OPT 付録 E-11: レート歪みライフサイクルの計算機シミュレーション
2026年4月
付録 E-11: レート歪みライフサイクルの計算機シミュレーション
本付録では、秩序パッチ理論 (OPT) におけるコーデックのライフサイクルの in-silico モデリングを記録する。基底にある普遍的基層（ソロモノフ普遍半測度）は構造的に計算不可能であるため、OPT枠組みにおけるシミュレーションは、コーデックのライフサイクルそのもののモデリングに限定される。すなわち、境界ゲーティング・パラメータ C_{\max}、能動的推論のダイナミクス、三段階のメンテナンスサイクル \mathcal{M}_\tau、およびエントロピー的ストレス下でのナラティブ崩壊である。
これまでに、二つの異なるシミュレーション・パラダイムが確立されている。すなわち、類比的ディープラーニング（toy_model.py）と、厳密な数学的レート歪みモデリング（opt_simulator.py）である。
1. 類比的シミュレーション：深層変分ボトルネック
初期のシミュレーション・パラダイム（toy_model.py）は、文字どおりの構造的アナロジーを通じて、コーデック破綻の中核的前提を検証する。
基層: 離散整数によって実装された1次元周期格子。持続的な構造特徴が熱力学的ノイズのベースラインに対して注入され、観測可能な「秩序パッチ」として機能する。
アーキテクチャ: 観測者は、深層ニューラルネットワーク（TensorFlow）の上に構築された変分情報ボトルネック（VIB）としてモデル化される。このネットワークは空間履歴ベクトル X_{t-k \dots t} を観測し、それを前方時間分岐集合 X_{t+1 \dots t+h} を予測可能なボトルネックへと圧縮するために、順方向の勾配降下を実行する。
崩壊の力学: C_{\max}（レート）および D_{\min}（許容歪み）の制約は、ラグランジアンの乗数 \beta を変調するPIDコントローラによって動的に課される。基層エントロピーが巨大である条件下では（たとえば、高い揮発性をもつノイズが持続的パターンを支配する場合）、ネットワークは予測解像度を帯域と物理的にトレードオフする。必要なアルゴリズム複雑性 R_{\text{req}} が、\beta を最大限に調整してもなお C_{\max} を超えるとき、ネットワークは形式的にアルゴリズム的特異点に到達して崩壊し、高エントロピー・ノイズの注入は意識を「拡張」するのではなく、予測的一貫性を破壊するというOPTの予測を確認する。
2. 数学的形式化：厳密なレート歪みモデリング
ニューラルVIBはコーデック破断の視覚的確認を与える一方で、機械学習アーキテクチャのオーバーヘッドは、観測者を支配する純粋な情報理論的関係を見えにくくする。第二のパラダイム（opt_simulator.py）は構造的幾何を取り払い、理論自身のスカラー量を用いてボトルネックのダイナミクスを厳密にモデル化する。
2.1 アーキテクチャ
このシミュレータは、OPTの形式化を反映して、三つの構造層を分離している。
| Component | OPT Concept | Implementation |
|---|---|---|
PhenomenalStateTensor |
K(P_\theta(t)) | 定常的なコーデック複雑性 C_{\text{state}}。これは C_{\text{ceil}}（実行可能性上限）および C_{\text{floor}}（最小実行可能コーデック）によって境界づけられる |
StabilityFilter |
C_{\max} アパーチャ | 予測誤差 \varepsilon_t のみをボトルネックを通過させる。\varepsilon_t > C_{\max} \cdot \Delta t のとき破断する |
ActiveInferenceCodec |
生成モデル K_\theta | 内生的予測可能性はコーデック深度から導かれ、環境の定常性は外生的摂動として扱われる |
MaintenanceCycle |
\mathcal{M}_\tau | 三段階のオフライン複雑性管理（剪定、統合、予測分岐集合サンプリング） |
中核的な設計原理は、予測可能性が内生的であるという点にある。すなわち、環境を予測するコーデックの能力は、ハードコードされたパラメータとして与えられるのではなく、べき乗則 \text{error} \propto C_{\text{state}}^{-0.6} を通じて C_{\text{state}} から導出される。これは、破断のカスケードと回復軌道が、手動で課されるのではなく、システム自身の力学から創発することを意味する。
2.2 予測誤差チャネル
予測的レート歪み理論の下では、C_{\max} アパーチャを通過するのは 予測誤差 である。すなわち、生成モデルの予測を差し引いた後に残る残差のみが通過する：
\varepsilon_t = S_{\text{raw}} \cdot (1 - \text{predictability})
ここで、S_{\text{raw}} = 10^9 \cdot \Delta t ビット/更新ウィンドウである。ベースライン条件（C_{\text{state}} \approx 10^{14}、stationarity = 1.0）では、これは \varepsilon_t \approx 0.16 ビット/ステップを与え、容量境界 C_{\max} \cdot \Delta t = 0.5 ビット/ステップを十分に下回る。
環境の定常性が低下すると（たとえばケタミン・ショックにより、stationarity \to 0.1）、有効な予測誤差は 1/\text{stationarity} の係数で増幅され、その結果 \varepsilon_t は容量境界を上回り、断裂が引き起こされる。
2.3 三段階メンテナンスサイクル (\mathcal{M}_\tau)
メンテナンスサイクルは、プレプリントの§3.6で規定された3つのオフライン・パスを実装する：
| パス | 操作 | 率 | OPT対応 |
|---|---|---|---|
| I. 剪定 | 低価値パラメータのMDL除去 | C_{\text{state}}の4% | \Delta_{\text{MDL}} < 0 の消去 |
