IA que Escala - Grokking como transición de fase: una teoría de la cristalización algorítmica

Grokking como transición de fase: una teoría de la cristalización algorítmica
Abstracto:
Informo sobre la aparición de constantes de difusión invariantes respecto a la arquitectura en redes neuronales grokked. En nueve dominios algorítmicos, la varianza del gradiente normalizada converge , independientemente de la tasa de aprendizaje y del tamaño del lote por encima de un lote de coherencia crítico B_crit = 4096. Esto define una transición de fase abrupta, la optimización es decoherente, experimenta cristalización de operadores lo que permite una transferencia estructural de disparo cero. Derivamos una ecuación de curvatura de información efectiva que vincula el ruido de gradiente, la disminución del peso y la invariancia topológica, validada mediante una aceleración de 1,95× en la transferencia de Strassen y una reducción de error de 87× en la dinámica de ciclotrón con topología preservada.
Iscomeback, G. (2026). Algorithmic Induction via Structural Weight Transfer. Zenodo. https://doi.org/10.5281/zenodo.18277664

https://github.com/grisuno/strass_strassen

https://deepwiki.com/grisuno/strass_strassen

https://github.com/grisuno/agi

https://github.com/grisuno/algebra-de-grok

https://medium.com/@lazyown.redteam/the-narrow-basin-how-i-navigated-the-fragile-edge-of-algorithmic-truth-while-big-ai-drowns-in-faaa356dfb06

https://medium.com/@lazyown.redteam/the-algorithmic-heist-how-i-built-non-hallucinating-ai-on-hardware-your-grandma-throws-away-6bc5146608f1

Видео IA que Escala - Grokking como transición de fase: una teoría de la cristalización algorítmica канала Killer Monky Recordz (LazyOwn RedTeam Framework)