょう」と言います。
ブレインストーム検索エンジンには、クエリ拡張があります。キーワード拡張のようなものです。キーワードはチェックされ、ここに知識ベースがあります。これはSocratesで生成したもので、長鎖思考における300万の異なる知識ベース要素です。次に、これらのキーワードに関連する知識ベースからすべての長鎖思考の質問と回答のペアを取得し、ランキングがあります。ランキングの後、ブレインストーム検索エンジンからの出力は単一のドキュメントではなく、推論の足場、つまり概念、原理である量子トンネリング、量子トンネリングへのすべてのコンテキスト、量子トンネリングからの応用を複数の角度から集合的に説明する、検証済みの段階的導出のコレクションです。
理論化学、理論物理学、固体物理学にあるかもしれません。素晴らしい。量子コンピューターにもあるかもしれません。ほら、そこには非常に多くの情報があります。
今、科学的観点から有効な、事前に定義された論理推論トレースがあります。そして信じられないかもしれませんが、ブレインストーム検索エンジンは新しい接続を表面化する発見ツールです。これは重要です。自己回帰的なLLMがあって、次トークン予測で「今、小さな羊に行きましょう」と言うようなものではありません。
そうではありません。今、事前に定義された長鎖思考の知識ベース要素があります。そして今、ユーザークエリに応じて、どのようにランク付けするか、どのようにクラスター化するか、どのように特定のランキングを持つかを見ているだけです。これです。
そして、グラフクラスタリングのためのモジュラー信念伝播や階層構造の発見がありますが、これは自己回帰だけに依存しているわけではありません。これが出力で、今度は3番目のエージェントがいます。3番目のエージェントは何と呼ばれていると思いますか?Platoと呼ばれています。Platoの仕事は何でしょうか?完全な合成を行います。
Platoエージェントによる合成
高忠実度合成のためのPlatoエージェントは、LLM合成器のための検証可能な推論の足場として機能します。結果として得られる合成の創造性は、モデルの確率的生成の産物ではありません。次トークンのナンセンスを生み出すだけではなく、検索アルゴリズムによって表面化された驚くべき検証済みの接続から直接継承されます。
基本的に、AIの幻覚を劇的に減少させるグラウンディングメカニズムがあります。新しいPlate合成プロセスは、これらの明示的で事前検証された推論の足場のみに固定されているからです。他には何もありません。この科学領域で使用できる拡張の事前定義されたセットがあります。したがって、このLLMの役割、このエージェントの役割は、物理学、化学、天体物理学などからの事前定義された推論トレースを介して、検証された概念間の物語的な橋を構築し、人間のインターフェースを介してコミュニケーションすることに焦点を当てています。
論文の著者たちは、問題を生成し、問題を解決し、私たちのPlatoエージェントである記事を生成し、コードを実行するための美しいMCPとツールも提供してくれています。統合ガイド、すべてがGitHubリポジトリにあります。素晴らしい。しかし、私は今、主要なアイデアの結晶化を見つけたいだけです。もちろん、これには制限があります。すべては基礎となるLLMの知識、私たちのLLMが解決できる複雑さに依存しています。
これらのすべての長鎖思考トレースは、インターネットデータで訓練されたときに持っていた独自のトレーニングカットオフと独自のバイアスによって、世界モデルが依然として制限されているLLMによって生成されています。著者たちは、「これはバイアスであることはわかっていますが、現時点では取り除くことができません。どこかから始めなければなりません。もちろん、これらのトレースを検証するために、理論物理学の400人または1000人の博士課程の学生がいれば素晴らしいでしょう。しかし、この論文ではそれは不可能でした」と言っています。
では、例を見てみましょう。プラズモンです。Wikipediaでは、プラズマがあります。物理学ですべてがここで説明されています。プラズモンはプラズマ振動の量子です。光がフォトンで構成されているように、プラズマ振動はプラズモンで構成されています。
プラズモンは準粒子とは見なせません。なぜなら、プラズマ振動の量子化から生じるからです。素晴らしい。そして、先ほど言ったように、これが実際にあることを学びました。Guacipediaのコンテンツは、ライセンスの下でWikipediaから適応されています。彼らはWikipediaを吸収し、データと事実と信念の独自の表現を持っています。私は、民間企業が人間の知識の独自の百科事典を構築していることをあまり良いとは思いませんでしたが、まあいいでしょう。しかし、今与えられている例はトランズモンです。これです。量子コンピューティングについて話さなければなりません。申し訳ありません。
トランズモンの例
