要旨: 本稿では、ワット毎知能（watts-per-intelligence）枠組みのもとで、アルゴリズム的触媒に関する熱力学理論を展開する。まず、復元（restoration）に対する上界付きの制約および構造選択性（structural selectivity）の制約を満たしつつ、特定のタスククラスに対して不可逆操作を低減する再利用可能な計算構造を同定する。つぎに、基質とクラス記述子（class descriptor）との間のアルゴリズム的相互情報量（algorithmic mutual information）によって、クラス固有のいかなる高速化も上から抑えられることを証明する。そして、この情報を導入することには、ランダウアー消去（Landauer erasure）を介した最小の熱力学的コストが伴うことを示す。これらの結果を組み合わせることで、触媒がエネルギー的に有利となるために必要な配備（deployment）期間の下界を与える結合定理（coupling theorem）を得る。さらに、本枠組みをアフィンSATクラスにより例示し、今日の学習済みシステムを、知的計算に関する情報‐熱力学的制約の統一的な枠組みに位置づける。
ワット・パー・インテリジェンス第2部：アルゴリズム触媒（Algorithmic Catalysis）
arXiv cs.AI / 2026/4/25
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ワット・パー・インテリジェンスの枠組みの中で「アルゴリズム触媒」のための熱力学的理論を提案し、タスク群ごとに不可逆操作を減らす再利用可能な計算構造に焦点を当てます。
- クラス固有の高速化には理論上の上限があり、それは計算基質とクラス記述子の間のアルゴリズム的相互情報量によって定まることを示します。
- さらに、このクラス情報を導入（保持・活用）することにはLandauerの消去原理に基づく最小の熱力学コストが伴うと論じています。
- これらの結果を組み合わせることで、触媒がエネルギー的に有利になるために必要な「導入期間（deployment horizon）」の下限を与える結合定理を導出します。
- アフィンSATのクラスを用いた例で枠組みを説明し、学習システムを、知的計算に対する情報—熱力学的制約という統一的な見方に位置づけています。
