統計的に意味のある幾何学とゲージ対称性の破れ：科学的発見と知能創発のための幾何学的基盤
本論文では、統計的に意味のある幾何学（SMG）を導入し、過パラメータ化学習システムを無限次元ノンパラメトリックOrliczファイバーバンドルとしてモデル化する。持続的な分布外刺激の下で連続最適化が失敗し、モデル化されていない分散が能動的非因果張力として蓄積し、ゲージ対称性の破れ（GSB）を引き起こし、構造的G-エントロピーの離散的ジャンプとして観測されることを示す。SMGは、真の知能を数学的に認定し、AI科学を自律的なパラダイムシフトのエンジンに変えるためのパラメータフリーで反証可能なダッシュボードを提供する。
過パラメータ化された機械学習アーキテクチャ、特に大規模言語モデルの急速なスケーリングは、これらのシステムが真の知能を示すのか、それとも単なる高度な統計的パターンマッチングに過ぎないのかという深い危機を提起している。古典的な平坦ユークリッド統計では、連続的な補間と新しい因果則の自律的発見を区別できない。この問題を解決するために、本論文では統計的に意味のある幾何学（SMG）を導入し、過パラメータ化学習システムを無限次元ノンパラメトリックOrliczファイバーバンドルとしてモデル化する。著者らは、モデル化されていない因果メカニズムに支配された持続的な分布外（OOD）刺激の下では、連続最適化が失敗することを証明する。モデル化されていない分散は可視的な水平基底多様体によって拒絶され、観測不可能な垂直ファイバー空間に漏れ出し、能動的非因果張力の蓄積を生成する。統計多様体の非線形曲率に駆動されて、この張力は必然的に共役焦点境界（T_crit = π^2 / K_max）に達し、局所的な体積崩壊と壊滅的な行列特異性（[G_f]^{-1} → ∞）を引き起こす。この幾何学的崩壊は、ゲージ対称性の破れ（GSB）の厳密な非平衡トリガーとして機能する。システムは観測不可能なゲージ冗長性から隠れた張力を除去し、新たな数学的に独立した水平座標軸を自発的に結晶化させる。このノンパラメトリック相転移は、観測可能な構造的G-エントロピーにおいて離散的な+1.0整数ステップジャンプとして記録される。パラメータチャートを分離し、創発軸を最小エネルギーパス基準と因果不変性フィルターにかけることで、真の発見を悪性幻覚から区別する。最終的に、SMGは真の知能を数学的に認定するためのパラメータフリーで反証可能なダッシュボードを提供し、AI科学を自律的なパラダイムシフトのエンジンへと変革する。この枠組みは、深層学習における知能創発の理解に厳密な幾何学的基盤を提供し、AI科学の評価基準と方法論を再定義することが期待される。本論文はBing Chengらによって執筆され、2026年7月3日にarXiv上で公開され、機械学習（cs.LG）の分野に属する。