PKGF: 決定論的および非決定論的情報記憶のための統一幾何学フレームワーク

知性のための普遍的構造記憶としての並行鍵幾何流

著者: Fumio Miyata
日付: 2026年4月8日
DOI: 10.5281/zenodo.19477743
リポジトリ: https://github.com/aikenkyu001/PKGF_nature_analysis

(本研究で使用したすべてのデータ、ソースコード、および解析リソースは上記リポジトリにて公開されている)

Abstract

自然観測データには、決定論的力学系（Lorenz系、素数列等）と、物理モデルが不完全な非決定論的データ（太陽黒点、地震、Bitcoin、HRV等）が混在する。従来の情報処理モデルは、この両者を統一的に扱う「普遍的記憶形式」を構築することが困難であった。

本研究では、Parallel Key Geometric Flow（PKGF）を決定論・非決定論を区別しない構造記憶理論として再定式化し、自然データを幾何学的構造特徴ベクトル（$\mathrm{\Phi }$Φ）に写像することで、すべてのデータを同一の幾何空間に埋め込む手法を提案する。本論文では、PKGFの公理系、実装定義、および力学的定理を統合し、22種類の多様な自然・人工データを用いた実験を通じて、構造記憶を基盤とした知能モデルとしての有効性を実証する。

1. Introduction

自然界のデータは、方程式で生成される**決定論的（Deterministic）なものと、生成モデルが存在しない非決定論的（Non-deterministic）**なものに大別される。決定論的データは再現が容易であるが、非決定論的データはノイズと構造が混在しており、従来のAIモデルでは扱いが極めて難しい。近年、幾何学的情報学（Amari, 2016; Nielsen & Barbaresco, 2023）や幾何学的ディープラーニング（Bronstein et al., 2017）の発展により、データの「形」を捉える試みが加速している。また、不規則に分散したデータ（Scattered Data）から多スケールで構造を抽出する手法（Avesani et al., 2024）や、統計多様体上の情報量に基づいた幾何学的アプローチ（Nielsen, 2013）は、複雑な自然現象の解析に新たな視座を提供している。

本研究の目的は、生成過程の性質（決定論性）に依存せず、情報の背後にある「構造」そのものを保存・流動させる普遍的構造記憶形式をPKGF理論として確立することである。我々は、PKGFの幾何学的舞台を定義し、構造記憶を核とした力学系を構築することで、知能の新たな基盤を提示する。

2. Structural Memory Principle（構造記憶原理）

2.1 情報の構造写像（Structure Mapping）

PKGFは、データを方程式ではなく、多次元の構造特徴ベクトル $\mathrm{\Phi }$Φ に写像する。
$$\mathrm{\Phi }:\text{Data}\to {\mathbb{R}}^d$$Φ:Data→Rd

構造記憶空間 (Structural Memory Space: R^30)

graph TD
    subgraph "入力データ空間 (Input Data Space)"
        A1["決定論性データ<br/>Lorenz系, 素数列 等"] 
        A2["非決定論性データ<br/>太陽黒点, Bitcoin 等"]
    end

    A1 & A2 --> B{"構造抽出写像 Φ"}

    subgraph "構造記憶空間 (Structural Memory Space: R^30)"
        B --> C1["Fractal (フラクタル性)<br/>Hurst指数, フラクタル次元"]
        B --> C2["Information (情報量)<br/>Entropy, Fisher情報量"]
        B --> C3["Topology (位相幾何)<br/>TDA, Betti数"]
        B --> C4["Recurrence (再帰構造)<br/>RQA指標"]
        B --> C5["Geometry (形状)<br/>PCA, KNN距離"]
    end

    C1 & C2 & C3 & C4 & C5 --> D["構造特徴ベクトル Φ"]
    D --> E["構造記憶 Memory = Φ(Data)"]

図1：構造記憶への写像プロセス。決定論・非決定論を問わず、あらゆるデータを30次元の幾何学的特徴空間へと埋め込み、情報の起源に依存しない「形」としての記憶を形成する。

