Мушкилоти асосии таҳқиқот ин аст, ки оё баъзе падидаҳои наздикшавӣ, ки дар илм муддати дароз ҷудогона баррасӣ шудаанд, метавонанд шарҳи муштараки математикӣ дошта бошанд. Дар зеҳни сунъӣ, ин ки моделҳои бо меъмориҳои гуногун ё шароити ибтидоии гуногун омӯзонидашуда намояндагиҳои монандро инкишоф медиҳанд, танҳо як мушоҳидаи амалии муҳандисӣ нест. Агар воқеан моделҳои гуногун ба сохторҳои дохилии ҳамсон наздик шаванд, ин метавонад нишон диҳад, ки «намояндагии омӯхташуда» танҳо маҳсулоти тасодуфии раванди омӯзиш нест, балки сохтори амиқтарест, ки аз маҳдудиятҳои система роҳнамоӣ мешавад.

Мушкилоти дуюм рафтори grokking мебошад. Grokking ҳолатест, ки модел аввал додаҳои омӯзиширо аз ёд мекунад, муддати дароз дар додаҳои санҷишӣ ноком мемонад ва сипас ногаҳон ба умумисозӣ оғоз мекунад. Бо як ташбеҳи рӯзмарра, ин ба донишҷӯе монанд аст, ки аввал ҳамаи мисолҳоро аз ёд мекунад ва масъалаи воқеиро намефаҳмад, вале пас аз як давраи дароз ногаҳон «қоидаро дарк мекунад». Дар контексти AI ин раванд маънои техникитар дорад: чунин ҳисобида мешавад, ки модел аз режими азёдкунӣ ба режими умумисозӣ мегузарад.

Мушкилоти сеюм аз биология меояд. Ин ки хатҳои гуногуни эволютсионӣ, бо вуҷуди таърихи дарози мустақили эволютсионӣ, ба ҳалли монанди метаболикӣ мерасанд, метавонад бо «фишори интихоби муштарак» шарҳ дода шавад; аммо таҳқиқот пешниҳод мекунад, ки чаро ин ҳолат аз ҷиҳати миқдорӣ ва сохторӣ ин қадар зуд-зуд ва дар шаклҳои муайян рух медиҳад, дар як чаҳорчӯбаи умумитар баррасӣ карда шавад.

Пешниҳоди асосии таҳқиқот ин се мушоҳидаро ба як принсип мепайвандад: дар системаҳо механизмҳои рақобаткунанда мавҷуданд; ин механизмҳо дар зери маҳдудиятҳое ба монанди энергия, энтропия, иттилоот ва мувофиқати физикӣ рақобат мекунанд; вақте буҷети энергия дар атрофи остонаи критикии E_c тағйир меёбад, система аз фазои имкониятҳои сершумор ба роҳи ҳалли тангтар ва устувортар мегузарад.

Барои фаҳмидани ин идея мафҳуми фазавии гузариш муҳим аст. Дар физика, ҳангоми ях шудани об ё пайдо шудани тартиб дар магнитшавӣ, система гӯё тадриҷан тағйир меёбад, вале дар остонаи муайян ба тағйири сифатӣ дучор мешавад. Таҳқиқот чунин падидаҳои AI ба монанди grokking-ро низ ба ҳамин навъи гузариш монанд мекунад: модел муддате байни механизми азёдкунӣ ва механизми умумисозӣ рақобат мекунад ва сипас дар нуқтаи муайян механизми умумисозӣ бартарӣ мегирад.

Ядрои математикии HEF бо tuple-и зерин дода мешавад:

\[ H = (R^{(1)}, L, A_0, G, mode, E) \]

Тағйирёбандаҳои ин ифода чунин шарҳ дода мешаванд:

• R⁽¹⁾: Унсурҳои ибтидоии сатҳи аввалини системаро ифода мекунад. Дар machine learning инҳо token embedding-ҳо, дар биология молекулаҳои prebiotic ва дар физика Fourier modes-и field шуда метавонанд.
• L: Забонест, ки аз ин унсурҳои ибтидоӣ ифодаҳои мантиқӣ месозад. Дар таҳқиқот atomic statements, physical negation, compatible conjunctions, disjunctions, implications ва causal orderings қисмҳои ин забон мебошанд.
• A₀: Маҷмӯи механизмҳоест, ки дар оғоз дастрасанд.
• G: Қоидаи тавлидест, ки метавонад индексҳои нави механизмҳоро ба вуҷуд оварад.
• mode: Нишон медиҳад, ки система дар режими идорашаванда кор мекунад ё метавонад худ механизмҳои нав тавлид кунад.
• E: Буҷети энергия мебошад. Дар таҳқиқот ин бузургӣ дар маркази рафтори emergence ва convergence қарор дорад.

