SuperLocalMemory V3: 제로 LLM 기업 에이전트 메모리를 위한 정보 기하학적 기초

SuperLocalMemory V3: Information-Geometric Foundations for Zero-LLM Enterprise Agent Memory

March 15, 2026

저자: Varun Pratap Bhardwaj

cs.AI

초록

지속적 메모리는 AI 에이전트의 핵심 능력이지만, 메모리 검색, 생명주기 관리, 일관성에 대한 수학적 기초는 아직 탐구되지 않았습니다. 현재 시스템은 검색에 코사인 유사도를, 중요도 감소에 경험적 감쇠를 사용하며 형식적인 모순 감지 기능을 제공하지 않습니다. 본 연구는 정보기하학적 기초를 세 가지 기여를 통해 확립합니다. 첫째, 대각 가우시안 패밀리의 피셔 정보 구조에서 유도된 검색 메트릭으로, 리만 메트릭 공리를 충족하며 충분 통계량에 대해 불변이고 O(d) 시간에 계산 가능합니다. 둘째, 포커르-플랑크 방정식을 통해 정상 분포의 존재와 유일성이 증명된 리만 랑주뱅 역학으로 공식화된 메모리 생명주기로, 수동 조정된 감쇠를 원리 기반의 수렴 보장으로 대체합니다. 셋째, 비자명한 1차 코호몰로지 클래스가 메모리 컨텍스트 간 화해 불가능한 모순과 정확히 일치하는 세포 츠 이론 모델입니다. LoCoMo 벤치마크에서 이 수학적 계층들은 6개 대화에 걸쳐 엔지니어링 기준선 대비 +12.7%p의 성능을 보였으며, 가장 어려운 대화에서는 +19.9%p에 도달했습니다. 4채널 검색 아키텍처는 클라우드 의존성 없이 75% 정확도를 달성했습니다. 클라우드 보강 결과는 87.7%에 도달했습니다. 제로-LLM 구성은 아키텍처 설계로 EU AI법 데이터 주권 요구사항을 충족합니다. 우리가 알기로, 이는 AI 에이전트 메모리 시스템을 위한 정보기하학적, 츠 이론적, 확률론적-역학적 기초를 확립한 최초의 연구입니다.

English

Persistent memory is a central capability for AI agents, yet the mathematical foundations of memory retrieval, lifecycle management, and consistency remain unexplored. Current systems employ cosine similarity for retrieval, heuristic decay for salience, and provide no formal contradiction detection. We establish information-geometric foundations through three contributions. First, a retrieval metric derived from the Fisher information structure of diagonal Gaussian families, satisfying Riemannian metric axioms, invariant under sufficient statistics, and computable in O(d) time. Second, memory lifecycle formulated as Riemannian Langevin dynamics with proven existence and uniqueness of the stationary distribution via the Fokker-Planck equation, replacing hand-tuned decay with principled convergence guarantees. Third, a cellular sheaf model where non-trivial first cohomology classes correspond precisely to irreconcilable contradictions across memory contexts. On the LoCoMo benchmark, the mathematical layers yield +12.7 percentage points over engineering baselines across six conversations, reaching +19.9 pp on the most challenging dialogues. A four-channel retrieval architecture achieves 75% accuracy without cloud dependency. Cloud-augmented results reach 87.7%. A zero-LLM configuration satisfies EU AI Act data sovereignty requirements by architectural design. To our knowledge, this is the first work establishing information-geometric, sheaf-theoretic, and stochastic-dynamical foundations for AI agent memory systems.