Новая теория объясняет универсальную сходимость в ИИ, биологии и физике через фазовые переходы
Учёные из нескольких научных центров представили математическую модель, которая может объяснить, почему в самых разных системах — от нейронных сетей до биологических популяций — независимо возникают похожие структуры. Работа опубликована в архиве препринтов arXiv (2606.07563).
Предложенная Иерархическая модель возникновения (Hierarchical Emergence Framework, HEF) рассматривает процесс появления новых свойств как фазовый переход в пространстве механизмов. Модель вводит критический порог энергии Ec, который разделяет два режима: сначала система перебирает множество конкурирующих механизмов, а затем переходит к единому минимально затратному решению.
Авторы математически доказали, что при определённых условиях такой переход гарантированно ведёт к сходимости к уникальному устойчивому состоянию — независимо от начальных условий. Этот результат удалось связать с концепцией каузальной эмерджентности через эффективную информацию.
Для проверки теории учёные провели 111 экспериментов с обучением трансформеров на задачах модульной арифметики, где наблюдается феномен delayed generalization (grokking). Оказалось, что в 92% запусков норма весов нейросети достигала пика непосредственно перед резким скачком точности — это и есть предсказанный признак перехода через Ec.
Дополнительно нормализованные кривые точности во всех экспериментах легли на единую сигмоиду (R? = 0.93), что соответствует классу универсальности Ландау — Гинзбурга. При этом все успешно обученные модели сходились к одной и той же точности 0,9745 ± 0,014 вне зависимости от инициализации, регуляризации или объёма обучающих данных (ANOVA p > 0,13).
По словам исследователей, HEF не претендует на универсальную теорию всего, но предлагает проверяемый математический каркас для изучения одинаковых закономерностей в разных сложных системах — от машинного обучения до физики и биологии.