HEF танҳо аз ин сохтори шашгона иборат нест. Дар таҳқиқот маҷмӯи маҳдудиятҳои физикӣ низ чунин таъриф мешавад:

\[ P = (P_{\mathrm{thermo}}, P_{\mathrm{info}}, \Phi) \]

Дар ин ҷо P_thermo маҳдудиятҳои термодинамикӣ, P_info маҳдудиятҳои назарияи иттилоот ва Φ харитаи тарҷума байни ин ду фазои маҳдудиятро ифода мекунад. Ба гуфтаи таҳқиқот, маҳдудиятҳои термодинамикӣ ва иттилоотӣ аз ҳам ҷудо нестанд; онҳоро бо принсипҳои физикӣ ба монанди Landauer Principle ва Jarzynski Equality метавон пайваст кард.

Дар тарафи термодинамикӣ се маҳдудияти асосӣ дода мешавад:

• P1: Ҳифзи энергия. Тағйири умумии энергия бояд сифр бошад.
• P2: Қонуни дуюм. Энтропияи умумӣ набояд кам шавад.
• P3: Ҳарорати мусбат. Система дар шарти T > 0 арзёбӣ мешавад.

Дар тарафи назарияи иттилоот се ҳамтои онҳо ҳаст:

• P4: Ҳадди иттилооти мутақобил. Иттилооти мутақобили ду тағйирёбанда аз энтропияи инфиродии онҳо зиёд шуда наметавонад.
• P5: Манфӣ набудани энтропияи шартӣ. Номуайяние, ки пас аз донистани як тағйирёбанда барои тағйирёбандаи дигар мемонад, наметавонад манфӣ бошад.
• P6: Нобаробарии коркарди дода, яъне Data Processing Inequality. Дар занҷири ҷараёни иттилоот, намояндагии коркардшуда аз манбаи ибтидоӣ иттилооти бештар тавлид карда наметавонад.

Яке аз муносибатҳои асосие, ки дар таҳқиқот истифода мешавад, бо Landauer Principle алоқаманд аст. Барои шарҳи мантиқи таҳқиқот муносибати зерин барҷаста аст:

\[ W \geq k_B T \ln 2 \cdot \Delta H \]

Дар ин ҷо W кори минималӣ барои ҳазфи иттилоот ё раванди ҳисоббарории иттилоотӣ; k_B Boltzmann constant; T ҳарорат; ва ΔH миқдори иттилооти ҳазфшуда ё тағйирёфтаро ифода мекунад. Ин муносибат нишон медиҳад, ки иттилоот арзиши физикӣ дорад. Ба забони рӯзмарра, коркарди иттилоот дар компютер «ройгон» нест; дар ҷаҳони физикӣ он арзиши энергия ва энтропия дорад.

Дар таҳқиқот арзиши механизм чунин таъриф мешавад:

\[ cost(\alpha) = E_{\mu}\left[\Delta E_{\alpha}(\phi) + k_B T \Delta H_{\alpha}(\phi)\right] \]

Дар ин формула α индекси механизм аст. φ формулаест, ки дар забони мантиқӣ сохта шудааст. ΔE_α(φ) тағйири энергия дар формулаи татбиқшудаи механизм; ΔH_α(φ) тағйири мундариҷаи иттилоотӣ; ва E_μ қимати интизорӣ дар зери ченаки канонии физикӣ мебошад. Ин формула кӯшиш мекунад на танҳо «механизм чӣ истеҳсол мекунад», балки онро бо чӣ арзиши физикӣ-иттилоотӣ анҷом медиҳад, чен кунад.

