Vedlegg E-11: Beregningsmessig simulering av rate-distortion-livssyklusen

Dette vedlegget dokumenterer in-silico-modelleringen av kodek-livssyklusen i Teorien om den ordnede patchen (OPT). Fordi det underliggende universelle substratet (Solomonoffs universelle semimål) strukturelt sett er uberegnelig, er simuleringer innenfor OPT-rammeverket begrenset til å modellere selve kodek-livssyklusen: grenseparameteren C_{\max} for avgrensningsgating, dynamikken i aktiv inferens, den tre-passers vedlikeholdssyklusen \mathcal{M}_\tau, og narrativt forfall under entropisk stress.

To distinkte simuleringsparadigmer er etablert: analogisk dyp læring (toy_model.py) og streng matematisk rate-distortion-modellering (opt_simulator.py).

1. Analog simulering: dype variasjonelle flaskehalser

Det opprinnelige simuleringsparadigmet (toy_model.py) validerer kjernepremisset i kodekfraktur gjennom en bokstavelig strukturell analogi.

Substrat: Et 1D-periodisk gitter instansiert med diskrete heltall. Vedvarende strukturelle trekk injiseres mot en bakgrunn av termodynamisk støy og fungerer som de observerbare «ordnede patchene».

Arkitektur: observatøren modelleres som en variasjonell informasjonsflaskehals (VIB) bygget på toppen av et dypt nevralt nettverk (TensorFlow). Nettverket observerer en romlig historievektor X_{t-k \dots t} og utfører gradientnedstigning fremover for å komprimere den til en flaskehals som er i stand til å predikere den fremadrettede temporale grenmengden X_{t+1 \dots t+h}.

Kollapsmekanikk: Begrensningene C_{\max} (rate) og D_{\min} (akseptabel forvrengning) håndheves dynamisk via en PID-kontroller som modulerer Lagrange-multiplikatoren \beta. Under massiv substratentropi (f.eks. når svært volatil støy dominerer de vedvarende mønstrene) bytter nettverket fysisk prediktiv oppløsning mot båndbredde. Når den påkrevde algoritmiske kompleksiteten R_{\text{req}} overskrider C_{\max} til tross for maksimal justering av \beta, treffer nettverket formelt en algoritmisk singularitet og kollapser, noe som bekrefter OPT-prediksjonen om at injeksjon av høyentropisk støy ødelegger prediktiv koherens snarere enn å «utvide» bevisstheten.

2. Matematisk formalisme: streng rate-distortion-modellering

Mens den nevrale VIB-en gir visuell bekreftelse på kodekfraktur, tilslører overheaden i maskinlæringsarkitekturer de rene informasjonsteoretiske relasjonene som styrer observatøren. Det andre paradigmet (opt_simulator.py) fjerner den strukturelle geometrien for å modellere flaskehalsdynamikken strengt ved hjelp av teoriens egne skalarer.

2.1 Arkitektur

Simulatoren skiller mellom tre strukturelle lag, som speiler OPT-formalismen:

Det sentrale designprinsippet er at prediktivitet er endogen: kodekens evne til å predikere miljøet utledes fra C_{\text{state}} via en potenslovsrelasjon \text{error} \propto C_{\text{state}}^{-0.6}, snarere enn å være en hardkodet parameter. Dette innebærer at fragmenteringskaskader og gjenopprettingsbaner oppstår fra systemets egen dynamikk, fremfor å bli manuelt påtvunget.

2.2 Kanalen for prediksjonsfeil

Innen prediktiv rate-forvrengningsteori er det prediksjonsfeilen som krysser aperturen C_{\max} — bare residualet som gjenstår etter at den generative modellens prediksjon er trukket fra:

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

der S_{\text{raw}} = 10^9 \cdot \Delta t bits per oppdateringsvindu. Ved baseline (C_{\text{state}} \approx 10^{14}, stasjonaritet = 1.0) gir dette \varepsilon_t \approx 0.16 bits/trinn — komfortabelt under kapasitetsgrensen på C_{\max} \cdot \Delta t = 0.5 bits/trinn.

Når miljøets stasjonaritet faller (f.eks. ketaminsjokk, stasjonaritet \to 0.1), forsterkes den effektive prediksjonsfeilen med en faktor på 1/\text{stationarity}, noe som driver \varepsilon_t over kapasitetsgrensen og utløser fraktur.

2.3 Vedlikeholdssyklusen med tre passeringer (\mathcal{M}_\tau)

Vedlikeholdssyklusen implementerer de tre offline-passeringene spesifisert i §3.6 i preprinten:

Netto reduksjon per vedlikeholdskjøring: \sim 6\% av C_{\text{state}}. Vedlikehold er stabilitetsstyrt — det utløses bare når kodeken ikke er frakturert, i samsvar med OPTs prediksjon om at \mathcal{M}_\tau kjører under tilstander med lavt sensorium (paradigmatisk: søvn).

