🤖 IA

Certified Access: Test-Time Compute on Conservative Physics-Structured AI Memory

Este artículo propone y verifica un marco teórico para el cómputo en tiempo de prueba sobre memoria de IA con estructura física, donde mecanismos como el escurrimiento de Lorentz y las traslaciones canónicas con compuerta proporcionan certificados exactos de fase-volumen y energía para resolver fallos de alcanzabilidad mientras se mantienen las garantías de estabilidad.

Autores originales: Pratik Jawahar, Riccardo Maggioni, Jonas Petersen, Matteo Cozzi, Gian-Alessandro Lombardi, Marek Gajewski, Camilla Mazzoleni, Federico Martelli

Publicado 2026-10-30

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pratik Jawahar, Riccardo Maggioni, Jonas Petersen, Matteo Cozzi, Gian-Alessandro Lombardi, Marek Gajewski, Camilla Mazzoleni, Federico Martelli

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo moderno de la inteligencia artificial, las computadoras están aprendiendo a pensar procesando vastas cantidades de información, pero a menudo luchan con un problema específico: saber cuándo detenerse. A medida que estos sistemas se vuelven más complejos, necesitan una forma de decidir si han pensado lo suficiente para dar una respuesta o si necesitan seguir trabajando. Esto es un poco como una persona intentando resolver un rompecabezas; puede que necesite mirar una pieza unas cuantas veces más para estar seguro, o puede que necesite dar un paso atrás y mirar el cuadro completo desde un ángulo diferente. Durante años, los ingenieros han añadido pasos adicionales a estos programas informáticos para ayudarles a decidir, pero estos pasos se han tratado generalmente como cajas negras misteriosas. La computadora intenta algunos cálculos más y, si la respuesta parece buena, se detiene. Si no, continúa. El problema es que nadie entendía realmente las reglas de tránsito para estos pasos adicionales. No sabían exactamente qué estaba haciendo la computadora con su estado interno, cuánta energía estaba usando o si accidentalmente estaba borrando información importante en el camino.

Un equipo de investigadores de CERN, ETH Zurich y Forgis AG se ha propuesto mapear estas reglas ocultas. Se centraron en un tipo específico de memoria artificial que se comporta como un sistema físico, donde la información se almacena como una especie de movimiento en lugar de solo datos estáticos. En este sistema, la memoria de la computadora es como una pelota rodando sobre un paisaje de colinas y valles. La forma de este paisaje es aprendida por la computadora, y la pelota rueda de acuerdo con leyes físicas estrictas. Los investigadores querían saber qué sucede cuando obligan a la computadora a dar pasos adicionales para encontrar una pieza específica de información. Descubrieron que, al tratar estos pasos adicionales como movimientos físicos, podían demostrar exactamente cuánta energía se necesitaba, cuánta información se preservaba y qué sucedería si la computadora intentara saltar a una parte distante de su memoria.

Los investigadores construyeron su estudio en torno al concepto de un "modelo de dinámica latente", que es una forma de organizar la memoria para que siga las reglas de la física. Imagine la memoria de la computadora como una habitación donde cada pieza de información tiene una ubicación específica y una velocidad específica. Cuando la computadora quiere encontrar algo, no simplemente busca en una lista; hace rodar una pelota por el suelo de esta habitación. Usualmente, la pelota rueda hasta asentarse en un valle, que representa la respuesta. Pero a veces, la respuesta está atrapada detrás de una colina alta, o se encuentra en una habitación completamente diferente a la que la pelota no puede rodar. Los investigadores identificaron dos formas principales en las que la computadora podría fallar al encontrar la respuesta. La primera es un "fallo de alcance", donde el objetivo está simplemente demasiado lejos para ser alcanzado mediante el rodaje. El segundo es un "fallo de escape", donde el objetivo está cerca pero bloqueado por una barrera que la pelota no tiene la energía suficiente para escalar.

