От плановых пространств до горизонтов событий
В статье, опубликованной 3 августа 2026 года в arXiv (ID: 2608.07566), описывается прорывной подход к представлению пространств. Автор предлагает метод, при котором сцена кодируется в коэффициенты фиксированной симметричной матричной базы, которые затем собираются в элемент алгебры Ли. Результат экспоненцируется для получения римановой или лоренцевой метрики. Ключевая особенность — использование одной причинной контрастной функции потерь (causal contrastive loss) для обучения модели.
Эта архитектура демонстрирует способность к zero-shot обобщению: она не запоминает конкретные конфигурации, а выявляет переносимые геометрические структуры. Модель успешно справляется с задачами, требующими понимания как евклидовой, так и псевдоримановой геометрии.
Универсальность через единую архитектуру
Система обрабатывает задачи из совершенно разных областей, используя одни и те же параметры и протокол обучения. Ниже приведено сравнение результатов работы фреймворка в различных контекстах:
| Область применения | Тип геометрии | Ключевое поведение модели |
|---|---|---|
| Навигация роботов | Плоские пространства и конфигурационные пространства манипуляторов | Построение геодезических линий, обходящих препятствия |
| Релятивистская физика | Лоренцевы пространства-времена | Спонтанное формирование структур, аналогичных черным дырам, с правильным лоренцевым сигнатуром |
Физика как следствие геометрии
Наиболее впечатляющим результатом стало поведение модели в симуляции черных дыр. При использовании той же функции потери, что и для навигации, сеть спонтанно эволюционировала в структуру, обладающую признаками горизонта событий. Это подтверждает тезис автора: "The field knows geometry, and geometry knows physics" (Поле знает геометрию, а геометрия знает физику).
Работа демонстрирует, что сложные физические законы и пространственные отношения могут быть выведены ИИ из базовых геометрических принципов без явного программирования правил физики.
Источник: arXiv cs.AI ↗