本実装では、以下の30次元の指標を用いて情報の「構造」を定義する。これらは、フラクタル幾何（Mandelbrot, 1982）や長期記憶性の解析（Hurst, 1951）、多スケールでの数値的安定性（Avesani et al., 2024）、さらには情報の圧縮限界を規定する情報ボトルネック理論（Tishby et al., 1999）などの知見を統合したものである。

表1：構造記憶 ΦΦ の構成次元（30次元）

2.2 構造記憶（Structure Memory）

PKGFにおける記憶とは、$\text{Memory}=\mathrm{\Phi }(\text{Data})$Memory=Φ(Data) であり、データの生成プロセス（決定論か否か）に依存しない。これにより、素数列も金融市場も、同一の幾何学的「形」として等価に扱われる。

2.3 構造流（Structure Flow）

PKGFの内部自己同型場 $K$K は、構造記憶から導かれる外部接続 $\mathrm{\Omega }$Ω に基づき流動する：
$$\frac{d}{dt}K=[\mathrm{\Omega },K]$$dtd​K=[Ω,K]
この流動方程式は、リーマン多様体上のハミルトン力学（Girolami & Calderhead, 2011）や幾何流（Hamilton, 1982）の概念を情報空間へと拡張したものである。この過程において、情報の決定論性は一切の特権を持たず、純粋に「構造の幾何」が進化を支配する。

3. PKGF Axiomatic System（公理系）

PKGFは、以下の公理的基盤（Amari, 2016）の上に構築され、情報の幾何学的受容と流動を規定する。

• P1. 分解構造（Decomposition）: 多様体 $M$M の接束 $TM$TM は、情報処理の役割に応じた4つの部分束（セクター）に直和分解される。
  $$TM=E_{in}\oplus E_{mem}\oplus E_{flow}\oplus E_{out}$$TM=Ein​⊕Emem​⊕Eflow​⊕Eout​
  各セクターは、入力、記憶保持、動的流動、出力を担い、独立した幾何学的自由度を持つ。
• P2. 内部自己同型場（Internal Automorphism）: 構造記憶の主体として、接束上の自己同型場 $K\in \mathrm{\Gamma }(\mathrm{E}\mathrm{n}\mathrm{d}(TM))$K∈Γ(End(TM)) が存在する。$K$K は「並行鍵（Parallel Key）」と呼ばれ、情報の内部的な重み付けと構造の整合性を表現する。
• P3. ゲージ群（Gauge Group）: 接束上の局所的な線形変換群 $\mathcal{G}\subset \mathrm{\Gamma }(\mathrm{G}\mathrm{L}(TM))$G⊂Γ(GL(TM)) が存在し、理論は $\mathcal{G}$G に関して局所不変である（Cohen & Welling, 2016）。これにより、情報の観測座標系に依存しない普遍的な処理が保証される。
• P4. 外部接続と曲率（External Connection & Curvature）: 多様体上に外部からの情報入力を表現する接続 $\mathrm{\nabla }$∇ と、その曲率 $F=d\omega +\omega \wedge \omega$F=dω+ω∧ω が存在する。ここで $\omega$ω は外部情報に基づくゲージ 1-形式である。
• P5. 結合方程式（Coupling Equation）: 内部場 $K$K と外部接続 $\mathrm{\nabla }$∇ の相互作用は、以下の交換子関係によって規定される。
  $$\mathrm{\nabla }K=[\mathrm{\Omega },K]$$∇K=[Ω,K]
  ここで $\mathrm{\Omega }$Ω は接続から導かれる随伴テンソルである。
• P6. 完全ゲージ共変性（Gauge Covariance）: 局所的なゲージ変換 $g\in \mathcal{G}$g∈G に対し、物理量（接続 $\mathrm{\nabla }$∇、内部場 $K$K）は共変的に変換され（Cohen & Welling, 2016）、結合方程式の形式は不変に保たれる。
  $${\mathrm{\nabla }}^{\mathrm{\prime }}{K}^{\mathrm{\prime }}=[{\mathrm{\Omega }}^{\mathrm{\prime }},K^{\mathrm{\prime }}]$$∇′K′=[Ω′,K′]
  これにより、観測座標や内部表現の任意性に依存しない普遍的な論理構造が保証される。
• P7. 情報結合公理（Information Coupling）: 観測データ $\mathrm{\Phi }$Φ は、写像 $\psi$ψ を通じてゲージ 1-形式 $\mathrm{\Omega }$Ω へと変換され、幾何流を駆動する。
  $$\mathrm{\Omega }=\psi (\mathrm{\Phi }(x),x)$$Ω=ψ(Φ(x),x)
  $\mathrm{\Phi }$Φ が決定論的か否かは、この幾何学的写像の形式には影響を与えない。