Para resolver estos problemas, el equipo propuso dos nuevos métodos que actúan como herramientas certificadas para la computadora. La primera herramienta está diseñada para ayudar a la pelota a escalar una colina. La llaman un "estrujamiento de Lorentz" (Lorentz squeeze). En lugar de simplemente empujar la pelota con más fuerza, lo que podría desperdiciar energía o desestabilizar el sistema, este método le da a la pelota un impulso preciso y calculado. Los investigadores demostraron que este impulso añade una cantidad específica y limitada de energía al sistema. Si la computadora necesita saltar un poco más lejos, usa un poco más de energía; si necesita saltar mucho más lejos, el costo de energía crece, pero lo hace de una manera predecible. Esto asegura que la computadora no queme accidentalmente sus recursos o pierda el control de la memoria.

La segunda herramienta es para cuando el objetivo está en una habitación enteramente distinta, demasiado lejos para ser alcanzado rodando. Los investigadores crearon un "canal con compuerta" (gated channel), que es esencialmente un puente de teletransportación que conecta dos puntos específicos en la memoria. A diferencia del movimiento de rodar, este puente mueve la información instantáneamente de un lugar a otro. El descubrimiento más importante aquí es que este puente es perfectamente seguro para la información que transporta. Los investigadores demostraron que, cuando la computadora utiliza este puente, no pierde ningún detalle sutil almacenado en la memoria. Es como mover un objeto delicado de un estante a otro sin sacudirlo o dejar caer un solo grano de polvo. También demostraron que el puente no distorsiona el espacio a su alrededor, lo que significa que la computadora puede usarlo sin alterar el resto de su memoria.

Sin embargo, los investigadores fueron cuidadosos en mostrar que estas herramientas no son mágicas. Probaron sus ideas en un entorno simulado controlado donde podían medir todo con exactitud. Encontraron que, si bien las herramientas funcionaban perfectamente en teoría, tenían límites estrictos. Por ejemplo, el puente de teletransportación solo funciona si la computadora tiene permitido congelar las reglas del puente durante la duración del salto. Si las reglas cambian mientras el salto está ocurriendo, las garantías de seguridad desaparecen. También descubrieron que simplemente mover la información no es suficiente; la computadora también debe ser protegida de caer por el borde de su mundo de memoria. Si la computadora intenta saltar a un lugar donde el paisaje no está definido, la información puede escapar y perderse para siempre. Para prevenir esto, la computadora necesita un control de seguridad que asegure que solo salte a áreas seguras y definidas.

Cuando el equipo aplicó estas ideas a un sistema de memoria real y aprendido, observaron resultados interesantes. Construyeron un sistema que podía decidir por sí mismo cuándo dejar de pensar y cuándo usar estas herramientas adicionales. En los casos donde la memoria era pequeña y la computadora aún estaba aprendiendo, este sistema de autorregulación ahorró una cantidad significativa de potencia de cómputo, reduciendo el número de pasos en casi cinco veces. A medida que la memoria crecía más grande, los ahorros se volvían menores, pero el sistema seguía funcionando. También probaron qué tan bien manejaban estas herramientas el ruido, o la confusión en la entrada. Encontraron que, si bien la memoria en sí permanecía perfecta, la parte de la toma de decisiones del sistema se volvía mucho menos confiable cuando la entrada era ruidosa. Esto sugiere que, aunque las reglas físicas de la memoria son sólidas, la capacidad de la computadora para decidir cuándo usarlas es todavía frágil.

El estudio concluye que tratar la computación en tiempo de prueba como un proceso físico permite a los científicos escribir reglas exactas para cómo las computadoras usan el tiempo de pensamiento adicional. Demostraron que se puede añadir energía para cruzar barreras, y que se pueden construir puentes para alcanzar memorias distantes, pero se debe hacer con una adherencia estricta a las leyes físicas para evitar la pérdida de información. El trabajo no pretende haber resuelto todos los problemas de la inteligencia artificial, ni promete que estos métodos harán a cada computadora más inteligente de inmediato. En cambio, proporciona un mapa claro y verificado de lo que es posible y lo que es peligroso cuando una computadora decide pensar un poco más. El logro principal no es un nuevo récord en una tabla de clasificación, sino una comprensión formal de los costos y las garantías de estos pasos adicionales, convirtiendo una caja negra en un proceso transparente y regido por reglas.

