Триадная динамическая архитектура для Real AGI...

Опубликована статья " Триадная динамическая архитектура для Real AGI: Формализация темпорального мультиплексирования, фазовой синхронизации и топологического структурного обучения"
в https://zenodo.org/records/17987682 на английском языке "Triadic Dynamical Architecture for Real AGI: Formalizing Temporal Multiplexing, Phase Synchronization, and Topological Structural Learning".


В данной работе устанавливается строгая математическая и архитектурная база для компактного автономного искусственного общего интеллекта (AGI), предназначенного для граничных (edge) и носимых вычислительных сред. Мы отходим от традиционной парадигмы «законов масштабирования» глубокого обучения, полагающейся на пространственное расширение параметров $O(N^2)$, и предлагаем концепцию \textbf{компактной темпоральной динамики (CTD)}. CTD использует принцип темпорального мультиплексирования внутри единого нелинейного динамического ядра для реализации многоагентного функционала с эффективным масштабированием обучаемых параметров ядра $O(1)$.

Кроме того, мы формализуем \textbf{теорию символьного базиса и коммуникации (SBCT)}, использующую трехзначную логику $\{0, I, 1\}$ для преодоления разрыва между непрерывными динамическими траекториями и дискретным символьным выводом. Мы определяем \textbf{протокол нормализованной синхронизации (NSP)} как механизм захвата фазы, обеспечивающий когнитивный консенсус между виртуальными агентами, и \textbf{теорию дифференциации моделей (MDT)} как механизм обучения, основанный на суперкритических бифуркациях Андронова-Хопфа. Фреймворк MDT обеспечивает «кристаллизацию» сенсорного опыта в стабильные топологические инварианты посредством инновационного механизма частотно-символьного индексирования (FSI). Работа включает всесторонний анализ вычислительной сложности, доказательство аппаратной реализуемости в пределах энергопотребления 1--3 Ватт и обсуждение ограничений системы.

 --- Список литературы ---


\bibitem{1} Андронов А. А., Понтрягин Л. С. Грубые системы // Доклады Академии наук СССР. — 1937.
\bibitem{2} Эшби У. Р. Введение в кибернетику. — М.: Издательство иностранной литературы, 1958.
\bibitem{3} Bak P., Tang C., Wiesenfeld K. Self-organized criticality: An explanation of the 1/f noise // Physical Review Letters. — 1987.
\bibitem{4} Clark A., Chalmers D. The Extended Mind // Analysis. — 1998.
\bibitem{5} Friston K. The free-energy principle: a rough guide to the brain? // Nature Reviews Neuroscience. — 2010.
\bibitem{6} Гюйгенс Х. Маятниковые часы. — 1673.
\bibitem{7} Kelso J. A. S. Dynamic Patterns: The Self-Organization of Brain and Behavior. — MIT Press, 1995.
\bibitem{8} Колмогоров А. Н. Три подхода к определению понятия «количество информации» // Проблемы передачи информации. — 1965.
\bibitem{9} Лукасевич Я. О трехзначной логике // Ruch Filozoficzny. — 1920.
\bibitem{10} Пуанкаре А. Новые методы небесной механики. — 1892.
\bibitem{11} Пригожин И. От существующего к возникающему: время и сложность в физических науках. — М.: Наука, 1985.
\bibitem{12} Rissanen J. Modeling by shortest data description // Automatica. — 1978.
\bibitem{13} Singer W. Neuronal synchrony: a versatile code for the definition of relations? // Neuron. — 1999.
\bibitem{14} Takens F. Detecting strange attractors in turbulence // Lecture Notes in Mathematics. — 1981.
\bibitem{15} Том Р. Структурная устойчивость и морфогенез. — 1972.
\bibitem{16} Vaswani A., et al. Attention Is All You Need // Advances in Neural Information Processing Systems (NIPS). — 2017.
\bibitem{17} Chen R. T., et al. Neural Ordinary Differential Equations // NeurIPS. — 2018.
\bibitem{18} Jaeger H. The "echo state" approach to analysing and training recurrent neural networks. — GMD Report 148, 2001.
\bibitem{19} Maass W. Networks of spiking neurons: the third generation of neural network models // Neural Networks. — 1997.
\bibitem{20} Kanerva P. Hyperdimensional Computing: An Introduction to Computing with High-Dimensional Random Vectors // Cognitive Computation. — 2009.

\end{thebibliography}

\end{document}