Anexa E-11: Simularea computațională a ciclului de viață rată–distorsiune

Această anexă documentează modelarea in-silico a ciclului de viață al codec-ului din cadrul Teoriei patch-ului ordonat (OPT). Deoarece substratul universal subiacent (Semimăsura universală Solomonoff) este structural necomputabil, simulările din cadrul OPT sunt limitate la modelarea ciclului de viață al codec-ului însuși: parametrul de filtrare la frontieră C_{\max}, dinamica inferenței active, ciclul de întreținere în trei treceri \mathcal{M}_\tau și degradarea narativă sub stres entropic.

Au fost stabilite două paradigme distincte de simulare: învățare profundă analogică (toy_model.py) și modelare matematică strictă de tip rată–distorsiune (opt_simulator.py).

1. Simulare analogică: blocaje variaționale profunde

Paradigma inițială de simulare (toy_model.py) validează premisa centrală a Fracturii Codec-ului printr-o analogie structurală literală.

Substrat: O rețea periodică 1D instanțiată cu numere întregi discrete. Trăsături structurale persistente sunt injectate pe fondul unei linii de bază de zgomot termodinamic, funcționând ca „patch-uri ordonate” observabile.

Arhitectură: observatorul este modelat ca un Variational Information Bottleneck (VIB) construit peste o rețea neuronală profundă (TensorFlow). Rețeaua observă un vector de istoric spațial X_{t-k \dots t} și efectuează o coborâre a gradientului în sens direct pentru a-l comprima într-un blocaj capabil să prezică evantaiul temporal înainte X_{t+1 \dots t+h}.

Mecanica colapsului: Constrângerile C_{\max} (rată) și D_{\min} (distorsiune acceptabilă) sunt impuse dinamic printr-un controler PID care modulează multiplicatorul lagrangian \beta. Sub o entropie masivă a substratului (de exemplu, zgomot foarte volatil care domină tiparele persistente), rețeaua schimbă fizic rezoluția predictivă pe lățime de bandă. Când complexitatea algoritmică necesară R_{\text{req}} depășește C_{\max} în pofida unei ajustări maxime a lui \beta, rețeaua atinge formal o singularitate algoritmică și se prăbușește, confirmând predicția OPT că injectarea de zgomot cu entropie ridicată distruge coerența predictivă, în loc să „extindă” conștiința.

2. Formalism matematic: modelare strictă rată-distorsionare

Deși VIB-ul neuronal oferă o confirmare vizuală a fracturii codec-ului, supraîncărcarea arhitecturilor de învățare automată obscurează relațiile pur informațional-teoretice care guvernează observatorul. A doua paradigmă (opt_simulator.py) elimină geometria structurală pentru a modela strict dinamica blocajului folosind chiar scalarile teoriei.

2.1 Arhitectură

Simulatorul separă trei straturi structurale, oglindind formalismul OPT:

Principiul-cheie de proiectare este că predictibilitatea este endogenă: capacitatea codec-ului de a prezice mediul este derivată din C_{\text{state}} printr-o relație de tip lege de putere \text{error} \propto C_{\text{state}}^{-0.6}, mai degrabă decât să fie un parametru codificat rigid. Aceasta înseamnă că cascadele de fracturare și traiectoriile de recuperare emerg din dinamica proprie a sistemului, în loc să fie impuse manual.

2.2 Canalul erorii de predicție

În teoria predictivă rată–distorsiune, ceea ce traversează apertura C_{\max} este eroarea de predicție — doar reziduul rămas după ce predicția modelului generativ este scăzută:

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

unde S_{\text{raw}} = 10^9 \cdot \Delta t biți per fereastră de actualizare. La nivel de bază (C_{\text{state}} \approx 10^{14}, staționaritate = 1.0), aceasta dă \varepsilon_t \approx 0.16 biți/pas — confortabil sub limita de capacitate de C_{\max} \cdot \Delta t = 0.5 biți/pas.

Când staționaritatea mediului scade (de ex., șoc cu ketamină, staționaritate \to 0.1), eroarea de predicție efectivă este amplificată cu un factor de 1/\text{stationarity}, împingând \varepsilon_t peste limita de capacitate și declanșând fractura.

2.3 Ciclul de întreținere în trei treceri (\mathcal{M}_\tau)

Ciclul de întreținere implementează cele trei treceri offline specificate în §3.6 din preprint:

Drenajul net per rulare de întreținere: \sim 6\% din C_{\text{state}}. Întreținerea este condiționată de stabilitate — se declanșează numai atunci când codec-ul nu este fracturat, în acord cu predicția OPT că \mathcal{M}_\tau rulează în stări cu sensorium redus (paradigmatic: somnul).