4. PKGF Geometric Flow（実装定義）

4.1 幾何的舞台：4セクター分解

接束 $TM$TM の分解構造は、知能モデルにおける機能層と幾何学的に対応する。

graph LR
    subgraph "接束 TM (Tangent Bundle)"
        direction TB
        Ein["Ein (Input Sector)<br/>外部情報の受容"]
        Emem["Emem (Memory Sector)<br/>構造記憶の永続化"]
        Eflow["Eflow (Flow Sector)<br/>随伴軌道上の動的推論"]
        Eout["Eout (Output Sector)<br/>観測・出力の生成"]
    end

    Ein -.->|"情報結合 ψ"| Emem
    Emem ===|"並行移動不変性"| Eflow
    Eflow -->|"投影"| Eout
    
    style Emem fill:#f9f,stroke:#333,stroke-width:2px
    style Eflow fill:#bbf,stroke:#333,stroke-width:2px

図2：公理P1に基づく接束の直和分解。各セクターが入力、記憶、推論、出力という知能の機能層として幾何学的に定義され、独立した幾何学的自由度を持つ。

表1：接束の分解と機能対応表

4.2 随伴ホロノミー更新

並行鍵 $K$K の時間発展は、指数写像を用いたリー群上の作用として定義される。微小時間 $dt$dt における更新式は以下の通りである。
$$K(t+dt)=H(dt)K(t)H(dt{)}^{-1},H(dt)=\exp (\mathrm{\Omega }dt)$$K(t+dt)=H(dt)K(t)H(dt)−1,H(dt)=exp(Ωdt)
この更新は、リー環 $\mathfrak{g}\mathfrak{l}(TM)$gl(TM) における $K$K の随伴軌道（Adjoint Orbit）上の運動を意味し、リー群熱力学（Barbaresco, 2019）の観点からも情報の論理的整合性を保ったまま流動を実現する手法として解釈される。

sequenceDiagram
    participant D as "構造記憶 (Φ)"
    participant O as "外部接続 (Ω)"
    participant K as "並行鍵 (K)"
    participant G as "動的計量 (g)"

    Note over D,G: "定理5: 構造記憶の普遍性"
    D->>O: "写像 ψ による情報結合"
    O->>K: "随伴ホロノミー更新 (HKH⁻¹)"
    K->>G: "Contextual Warping (計量変調)"
    G->>D: "文脈依存の適応的観測"
    Note over K,G: "定理4: 幾何学的共鳴 [K, F] → 0"

図3：PKGF動的更新サイクル。並行鍵 KK の時間発展と計量 gg の相互作用により、情報の論理的整合性を保ちながら、入力された構造に応じた文脈的な幾何変調を実現する。

4.3 動的計量と Contextual Warping

多様体の計量 $g$g は、文脈（Context）に応じて動的に変調される。典型的な計量成分 $g_{ii}$gii​ は、活性化関数 $\tanh$tanh を用いて以下のように表現される。
$$g_{ii}(x)=1.0+\alpha \cdot \tanh (\gamma \cdot x_{context})$$gii​(x)=1.0+α⋅tanh(γ⋅xcontext​)
これにより、重要な情報が集中する領域では幾何学的な「伸び」が生じ、情報密度に応じた適応的な処理が可能となる。

