三元Gamma半环：从神经网络实现到范畴论基础

本文建立了将神经网络学习与抽象代数结构联系起来的理论框架。我们首先提出一个最小反例，表明标准神经网络在组合化泛化任务中完全失败（0%准确率）。通过引入逻辑约束——三元Gamma半环，相同的网络架构学习出完美结构的特征空间，在新组合上实现100%准确率。我们证明了这一学习的特征空间构成有限可交换三元$\Gamma$-半环，其三元运算实现多数投票规则。与Gokavarapu等人最近确定的分类相比较，我们显示该结构恰好对应于布尔型三元$\Gamma$-半环，其中$|T|=4$, |\Gamma|=1}，在其枚举中仅同构唯一。我们的发现揭示了三个深刻结论：（i）神经网络的成功可以被理解为对数学上“自然”结构的近似；（ii）学习的表示之所以具备泛化能力，是因为它们内化了代数公理（对称性、幂等性、多数性质）；（iii）逻辑约束引导网络收敛到这些标准形式。本工作为理解神经网络泛化提供了严格的数学框架，开启了计算$\Gamma$-代数这一新的跨学科方向。