適応ドメインモデル: 幾何学的AIとニューロモルフィックAIのためのベイズ的進化、ウォームローテーション、原理に基づく訓練

要約: 一般的なAIトレーニング基盤はIEEE-754算術上の逆モード自動微分を前提としています。推論に対するトレーニングのメモリオーバーヘッド、オプティマイザの複雑さ、そしてトレーニングを通じた幾何学的性質の構造的劣化は、この算術基盤の結果です。本論文は、3つの既知の成果に基づく代替的なトレーニングアーキテクチャを提案します：次元型システムと決定論的メモリ管理フレームワーク [6] は、スタック適格な勾配割り当てと正確なquire蓄積を設計時に検証可能な性質として確立します；プログラムハイパーグラフ [8] は、幾何代数計算を介したグレード保持を型レベルの不変条件として確立します；および b-posit 2026標準 [10] は、ポジット算術を従来推論専用と見なされてきたハードウェア目標全般にわたって扱えるようにします。これらの組み合わせは、深さに依存しないトレーニングメモリを推論フットプリントの約2倍程度に制限し、グレードを保持するウェイト更新と正確な勾配蓄積を可能にします。これは、ロス関数最適化モデルとスパイク時刻依存性ニューロモルフィックモデルの双方に一様に適用可能です。我々はベイジアン蒸留を導入します。これは、一般目的モデルの潜在的事前構造をADMトレーニングレジームを介して抽出する仕組みであり、ドメイン特化トレーニングのデータ不足によるブートストラップ問題を解決します。デプロイメントには、ウォームローテーションを導入します。更新されたモデルがサービス停止することなくアクティブな推論経路へ移行する運用パターンで、PHG証明書と署名付きバージョン記録によって構造的正当性を形式化します。その成果は、一般目的モデルより小さく、より精密なドメイン特化型AIシステムのクラスであり、継続的に適応し、各領域の物理的構造に関して検証可能に正確で、既存のモデルから初期化可能です。