Rata de acumulare a învățării este calibrată astfel încât câștigul de integrare a erorii pe parcursul a 100 de pași inter-întreținere să fie aproximativ egal cu drenajul de întreținere de 6%, producând un echilibru dinamic la nivelul de bază.

2.4 Dinamica fracturii

Degradarea narativă este modelată ca o degradare multiplicativă blândă cu un prag inferior strict:

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

Pe parcursul a 400 de pași susținuți de fractură (un șoc de 20 de secunde), aceasta se compune la 0.9999^{400} \approx 0.961 — aproximativ 4% pierdere. Acest lucru modelează estompare fenomenologică graduală (ca în titrarea anesteziei, Protocolul E-9), mai degrabă decât un colaps catastrofal de tip totul-sau-nimic.

2.5 Rezultatele simulării

Simulatorul rulează 2000 de cicluri la o rezoluție de \Delta t = 50\text{ms} (100 de secunde de timp simulat al observatorului). Un șoc entropic (staționaritate \to 0.1) este aplicat de la t=40\text{s} la t=60\text{s}.

Aceste trei faze demonstrează predicția centrală a Teoriei patch-ului ordonat (OPT): un observator cu lățime de bandă limitată poate menține o homeostazie stabilă, se poate degrada gradual sub un șoc entropic și se poate recupera atunci când staționaritatea mediului este restabilită — cu condiția ca șocul să nu împingă C_{\text{state}} sub C_{\text{floor}}.

2.6 Observații-cheie

1. Dintele de fierăstrău de bază: Între rulările ciclului de întreținere, C_{\text{state}} se acumulează prin integrarea erorii (\sim +5\% per fereastră de 100 de pași), apoi scade brusc atunci când se declanșează \mathcal{M}_\tau (\sim -6\%). Această oscilație este semnătura computațională a ciclului somn-veghe — sistemul trebuie să efectueze periodic o tăiere pentru a evita atingerea lui C_{\text{ceil}}.

2. Debutul șocului este instantaneu: Când staționaritatea scade la 0.1, fiecare ciclu se fracturează imediat. Nu există o tranziție graduală — eroarea de predicție sare de la \sim 0.16 la \sim 1.6 biți/pas, depășind capacitatea de 0.5 biți de trei ori.

3. Recuperarea este asimetrică: După șoc, C_{\text{state}} crește cu \sim +1\% pe parcursul a 40 de secunde, comparativ cu pierderea de \sim -4\% din timpul șocului de 20 de secunde. Recuperarea este mai lentă decât degradarea. Această asimetrie este o predicție structurală a OPT: reconstruirea unui model generativ este mai dificilă decât deteriorarea lui.

4. Poarta de fractură a întreținerii contează: Dacă ciclul de întreținere rulează în timpul unei fracturi active (ca în versiunile timpurii ale simulatorului), sistemul intră într-o buclă de feedback pozitiv și colapsează la C_{\text{floor}}. Regula de poartă nu este o simplă conveniență — este necesară structural pentru viabilitatea codec-ului.

3. Căi viitoare de simulare

1. Ceasuri talamocorticale (E-12): Codificarea rigidă a actualizărilor \Delta t astfel încât să corespundă ciclurilor de gating talamic de 20–40\text{Hz}, generând predicții testabile, cu rezoluție de ordinul milisecundelor, în raport cu măsurătorile informației integrate corticale (\Phi).

2. Integrarea POMDP a energiei libere: Înlocuirea scalarului abstract al predictibilității cu un model discret de spațiu al stărilor de inferență activă (de ex., pymdp), permițând cartografierea limitelor precise care separă termostatele termodinamice de pragul fenomenal K_{\text{threshold}} (P-5).

3. Extensie multi-observator: Simularea mai multor codecuri aflate în interacțiune, cu regiuni de substrat partajate, pentru a testa predicțiile privind legarea de tip roi din Anexa E-6 — dacă agenții distribuiți ating legare fenomenală numai atunci când sunt constrânși să treacă printr-o apertură globală C_{\max}.

4. Calibrare empirică: Ajustarea traiectoriei de fracturare-recuperare a simulatorului în raport cu datele de tip serie temporală din neuroimagistică (de ex., complexitatea Lempel-Ziv sub propofol sau ketamină), pentru a determina dacă constanta de degradare 0.9999 și curba de predictibilitate C_{\text{state}}^{-0.6} corespund dinamicii fenomenologice observate.