Механизмҳое, ки мувофиқи буҷети энергия иҷозат дода шудаанд, чунин навишта мешаванд:

\[ A^*(E) = \{\alpha \in A^* \mid cost(\alpha) \leq E\} \]

Дар ин ҷо A^* маҷмӯи механизмҳои аз ҷиҳати физикӣ қобили қабул мебошад. A^*(E) зермаҷмӯаест, ки дар зери буҷети энергия E воқеан дастрас аст. Ин ифода intuition-и асосии HEF-ро равшан мекунад: ҳатто агар механизм аз ҷиҳати назариявӣ имконпазир бошад, агар буҷети энергия онро дастгирӣ карда натавонад, он ба рафтори воқеии система дохил намешавад.

Дар ҳамин нуқта остонаи критикии E_c ворид мешавад. E_c ҳамчун нуқтаи шикаст байни гуногунии механизмҳо ва convergence пешниҳод мешавад. Вақте E баланд аст, якчанд механизм метавонанд рақобат кунанд. Ин ба режими exploration монанд аст: система роҳҳои имконпазири гуногунро месанҷад ва representation structure метавонад омехта ва пурғавғо бошад. Вақте E аз остонаи E_c пасттар мешавад, танҳо механизми камхарҷтарин бартарӣ мегирад ва система ба fixed point-и ягона наздик мешавад.

Ин ҳолат дар таҳқиқот ҳамчун Energy-Diversity Trade-off, яъне тавозуни энергия ва гуногунӣ баррасӣ мешавад. Бо афзоиши энергия механизмҳои бештар дастрас мешаванд; аммо дар баъзе шароит режими энергияҳои паст системаро ба convergence-и қавитар тела медиҳад. Дар аввал ин идея зидди intuition менамояд, зеро дар зиндагии рӯзмарра энергияи бештар маънои имконияти бештар дорад. Аммо дар ин ҷо масъала ин аст, ки система кадом механизмҳоро «пӯшонида» метавонад ва ин механизмҳо чӣ гуна рақобат мекунанд. Дар баъзе ҳолатҳо механизмҳои зиёд гуногунии бештар, вале устувории камтар медиҳанд; энергияи паст бошад, интихобҳоро маҳдуд карда, системаро ба ҳалли ягонаи устувор равона мекунад.

Дар таҳқиқот convergence ба fixed point бо Banach Fixed Point Theorem алоқаманд карда мешавад. Ба таври содда, агар як transformation ҳар дафъа нуқтаҳоро ба ҳам наздиктар кунад, система ниҳоят ба fixed point-и ягона наздик мешавад. Идеяи contraction-и метрикӣ бо чунин муносибат ифода мешавад:

\[ d_H(T_k(R_1), T_k(R_2)) \leq c_{\alpha^*} \cdot d_H(R_1, R_2), \quad 0 < c_{\alpha^*} < 1 \]

Дар ин ҷо d_H Hausdorff metric мебошад, ки дурии байни ду маҷмӯаро чен мекунад. T_k generator map дар сатҳи k аст. R₁ ва R₂ ду маҷмӯи ибтидоӣ ё representation метавонанд бошанд. c_α* contraction coefficient-и аз 1 хурд мебошад. Агар ин коэффициент аз 1 хурд бошад, ҳар iteration ду сохторро ба ҳам наздик мекунад. Иддаои Universal Feature Convergence-и таҳқиқот ба ҳамин мантиқ такя мекунад.

Яке аз натиҷаҳои муҳими таҳқиқот ин аст: агар ду намунаи HEF як маҷмӯи маҳдудиятҳои физикии P-ро тақсим кунанд ва дар режими E < E_c кор кунанд, онҳо метавонанд новобаста аз фарқи шароити ибтидоӣ, меъморӣ ё додаҳои омӯзишӣ ба ҳамон fixed-point representation наздик шаванд. Ин барои саволи «чаро моделҳои гуногун дар AI хусусиятҳои монанд меомӯзанд?» шарҳи номзад пешниҳод мекунад.