Resumen Técnico: Acceso Certificado en Memoria de IA con Estructura Física Conservativa

Planteamiento del Problema
Los mecanismos actuales de cómputo en tiempo de inferencia (por ejemplo, el cese de ejecución aprendido, la salida temprana basada en confianza y el enrutamiento de mezclas de expertos) se despliegan típicamente como adiciones de caja negra a las pilas de alimentación hacia adelante (feedforward). Si bien estos métodos asignan computación de forma adaptativa, carecen de garantías estructurales sobre cómo el cómputo adicional altera el estado latente del modelo. Específicamente, no existe una cuenta formal de qué "compra" el cómputo adicional (por ejemplo, alcanzabilidad, estabilidad) o qué costo tiene en términos de las garantías de estabilidad del modelo. Este artículo aborda la necesidad de un marco teórico y empírico que proporcione certificados estructurales para el cómputo en tiempo de inferencia en Modelos de Dinámica Latente (LDM) utilizados como memoria.

Metodología
Los autores proponen un marco donde la memoria es un Estado Latente Conservativo $(q, p)$ , producido por un codificador y evolucionado mediante un Hamiltoniano separable aprendido $H(q, p) = T(p) + V_\theta(q)$ . La dinámica se avanza utilizando un integrador simpléctico amortiguado (véloce-Verlet). En este régimen, el cómputo en tiempo de inferencia se define como el acceso a un espacio de fase definido, donde cada mecanismo de acceso debe portar un certificado físico.

El marco particiona los fallos de alcanzabilidad en dos categorías distintas:

Fallos de Alcance Cinemático: El objetivo se encuentra fuera de la caja causal $C_T$ (la distancia máxima alcanzable mediante la dinámica estándar).
Fallos de Escape Energético: El objetivo está dentro de $C_T$ pero está protegido por una barrera de potencial que la energía latente no puede cruzar.

Para resolver esto, los autores introducen y analizan dos mecanismos:

Lorentz Squeeze ( $S^{(M)}_\zeta$ ): Una rotación hiperbólica ponderada por la masa aplicada para resolver fallos de escape. Inyecta energía acotada y reabsorbible para cruzar barreras de potencial.
Traslación Canónica con Compuerta (Gated Canonical Translation): Un salto de un solo paso a través de la caja causal para resolver fallos de alcance. Aplica una traslación constante $q \to q + \Delta$ con una compuerta congelada.

El núcleo de la metodología es la derivación de tres certificados para estos mecanismos:

Certificado de Volumen: El determinante del Jacobiano ( $\det J$ ) debe ser exactamente 1 (simpléctico) para preservar el volumen de fase.
Certificado de Energía: El cambio de energía debe ser acotado y cuantificable.
Ley de Transporte de Enganche (Latch-Transport Law): La transformación del contenido almacenado en direcciones de simetría continua protegidas (carga de Goldstone).

Estos certificados se verifican en un banco de pruebas analítico diseñado (espacios latentes de 2D y 4D) y luego se evalúan en memorias asociativas aprendidas (Unidades de Aprendizaje Causal, o CLUs).

Contribuciones Clave
El artículo realiza seis contribuciones específicas:

