Bilaga E-11: Beräkningsmässig simulering av rate-distortion-livscykeln

Denna bilaga dokumenterar in-silico-modelleringen av kodekens livscykel inom Teorin om den ordnade patchen (OPT). Eftersom det underliggande universella substratet (Solomonoffs universella semimått) är strukturellt oberäkneligt, är simuleringar inom OPT-ramverket begränsade till att modellera själva kodekens livscykel: gränsgatingsparametern C_{\max}, dynamiken i aktiv inferens, den trepassiga underhållscykeln \mathcal{M}_\tau samt narrativt förfall under entropisk stress.

Två distinkta simuleringsparadigm har etablerats: analogisk djupinlärning (toy_model.py) och strikt matematisk rate-distortion-modellering (opt_simulator.py).

1. Analog simulering: djupa variationella flaskhalsar

Det inledande simuleringsparadigmet (toy_model.py) validerar kärnpremissen för kodekfraktur genom en bokstavlig strukturell analogi.

Substrat: Ett 1D-periodiskt gitter instansierat med diskreta heltal. Persistenta strukturella särdrag injiceras mot en bakgrund av termodynamiskt brus och fungerar som de observerbara “ordnade patcharna”.

Arkitektur: observatören modelleras som en variationell informationsflaskhals (VIB) byggd ovanpå ett djupt neuralt nätverk (TensorFlow). Nätverket observerar en rumslig historikvektor X_{t-k \dots t} och utför gradientnedstigning framåt för att komprimera den till en flaskhals som kan predicera den framåtriktade temporala grenmängden X_{t+1 \dots t+h}.

Kollapsmekanik: Begränsningarna C_{\max} (takt) och D_{\min} (acceptabel distorsion) upprätthålls dynamiskt via en PID-regulator som modulerar Lagrangemultiplikatorn \beta. Under massiv substratentropi (t.ex. starkt volatilt brus som dominerar över de persistenta mönstren) byter nätverket bokstavligen prediktiv upplösning mot bandbredd. När den erforderliga algoritmiska komplexiteten R_{\text{req}} överskrider C_{\max} trots maximal justering av \beta når nätverket formellt en algoritmisk singularitet och kollapsar, vilket bekräftar OPT-förutsägelsen att injektion av högentropiskt brus förstör prediktiv koherens snarare än att “expandera” medvetandet.

2. Matematisk formalism: strikt modellering av rate-distortion

Även om den neurala VIB:n ger visuell bekräftelse på kodekfraktur, skymmer omkostnaderna hos maskininlärningsarkitekturer de rent informationsteoretiska relationer som styr observatören. Det andra paradigmet (opt_simulator.py) avlägsnar den strukturella geometrin för att strikt modellera flaskhalsdynamiken med hjälp av teorins egna skalärer.

2.1 Arkitektur

Simulatorn separerar tre strukturella lager, som speglar OPT-formalismen:

Den centrala designprincipen är att prediktivitet är endogen: kodekens förmåga att förutsäga miljön härleds ur C_{\text{state}} via ett potenslagssamband \text{error} \propto C_{\text{state}}^{-0.6}, snarare än att vara en hårdkodad parameter. Detta innebär att frakturkaskader och återhämtningsbanor uppstår ur systemets egen dynamik i stället för att införas manuellt.

2.2 Kanalen för prediktionsfel

Inom teorin om prediktiv rate-distortion är det prediktionsfelet som passerar aperturen C_{\max} — endast residualen efter att den generativa modellens prediktion har subtraherats:

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

där S_{\text{raw}} = 10^9 \cdot \Delta t bitar per uppdateringsfönster. Vid baslinjen (C_{\text{state}} \approx 10^{14}, stationaritet = 1.0) ger detta \varepsilon_t \approx 0.16 bitar/steg — bekvämt under kapacitetsgränsen C_{\max} \cdot \Delta t = 0.5 bitar/steg.

När omgivningens stationaritet sjunker (t.ex. ketaminchock, stationaritet \to 0.1) förstärks det effektiva prediktionsfelet med en faktor 1/\text{stationarity}, vilket driver \varepsilon_t över kapacitetsgränsen och utlöser fraktur.