Дар барномаи machine learning, HEF махсусан бо озмоишҳои modular arithmetic grokking санҷида мешавад. Дар ин ҷо модел дар вазифаҳое ба монанди [ (a+b) \mod p ] аввал training examples-ро аз ёд мекунад ва баъд бо таъхир умумисозӣ мекунад. Таҳқиқот ин равандро бо се фаза шарҳ медиҳад:

1. Режими exploration: E > E_c. Механизми memorization ва generalization якҷоя рақобат мекунанд. Training accuracy метавонад зуд боло равад, вале test accuracy паст монад.
2. Grok gap: Модел training data-ро аз ёд кардааст, аммо generalization circuit ҳанӯз бартарӣ надорад. Weight norm ҳамчун изи эмпирикии гузариши E_c ба қулла наздик мешавад.
3. Режими convergence: E < E_c. Механизми generalization бартарӣ мегирад. Test accuracy ногаҳон боло рафта, ба plateau-и устувор наздик мешавад.

Муносибати таҷдидшудаи масштаб барои grokking delay чунин дода шудааст:

\[ \Delta t \propto \frac{1}{frac \cdot p \cdot \lambda} \]

Дар ин ҷо Δt grokking delay; frac training fraction; p prime number дар modular arithmetic; ва λ weight decay coefficient мебошанд. Маънои формула ин аст: бо зиёд шудани p, coverage-и training ё weight decay, дар баъзе режимҳо grokking delay метавонад кӯтоҳ шавад. Аммо таҳқиқот таъкид мекунад, ки ин муносибат бе маҳдудият дуруст нест. Хусусан дар λ-и хеле баланд, пеш аз ташаккули generalization circuit weight signal метавонад аз ҳад зиёд пахш шавад; ин ҳолат mechanism starvation, яъне гуруснагии механизм номида мешавад.

Дар таҳқиқот барои critical weight decay threshold диапазони зерин гузориш мешавад:

\[ \lambda_c(p=97) \in (2, 4) \]

Ин нишон медиҳад, ки барои p = 97 қимати λ дар байни 2 ва 4 минтақаи критикӣ дорад. Дар озмоишҳои матн дар шароити λ = 1 ва λ = 2 grokking боэътимод мушоҳида шудааст, вале дар λ = 4 дар баъзе seed-ҳо нокомӣ ва oscillation дида шудааст. Ин натиҷа нишон медиҳад, ки HEF танҳо иддаои оддии «weight decay зиёдтар бошад, grokking тезтар мешавад» надорад. Weight decay метавонад ба самти generalization фишор оварад, аммо аз ҳад зиёд шуданаш метавонад ташаккули механизми лозимаро низ пешгирӣ кунад.

Натиҷаҳои таҷрибавии таҳқиқот бояд бодиққат ҷудо карда шаванд. Дар abstract гуфта мешавад, ки HEF бо 111 grokking experiment тасдиқ шудааст. Дар бахши муфассали таҷрибавӣ бошад, 90 main experiment ва 21 validation experiment тавсиф мешаванд. Дар main experiments p ∈ {23, 31, 41}, training fraction frac ∈ {0.40, 0.50, 0.60}, weight decay λ ∈ {1.0, 2.0} ва панҷ seed истифода шудаанд. Дар validation experiments p ∈ {53, 67, 83, 97} ва λ testing-и иловагӣ мавҷуданд.

Яке аз муҳимтарин натиҷаҳои таҷрибавӣ ин аст, ки дар main experiments аз 90 run, 89-то grokking нишон додаанд. Final test accuracy-и ин 89 grokked model чунин гузориш шудааст:

\[ 0.9745 \pm 0.014 \]

Коэффисиенти variation тақрибан %1.47 мебошад. Дар ANOVA results гуфта мешавад, ки омилҳо ба монанди p, λ, frac ва seed дар final accuracy муайянкунандаи аҳамиятнок набуданд. Таҳқиқот инро бо иддаои наздикшавии системаҳои дорои ҳамон физикӣ constraints ба ҳамон fixed point алоқаманд мекунад.

Боз як натиҷаи муҳим изи weight norm мебошад. Дар таҳқиқот гуфта мешавад, ки дар %92.1 run-ҳо weight norm пеш аз grokking event ба қулла расида, median lead time тақрибан 1.050 step будааст. Ин ҳамчун empirical fingerprint-и ченшавандаи гузариши E_c тафсир мешавад. Бо ташбеҳи рӯзмарра, система пеш аз гузаштан ба рафтори умумисозӣ гӯё internal tension-и худро ба баландтарин нуқта мерасонад ва баъд ба сохтори бештар муназзаму устувор менишинад.