5. PKGF Dynamical Theorems（力学的定理）

PKGF力学系の性質を規定する主要な定理とその数理性意味を以下に示す。

• 定理 1：論理性不変（Invariance of Logic）
  $$\frac{d}{dt}\det (K)=0$$dtd​det(K)=0
  証明の概略：更新式 $K^{\mathrm{\prime }}=HK{H}^{-1}$K′=HKH−1 より、$\det (K^{\mathrm{\prime }})=\det (H)\det (K)\det (H{)}^{-1}=\det (K)$det(K′)=det(H)det(K)det(H)−1=det(K)。これは、幾何流におけるエントロピー公式（Perelman, 2002）やリウヴィルの定理の一般化であり、情報の流動過程においてシステムが保持する「論理的な総量」が保存されることを意味する。
• 定理 2：自発的対称性の破れ（Spontaneous Symmetry Breaking）
  システム内の内的緊張（Internal Tension）が臨界値 ${\lambda }_c$λc​ を超えたとき、平衡解 $K_0$K0​ が不安定化し、新たなアトラクタへと分岐する。
  $$\mathrm{\parallel }\mathrm{\Omega }\mathrm{\parallel }>{\lambda }_c⟹\text{Bifurcation of }K$$∥Ω∥>λc​⟹Bifurcation of K
  これは、単純な記憶から複雑な「概念」や「直感」が創発する物理的基盤となる。
• 定理 3：次元的解消の定理（Dimensional Resolution）
  構造の埋め込み次元 $D$D と多様体の次元 $n$n の比率に基づき、システムの収束性が決定される。
  $$D<n⟹\text{非定常・カオス的動態}$$D<n⟹非定常・カオス的動態
  $$D\ge n⟹\text{安定収束・知識の固定化}$$D≥n⟹安定収束・知識の固定化
• 定理 4：幾何学的共鳴（Geometric Resonance）
  十分な学習（流動）の後、内部構造 $K$K と外部曲率 $F$F は可換となり、エネルギー散逸が最小化される。
  $$\underset{t\to \mathrm{\infty }}{\lim }[K(t),F]=0$$t→∞lim​[K(t),F]=0
  これは、観測者が対象の世界（データ）を完全に「理解」した状態を幾何学的に定義するものである。
• 定理 5：構造記憶の普遍性（Universality of Structural Memory）
  抽出された特徴ベクトル $\mathrm{\Phi }\in {\mathbb{R}}^d$Φ∈Rd が同一であれば、元のデータが決定論的な方程式から生成されたか、真の乱数から生成されたかに関わらず、PKGF力学系上での挙動は同一である。
  $$\mathrm{\forall }{D}_1,D_2:\mathrm{\Phi }(D_1)=\mathrm{\Phi }(D_2)⟹\text{Flow}(D_1)=\text{Flow}(D_2)$$∀D1​,D2​:Φ(D1​)=Φ(D2​)⟹Flow(D1​)=Flow(D2​)
  これにより、PKGFは「データの起源」に縛られない普遍的な知能エンジンとしての地位を確立する。

5.4 実装上の数値的近似と制約

Parallel Key Geometric Flow（$dK\mathrm{/}dt=[\mathrm{\Omega },K]$dK/dt=[Ω,K]）のリアルタイム更新を保証するため、構造写像 $\mathrm{\Phi }$Φ ではいくつかの数値的最適化を採用している。これらは、構造の解像度と計算遅延のバランスを取るための意図的な設計上の選択である：

