论网格智能中液态基质的必要性

一篇新的研究论文探讨了网格智能中液态基质的必要性。在由自主智能体组成的网格中，没有中央时钟、共享模型或协调器。每个智能体必须将来自同伴的不规则、非同步的投影整合到一个内部状态中，同时在一个无法重新训练的固定权重基质上进行操作。这些约束单独来看是可解的，但同时满足所有三个条件则极具挑战性。

作者提出了一个自进化潜在变量的模型，并证明了两个必要条件。首先，由于潜在变量随时间变化，最优估计器必须具有自适应时间尺度，任何固定增益滤波器都严格次优。其次，由于到达时间没有时钟，最优估计依赖于到达之间的时间间隔，而忽略间隔的网络无论宽度或深度都无法恢复这一依赖关系。第二个条件是容量无关的——规模无法替代对间隔的依赖。

这两个条件交汇于连续时间液态类。LSTM满足第一个条件，固定连续时间滤波器满足第二个，而多时间尺度液态网络同时满足两者。合成实验验证了这些结论。该特征描述是必要而非充分的，并且适用于固定权重基质；如果网络可以重新训练，则可以通过其他方式达到该类别。该证明针对每个智能体，因此适用于网格中的每个智能体，构成了网格智能的结构条件。这一发现对设计去中心化多智能体系统具有重要启示。