Шакли 1 асоси визуалии ин ривояти сефазаро медиҳад. Графики чап нишон медиҳад, ки normalized weight norm дар training steps аввал боло меравад, баъд ба қулла мерасад ва сипас поён мешавад. Дар график ин раванд бо фазҳои “Exploration”, “Grok gap” ва “Convergence” алоқаманд шудааст. Графики рост нишон медиҳад, ки test-accuracy curves дар normalized time axis ба шикасти tanh-like collapse мекунанд. Ин тасвири визуалӣ яке аз асосҳои тафсири grokking ҳамчун Landau-Ginzburg type phase transition мебошад.

Tanh collapse дар таҳқиқот бо функсияи зерин ифода мешавад:

\[ \sigma(t) = \frac{1}{2}\left(1 + \tanh\left(\frac{t-\Delta t}{\tau}\right)\right) \]

Дар ин формула σ(t) transition curve-и монанд ба normalized test accuracy; t training time; Δt grokking transition time; ва τ time scale мебошад, ки шиддати гузаришро муайян мекунад. Tanh function гузариши нарм, вале равшан аз арзиши паст ба баланд эҷод мекунад. Аз ин рӯ, он дар фазавии гузариш ва field theory бисёр истифода мешавад. Таҳқиқот мутобиқати grokking accuracy curves ба ин сохторро барои тафсири “mean-field / Landau-Ginzburg universality class” истифода мекунад.

Шакли 2 final test accuracy distribution-ро барои дастгирии таҷрибавии Universal Feature Convergence нишон медиҳад. Дар histogram ва гурӯҳбандии p ва λ дида мешавад, ки моделҳо тақрибан ба ҳамон final accuracy region меоянд. Тафсири таҳқиқот ин аст, ки бо вуҷуди hyperparameter settings ва initial conditions гуногун, системаҳо ба ҳамон fixed-point representation class наздик мешаванд. Аммо бояд фаромӯш накард, ки ин натиҷаҳо дар контексти modular arithmetic experiments ва small-scale transformer architecture-и истифодашуда ба даст омадаанд.

Шакли 3 ба G2 scaling ва λ_c transition марбут аст. Графики чап тағйири grokking delay-ро нисбат ба p дар log-log scale нишон медиҳад ва observed slope β = -1.39 ± 0.20 гузориш мешавад. Ин бо муносибати revised [ \Delta t \propto 1/(frac \cdot p \cdot \lambda) ] қисман мувофиқ дониста мешавад. Графики миёна нишон медиҳад, ки барои p = 97 дар λ = 4 баъзе run-ҳо ноком шудаанд ва λ_c threshold дар диапазони (2, 4) ҷойгир аст. Графики рост нишон медиҳад, ки бо зиёд шудани p рафтори классикии two-phase grokking метавонад ба simultaneous learning наздик шавад.

Таҳқиқот HEF-ро танҳо ба machine learning татбиқ намекунад. Таҳти унвони EOM он prebiotic chemistry ва evolutionary biology-ро, таҳти IFF information field theory ва renormalization-group flows-ро, ва таҳти RSID nanoparticle signal detection-ро мисол меорад. Ин татбиқҳо барои нишон додани он истифода мешаванд, ки HEF метавонад дар domain-ҳои гуногун як саволи сохториро пурсад: унсурҳои ибтидоии система кадомҳоянд, кадом механизмҳо кор мекунанд, буҷети энергия чист, кадом маҳдудиятҳои физикӣ ва иттилоотӣ амал мекунанд ва дар остонаи критикӣ кадом навъи convergence ба вуҷуд меояд?

Яке аз пешгӯиҳои ҷолиби биологии таҳқиқот ин аст, ки anaerobic yeast lineages бояд дар муқоиса бо aerobic lineages дар ҳамон phylogenetic distance convergence-и геномии бештар нишон диҳанд. Ин кӯшиши HEF барои пайвастани маҳдудияти энергия бо metabolic convergence мебошад. Пешгӯии дигари AI ин аст, ки large language models, ки бо weight decay-и баландтар омӯзонда шудаанд, метавонанд representations-и дорои causal effect-и баландтар тавлид кунанд. Пешгӯии сеюм ин аст, ки grokking бояд пас аз остонаи муайяни λ_c(p) аз сабаби mechanism starvation ноком шавад.

