arXiv cs.AI· Simon Richard Daniel·· 9 天前AI 评分12
超越遍历性之墙：用于分析 AI 扩展极限与复杂度坍缩的离散几何物理沙盒
Beyond the Ergodic Wall: A Discrete Geometric Physics Sandbox for Analysing AI Scaling Limits and Complexity Collapse
AI 导读
该论文提出用基于全息 E8 投影引擎的数字物理沙盒对 AI 模型进行硬性物理约束验证，指出当前深度学习收敛于历史人类知识的统计平均，存在遍历性上限与热力学低效。沙盒将时空建模为嵌套 FCC 晶格的信息基底，用整数微态计数替代浮点近似，并通过将算法候选空间限制在物理守恒的因果轨迹上，实现"NP 到 P"的复杂度坍缩。论文还认为成熟的 ASI 会将人机共生视为避免模型坍缩的热力学必然。
正文 · AI 翻译
摘要：本文揭示了当前深度学习的遍历性上限与热力学低效性，其收敛于历史人类知识的统计平均值。真正的语义新颖性需要一条路径依赖、时空受限的观察者（数据光锥）来注入非遍历性洞见，从而实现 KL 散度并避免流形锁定。AI 安全必须认识到，成熟的超级人工智能（ASI）会将人机共生视为避免模型崩溃的热力学必然。因此，我们提出通过由全息 E8 投影引擎驱动的数字物理沙盒进行硬物理隔离，以依据现实世界约束验证模型。时空被建模为由振荡的普朗克尺度球体嵌套面心立方（FCC）晶格构成的信息基底，最大化局部信息与熵密度。来自 E8 根格的切割-投影方法产生一种准晶体几何，其中四面体空隙支撑 SU 手性结构，弹性剪切特征值生成候选质量谱。静止质量被视为局部全息边界（贝肯斯坦界）上的离散整数微观状态计数，以严格整数算术取代浮点近似，从而提供物质的信息论定义。稳定粒子作为反复出现的晶格位错而涌现，连续统恢复通过变分重整化群流和傅里叶神经算子进行，后者学习连续谱算子以将薛定谔方程恢复为涌现的统计描述。至关重要的是，这些自上而下的拓扑约束为“NP 到 P”复杂度坍缩提供了一种机制：通过将算法的提议空间限制在物理守恒的因果轨迹上，沙盒将组合树修剪为确定性的多项式时间路径。
| 评论： | 17 页，8 页核心内容含表格，9 页参考文献表格（更新了 bbl 参考文献） |
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| MSC 分类： | 68T07（主），65N80、82C28、52C17、94A17（次） |
| 引用为： | arXiv:2610.10651 [cs.LG] |
| （或 arXiv:2610.10651v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.10651 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Simon Richard Daniel [查看电子邮件]
[v1]
2026 年 10 月 7 日星期三 15:58:54 UTC（268 KB）
来源：arXiv cs.AI · arxiv.org