Bilag E-11: Beregningsmæssig simulering af rate-distortion-livscyklussen

Dette bilag dokumenterer in-silico-modelleringen af livscyklussen for codec i Teorien om den ordnede patch (OPT). Fordi det underliggende universelle substrat (Solomonoffs universelle semimål) strukturelt er uberegneligt, er simuleringer inden for OPT-rammen begrænset til at modellere selve codec-livscyklussen: grænseparameteren C_{\max}, dynamikkerne i aktiv inferens, den tre-passagers Vedligeholdelsescyklus \mathcal{M}_\tau samt narrativt forfald under entropisk stress.

Der er etableret to forskellige simuleringsparadigmer: analogisk deep learning (toy_model.py) og streng matematisk rate-distortion-modellering (opt_simulator.py).

1. Analogisk simulation: dybe variationelle flaskehalse

Det indledende simulationsparadigme (toy_model.py) validerer kernepræmissen i Codec Fracture gennem en bogstavelig strukturel analogi.

Substrat: Et 1D-periodisk gitter instansieret med diskrete heltal. Vedvarende strukturelle træk injiceres på baggrund af termodynamisk støj og fungerer som de observerbare “ordnede patches”.

Arkitektur: observatøren modelleres som en variationel informationsflaskehals (VIB) bygget oven på et dybt neuralt netværk (TensorFlow). Netværket observerer en rumlig historikvektor X_{t-k \dots t} og udfører et fremadrettet gradient descent for at komprimere den til en flaskehals, der er i stand til at forudsige den fremadrettede temporale grenmængde X_{t+1 \dots t+h}.

Kollapsmekanik: Begrænsningerne C_{\max} (rate) og D_{\min} (acceptabel forvrængning) håndhæves dynamisk via en PID-controller, der modulerer den lagrangske multiplikator \beta. Under massiv substratentropi (f.eks. stærkt volatil støj, der dominerer de vedvarende mønstre) bytter netværket fysisk prædiktiv opløsning for båndbredde. Når den krævede algoritmiske kompleksitet R_{\text{req}} overstiger C_{\max} trods maksimal justering af \beta, rammer netværket formelt en algoritmisk singularitet og kollapser, hvilket bekræfter OPT-forudsigelsen om, at injektion af højentropisk støj ødelægger prædiktiv kohærens snarere end at “udvide” bevidstheden.

2. Matematisk formalisme: Streng rate-distortion-modellering

Mens den neurale VIB giver visuel bekræftelse af codec fracture, tilslører overheaden fra maskinlæringsarkitekturer de rene informationsteoretiske relationer, der styrer observatøren. Det andet paradigme (opt_simulator.py) fjerner den strukturelle geometri for strengt at modellere flaskehalsdynamikken ved hjælp af teoriens egne skalarer.

2.1 Arkitektur

Simulatoren adskiller tre strukturelle lag, som afspejler OPT-formalismen:

Det centrale designprincip er, at prædiktabilitet er endogen: codec’ens evne til at forudsige miljøet afledes af C_{\text{state}} via en potenslovsrelation \text{error} \propto C_{\text{state}}^{-0.6}, snarere end at være en hårdkodet parameter. Det betyder, at frakturkaskader og genopretningsbaner fremkommer af systemets egne dynamikker frem for at blive pålagt manuelt.

2.2 Kanalen for prædiktionsfejl

Under teorien om prædiktiv rate-distortion er det, der passerer gennem C_{\max}-aperturen, prædiktionsfejlen — kun residualet efter at den generative models prædiktion er blevet trukket fra:

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

hvor S_{\text{raw}} = 10^9 \cdot \Delta t bit pr. opdateringsvindue. Ved baseline (C_{\text{state}} \approx 10^{14}, stationaritet = 1.0) giver dette \varepsilon_t \approx 0.16 bit/trin — komfortabelt under kapacitetsgrænsen på C_{\max} \cdot \Delta t = 0.5 bit/trin.

Når omgivelsernes stationaritet falder (f.eks. ketaminchok, stationaritet \to 0.1), forstærkes den effektive prædiktionsfejl med en faktor 1/\text{stationarity}, hvilket driver \varepsilon_t over kapacitetsgrænsen og udløser fraktur.

2.3 Vedligeholdelsescyklussen med tre passager (\mathcal{M}_\tau)

Vedligeholdelsescyklussen implementerer de tre offline-passager, der er specificeret i §3.6 i preprintet:

Nettoafløb pr. vedligeholdelseskørsel: \sim 6\% af C_{\text{state}}. Vedligeholdelse er gated på stabilitet — den aktiveres kun, når codec’et ikke er fraktureret, i overensstemmelse med OPT’s forudsigelse om, at \mathcal{M}_\tau kører under tilstande med lavt sensorium (paradigmatisk: søvn).