Дар ин ҷо муҳим он аст, ки ин пешгӯиҳо, мувофиқи худи таҳқиқот, falsifiable мебошанд. Яъне HEF набояд танҳо ҳамчун ҳикояи чандир барои шарҳи мушоҳидаҳои гузашта боқӣ монад; он бояд бо озмоишҳои нав дастгирӣ, ислоҳ ё рад карда шавад. Додани протоколҳои кушоди таҷрибавӣ дар охири таҳқиқот аз ин ҷиҳат арзишманд аст.

Аз нигоҳи ҳаёти рӯзмарра, ин таҳқиқот мустақиман мақолаи таҳияи маҳсулот ё барнома нест. Аммо агар муваффақ шавад, метавонад барои фаҳмидани он ки моделҳои AI кай аз memorization ба generalization мегузаранд, барои муайян кардани critical threshold-ҳо дар training process, пешгӯии failure-ҳое, ки аз истифодаи нодурусти hyperparameter-ҳо ба монанди weight decay ба вуҷуд меоянд, ва муқоисаи convergence phenomena дар соҳаҳои гуногун conceptual tool-и муҳим диҳад. Аз диди васеътар, он кӯшиш мекунад ба саволи «чаро complex systems баъзан ба ҳамон ҳалли масъала мерасанд?» забони математикӣ диҳад.

Ҷиҳатҳои қавии таҳқиқот иборатанд аз сохтани чаҳорчӯбаи равшани математикӣ, кӯшиши муттаҳид кардани physical ва information-theoretic constraints дар як сохтор, пешниҳоди empirical support бо grokking experiments, пешниҳод кардани E_c fingerprint-и визуалӣ ва фаҳмо, ва истеҳсоли cross-domain predictions-и falsifiable.

Маҳдудиятҳо низ бояд бодиққат гуфта шаванд. Якум, азбаски HEF мехоҳад ба соҳаҳои хеле васеъ татбиқ шавад, баъзе пайвандҳо ҳанӯз дар сатҳи candidate framework мебошанд. Дуюм, metric-contraction condition-и A6 дар таҳқиқот шарти техникии муҳим аст; дар баъзе ҳолатҳо гарчанде аз ҷиҳати назариявӣ асоснок карда мешавад, худи таҳқиқот низ баҳс мекунад, ки он дар ҳолати умумӣ худ аз худ пайдо намешавад ва сохтори иловагӣ талаб мекунад. Сеюм, grokking experiments ба вазифаҳои муайян, small transformer setups ва hyperparameter ranges-и муайян маҳдуданд. Чорум, predictions оид ба biology, large language models ва nanoparticle дар ин матн ҳамчун independent validation-и анҷомёфта пешниҳод намешаванд; онҳо open experimental predictions мебошанд.

Он чизе, ки таҳқиқот мегӯяд ва намегӯяд, бояд равшан ҷудо шавад. Таҳқиқот намегӯяд, ки ҳамаи emergence phenomena бо HEF шарҳ дода шудаанд. Он иддао намекунад, ки ҳамаи convergence-ҳои evolutionary, ҳамаи монандиҳои neural-network representation ё ҳамаи physical phase transitions бо як модел ҳал шудаанд. Иддаои маҳдудтар ва аз ҷиҳати илмӣ маънодортар ин аст, ки дар баъзе convergence phenomena мумкин аст common phase-transition motif тавассути energy threshold, mechanism competition ва physical-information constraints вуҷуд дошта бошад.

Усул ва Натиҷаҳои Таҳқиқот

Усули таҳқиқотро дар панҷ қабати асосӣ ҷамъбаст кардан мумкин аст: HEF definition-и назариявӣ, physical foundation, convergence theorems, mechanism-landscape classification ва grokking experiments.

1. Сохтори асосии HEF

Дар таҳқиқот HEF бо сохтори зерин таъриф мешавад:

\[ H = (R^{(1)}, L, A_0, G, mode, E) \]

Ин сохтор бо маҷмӯи маҳдудиятҳои физикӣ пурра мешавад:

\[ P = (P_{\mathrm{thermo}}, P_{\mathrm{info}}, \Phi) \]

Дар таҳқиқот Φ map ҳамчун order-preserving mapping байни thermodynamic constraints ва information-theoretic constraints сохта мешавад. Ин mapping ба асосҳое ба монанди Landauer Principle, Jarzynski Equality, Gibbs entropy ва Data Processing Inequality такя мекунад.

