Transizioni di Fase nel Deep Learning e nella Chimica Prebiotica Unificate da un Quadro a Due Campi
Un nuovo articolo teorico su arXiv (2605.16325) delinea un quadro esteso per comprendere gli eventi di transizione di fase nel deep learning e nelle reti di reazioni chimiche fuori equilibrio. Esplora concetti di deep learning come il grokking e le capacità emergenti utilizzando la compressione rappresentazionale e metriche informative. Nel regno della fisica statistica del non equilibrio, evidenzia le transizioni di fase nelle reti chimiche legate alla selezione prebiotica, notando che questi comportamenti sono difficili da replicare con semplici modelli a gradiente. Gli autori suggeriscono di considerare entrambi i campi come sistemi informazionali guidati da due gradienti: il tasso di produzione di entropia, Sigma, e il quasi-potenziale informativo, Phi_I = -ln p*. Introducono anche due parametri d'ordine per aiutare a unificare la comprensione matematica di questi fenomeni emergenti.
Fatti principali
- L'articolo arXiv:2605.16325 propone un quadro a due campi per le transizioni di fase nel deep learning e nella chimica del non equilibrio.
- I fenomeni del deep learning includono grokking, capacità emergenti e riorganizzazione ontologica.
- La fisica statistica del non equilibrio ha identificato transizioni di fase nelle reti di reazioni chimiche guidate alla base della selezione prebiotica.
- Il quadro utilizza il tasso di produzione di entropia Sigma e il quasi-potenziale informativo Phi_I = -ln p*.
- Vengono introdotti due parametri d'ordine candidati: la soglia di rottura avversaria alpha_dagger e un secondo parametro s.
- L'obiettivo è una descrizione comune per i sistemi informazionali guidati.
- Pubblicato come annuncio cross-type su arXiv.
- L'articolo collega la teoria dell'apprendimento e la chimica prebiotica attraverso la fisica statistica.
Entità
Istituzioni
- arXiv