概要: 私たちは、バランスの取れた連続エントロピー制約によって位相（トポロジカル）な量子化を達成する自己安定化フレームワークである Global Neural World Model (GNWM) を提示します。GNWM は、連続かつ行動条件付きの Joint-Embedding Predictive Architecture (JEPA) として動作し、ピクセル単位の再構成を強制せずに、環境を離散的な 2D グリッドへ写像します。このとき、並進同値性（translational equivariance）を強制します。私たちの結果は、このアーキテクチャが、自律回帰的（autoregressive）なロールアウト中に、グリッドの「スナッピング（snapping）」をネイティブな誤り訂正メカニズムとして用いることで、マンifold（多様体）のドリフトを防ぐことを示しています。さらに、最大エントロピー探査（ランダムウォーク）によって学習することで、モデルは特定の専門家（エキスパート）の軌跡を単に記憶するのではなく、汎化された遷移ダイナミクスを学習します。私たちは、受動的観測、能動的なエージェント制御、および抽象的なシーケンスの領域において GNWM を検証し、それが単なる空間物理シミュレータとして機能するだけでなく、連続的で予測可能な概念を構造化された位相的マップへと整理できる因果発見（causal discovery）モデルとして振る舞えることを実証します。
グローバル・ニューラル・ワールドモデル：行動条件付き計画のための空間的にグラウンディングされた離散トポロジー
arXiv cs.LG / 2026/4/21
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文では、バランスされた連続エントロピー制約によりトップロジーの量子化を実現する自己安定化フレームワーク「Global Neural World Model（GNWM）」を提案する。
- GNWMは、ピクセルレベルの再構成なしで、空間の並進同変性を強制しつつ、連続かつ行動条件付きのJoint-Embedding Predictive Architecture（JEPA）として環境を離散的な2Dグリッドへ写像する。
- 「グリッドスナッピング」が、自己回帰ロールアウト中のマニフォールドドリフトを防ぐためのネイティブな誤差補正メカニズムとして機能することが報告されている。
- ランダムウォークによる最大エントロピー探索で学習することで、特定の専門家（エキスパート）軌道の暗記ではなく、一般化された遷移ダイナミクスを獲得できると主張する。
- 実験では受動的観察、能動的なエージェント制御、抽象的なシーケンスの各領域で検証され、GNWMが空間物理シミュレータにとどまらず、連続的で予測可能な概念を構造化されたトポロジーマップへ整理する因果発見モデルとして働き得ることが示唆されている。