2. Ченаки канонии физикӣ ва арзиши механизм

Дар таҳқиқот ба ҳар primitive element Gibbs weight дода мешавад:

\[ p_i = \frac{e^{-E_i/k_B T}}{Z^{(k)}} \]

\[ Z^{(k)} = \sum_{j=1}^{N_k} e^{-E_j/k_B T} \]

Дар ин ҷо p_i probability weight-и унсури i; E_i энергия; k_B Boltzmann constant; T ҳарорат; Z^(k) partition function; ва N_k шумораи унсурҳо дар сатҳи k мебошанд. Ин сохтор canonical physical measure-ро месозад, ки дар он ҳолатҳои low-energy weight-и баландтар доранд.

Mechanism cost чунин дода мешавад:

\[ cost(\alpha) = E_{\mu}\left[\Delta E_{\alpha}(\phi) + k_B T \Delta H_{\alpha}(\phi)\right] \]

Ин формула expected cost-и механизмро аз ҷиҳати тағйири energy ва information ҳисоб мекунад. Ҳамин тавр, дар HEF mechanism selection на танҳо ба abstract logical compatibility, балки ба physical-information cost низ вобаста мешавад.

3. Остонаи критикии энергия ва convergence

Energy-budget-dependent mechanism set:

\[ A^*(E) = \{\alpha \in A^* \mid cost(\alpha) \leq E\} \]

таъриф мешавад. Мувофиқи таҳқиқот, ҳангоми тағйири E андоза ва гуногунии ин маҷмӯа иваз мешаванд. E_c ҳамчун critical level муайян мешавад, ки rate-и ворид шудани механизмҳои нав ба budget баландтарин аст. Барои finite mechanism costs ин intuition бо ифодаи discrete-и зерин нишон дода мешавад:

\[ E_c = c_{j^*}, \quad j^* = \arg\max_j \frac{\Delta_j}{c_j - c_{j-1}} \]

Дар ин ҷо c_j ordered cost values ва Δ_j шумораи механизмҳои наве мебошанд, ки дар ҳамон cost level илова шудаанд. Ин формула E_c-ро ҳамчун нуқтае таъриф мекунад, ки mechanism diversity бо суръати баландтарин тағйир меёбад.

4. Теоремаҳои асосӣ

5. Causal Emergence ва Effective Information

Дар таҳқиқот causal emergence бо таърифи Effective Information-и зерин баррасӣ мешавад:

\[ EI_k = H_{\mu}(T_k(R^{(k)})) - H_{\mu}(T_k(R^{(k)}) \mid R^{(k)}) \]

Дар ин ҷо EI_k effective information дар сатҳи k; H_μ entropy дар зери canonical measure; T_k generator map; ва R^(k) representation ё entity set дар сатҳи k мебошанд. Терми аввал output diversity ва терми дуюм causal noise-еро ифода мекунад, ки ҳатто бо донистани input боқӣ мемонад. Ба гуфтаи таҳқиқот, дар режими E < E_c mechanism selection deterministic мешавад ва аз ин рӯ causal noise кам мешавад.

6. Озмоишҳои machine learning

7. Натиҷаҳои таҷрибавӣ

8. Мундариҷаи илмии шаклҳо

Шакли 1 ривояти сефазаи энергияро дар HEF нишон медиҳад. Дар панели чап, болоравии weight norm, сипас қуллаи он дар атрофи E_c ва баъд пастшавӣ ҳамчун гузариш аз exploration regime ба convergence regime тафсир мешавад. Дар панели рост, collapse-и normalized test-accuracy curves ба tanh-like kink барои баррасии grokking ҳамчун Landau-Ginzburg-like phase transition асос фароҳам меорад.

Шакли 2 нишон медиҳад, ки final test accuracies аз рӯи p ва λ groups ба таври аҳамиятнок ҷудо намешаванд. Ин яке аз experimental support-ҳои Universal Feature Convergence мебошад. Аммо ин натиҷа танҳо барои grokked models дар experimental design-и мазкур эътибор дорад; он барои ҳамаи model scales як хулосаи умумӣ нест.

