arXiv cs.AI· Tianchi Chen, Shihua Yu·· 3 天前AI 评分20
Active Neural Matter：面向物理系统与分布式 AI 工作流的有限窗口响应框架
Active Neural Matter: A Finite-Window Response Framework for Physical Systems and Distributed AI Workflows
AI 导读
Active Neural Matter（ANM）提出一种有限窗口响应框架，用于判断状态需保留哪些历史交互信息才能解释未来响应。前向分析预测状态与输出对扰动的响应，逆向分析检验候选状态信息是否充分，其分布分离度给出最坏情况误差下界。延迟共识仿真验证了响应幅度与相位的解析预测，AI 实验则识别出复现响应分布所需保留的交互历史与证据顺序差异。
正文 · AI 翻译
摘要：物理系统和分布式 AI 工作流可以保留过去的信息、接收延迟反馈并组合相互冲突的信号。这些特性带来一个共同的建模问题：确定一个状态必须保留关于过去交互的哪些信息，才能解释未来的响应。Active Neural Matter (ANM) 通过有限窗口响应框架来解决这一问题。前向分析利用每个系统的动力学来预测状态以及对扰动的输出响应，将传播与输出敏感性区分开来。逆向分析检验候选状态是否保留了足够的信息来产生这些响应。在系统以及未来输入或交互规则固定的情况下，被赋予相同状态的不同历史所产生的可区分响应，标识出该表示必须保留的区分。它们的分布分离给出了从该状态近似行为的最坏情况误差的下界。不确定性界限区分了拒绝、在测试比较上处于固定容差内的支持，以及未解决的情况。延迟共识模拟在较窄的延迟范围内检验了对响应幅度和相位的解析预测；群体行为则说明了对所选可观测量的依赖性。一个精确的延迟返回构造为指定程序建立了一个充分状态。AI 研究识别出交互历史和证据顺序中，一个表示必须保留才能重现观测到的响应分布的区分。在受控反馈任务中对新历史的测试，为由任务指令指定的状态提供了有界支持；所指示的规则预测了每一个观测到的动作。ANM 将响应预测与可测量的信息需求联系起来，把行为保真度与任务正确性区分开来，也把初始状态的充分性与该状态的封闭演化规律区分开来。
| Subjects: | 机器学习 (cs.LG)；统计力学 (cond-mat.stat-mech)；人工智能 (cs.AI)；分布式、并行与集群计算 (cs.DC)；应用物理 (physics.app-ph) |
| Cite as: | arXiv:2610.14549 [cs.LG] |
| （或 arXiv:2610.14549v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14549 由 DataCite 颁发的 arXiv DOI（待注册） |
Submission history
来自：Tianchi Chen [查看邮箱]
[v1]
2026年10月10日星期六 04:15:06 UTC（395 KB）
来源：arXiv cs.AI · arxiv.org