量子コンピューティング。超伝導量子コンピューティングは、少し難しくしています。量子力学では、トランズモンは電荷ノイズに対する感度を低減するように設計された超伝導電荷量子ビットの一種です。2007年に開発されました。すごい。伝送線路シャント化プラズマ振動量子ビットという用語の略語です。クーパー対ボックスからも構成されています。これは美しく説明されています。Guacipediaに行くと、少し違うことがわかります。
Wikipediaに基づいていますが、ほとんどコピーしていることもありますが、深く掘り下げると、説明に今、導出があることがわかります。
これはLLMによって行われたと思います、あるいは推測します。ここに新しい解釈と新しい説明の形式があります。わかりました。重要なのは、AIに百科事典、WikipediaやGuacipediaなどの事実を繰り返させるだけでなく、それらの事実がより深いレベルでどのように、そしてなぜ接続されているかを理解したいということです。
つまり、私たち人間が「これすべての背後にある推論の基礎を理解したい」と呼ぶ、この高次複雑性多様体にアクセスしたいのです。では、トランズモンに関するLLMから生成されたこの記事を取り上げましょう。彼らはこの実験を行い、「異なるLLMを取り、LLMに尋ねます。今、あなたは科学エージェントです。博士課程の学生または理論物理学の教授で、特定の聴衆のためにトランズモンを説明しなければなりません」と言いますが、彼らはこれを標準化されたバージョンで持っています。
LLMから生成された記事があり、6ページ、7ページ、8ページくらいです。論文の付録にここで正確な解釈があります。よく見て読むと、LLMが表面的な定義だけを提示していることがわかります。それが何であるかを述べています。トランズモン量子ビットは、電荷ノイズに対する感度を低減した超伝導電荷量子ビットです。これはWikipediaからです。
すべての記述は分類学的な記述です。「それは〜から構成される」「〜によって機能する」といった、推論の説明がほとんどない記述です。ジョセフソンエネルギーと充電エネルギーの関係についての説明は、因果関係というよりも宣言的です。物語は操作レベルで止まります。
読者は何が起こるかを告げられますが、ハミルトニアン、エネルギーポテンシャル引数を通じて導出されません。これは説明されておらず、中間推論ステップが欠けています。これが、著者がこの種のLLM生成テキストに、AIにおけるいくつかのダークマターがあると呼ぶ理由です。これは、発見しなければならない、見えない推論ネットワークです。
彼らはこれを行うことに着手しました。素晴らしい。そして今、このビデオで示したこの新しいアイデアで生成された記事があります。再びトランズモン、同じトピック、重要なポイントです。今、これを見てください。紹介の最初の段落、最初の2段落だけを読めば、すぐにわかります。これは今、説明の異なる形式です。
教育的AIシステムとしての新アプローチ
これは本当に教育的なAIシステムのようです。これは単にWikipediaやインターネットを引用するだけでなく、第一原理から物事を理解し説明しようとしています。
この記事は、記述的な記述から演繹的および類推的推論へと移行しています。
これが私が真の科学的適応の特徴と呼ぶものです。完全な6ページ、8ページ、10ページを読むと、付録にある階層的導出を構築していることがわかります。まずクーパー対ボックスハミルトニアンを導入し、次にノイズを明示的に導出し、物理メカニズムを順を追って進みます。最初にコサインポテンシャルを平坦化し、曲率感度を減少させ、電荷分散を指数関数的に小さくします。システム設計の理論的根拠、デコヒーレンスメカニズムを導入します。トランズモンはミクロ物理学を実験実践に接続します。コヒーレンス時間、共振器への結合、量子測定などの応用について議論します。
そして、異なる知識領域への転移推論さえあります。同様の設計がゲートモン量子ビットなどに現れます。
これは今、推論におけるダークマター、つまりAIが科学レベルで実際に何が起こっているかを説明するために必要なダークマターを最終的に含む、知識の完全に異なる表現です。とても素晴らしいです。公式のペイバンドについてはここにあります。視聴してくださってありがとうございます。もちろん、私のことを知っている方、購読者かもしれませんし、メンバーかもしれません。ここで私のチャンネルに参加することを覚えておいてください。これについていくつか考えがあるので、見てみましょう。
知識多様体と推論トレース
通常、知識多様体があります。これが今日まで持っている古典的なAIです。異なるデータポイントがあります。物理オブジェクトの名前やマクスウェル方程式などがあります。データポイントがあります。これは全く知識ではありません。情報でさえないかもしれません。そして、LLMの仕事は、AからBからCへと行くために、推論トレースを構築することです。
ここに単純な経路、A、B、C経路があり、LLMはグラフ上で作業して、AからCに到達するための推論トレースを見つけます。素晴らしい。美しい。しかし、これをノード特徴として見ることもできます。ノードには、関係関手を持つヒルベルト空間カテゴリー定理のような量子状態があります。
