Příloha E-11: Výpočetní simulace životního cyklu rate-distortion

Tato příloha dokumentuje in-silico modelování životního cyklu kodeku v rámci Teorie uspořádaného patche (OPT). Protože podkladový univerzální substrát (Solomonoffova semimíra) je strukturálně nevypočitatelný, jsou simulace v rámci OPT omezeny na modelování samotného životního cyklu kodeku: hraničního parametru C_{\max}, dynamiky aktivní inference, tříprůchodového Cyklu údržby \mathcal{M}_\tau a narativního rozpadu při entropickém stresu.

Byla ustavena dvě odlišná simulační paradigmata: analogické hluboké učení (toy_model.py) a striktní matematické modelování rate-distortion (opt_simulator.py).

1. Analogická simulace: hluboká variační hrdla

Počáteční simulační paradigma (toy_model.py) ověřuje základní premisu Fraktury kodeku prostřednictvím doslovné strukturální analogie.

Substrát: 1D periodická mřížka instanciovaná pomocí diskrétních celých čísel. Do ní jsou na pozadí termodynamického šumu vnášeny perzistentní strukturální rysy, které fungují jako pozorovatelné „uspořádané patche“.

Architektura: pozorovatel je modelován jako variační informační hrdlo (VIB) vystavěné na hluboké neuronové síti (TensorFlow). Síť pozoruje vektor prostorové historie X_{t-k \dots t} a provádí dopředný gradientní sestup, aby jej komprimovala do hrdla schopného predikovat Prediktivní Množinu Větví v čase X_{t+1 \dots t+h}.

Mechanika kolapsu: Omezení C_{\max} (míra) a D_{\min} (přijatelná distorze) jsou dynamicky vynucována pomocí PID regulátoru modulujícího Lagrangeův multiplikátor \beta. Při masivní entropii substrátu (např. když perzistentní vzorce převládajícím způsobem překrývá vysoce volatilní šum) síť fyzicky směňuje prediktivní rozlišení za šířku pásma. Když požadovaná algoritmická komplexita R_{\text{req}} překročí C_{\max} navzdory maximálnímu ladění \beta, síť formálně narazí na algoritmickou singularitu a zkolabuje, čímž potvrzuje predikci OPT, že vnášení šumu s vysokou entropií neničí vědomí jeho „rozšířením“, nýbrž destrukcí prediktivní koherence.

2. Matematický formalismus: striktní modelování rate-distortion

Zatímco neuronální VIB poskytuje vizuální potvrzení zlomu kodeku, režie architektur strojového učení zatemňuje čisté informačně-teoretické vztahy, které řídí pozorovatele. Druhé paradigma (opt_simulator.py) odstraňuje strukturální geometrii, aby přísně modelovalo dynamiku úzkého hrdla pomocí vlastních skalárů teorie.

2.1 Architektura

Simulátor odděluje tři strukturální vrstvy, které zrcadlí formalismus OPT:

Klíčovým konstrukčním principem je, že predikovatelnost je endogenní: schopnost kodeku předpovídat prostředí je odvozena z C_{\text{state}} prostřednictvím mocninného vztahu \text{error} \propto C_{\text{state}}^{-0.6}, namísto toho, aby byla pevně zakódovaným parametrem. To znamená, že kaskády frakturace i trajektorie zotavení vyvstávají z vlastní dynamiky systému, nikoli že jsou do něj vnášeny ručně.

2.2 Kanál chyby predikce

V rámci prediktivní teorie rate-distortion tím, co prochází aperturou C_{\max}, je chyba predikce — pouze reziduum po odečtení predikce generativního modelu:

\varepsilon_t = S_{\text{raw}} \cdot (1 - \text{predictability})

kde S_{\text{raw}} = 10^9 \cdot \Delta t bitů na aktualizační okno. Při výchozím stavu (C_{\text{state}} \approx 10^{14}, stationarita = 1.0) to dává \varepsilon_t \approx 0.16 bitu na krok — pohodlně pod kapacitní mezí C_{\max} \cdot \Delta t = 0.5 bitu na krok.

Když stationarita prostředí klesne (např. ketaminový šok, stationarita \to 0.1), efektivní chyba predikce se zesílí faktorem 1/\text{stationarity}, čímž se \varepsilon_t dostane nad kapacitní mez a spustí frakturu.

2.3 Tříprůchodový Cyklus údržby (\mathcal{M}_\tau)

Cyklus údržby implementuje tři offline průchody specifikované v §3.6 preprintu:

Čistý odtok na jeden běh údržby: \sim 6\% z C_{\text{state}}. Údržba je vázána na stabilitu — spouští se pouze tehdy, když kodek není frakturovaný, v souladu s predikcí OPT, že \mathcal{M}_\tau probíhá během stavů s nízkým sensorickým zatížením (paradigmaticky: spánek).