Akkumulasjonsraten for læring er kalibrert slik at gevinsten i feilintegrasjon over 100 steg mellom vedlikehold omtrent tilsvarer vedlikeholdsreduksjonen på 6%, noe som produserer dynamisk likevekt ved baseline.

2.4 Brudd-dynamikk

Narrativt forfall modelleres som mild multiplikativ degradering med en hard nedre grense:

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

Over 400 vedvarende bruddsteg (et sjokk på 20 sekunder) akkumuleres dette til 0.9999^{400} \approx 0.961 — omtrent 4 % tap. Dette modellerer gradert fenomenologisk utblanking (som ved titrering av anestesi, protokoll E-9) snarere enn katastrofal alt-eller-ingenting-kollaps.

2.5 Simuleringsresultater

Simulatoren kjører 2000 sykluser med oppløsning på \Delta t = 50\text{ms} (100 sekunder simulert observatør-tid). Et entropisjokk (stasjonaritet \to 0.1) anvendes fra t=40\text{s} til t=60\text{s}.

Disse tre fasene demonstrerer OPTs kjerneprediksjon: En båndbreddebegrenset observatør kan opprettholde stabil homeostase, degraderes gradvis under entropisk sjokk, og gjenopprettes når miljøets stasjonaritet er tilbake — forutsatt at sjokket ikke driver C_{\text{state}} under C_{\text{floor}}.

2.6 Nøkkelobservasjoner

1. Den grunnleggende sagtannen: Mellom vedlikeholdskjøringer akkumuleres C_{\text{state}} gjennom feilintegrasjon (\sim +5\% per 100-stegs vindu), og faller deretter brått når \mathcal{M}_\tau utløses (\sim -6\%). Denne oscillasjonen er den beregningsmessige signaturen til søvn-våken-syklusen — systemet må periodisk beskjære for å unngå å treffe C_{\text{ceil}}.

2. Sjokkinnsettelsen er øyeblikkelig: Når stasjonariteten faller til 0.1, frakturerer hver syklus umiddelbart. Det finnes ingen gradvis overgang — prediksjonsfeilen hopper fra \sim 0.16 til \sim 1.6 bits/steg, og overskrider kapasiteten på 0.5 bit med en faktor på tre.

3. Restitusjonen er asymmetrisk: Etter sjokket vokser C_{\text{state}} med \sim +1\% over 40 sekunder, sammenlignet med et tap på \sim -4\% under sjokket på 20 sekunder. Restitusjon er langsommere enn degradering. Denne asymmetrien er en strukturell prediksjon fra OPT: å gjenoppbygge en generativ modell er vanskeligere enn å skade en.

4. Porten for vedlikeholdsfraktur betyr noe: Hvis vedlikehold kjøres under aktiv fraktur (slik som i tidlige simulatorversjoner), går systemet inn i en positiv tilbakekoblingssløyfe og kollapser til C_{\text{floor}}. Portregelen er ikke en bekvemmelighet — den er strukturelt nødvendig for kodekens levedyktighet.

3. Fremtidige simuleringsbaner

1. Talamokortikale klokker (E-12): Hardkoding av \Delta t-oppdateringer for å samsvare med de talamiske gating-syklusene på 20–40\text{Hz}, og dermed generere testbare prediksjoner med millisekundoppløsning opp mot målinger av kortikal integrert informasjon (\Phi).

2. Integrasjon av fri-energi-POMDP: Erstatning av den abstrakte prediktivitetsskalar med en diskret modell for tilstandsrom i aktiv inferens (f.eks. pymdp), noe som muliggjør kartlegging av de presise grensene som skiller termodynamiske termostater fra den fenomenale K_{\text{threshold}} (P-5).

3. Multi-observatør-utvidelse: Simulering av flere interagerende kodeker med delte substratområder for å teste Swarm Binding-prediksjonene i appendiks E-6 — om distribuerte agenter oppnår fenomenal binding bare når de tvinges gjennom en global C_{\max}-apertur.

4. Empirisk kalibrering: Tilpasning av simulatorens brudd-gjenopprettingsforløp mot nevroavbildningsdata i tidsserier (f.eks. Lempel-Ziv-kompleksitet under propofol eller ketamin) for å avgjøre om forfallskonstanten 0.9999 og prediktivitetskurven C_{\text{state}}^{-0.6} samsvarer med observerte fenomenologiske dynamikker.