関係カテゴリー理論と量子論理において、少しここにいて、突然、「おっと、異なる要素で作業している」ことがわかります。例えば、関手はグラフ理論的構造を量子理論的構造に変換するので、論文のように量子理論に切り替えると、あるいはさらに多くのことをすると、少し複雑になりますが、気にしないでください。数学のカテゴリー理論では、グラフカテゴリーから量子カテゴリーへと移行できると言える別のフレーミングもあります。ノードはヒルベルト空間、エッジは量子操作、ここでのエンタングルメント、これが量子カテゴリー自体で本当に興味深くなります。
しかし、非常にシンプルな視覚的解釈をお見せしたいと思います。今まで、シンプルな知識グラフがありました。A、B、Cがあります。これが私たちが発見する推論経路で、LLMが発見し、LLMは「これです。ありがとう。チャオ。バイバイ。また次回」と言います。今、私たちはこの切り替えを行い、要素はデータポイントではないと言います。要素はより複雑な推論経路であり、A、B、Cのような複数のデータポイントがあるように、複数の推論経路があります。
しかし、このデータポイントに説明のような特徴があるとしても、推論経路は数学と理論物理学において完全に異なる獣です。
すべての推論トレースは、情報の変換をエンコードし、それらを組み合わせます。これは、複数の構造化された知識ソースにわたる構成的マッピングを構築することを意味します。そして、複雑性と言うときはいつでも、何を意味するのでしょうか?複雑性は、トレース間の相互依存性、それらの組み合わせの非線形性、そしてそれらの間の確率的関係によって導入されるエントロピーから生じます。
AI解釈を見ると、異なるフレーミングをお見せします。見てください。これらは3つの異なる推論トレースであり、これらの推論トレースが私がお見せしたような特定の形式を持つ新しい数学空間を見つけなければなりません。そして、エネルギー最小値を見つけなければなりません。知っていますか?これは推論トレースの折り畳みです。分子や薬理学的要素からのアルファフォールドではありません。これは推論トレースの折り畳みです。または、他の推論トレースを追加した場合です。
もう一度お見せします。これが最初のもので、今新しい要素を追加すると、この数学空間における推論トレースの完全に異なる構成が得られます。
高次複雑性多様体の出現
前回のビデオでお見せしたように、私たちの経路は、もはやデータポイントではなく、新しい数学ベクトル空間の要素です。ここで、このフレーミングを取ると、表現の複雑性が大幅に増加します。お見せしたように、推論はここではプロセス要素A、B、Cのようなものではなく、推論は時空自体の複雑性の構造にエンコードされています。これが、前回のビデオで呼んだ幾何学的パターン、発見された隠れた幾何学的パターンです。
もちろん、異なる数学空間で異なる折り畳み方ができることにお気づきでしょう。x軸とy軸がある場合、ある関数やある関数、異なる数学空間におけるこれらの推論トレースの表現は、異なる表現構成を持ち、したがって最適化を行う場合、異なる最小エネルギー構成を持ちます。
つまり、まだ私と一緒にいる場合、複合経路依存推論トレースが、理論物理学だけでなく、動力学系分析からの、アトラクター、不変多様体からの、確率的推論またはエネルギーと自由エネルギー最小化からの、そして書き換えの証明理論からの、少しの数学が必要な高次複雑性多様体の交差点に位置する、安定した最小エネルギー構成に折り畳まれる可能性があることは単純です。経路依存性で作業する場合、合流性があります。もちろん、カテゴリー理論、構成、関数セマンティクス、高次カテゴリーです。今説明したようにです。
科学を少し理解し、物理学や数学で少し楽しむと、大学で学んだこれらすべてのシステム、動力学系、確率系、ここでの書き換え、すべてを今、AIに使用できることがわかります。
この知識により、コンピューターサイエンスにおける幾何学的パターン、異なる高次複雑性多様体のための高次数学空間にこれを移植します。いつも好きな一文、要約としての一文です。経路依存推論トレースを低エネルギーアトラクターに折り畳むためのカテゴリーセマンティクスと、高次複雑性多様体の出現を分析するための動力学ツールを形式化します。
これは、5分前にできた説明よりもずっと良く聞こえます。しかし、この文を見てください。初めて見たときに思うほど簡単ではありません。なぜかわかりますか?この構成から新しい幾何学的パターンが出現する可能性があるからです。今お見せしたように、例えばエネルギー最適化がある場合です。
今、高次複雑性をどのように厳密に定義するかに本当に興味があるならば。高次複雑性と言うときはいつでも、これは非常に異なる用語である可能性があります。推論の変化がより抽象的な創発的構造、新しい数学空間で組み合わされ、自己組織化される場合です。それが何でないかは、常に良い出発点です。より長い推論チェーンではありません。
