E-11. függelék: A ráta-torzítás életciklus számításos szimulációja

Ez a függelék A rendezett patch elmélete (OPT) kodekéletciklusának in silico modellezését dokumentálja. Mivel a mögöttes univerzális szubsztrátum (a Solomonoff univerzális félmértéke) strukturálisan nem számítható, az OPT keretrendszerén belüli szimulációk magának a kodekéletciklusnak a modellezésére korlátozódnak: a határkapuzási paraméterre C_{\max}, az aktív következtetés dinamikájára, a háromlépcsős karbantartási ciklusra \mathcal{M}_\tau, valamint a narratív szétesésre entrópikus terhelés alatt.

Két elkülönülő szimulációs paradigma került kialakításra: analógiai mélytanulás (toy_model.py) és szigorú matematikai ráta-torzítás modellezés (opt_simulator.py).

1. Analógiai szimuláció: mély variációs szűk keresztmetszetek

A kezdeti szimulációs paradigma (toy_model.py) a Kodektörés alapfeltevését egy szó szerinti strukturális analógiával igazolja.

Szubsztrátum: Egy 1D periodikus rács, amely diszkrét egészekkel van megvalósítva. A termodinamikai zaj alapszintjébe tartós strukturális jellemzők vannak beágyazva; ezek működnek megfigyelhető „rendezett patch”-ekként.

Architektúra: A megfigyelő egy mély neurális hálózatra (TensorFlow) épített Variációs Információs Szűk Keresztmetszetként (VIB) van modellezve. A hálózat egy térbeli előzményvektort, X_{t-k \dots t}-t figyel meg, majd előrehaladó gradienscsökkenést hajt végre, hogy azt egy olyan szűk keresztmetszetté tömörítse, amely képes előre jelezni az időbeli jövőágak halmazát, X_{t+1 \dots t+h}-t.

Az összeomlás mechanikája: A C_{\max} (ráta) és D_{\min} (elfogadható torzítás) korlátait dinamikusan érvényesíti egy, a Lagrange-féle \beta szorzót moduláló PID-szabályozó. Nagy mértékű szubsztrátumentrópia mellett (például amikor az erősen volatilis zaj uralja a tartós mintázatokat) a hálózat fizikailag prediktív felbontást cserél sávszélességre. Amikor a szükséges algoritmikus komplexitás, R_{\text{req}}, a maximális \beta-hangolás ellenére is meghaladja a C_{\max} értékét, a hálózat formálisan algoritmikus szingularitásba ütközik és összeomlik, megerősítve az OPT előrejelzését, miszerint a nagy entrópiájú zaj befecskendezése nem kitágítja, hanem lerombolja a prediktív koherenciát.

2. Matematikai formalizmus: szigorú ráta-torzítás modellezés

Míg a neurális VIB vizuálisan megerősíti a kodektörést, a gépi tanulási architektúrák többletterhe elfedi a megfigyelőt irányító tiszta információelméleti összefüggéseket. A második paradigma (opt_simulator.py) elhagyja a strukturális geometriát, hogy a szűk keresztmetszet dinamikáját szigorúan az elmélet saját skalárjaival modellezze.

2.1 Architektúra

A szimulátor három strukturális réteget különít el, tükrözve az OPT formalizmusát:

A kulcsfontosságú tervezési elv az, hogy a prediktálhatóság endogén: a kodek környezetre vonatkozó előrejelző képessége a C_{\text{state}}-ből származik egy hatványfüggvényes összefüggés révén, \text{error} \propto C_{\text{state}}^{-0.6}, nem pedig egy keményen bekódolt paraméterként van megadva. Ez azt jelenti, hogy a törési kaszkádok és a helyreállási pályák a rendszer saját dinamikájából emelkednek ki, nem pedig kézi úton vannak rákényszerítve.

2.2 Az előrejelzési hiba csatornája

A prediktív ráta–torzítás elmélete szerint ami áthalad a C_{\max} apertúrán, az az előrejelzési hiba — vagyis csak az a reziduum, amely a generatív modell előrejelzésének kivonása után megmarad:

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

ahol S_{\text{raw}} = 10^9 \cdot \Delta t bit frissítési ablakonként. Alapállapotban (C_{\text{state}} \approx 10^{14}, stationaritás = 1.0) ez \varepsilon_t \approx 0.16 bit/lépés értéket ad — jóval a C_{\max} \cdot \Delta t = 0.5 bit/lépés kapacitáskorlát alatt.

Amikor a környezeti stationaritás csökken (pl. ketaminsokk, stationaritás \to 0.1), az effektív előrejelzési hiba az 1/\text{stationarity} tényezővel felerősödik, ami \varepsilon_t értékét a kapacitáskorlát fölé emeli, és törést vált ki.

