驱动信息系统中的相变：学习理论与非平衡化学的双场视角
机器学习
2026-05-19 v1 人工智能
摘要
深度学习中的相变现象（如润湿、涌现能力以及在情境迁移下的本体论重组）通过多种视角进行了研究，包括表征压缩、奇异学习理论和信息论进步措施。独立地，非平衡统计物理已识别驱动化学反应网络中非平衡相变，其经验信号在单场梯度账户中难以复现。我们提出一种视角，将这两类现象都描述为驱动信息系统：由两个梯度场支配的随机过程，一个是熵产生率 Sigma，另一个是信息准势 Phi_I := -ln p*，其中 p* 为平稳密度。在此框架下，我们引入两个候选序参数：对抗性崩溃阈值 alpha_dagger 和自指耦合阈值 kappa_c。(alpha_dagger, kappa_c) 的联合标度定义了一个候选普适类，其指数为 (gamma_1, gamma_2)。我们概述了该框架的几何结构，识别了与单场替代方案不同的可检验预测，并显示其与近期经验发现（2024--2026）在对齐相变、对抗性崩溃比例以及大型语言模型中部分内省方面的一致性。
引用
@article{arxiv.2605.16325,
title = {Phase Transitions in Driven Informational Systems: A Two-Field Perspective on Learning Theory and Non-Equilibrium Chemistry},
author = {Truong Xuan Khanh},
journal= {arXiv preprint arXiv:2605.16325},
year = {2026}
}
备注
29 pages, 2 figures