| II. 統合 | 直近に獲得されたパターンの再圧縮 | C_{\text{state}}の3% | MDL歪み予算圧縮 |
| III. 予測分岐集合 | 敵対的自己テスト（REM夢見の代理） | C_{\text{state}}の+1% | 敵対的未来に対する予測分岐集合サンプリング |
メンテナンス実行1回あたりの正味流出量：C_{\text{state}}の\sim 6\%。メンテナンスは安定性にゲートされており、コーデックが破綻していないときにのみ発火する。これは、\mathcal{M}_\tauが低感覚入力状態（典型的には睡眠）において作動するというOPTの予測と整合的である。
学習蓄積率は、メンテナンス間の100ステップにわたる誤差統合利得が、おおよそ6%のメンテナンス流出量に等しくなるよう較正されており、その結果、ベースラインにおいて動的平衡が生じる。
2.4 破断ダイナミクス
ナラティブ崩壊は、ハードフロアを伴う穏やかな乗法的劣化としてモデル化される:
C_{\text{state}}(t+1) = \max\bigl(C_{\text{state}}(t) \cdot 0.9999,\; C_{\text{floor}}\bigr)
400回の持続的な破断ステップ（20秒間のショック）にわたって、これは 0.9999^{400} \approx 0.961 に累積し――約4%の損失となる。これは、破局的な全か無かの崩壊ではなく、段階的な現象学的ブランキング（麻酔滴定、プロトコル E-9 に見られるような）をモデル化している。
2.5 シミュレーション結果
シミュレータは、\Delta t = 50\text{ms} の分解能で 2000 サイクルを実行する（シミュレートされた観測者時間で 100 秒）。エントロピー・ショック（定常性 \to 0.1）は、t=40\text{s} から t=60\text{s} にかけて加えられる。
| Phase | Duration | Fractures | C_{\text{state}} Trajectory | Behaviour |
|---|---|---|---|---|
| Baseline | t = 0 \to 40\text{s} | 0 / 800 (0%) | 9.41 \times 10^{13} \to 9.18 \times 10^{13} | 動的なのこぎり波的平衡；fracture はゼロ |
| Shock | t = 40 \to 60\text{s} | 400 / 400 (100%) | 9.18 \times 10^{13} \to 8.82 \times 10^{13} | 連続的 fracture；段階的な \sim 4\% 劣化 |
| Recovery | t = 60 \to 100\text{s} | 0 / 800 (0%) | 8.30 \times 10^{13} \to 8.39 \times 10^{13} | fracture は即座に停止；コーデックの緩やかな再構築 |
これら三つの相は、OPT の中核的予測を示している。すなわち、帯域制約をもつ観測者は、安定したホメオスタシスを維持し、エントロピー・ショックの下で滑らかに劣化し、環境の定常性が回復すれば再び回復できる。ただし、そのショックが C_{\text{state}} を C_{\text{floor}} 未満へと押し下げない限りにおいてである。
2.6 主要な観察事項
基準的なのこぎり波: メンテナンス実行の合間には、C_{\text{state}} は誤差の積分によって蓄積し（100ステップ窓あたり \sim +5\%）、その後 \mathcal{M}_\tau が発火すると急激に低下する（\sim -6\%）。この振動は睡眠―覚醒サイクルの計算論的シグネチャであり、システムは C_{\text{ceil}} への到達を避けるために、周期的に刈り込みを行わなければならない。
ショックの発現は瞬時である: 定常性が 0.1 に低下すると、すべてのサイクルはただちに破綻する。そこに漸進的な移行はなく、予測誤差は \sim 0.16 から \sim 1.6 bits/step へと跳ね上がり、0.5 bit の容量を 3 倍超過する。
回復は非対称的である: ショック後の C_{\text{state}} は 40 秒で \sim +1\% 成長するのに対し、20 秒間のショック中には \sim -4\% の損失が生じる。回復は劣化よりも遅い。この非対称性は OPT の構造的予測である。すなわち、生成モデルを再構築することは、それを損なうことよりも困難である。
メンテナンス‐破綻ゲートは重要である: メンテナンスが能動的な破綻の最中に実行されると（初期のシミュレータ版で見られたように）、システムは正のフィードバック・ループに入り、C_{\text{floor}} へと崩壊する。このゲーティング規則は便宜的なものではなく、コーデックの存立可能性にとって構造的に不可欠である。
3. 将来のシミュレーション経路
視床皮質クロック (E-12): \Delta t の更新を 20–40\text{Hz} の視床ゲーティング周期に一致するようハードコードし、皮質の統合情報量 (\Phi) 測定に対して、ミリ秒分解能で検証可能な予測を生成する。
自由エネルギーPOMDP統合: 抽象的な予測可能性スカラーを離散的な能動的推論状態空間モデル（例:
pymdp）に置き換えることで、熱力学的サーモスタットと現象的な K_{\text{threshold}} (P-5) を分ける正確な境界を対応づけられるようにする。多観測者拡張: 共有された基層領域をもつ複数の相互作用するコーデックをシミュレートし、付録 E-6 の群れ結合予測――すなわち、分散したエージェントがグローバルな C_{\max} アパーチャを通過することを強制された場合にのみ現象的結合を達成するのかどうか――を検証する。
経験的キャリブレーション: シミュレータの破断‐回復軌道を神経画像時系列データ（例: プロポフォールまたはケタミン下でのレンペル＝ジヴ複雑性）に適合させ、0.9999 の減衰定数と C_{\text{state}}^{-0.6} の予測可能性曲線が、観測された現象的ダイナミクスと一致するかどうかを判定する。