1. フラクタル次元の推定: ボックスカウンティング次元は、局所的なスケール不変領域（$s\in [2,32]$s∈[2,32]）内で推定される。この固定された範囲は、巨視的なグローバルスケーリングよりも、接束の幾何学的更新に直結する高周波の自己相似性に焦点を当てている。
2. 信号合成（fBm）: 論理原子の生成には、分数ブラウン運動（fBm）のFFT（高速フーリエ変換）ベースの近似法を使用している。この手法は、厳密なコレスキー分解ベースの合成と比較して端点での境界効果をわずかに導入するが、反復的なパラメータ最適化に必要な $O(N\log N)$O(NlogN) のパフォーマンスを提供する。
3. MF-DFAのサブサンプリング: 多重フラクタル解析（MF-DFA）では、10個の対数間隔の時間スケールを利用している。このサブサンプリングは、網羅的なスケール空間探索のオーバーヘッドなしに、特異スペクトルの幅（$\mathrm{\Delta }\alpha$Δα）と非対称性を捉えるために最適化されている。

6. Experiments and Results（実験と結果）

本研究の実証実験では、22種類の広範な時系列データを対象に、PKGFパイプラインを用いた構造解析と再構成を行った。

graph
    Raw["22個の生データ<br/>*_raw.csv"] --> Prof["プロファイリング・エンジン"]
    Prof --> Json["構造プロファイル<br/>*_morphic_profile.json"]
    
    Json --> Opt{"Nelder-Mead<br/>パラメータ最適化"}
    
    Opt --> Model["論理プリミティブ・モデル"]
    Model --> Synth["合成データ生成<br/>synthetic_*_raw.csv"]
    
    Synth --> Val["構造照合精度検証"]
    Val --> Map["Similarity Map / Character Map"]

図4：本研究で使用した22個のデータセットに対する一括解析・検証パイプライン。生データからのプロファイル抽出、モデルの最適化、および合成データによる精度の検証を一貫して行う。

6.1 対象データセットの分類

解析対象は、その発生源に基づき以下の4カテゴリに分類した。

1. 宇宙・物理学: 太陽黒点（Sunspot）、太陽フレア（Flare）、宇宙線（Cosmic）、地磁気（Geomagnetic）等。
2. 気象・地球科学: ナイル川水位（Nile）、CO2濃度、海面水位、氷床コア（Ice Core）等。
3. 生命・社会科学: 心拍変動（HRV）、Bitcoin価格、ネットワークトラフィック等。
4. 数学・力学系: 素数列（Prime）、素数間隔（Prime Gaps）、Lorenz系（カオス）等。

6.2 構造プロファイリングと照合精度（Primitive Matching）

Fortran計算コアにより抽出されたオリジナルデータのプロファイルに対し、Nelder-Mead法によるパラメータ最適化を行い、論理プリミティブによる再構成を実施した。表3に代表的なデータの照合結果を示す。

表3：全22データセットにおける幾何学的指標の照合精度とパラメータ

この結果、極めて広範な自然現象において、PKGFは「データの起源」に依存しない高い構造抽出精度を維持していることが確認された。

ナイル川水位のような強い長期記憶性（ヨセフ効果）を持つデータや、Lorenz系のような決定論的カオスにおいて、PKGFは極めて高い精度でその構造的本質を抽出・再構成できることが示された。

6.3 幾何学的類似性の可視化と考察

本研究で得られた構造プロファイルを多次元空間上で解析し、以下の2つの主要なマップを作成した。

図5：幾何学的類似性マップ（Geometric Similarity Map）

図5：30次元の構造特徴空間をランク正規化し、PCA（主成分分析）によって2次元に投影したマップ。現象の物理的境界を超えた構造的相似性を明示している。

図5は、現象の物理的分類を超えた「構造の相似」を明示している。

• 近接クラスタの発見: 素数間隔（Prime Gaps）と心拍変動（HRV）、あるいはLorenz系と地磁気変動が極めて近い位置にプロットされている。これは、決定論的カオスと非決定論的自然変動が、幾何学的指標（マルチフラクタル性、TDA等）の観点からは共通の「論理的パターン」を共有していることを示している。
• ランク正規化の効果: 特徴量のスケール差を排除したランク正規化空間での解析により、外れ値に依存しない本質的な構造的距離の測定に成功した。

