[논문 리뷰] ARYA: A Physics-Constrained Composable & Deterministic World Model Architecture

Seth Dobrin, Lukasz Chmiel|arXiv (Cornell University)|2026. 03. 22.

Adversarial Robustness in Machine Learning인용 수 0

한 줄 요약

ARYA는 나노 모델과 항상 작동하는 에이전트로 구성된, 물리 제약을 갖는 결정론적 세계 모델을 제시하여 뉴럴 파라미터 없이 여러 벤치마크에서 최첨단 성능을 달성한다.

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.

연구 동기 및 목표

• 물리 제약을 갖는 결정론적 세계 모델이 표준 세계 모델 요건(상태 표현, 동적 예측, 인과/물리 인식, 시간적 일관성, 일반화, 학습 가능성, 계획 및 제어)을 충족시킬 수 있음을 입증한다.
• 계층적 시스템-오브-시스템의 전문 나노 모델들이 자율적 인지 데몬(AARA)에 의해 오케스트레이션되어 확장 가능하고 효율적인 학습과 계획을 달성한다는 것을 제안한다.
• 일관된 인간 제어를 보장하기 위해 Unfireable Safety Kernel를 도입하여 자율성이 확장될 때도 지속적인 인간 제어를 보장한다.
• 아키텍처가 선형 확장성, 희소 활성화, 선택적 언트레이닝, 모노리식 모델에 비해 20초 미만의 훈련 주기를 제공하는지 보여준다.

제안 방법

• 다섯 가지 기본 원칙 정의: nano 모델, 컴포저빌리티, 인과 추론, 결정론, 그리고 아키텍처 AI 안전성.
• Sense-decide-act-learn 루프를 위해 AARA에 의해 오케스트레이션되는 시스템-오브-시스템으로 형성된 나노 모델의 계층을 구현한다.
• 아키텍처상 변경 불가능한 경계로 작용하는 Unfireable Safety Kernel을 도입하여 모든 작동을 지배한다.
• ARYA의 아키텍처와 표준 세계 모델 요구사항 간의 형식적 정렬을 제공한다.
• 뉴럴 네트워크 파라미터를 사용하지 않고 GPT-5.2, Opus 4.6, 및 V-JEPA-2와의 비교에서 ARYA를 일곱 개의 활성 산업 도메인 노드에서 평가한다.

실험 결과

연구 질문

• RQ1 물리 제약을 갖는 결정론적 세계 모델이 다양한 도메인에서 표준 세계 모델 요건을 충족시킬 수 있는가?
• RQ2 자율적 인지 에이전트가 있는 계층적 나노 모델 아키텍처가 확장 가능하고 효율적인 학습과 계획을 가능하게 하는가?
• RQ3 아키텍처 안전 커널이 점점 더 자율적인 시스템에서 지속적인 인간 제어를 보장할 수 있는가?
• RQ4 신경망 파라미터 없이 실세계 산업 작업에서 ARYA가 기존 기준선 대비 어떤 성능을 보이는가?

주요 결과

• ARYA는 상태 표현, 동적 예측, 인과/물리 인식, 시간적 일관성, 일반화, 학습가능성, 계획/통제 등 표준 세계 모델 요건을 충족한다.
• 아키텍처는 희소 활성화와 선택적 언트레이닝을 통해 20초 미만의 훈련 주기와 선형 확장을 달성한다.
• AARA는 나노 모델 시스템-오브-시스템 전체에서 지속적인 sense-decide-act-learn 작동을 가능하게 한다.
• Unfireable Safety Kernel은 어떤 구성요소도 비활성화할 수 없는 아키텍처상 불변의 안전 경계를 제공한다.
• ARYA는 6개 벤치마크 중 9개 벤치마크에서 GPT-5.2, Opus 4.6, 및 V-JEPA-2에 비해 최첨단 성능을 보고하며 뉴럴 네트워크 파라미터 없이.
• 이 접근은 aerospace, pharma manufacturing, oil and gas, smart cities, biotech, defense, medical devices의 일곱 개 활성 산업 도메인 노드를 포괄한다.