2.3 Underhållscykeln i tre passager (\mathcal{M}_\tau)

Underhållscykeln implementerar de tre offline-passager som specificeras i §3.6 i preprinten:

Nettodränering per underhållskörning: \sim 6\% av C_{\text{state}}. Underhåll är villkorat av stabilitet — det aktiveras endast när kodeken inte är frakturerad, i linje med OPT:s prediktion att \mathcal{M}_\tau körs under tillstånd med låg sensorisk belastning (paradigmatiskt: sömn).

Ackumulationstakten för inlärning är kalibrerad så att vinsten i felintegration över 100 steg mellan underhållscykler ungefär motsvarar underhållsdräneringen på 6 %, vilket ger dynamisk jämvikt vid baslinjen.

2.4 Frakturdynamik

Narrativt förfall modelleras som mild multiplikativ degradering med ett hårt golv:

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

Över 400 ihållande fraktursteg (en 20-sekunders chock) ackumuleras detta till 0.9999^{400} \approx 0.961 — ungefär 4 % förlust. Detta modellerar graderad fenomenologisk utsläckning (som vid anestesititrering, Protokoll E-9) snarare än ett katastrofalt allt-eller-inget-sammanbrott.

2.5 Simuleringsresultat

Simulatorn kör 2000 cykler med upplösningen \Delta t = 50\text{ms} (100 sekunder simulerad observatörstid). En entropichock (stationaritet \to 0.1) appliceras från t=40\text{s} till t=60\text{s}.

Dessa tre faser demonstrerar OPT:s kärnprediktion: en begränsad observatör kan upprätthålla stabil homeostas, degraderas gradvis under entropisk chock och återhämta sig när den miljömässiga stationariteten återställs — förutsatt att chocken inte driver C_{\text{state}} under C_{\text{floor}}.

2.6 Viktiga observationer

1. Baslinjens sågtand: Mellan underhållskörningar ackumuleras C_{\text{state}} via felintegration (\sim +5\% per 100-stegsfönster), och faller sedan kraftigt när \mathcal{M}_\tau aktiveras (\sim -6\%). Denna oscillation är den beräkningsmässiga signaturen för sömn-vaken-cykeln — systemet måste periodiskt beskära för att undvika att nå C_{\text{ceil}}.

2. Chockens början är omedelbar: När stationariteten sjunker till 0.1 spricker varje cykel omedelbart. Det finns ingen gradvis övergång — prediktionsfelet hoppar från \sim 0.16 till \sim 1.6 bitar/steg, vilket överskrider kapaciteten på 0.5 bit med en faktor tre.

3. Återhämtningen är asymmetrisk: Efter chocken växer C_{\text{state}} med \sim +1\% över 40 sekunder, jämfört med förlusten på \sim -4\% under den 20 sekunder långa chocken. Återhämtning är långsammare än degradering. Denna asymmetri är en strukturell prediktion från OPT: att bygga upp en generativ modell på nytt är svårare än att skada en.

4. Grinden för underhållsfraktur spelar roll: Om underhåll körs under aktiv fraktur (som i tidiga simulatorversioner) går systemet in i en positiv återkopplingsslinga och kollapsar till C_{\text{floor}}. Grindregeln är inte en bekvämlighetsåtgärd — den är strukturellt nödvändig för kodekens livsduglighet.

3. Framtida simuleringsvägar

1. Thalamokortikala klockor (E-12): Hårdkoda uppdateringar av \Delta t så att de matchar de talamiska gatingcyklerna på 20–40\text{Hz}, och därigenom generera testbara prediktioner med millisekundupplösning mot mätningar av kortikal integrerad information (\Phi).

2. Integration av fri energi-POMDP: Ersätta den abstrakta prediktivitetsskalären med en diskret modell av aktiv inferens i tillståndsrum (t.ex. pymdp), vilket möjliggör kartläggning av de exakta gränser som skiljer termodynamiska termostater från det fenomenala K_{\text{threshold}} (P-5).

3. Utvidgning till flera observatörer: Simulera flera interagerande kodekar med delade substratregioner för att pröva Swarm Binding-prediktionerna i appendix E-6 — huruvida distribuerade agenter uppnår fenomenal bindning endast när de tvingas genom en global C_{\max}-apertur.

4. Empirisk kalibrering: Anpassa simulatorns fraktur-återhämtningsbana mot neuroavbildningsdata i tidsserier (t.ex. Lempel-Ziv-komplexitet under propofol eller ketamin) för att avgöra om avklingningskonstanten 0.9999 och prediktivitetskurvan C_{\text{state}}^{-0.6} överensstämmer med observerad fenomenologisk dynamik.