Formalización de Modos de Fallo: Distinción entre fallos de alcance cinemático (que requieren saltos no locales) y fallos de escape energético (que requieren inyección de energía), cada uno requiriendo mecanismos distintos con diferentes certificados.
Verificación de la Pila de Certificados: Verificación empírica en un banco de pruebas analítico que muestra que:
- El Lorentz squeeze cura el escape con inyección acotada, aunque la energía crece exponencialmente con la rapidez y cuadráticamente con el exceso de distancia.
- El canal con compuerta resuelve los fallos de alcance con $\det J = 1$ exactamente, costo de energía cero (en canales coincidentes) y transporte de enganche exacto.
Medición Empírica del Transporte de Enganche: Demostración de que los mapas de reemplazo de estado no entrenados tienen $\det J = 0$ , anulando el volumen de fase y borrando la carga almacenada. En contraste, el canal con compuerta certificado transporta la carga con la dispersión preservada. El artículo señala que la preservación del volumen por sí sola es insuficiente; se requiere un canal coincidente para el transporte.
Racionamiento de Cómputo Calibrado: Implementación de una compuerta autocalibrable en memorias aprendidas que reduce los pasos de relajación en $4.81 \pm 0.44\times$ en baja capacidad ($kv16$) bajo un presupuesto de 400 épocas. El valor reside en el racionamiento, no en la mejora de la precisión base.
Límites de Escala del Enrutamiento No Local: Verificación de que un borde no local directo de un solo salto mantiene un conteo de FLOPs plano a medida que la distancia crece, a diferencia de la difusión de múltiples saltos. Sin embargo, un enrutador sin física y parametrizado supera al enrutador basado en energía tanto en FLOPs como en precisión.
Mapa de Capacidad y Presupuesto de Épocas: Mapeo de la compuerta de racionamiento a través de la capacidad y los presupuestos de entrenamiento. Los resultados muestran que, más allá de $kv64$, el rendimiento está limitado por el presupuesto de épocas en lugar de límites duros de capacidad. La precisión de la compuerta se degrada drásticamente bajo ruido de la señal de evaluación, mientras que la fidelidad de almacenamiento permanece alta.

Resultos

Banco de Pruebas Analítico: Los certificados se mantienen con precisión de máquina. El Lorentz squeeze extiende el alcance pero requiere energía que escala con el cuadrado de la distancia excedente. El canal con compuerta logra el alcance con costo de energía cero en potenciales simétricos y preserva la carga de Goldstone.
Memorias Aprendidas: La compuerta de racionamiento de cómputo reduce eficazmente los pasos para tareas de recuperación limpias (MQAR), pero no mejora la precisión general sobre una línea base de presupuesto completo.
Enrutamiento: Aunque el canal certificado proporciona un costo de FLOP plano para el enrutamiento de larga distancia, un enrutador aprendido "sin física" supera al mecanismo basado en energía en precisión y eficiencia.
Límites de Estabilidad: El artículo demuestra que $\det J = 1$ y el cambio de energía cero no son suficientes para la estabilidad de Entrada Acotada - Salida Acotada (BIBO). Se requiere un "tamizado de componente coercitivo" para evitar que las trayectorias escapen al infinito, incluso si el salto en sí es simpléctico.

Significado y Reivindicaciones
El artículo establece explícitamente que su principal contribución es la formalización y verificación de la pila de certificados, no el rendimiento de los benchmarks o el dominio en las tablas de clasificación.

El trabajo proporciona un marco teórico donde los mecanismos de cómputo en tiempo de inferencia no son cajas negras, sino que portan garantías físicas (conservación de volumen, energía acotada, transporte de enganche).
Destaca que estas garantías son condicionales: se mantienen para el amortiguamiento congelado dentro de un paso y para potenciales específicos del banco de pruebas, pero no se extienden automáticamente al sistema completo aprendido con gobernadores dependientes del estado.
Los autores enfatizan que, si bien los mecanismos permiten el "acceso certificado", no pretenden resolver todos los problemas de estabilidad (por ejemplo, la estabilidad BIBO requiere un tamizado adicional) ni pretenden superar al enrutamiento estándar sin física en todas las métricas.
La implementación revela compromisos de diseño: no se ha logrado alcanzar simultáneamente la fidelidad exacta del valor, la retención de dirección independiente de la amplitud y la latencia de lectura independiente de la amplitud, lo que representa un compromiso (trade-off) en lugar de una incompatibilidad probada.

En resumen, el artículo desplaza el paradigma del cómputo en tiempo de inferencia desde la escalada heurística hacia un enfoque estructurado físicamente donde cada mecanismo de acceso viene acompañado de un certificado matemático verificable respecto a su impacto en la geometría y la estabilidad del estado latente.

Más como este