図6：モデル特性比較マップ（Character Map）

図6：各モデルの「記憶の持続性（Hurst指数 HH）」と「システムエネルギー（分散 σσ）」を軸とした特性マップ。知能の流動性を維持するための最適領域を示唆する。

図6は、各現象がPKGF力学系においてどのような「知能的地位」にあるかを示している。

• 記憶の持続性: $H>0.5$H>0.5 の領域に位置するデータ（ナイル川、Bitcoin等）は、過去の履歴が未来に強い影響を与える「持続性（Persistence）」を備えている。
• エネルギー分布: $\sigma$σ が高いデータ（太陽フレア、地震等）は、システムが突発的な変容を起こしやすい高エネルギー状態にある。
• 最適領域の発見: 多くの安定した自然システムは、完全なランダム（$H=0.5$H=0.5）と完全な固定化（$H=1.0$H=1.0）の中間である H≈0.7∼0.8H≈0.7∼0.8 の領域に集約されており、これが知的な流動性を維持するための「情報の定常状態」である可能性が示唆された。

7. Conclusion

本研究は、PKGFを「決定論・非決定論を区別しない普遍的構造記憶理論」として再定義し、自然界の多様な情報を統一的に扱う枠組みを提供した。実験結果は、知能の本質が値の予測ではなく「構造の幾何学的流動」にあることを示唆している。現状の実装フェーズは、PKGF理論の核となる「構造受容（Mapping）」と「構造記憶（Memory）」の数値的妥当性の検証に成功しており、これは次段階である「動的推論（Flow）」の実装に向けた堅牢な基盤となる。

8. References

本研究の理論的および実験的基盤を支える主要な参考文献を以下に示す。これらは、PKGFの「構造記憶」および「幾何学的流動」の数理的妥当性を裏付ける学術的基盤である。

1. Amari, S. (2016). Information Geometry and Its Applications. Springer. (情報幾何学の公理的基盤)
2. Avesani, S., et al. (2024). Beyond Signal and Noise: Multiscale Scattered Data Analysis. (構造抽出の数値的安定性)
3. Barbaresco, F. (2019). Geometric Theory of Information and Lie Group Thermodynamics. MDPI. (熱力学的幾何学)
4. Bronstein, M. M., et al. (2017). Geometric Deep Learning: Going beyond Euclidean data. IEEE. (幾何学的知能モデル)
5. Ghrist, R. (2008). Barcodes: The persistent topology of data. AMS. (TDAと持続性ホモロジーの基礎)
6. Hamilton, R. S. (1982). Three-manifolds with positive Ricci curvature. J. Diff. Geom. (Ricci Flowの創始)
7. Hurst, H. E. (1951). Long-term storage capacity of reservoirs. ASCE. (長期記憶性の定量的定義)
8. Kantelhardt, J. W., et al. (2002). Multifractal detrended fluctuation analysis of nonstationary time series. Physica A. (マルチフラクタル解析)
9. Mandelbrot, B. B. (1982). The Fractal Geometry of Nature. W. H. Freeman. (複雑系の幾何学)
10. Nielsen, F. (2013). An Elementary Introduction to Information Geometry. arXiv:1311.1911. (多様体上の情報量)
11. Nielsen, F., & Barbaresco, F. (Eds.) (2023). Geometric Science of Information. Springer. (現代幾何学的情報学の概観)
12. Perelman, G. (2002). The entropy formula for the Ricci flow. arXiv:math/0211159. (幾何流とエントロピーの結合)
13. Tishby, N., et al. (1999). The information bottleneck method. arXiv. (情報の圧縮と幾何学的表現)
14. Cohen, T. S., & Welling, M. (2016). Group Equivariant Convolutional Networks. (ゲージ共変性の実装原理)
15. Girolami, M., & Calderhead, B. (2011). Riemann manifold Hamiltonian Monte Carlo. (統計多様体上の力学系)