快权重稳态重入网络中的递归动力学：迈向反思智能

本研究引入了快权重稳态重入层，这是一种整合了快权重联想记忆、稳态正则化和学习到的重入反馈的神经机制，用于在神经网络中逼近自指计算。与在推理过程中以纯前馈方式运行的标准 Transformer 架构不同，FH-RL 无需外部循环即可实现内部递归，允许先前的潜在状态动态地重新进入持续的计算流。我们进行了扫描重入增益 $\gamma$ 的受控实验，并使用三个新颖的指标评估涌现的内部动力学：信息重入率、本征谱递归指数(ESRI)和表征漂移周期性(RDP)。结果表明，重入量随 $\gamma$ 成比例增加，而学习到的反馈矩阵 $W_r$ 保持有界并在中等增益下变得更具结构性。至关重要的是，在 $\gamma \approx 0.10-0.20$ 附近涌现出一个稳定的反思带，此处内部反馈具有最大表达能力且在谱上稳定：IRR 平滑上升，ESRI 保持在零附近，RDP 表现出一致的低频周期。这些发现提供了定量证据，表明反思性的、类似思维的内部处理可以源于反馈放大与稳态调节之间的原则性平衡，从而将现代快权重架构与皮层重入和递归认知理论联系起来。