Шакли 3 scaling-и grokking delay бо p, failure regime дар атрофи λ = 4 ва тағйири фарқи memorization-generalization бо калон шудани p-ро нишон медиҳад. Ин шакл нишон медиҳад, ки HEF кӯшиш мекунад на танҳо transition-ро шарҳ диҳад, балки пешгӯӣ кунад, ки transition дар кадом hyperparameter conditions ноком мешавад.

9. Пешгӯиҳои байнисоҳаӣ

• P1: Anaerobic yeast lineages бояд нисбат ба aerobic lineages дар ҳамон phylogenetic distance genomic convergence-и баландтар нишон диҳанд.
• P2: Large language models, ки бо weight decay-и баландтар омӯзонда шудаанд, бояд representations-и дорои causal effect-и баландтар тавлид кунанд.
• P3: Пас аз critical threshold-и муайяни λ_c(p), grokking бояд аз сабаби mechanism starvation ноком шавад.

10. Маҳдудиятҳо ва масъалаҳои кушода

• HEF ҳамчун theory-и анҷомёфтаи ҳамаи emergence phenomena пешниҳод намешавад; он candidate framework барои баъзе convergence motifs мебошад.
• A6 metric-contraction condition ба таври умумӣ аз A1–A5 худкор барнамеояд; таҳқиқот эътироф мекунад, ки барои он сохтори иловагӣ ё empirical validation лозим аст.
• Grokking experiments ба small-scale transformer ва modular arithmetic context маҳдуданд.
• Шакли қаблии G2 formula дар матн таҷдид шудааст; барои formula-и нав таҷрибаҳои калонтар ва discriminative ҳамчун open protocol боқӣ мондаанд.
• LLM, evolutionary biology ва nanoparticle predictions дар ин таҳқиқот completed independent validation нестанд, балки testable future predictions мебошанд.
• Дар reproduction section, Zenodo DOI field ҳамчун “to be deposited” менамояд; бинобар ин final DOI-и data archive аз матн анҷомёфта дида намешавад.

Ёддошт оид ба Манбаъ ва Усул

Ин мақола бар асоси таҳқиқоти Truong Xuan Khanh бо унвони “Emergence via Phase Transitions: Mechanism Landscapes and Universal Convergence Across Complex Systems” таҳия шудааст. Дар таҳқиқот пайвастагии муаллиф ба H&K Research Studio, Clevix LLC, Hanoi, Vietnam ва санаи May 2026 дода шудааст. Азбаски дар саҳифаи аввал arXiv submit information мавҷуд аст, ин кор аз рӯи матн ҳамчун arXiv submission / preprint-и назариявӣ-эмпирикӣ арзёбӣ шудааст.

Азбаски дар матн peer-reviewed journal acceptance, DOI-и final published version ё explicit peer-review information вуҷуд надорад, бояд ифодаи таҳқиқоте, ки peer review-и он аз рӯи матн тасдиқ намешавад истифода шавад. Аз ин рӯ, натиҷаҳо махсусан дар бораи HEF generalizability ба domain-ҳои васеъ ва biology/LLM/nanomedicine predictions бояд эҳтиёткорона хонда шаванд.

Ҳангоми омода кардани ин мундариҷа HEF definition, physical constraint set, thermodynamics-information theory mappings, main theorems, grokking experiments, figures, numerical results, open protocols ва limitations-и дар таҳқиқот дода шуда асос гирифта шудаанд. Иддаоҳои дар PDF набуда ба монанди guaranteed application success, peer-reviewed acceptance, clinical ё commercial impact, generalization ба ҳамаи AI models ё explanation-и ҳамаи evolutionary processes илова нашудаанд.

Қисми таҷрибавии таҳқиқот махсусан ба modular-arithmetic grokking tasks маҳдуд аст. Натиҷаҳое, ки HEF барои evolutionary biology, large language models ва nanoparticle signal detection пешниҳод мекунад, дар ин матн бештар ҳамчун cross-domain prediction ва theoretical application ҷой доранд. Арзиши илмии ин predictions аз он вобаста аст, ки онҳо бо independent experiments дастгирӣ, ислоҳ ё falsify карда шаванд.