Akkumulationsraten for læring er kalibreret således, at gevinsten i fejlintegration over 100 trin mellem vedligeholdelser omtrent svarer til vedligeholdelsesafløbet på 6%, hvilket frembringer dynamisk ligevægt ved baseline.

2.4 Bruddynamik

Narrativt forfald modelleres som en mild multiplikativ degradering med et hårdt gulv:

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

Over 400 vedvarende brudtrin (et chok på 20 sekunder) akkumuleres dette til 0.9999^{400} \approx 0.961 — omtrent 4 % tab. Dette modellerer gradueret fænomenologisk udblænding (som ved titrering af anæstesi, Protokol E-9) snarere end et katastrofalt alt-eller-intet-kollaps.

2.5 Simulationsresultater

Simulatoren kører 2000 cyklusser ved en opløsning på \Delta t = 50\text{ms} (100 sekunders simuleret observatør-tid). Et entropichok (stationaritet \to 0.1) anvendes fra t=40\text{s} til t=60\text{s}.

Disse tre faser demonstrerer OPT’s kerneforudsigelse: en begrænset observatør kan opretholde stabil homeostase, degradere gradvist under entropisk chok og genoprette sig, når den miljømæssige stationaritet genoprettes — forudsat at chokket ikke driver C_{\text{state}} under C_{\text{floor}}.

2.6 Nøgleobservationer

1. Den grundlæggende savtand: Mellem vedligeholdelseskørsler akkumuleres C_{\text{state}} via fejlintegration (\sim +5\% pr. 100-trins-vindue), hvorefter den falder skarpt, når \mathcal{M}_\tau aktiveres (\sim -6\%). Denne oscillation er den beregningsmæssige signatur for søvn-vågen-cyklussen — systemet må periodisk beskære for at undgå at ramme C_{\text{ceil}}.

2. Chokindtræden er øjeblikkelig: Når stationariteten falder til 0.1, frakturerer hver cyklus straks. Der er ingen gradvis overgang — prædiktionsfejlen springer fra \sim 0.16 til \sim 1.6 bit/trin, hvilket overskrider kapaciteten på 0.5 bit med en faktor tre.

3. Genopretning er asymmetrisk: Efter chokket vokser C_{\text{state}} med \sim +1\% over 40 sekunder, sammenlignet med tabet på \sim -4\% under chokket på 20 sekunder. Genopretning er langsommere end nedbrydning. Denne asymmetri er en strukturel forudsigelse i OPT: at genopbygge en generativ model er vanskeligere end at beskadige en.

4. Porten for vedligeholdelsesfraktur betyder noget: Hvis vedligeholdelse kører under aktiv fraktur (som i tidlige simulatorversioner), går systemet ind i en positiv feedbacksløjfe og kollapser til C_{\text{floor}}. Portreglen er ikke en bekvemmelighed — den er strukturelt nødvendig for codec’ets levedygtighed.

3. Fremtidige simuleringsveje

1. Thalamokortikale klokker (E-12): Hårdkodning af \Delta t-opdateringer, så de matcher de thalamiske gating-cyklusser på 20–40\text{Hz}, hvilket genererer testbare forudsigelser med millisekundopløsning op imod målinger af kortikal integreret information (\Phi).

2. Integration af fri energi-POMDP: Erstatning af den abstrakte prædiktivitetsskalar med en diskret model for tilstandsrum i aktiv inferens (f.eks. pymdp), hvilket muliggør kortlægning af de præcise grænser, der adskiller termodynamiske termostater fra den fænomenale K_{\text{threshold}} (P-5).

3. Multi-observatørudvidelse: Simulering af flere interagerende codecs med delte substratområder for at teste Swarm Binding-forudsigelserne i appendiks E-6 — om distribuerede agenter kun opnår fænomenal binding, når de tvinges gennem en global C_{\max}-apertur.

4. Empirisk kalibrering: Tilpasning af simulatorens brud-genopretningsforløb til neuroimaging-tidsseriedata (f.eks. Lempel-Ziv-kompleksitet under propofol eller ketamin) for at afgøre, om henfaldskonstanten 0.9999 og prædiktivitetskurven C_{\text{state}}^{-0.6} stemmer overens med observerede fænomenologiske dynamikker.