2.3 A háromlépéses Karbantartási ciklus (\mathcal{M}_\tau)

A karbantartási ciklus a preprint 3.6. §-ában meghatározott három offline lépést valósítja meg:

Nettó lemerülés karbantartási futásonként: \sim 6\% of C_{\text{state}}. A karbantartás stabilitáshoz kötött — csak akkor aktiválódik, amikor a kodek nem töredezett, összhangban A rendezett patch elmélete (OPT) azon előrejelzésével, hogy \mathcal{M}_\tau alacsony szenzóriumállapotok során fut (paradigmatikus esetben: alvás közben).

A tanulási felhalmozódási ráta úgy van kalibrálva, hogy a hibaintegrációból származó nyereség 100 karbantartás közötti lépés alatt megközelítőleg megegyezzen a 6%-os karbantartási lemerüléssel, és így alapállapotban dinamikus egyensúlyt hozzon létre.

2.4 Törésdinamika

A narratív szétesést enyhe multiplikatív romlásként modellezzük kemény alsó korláttal:

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

400 tartós törési lépésen át (egy 20 másodperces sokk során) ez 0.9999^{400} \approx 0.961 értékre halmozódik — megközelítőleg 4%-os veszteségre. Ez fokozatos fenomenológiai kioltódást modellez (mint az anesztézia titrálásánál, E-9 protokoll), nem pedig katasztrofális, mindent vagy semmit típusú összeomlást.

2.5 Szimulációs eredmények

A szimulátor 2000 ciklust futtat \Delta t = 50\text{ms} felbontással (100 másodpercnyi szimulált megfigyelői idő). Egy entrópiasokkot (stacionaritás \to 0.1) alkalmazunk t=40\text{s} és t=60\text{s} között.

Ez a három fázis az OPT központi előrejelzését szemlélteti: egy korlátos megfigyelő képes fenntartani a stabil homeosztázist, entrópiasokk alatt kontrolláltan degradálódni, majd helyreállni, amikor a környezeti stacionaritás visszaáll — feltéve, hogy a sokk nem hajtja C_{\text{state}} értékét C_{\text{floor}} alá.

2.6 Kulcsmegfigyelések

1. Az alapfűrészfog: A karbantartási futások között a C_{\text{state}} a hibák integrációja révén halmozódik (\sim +5\% 100 lépéses ablakonként), majd élesen visszaesik, amikor \mathcal{M}_\tau aktiválódik (\sim -6\%). Ez az oszcilláció az alvás–ébrenlét ciklus számítási szignatúrája — a rendszernek időről időre metszenie kell, hogy elkerülje a C_{\text{ceil}} elérését.

2. A sokk kezdete azonnali: Amikor a stacionaritás 0,1-re esik, minden ciklus azonnal megreped. Nincs fokozatos átmenet — a predikciós hiba \sim 0.16-ról \sim 1.6 bit/lépésre ugrik, vagyis háromszorosan meghaladja a 0,5 bites kapacitást.

3. A helyreállás aszimmetrikus: A sokk után a C_{\text{state}} 40 másodperc alatt \sim +1\%-kal nő, szemben a 20 másodperces sokk alatti \sim -4\%-os veszteséggel. A helyreállás lassabb, mint a leépülés. Ez az OPT strukturális előrejelzése: egy generatív modell újjáépítése nehezebb, mint a károsítása.

4. A karbantartás–törés kapu számít: Ha a karbantartás aktív törés közben fut le (mint a szimulátor korai verzióiban), a rendszer pozitív visszacsatolási hurokba kerül, és C_{\text{floor}}-ra omlik össze. A kapuzási szabály nem kényelmi megoldás — a kodek életképességéhez strukturálisan szükséges.

3. Jövőbeli szimulációs útvonalak

1. Thalamokortikális órák (E-12): A \Delta t frissítések hardkódolása úgy, hogy illeszkedjenek a 20–40\text{Hz}-es thalamikus kapuzási ciklusokhoz, és ezáltal tesztelhető, ezredmásodperces felbontású predikciók generálása a kérgi integrált információ (\Phi) méréseivel szemben.

2. Szabadenergia-POMDP integráció: Az absztrakt prediktivitási skalár lecserélése egy diszkrét aktív következtetés állapottér-modellre (pl. pymdp), lehetővé téve azon pontos határok feltérképezését, amelyek elválasztják a termodinamikai termosztátokat a fenomenális K_{\text{threshold}}-tól (P-5).

3. Több megfigyelős kiterjesztés: Több, egymással kölcsönhatásban álló kodek szimulálása közös szubsztrátum-régiókkal annak tesztelésére, hogy az E-6. függelék Rajkötésre vonatkozó predikciói teljesülnek-e — vagyis hogy az elosztott ágensek csak akkor érnek el fenomenális kötést, ha egy globális C_{\max} apertúrán keresztül vannak kényszerítve.

4. Empirikus kalibráció: A szimulátor törés-helyreállítási pályájának illesztése neuroimaging idősoros adatokhoz (pl. Lempel–Ziv-komplexitás propofol vagy ketamin alatt) annak meghatározására, hogy a 0.9999-es lecsengési állandó és a C_{\text{state}}^{-0.6} prediktivitási görbe megfelel-e a megfigyelt fenomenológiai dinamikának.