より多くの構成要素を持つわけではありません。より多くの情報を含むわけではありません。それはエントロピーになるからです。高次複雑性は、推論サブチェーン間の相互作用が、単一のサブチェーンに生成または還元できない創発的な制約、または物理学では対称性を生み出すときに生じます。
この種の創発が起こるときはいつでも、理論物理学の意味で本当の創発があります。シンプルなアイデアです。推論を有向グラフ証明Gとし、頂点Vを持ちます。頂点は命題または中間ステートメントであり、エッジまたはAからBへの推論ステップです。サブグラフはもちろん、ここで推論トレースを表します。
今、非常に愚かなアイデアで定義できます。私の小さな脳では、推論複雑性を深さ、分岐、相互依存性、構成的閉包の関数として定義できます。今、高次複雑性グラフG’は、Gの構成規則に還元できない新しい接続構造を含む場合、次の定理を満たすと言えます。
これは、高次複雑性グラフG’を説明できる最も単純な形式だと思います。それは一次導出ツリーからクロスリンキングサブプルーフを持つ証明ネット複雑性への移動のようなものです。または、線形からグラフベースの推論への飛躍です。理解するのは複雑ではありませんが、もちろん、あなた方の一部がカテゴリー理論的定式化を好むかもしれないことは理解しています。
推論プロセスのための2カテゴリーがあります。オブジェクト1、射1、2射、推論経路のためのモノイダル積があります。そして、高次複雑性推論がここで非自明な2セル複合に対応することがわかります。これは、共同推論がその部分の単純なテンソル積ではない変換を生み出すことを意味します。創発的結合があることがわかります。簡単だと言いました。高次複雑性は、新しい方法で推論経路を絡ませる2射を残します。
しかし、理論物理学に興味があり、物理学が科学における唯一の道だと思うなら、本当に理解できます。それなら、「理論物理学からの類推はありませんか?」と言うかもしれません。もちろん、あります。このフレーミングでは、これが3番目のフレーミングではありません。推論状態を概念的構成の多様体上の点としましょう。推論ステップがベクトル場を定義しましょう。
特定のフローを与えます。Eはもちろん推論エネルギー関数です。次に、結合する複数の推論トレース軌道があります。相互作用するフローがあり、システムは今、低次元不変多様体、Xのサブセットに落ち着く可能性があります。そして今、Eはこの不変多様体M上で最小です。シンプルな理論物理学の解釈です。
理論物理学から持っている種類の操作を使用し、それをパターンとして取り、AIのためにコンピューターサイエンスに適用できることがわかります。複数の異なる角度、複数の異なる視点からこの問題を分析でき、複数の異なる数学的複雑性自体でそれをフレーム化できます。
このMはもちろん、私が話していた高次複雑性多様体です。以前は独立していた推論フロー間の新しい不変関係をエンコードする安定したサブスペースです。基本的に、隠れたパターンを発見します。論理的一貫性をエンコードするエネルギー景観があります。Mの次元は、結合後に残る独立した推論方向の数を測定します。もちろん、Mの曲率は感度と内部相互作用の豊かさを測定します。
弦理論について少し知っていれば、物理学はかなり簡単です。高次複雑性推論は、別々の理論セクター、対称性と代数、時空ダイナミクスから生じ、新しい一貫した構造、弦理論におけるgと重力相互作用の統一をもたらすために絡み合います。
高次複雑性多様体の定義は、かなり一貫したオブジェクトです。相互作用する推論フローが理論物理学における不一致エネルギー場を最小化した後の、理論的説明の空間におけるアトラクター多様体です。理論物理学では、これはゲージ推論や幾何学的推論のような独立した干渉経路に対応すると言えます。
その結合、異常の一貫性、または曲率制約、そして安定化段階。これは最小エネルギー理論多様体です。純粋な数学的視点から、理論物理学的視点から、非常に多くの異なる視点からこれを見ることができます。この複雑性へのアクセスを見つけてください。あなたが楽しみ、座って、これを理解したいと思い、新しいアイデアを見つけられるようにしてください。
おそらく、推論のより深いレベルにアクセスする新しい方法論を見つけるかもしれません。それは素晴らしいことです。とにかく、このビデオで何を達成したかわかりますか?私たち、またはあなたは今、それが何を意味するかを発見しました。AIにおけるダークマターとは何でしょうか?そして、天体物理学の誰も達成していないことを達成しました。教授も、博士課程の学生も、誰も。今、あなたはAIにおけるダークマターが何であるかを知っています。
複雑な推論多様体を与えられて。楽しんでいただけたら幸いです。少し楽しめたことを願います。購読したいと思うかもしれません。ここで私のチャンネルに参加してチャンネルのメンバーになりたいと思うかもしれません。とにかく、次のビデオでお会いできることを願っています。
コメント