Míra akumulace učení je kalibrována tak, aby zisk z integrace chyb během 100 kroků mezi jednotlivými cykly údržby přibližně odpovídal 6% odtoku způsobenému údržbou, čímž se na výchozí úrovni vytváří dynamická rovnováha.

2.4 Dynamika fraktury

Narativní rozpad je modelován jako mírná multiplikativní degradace s tvrdou spodní mezí:

C_{\text{state}}(t+1) = \max\bigl(C_{\text{state}}(t) \cdot 0.9999,\; C_{\text{floor}}\bigr)

V průběhu 400 udržených kroků fraktury (20sekundový šok) se to složí na 0.9999^{400} \approx 0.961 — přibližně 4% ztrátu. To modeluje stupňované fenomenologické vyhasínání (jako při titraci anestezie, Protokol E-9), nikoli katastrofický kolaps typu vše-nebo-nic.

2.5 Výsledky simulace

Simulátor běží 2000 cyklů s rozlišením \Delta t = 50\text{ms} (100 sekund simulovaného času pozorovatele). Entropický šok (stacionarita \to 0.1) je aplikován od t=40\text{s} do t=60\text{s}.

Tyto tři fáze demonstrují základní predikci OPT: omezený pozorovatel může udržovat stabilní homeostázu, pod entropickým šokem degradovat plynule a po obnovení environmentální stacionarity se zotavit — za předpokladu, že šok nesníží C_{\text{state}} pod C_{\text{floor}}.

2.6 Klíčová pozorování

1. Základní pilovitý průběh: Mezi běhy údržby se C_{\text{state}} akumuluje prostřednictvím integrace chyb (\sim +5\% na okno o 100 krocích), a poté prudce klesá, když se aktivuje \mathcal{M}_\tau (\sim -6\%). Tato oscilace je výpočetním signaturním rysem cyklu spánku a bdění — systém musí periodicky prořezávat, aby nenarazil na C_{\text{ceil}}.

2. Nástup šoku je okamžitý: Když stacionarita klesne na 0.1, každý cyklus se okamžitě rozpadá. Neexistuje žádný pozvolný přechod — predikční chyba skokově vzroste z \sim 0.16 na \sim 1.6 bitu na krok, čímž trojnásobně překročí kapacitu 0.5 bitu.

3. Zotavení je asymetrické: Po šoku roste C_{\text{state}} tempem \sim +1\% během 40 sekund, ve srovnání se ztrátou \sim -4\% během 20sekundového šoku. Zotavení je pomalejší než degradace. Tato asymetrie je strukturální predikcí OPT: znovuvybudovat generativní model je obtížnější než jej poškodit.

4. Brána mezi údržbou a rozpadem je důležitá: Pokud údržba probíhá během aktivního rozpadu (jako v raných verzích simulátoru), systém vstoupí do smyčky pozitivní zpětné vazby a zkolabuje na C_{\text{floor}}. Toto pravidlo bránění není pouhou praktickou pomůckou — je strukturálně nezbytné pro životaschopnost kodeku.

3. Budoucí simulační trajektorie

1. Thalamokortikální hodiny (E-12): Zakódování aktualizací \Delta t napevno tak, aby odpovídaly thalamickým gatingovým cyklům o frekvenci 20–40\text{Hz}, čímž vzniknou testovatelné predikce s milisekundovým rozlišením vůči měřením kortikální integrované informace (\Phi).

2. Integrace Free Energy POMDP: Nahrazení abstraktního skaláru prediktibility diskrétním modelem stavového prostoru aktivní inference (např. pymdp), což umožní zmapovat přesné meze oddělující termodynamické termostaty od fenomenálního K_{\text{threshold}} (P-5).

3. Rozšíření na více pozorovatelů: Simulace více interagujících kodeků se sdílenými oblastmi substrátu za účelem testování predikcí Swarm Binding z dodatku E-6 — totiž zda distribuovaní agenti dosahují fenomenální vazby pouze tehdy, jsou-li vynuceně vedení skrze globální aperturu C_{\max}.

4. Empirická kalibrace: Přizpůsobení trajektorie zlomu a zotavení simulátoru časovým řadám z neurozobrazovacích dat (např. komplexita Lempel–Ziv při podání propofolu nebo ketaminu), aby bylo možné určit, zda konstanta rozpadu 0.9999 a křivka prediktibility C_{\text{state}}^{-0.6} odpovídají pozorované fenomenologické dynamice.