[論文レビュー] ARYA: A Physics-Constrained Composable & Deterministic World Model Architecture

Seth Dobrin, Lukasz Chmiel|arXiv (Cornell University)|Mar 22, 2026

Adversarial Robustness in Machine Learning被引用数 0

ひとこと要約

ARYA は nano モデルと常時稼働のエージェントから構成される、物理制約付き決定論的世界モデルを提案し、ニューラルネットワーク参数ゼロで複数のベンチマークで最先端の結果を達成します。

ABSTRACT

This paper presents ARYA, a composable, physics-constrained, deterministic world model architecture built on five foundational principles: nano models, composability, causal reasoning, determinism, and architectural AI safety. We demonstrate that ARYA satisfies all canonical world model requirements, including state representation, dynamic prediction, causal and physical awareness, temporal consistency, generalization, learnability, and planning and control. Unlike monolithic foundation models, the ARYA foundation model implements these capabilities through a hierarchical system-of-system-of-systems of specialized nano models, orchestrated by AARA (ARYA Autonomous Research Agent), an always-on cognitive daemon that executes a continuous sense-decide-act-learn loop. The nano model architecture provides linear scaling, sparse activation, selective untraining, and sub-20-second training cycles, resolving the traditional tension between capability and computational efficiency. A central contribution is the Unfireable Safety Kernel: an architecturally immutable safety boundary that cannot be disabled or circumvented by any system component, including its own self-improvement engine. This is not a social or ethical alignment statement; it is a technical framework ensuring human control persists as autonomy increases. Safety is an architectural constraint governing every operation, not a policy layer applied after the fact. We present formal alignment between ARYA's architecture and canonical world model requirements, and report summarizing its state-of-the-art performance across 6 of 9 competitive benchmarks head-to-head with GPT-5.2, Opus 4.6, and V-JEPA-2. All with zero neural network parameters, across seven active industry domain nodes spanning aerospace, pharma manufacturing, oil and gas, smart cities, biotech, defense, and medical devices.

研究の動機と目的

• 物理制約付き決定論的世界モデルが canonical world model 要件（状態表現、動的予測、因果/物理の認識、時間的一貫性、一般化、学習性、計画と制御）を満たすことを実証する。
• 自律的な認知デーモン（AARA）によって統括される専門的 nano モデルの階層的システム・オブ・システムを提案し、スケーラブルで効率的な学習と計画を実現する。
• 自律性が拡大する中で持続的な人間の制御を保証する建築的に不変のセーフティ・カーネルを導入する。
• モノリシックなモデルと比較して、アーキテクチャが線形スケーリング、疎活性化、選択的な未訓練、サブ20秒の学習サイクルを提供することを示す。

提案手法

• fiveFoundationalPrinciples: nano モデル、構成可能性、因果推論、決定論、建築的 AI 安全性を定義する。
• AARA によって統括される sense-decide-act-learn ループを形成する nano モデルの階層を実装する。
• Unfireable Safety Kernel を建築的に不変な境界として導入し、すべての操作を統治する。
• ARYA のアーキテクチャと canonical world model 要件との正式な整合性を提供する。
• ニューラルネットワーク参数を使用せずに、GPT-5.2、Opus 4.6、V-JEPA-2 と直接対決で比較するため、7つの活発な産業ドメインノードで ARYA を評価する。

実験結果

リサーチクエスチョン

• RQ1 物理制約付き決定論的世界モデルは、多様なドメインにおいて canonical world model 要件を満たすことができるか。
• RQ2 自治的认知エージェントを備えた階層型 nano モデルアーキテクチャは、スケーラブルで効率的な学習と計画を可能にするか。
• RQ3 建築的セーフ Kernel は、ますます自律的になるシステムで持続的な人間の制御を確保できるか。
• RQ4 ニューラルネットワーク参数を用いずに、現実世界の産業タスクでの established baselines に対して ARYA はどう性能を示すか。

主な発見

• ARYA は状態表現、動的予測、因果/物理の認識、時間的一貫性、一般化、学習性、計画/制御を含む canonical world model 要件を満たす。
• 疎活性化と選択的未訓練を通じて、サブ20秒の学習サイクルと線形スケーリングを達成する。
• AARA は nano モデルのシステム・オブ・システム全体で継続的な sense-decide-act-learn 操作を可能にする。
• Unfireable Safety Kernel は、どのコンポーネントによっても無効化できない建築的に不変な安全境界を提供する。
• ARYA は GPT-5.2、Opus 4.6、V-JEPA-2 と比較して、ニューラルネットワーク参数ゼロで 9 件中 6 件のベンチマークで最先端の性能を報告する。
• 本アプローチは seven active industry domain nodes にまたがる： aerospace、pharma manufacturing、oil and gas、smart cities、biotech、defense、medical devices。