От абстракции к физике: определение операторов
Оригинальная архитектура Feedback-Coupled Memory Systems (FCMS) оставалаась на уровне абстракций, где ключевые операторы обновления агента ($f_i$) и среды ($\Psi$) были неопределены. В новой работе, поданной в arXiv 24 июня 2026 года, автор заполняет этот пробел, связывая ИИ с физикой:
- Агент ($f_i$): Обновляется через децентрализованный ценовой механизм в рамках Mechanism-Based Intelligence (MBI). Это переводит локальные решения агентов в экономическую плоскость.
- Среда ($\Psi$): Описывается как физический субстрат через Coupled Memory Graph Process (CMGP). Среда не просто реагирует, а когерентно записывает и отвечает на историю траекторий без внешнего принуждения (non-Markovian framework).
Математический прорыв: порог глобальной диссипативности
Главный результат исследования — вывод условия глобальной диссипативности Ляпунова для непрерывного времени. Авторы доказали, что система стабильна только при соблюдении строгого неравенства:
$4\beta^2 < 2\eta\mu\gamma^2$
Это обобщает дискретное условие стабильности ($4\eta\beta^2 < \gamma$) и физический бифуркационный порог CMGP ($\alpha_c = 1/K$). Суть принципа проста: диссипация памяти должна всегда опережать усиление обратной связи. Если это правило нарушается, возникает лавинообразная каскадная координация, ведущая к нестабильности.
Валидация: от двух агентов к миллиону
Теоретические выкладки подтверждены численным моделированием в двух режимах, что подчеркивает универсальность вывода:
| Режим симуляции | Количество агентов (N) | Результат |
|---|---|---|
| Локальная проверка | N = 2 | Подтверждение порога стабильности и сценариев нарушения |
| Среднеполевая валидация (Mean-field) | N = 10^6 | Доказательство масштабирования и возникновения каскадов при $4\beta^2 \ge 2\eta\mu\gamma^2$ |
Значение для индустрии
Работа Stefano Grassi закрывает критический разрыв между теорией мультиагентных систем и их практической реализацией в непрерывных средах. Предложенный фреймворк позволяет инженерам рассчитывать допустимые пределы «агрессивности» обучения агентов (feedback gain) относительно скорости «забывания» или адаптации среды (memory dissipation). Это важно для создания устойчивых автономных систем, где ошибка в балансе приводит к коллапсу координации.
Источник: arXiv cs.AI ↗