Протокол Измерения Γ для ИИ-Систем

Статус документа: [Пр] Исследовательская программа

Этот документ описывает исследовательскую программу по операционализации матрицы когерентности $\Gamma$ для ИИ-систем. Протокол требует экспериментальной валидации.

О нотации

• $\Gamma$ — матрица когерентности
• $P$ — чистота: $P = \mathrm{Tr}(\Gamma^2)$
• $\tau$ — эмерджентное внутреннее время (Пейдж–Вуттерс)
• $\varphi$ — оператор самомоделирования
• $G$ — предлагаемый кодировщик AIState → DensityMat; задание функториальности на морфизмах и CPTP-продолжение — дополнительные условия (раздел «Категорная корректность»).
• $\mathrm{Coh}_E$ — E-когерентность: $\mathrm{Coh}_E(\Gamma) = \|\pi_E(\Gamma)\|^2_{\mathrm{HS}} / \|\Gamma\|^2_{\mathrm{HS}}$ — качество интериорности (HS-проекция на E-сектор) [Т]

---

Центральная проблема

Теория УГМ определяет $\Gamma$ как объект ∞-топоса $\mathrm{Sh}_\infty(\mathcal{C})$ (Аксиома Ω⁷). Однако теория не специфицирует:

1. Какие наблюдаемые в ИИ-системе соответствуют элементам $\gamma_{ij}$
2. Как реконструировать $\Gamma$ из доступных данных
3. Как валидировать корректность реконструкции

Фундаментальное ограничение

$\Gamma$ — онтологический примитив, не наблюдаемая. Мы реконструируем $\Gamma$ через предложенный кодировщик $G$, сжимающий $\mathbb{R}^d$ (где $d \sim 10^9$ для LLM) в $\mathcal{D}(\mathbb{C}^7)$.

Здесь выбран семимерный целевой формализм. Универсальная минимальность требует дополнительных условий теоремы S; выбор размерности сам по себе не доказывает, что сжатие сохраняет все нужные свойства системы.

Реконструкция требует модели наблюдения [Т при условии идентификации]

Пространство состояний имеет 48 независимых вещественных координат во внутренней полноранговой области. Его структурные автоморфизмы не определяют отображение ИИ-признаков в состояния. Фиксированная модель наблюдения определяет лишь свой слой наблюдения. Единственность реконструкции требует инъективности; устойчивость дополнительно требует количественной обусловленности. Утверждения и доказательства приведены в ID-1 и ID-2.

Остаточная симметрия — подгруппа, сохраняющая реальный план измерения, метки, калибровку и заявленные величины; она не обязана совпадать с $G_2$ или $\Gamma_{\!\mathrm{oct}}$. $P$ и $R$ унитарно инвариантны, тогда как $\Phi$ и $\mathrm{Coh}_E$ относятся к функциональному реперу. Даже два кодировщика в одном фиксированном репере могут расходиться по всем этим величинам, если данные не определяют состояние.

При реконструкции временного ряда единственность решения ОДУ необходимо отличать от наблюдаемости начального состояния и устойчивости обратной задачи. Вместе с каждой матрицей публикуются операторы наблюдения, калибровка и анализ идентифицируемости.

---

Архитектура протокола

Уровень	Название	Содержание
4	Каузальная валидация	Интервенционные тесты, тест лоботомии
3	Динамическая валидация	$dP/d\tau$, поток когерентности, жизнеспособность
2	Реконструкция Γ	PSD-ограниченная реконструкция и доверительное множество
1	Извлечение наблюдаемых	Структурные метрики (коммутаторы, $\Phi_{\text{eff}}$, топология)

---

Отображение измерений на ИИ-метрики

Таблица соответствий

Измерение	Символ	ИИ-метрика	Формула	Строгость
Артикуляция	$A$	Взаимная информация вход↔латент	$I_A = I(\text{input}; \text{latent}) / H(\text{input})$	[О/Г]
Структура	$S$	Ранг Якобиана	$I_S = \mathrm{rank}_\varepsilon(J_f) / \min(d_{\text{out}}, d_{\text{in}})$	[О/Г]
Динамика	$D$	Ляпуновский экспонент	$I_D = \max_i \lambda_i^{\text{Lyap}}$ (нормированный)	[О/Г]
Логика	$L$	Коммутаторы слоёв	$I_L = 1 - \|[f_i, f_j]\|_F / (\|f_i\| \cdot \|f_j\|)$	[О/Г]
Интериорность	$E$	Энтропия активаций	$I_E = \exp(S_{vN}(\rho_{\text{attn}}))$ — дифференциация опыта	[О/Г]
Основание	$O$	Устойчивость к шуму	$I_O = 1 - \|\nabla_\epsilon \mathbf{h}\|_F$	[О/Г]
Единство	$U$	Effective Φ (интеграция, black-box)	$I_U = \Phi_{\text{eff}} = \lambda_2(L) / \lambda_{\max}(L)$ — аппроксимация [О]; при известной $\Gamma$: $R_{\text{UHM}} = 1/(N \cdot P)$ [Т, мера рефлексии]	[О/Т]†

где $\nabla_\epsilon \mathbf{h} := (\mathbf{h}(x + \epsilon) - \mathbf{h}(x)) / \epsilon$ — конечно-разностное приближение

†Иерархия метрик для Unity: когда $\Gamma$ недоступна (black-box), используется $\Phi_{\text{eff}}$ [О]. Когда $\Gamma$ реконструирована через протокол, правильная мера — $R_{\text{UHM}} = 1/(N \cdot P)$ [Т], точное алгебраическое тождество (мера рефлексии R, ошибка $< 10^{-7}$ в реализации). $\Phi_{\text{eff}}$ и $R_{\text{UHM}}$ измеряют родственные, но не тождественные свойства.

Канонические наблюдаемые индексы

Операциональное назначение наблюдаемых индексов [О/Г]

Таблица задаёт кандидаты функциональных прокси, а не единственным образом выведенные измерения $\gamma_{kk}$. Гамильтоново/диссипативное/регенеративное разложение генератора не отождествляет нейронные или ИИ-признаки с диагональными координатами состояния: генератор и состояние — разные математические объекты.

Для объявленного эксперимента обозначаем прокси $I_A,\ldots,I_U$, калибруем единицы по опубликованному опорному ансамблю и замораживаем нормировку до проверки. Предлагаемые связи A/S/L с гамильтоновым воздействием, D/O с диссипативным, E/U с регенеративным — гипотезы для интервенционных проверок. Замена прокси задаёт другую операционализацию и требует новой калибровки и проверки вне выборки; сама по себе она не нарушает теорему о генераторе.

Формулы таблицы определяют вычислимые метрики [О]; их интерпретация как измерений осей УГМ имеет статус [Г]. Ни определение, ни симуляция не доказывают это соответствие. В частности, прежде чем вычислять энтропию фон Неймана, веса внимания нужно перевести в явно заданный положительный оператор единичного следа.

Коммутаторы слоёв (для L)

Определение:

$$[f_i, f_j](\mathbf{x}) := f_i(f_j(\mathbf{x})) - f_j(f_i(\mathbf{x}))$$

Интерпретация:

• $\|[f_i, f_j]\| = 0$ → слои коммутируют → логическая согласованность
• $\|[f_i, f_j]\| \gg 0$ → порядок критичен → хрупкость

Связь с теорией: Коммутатор $[A, B]$ — базовая операция измерения Логики.

Энтропия активаций (для E)

Определение:

$$I_E := D_{\text{diff}}^{\text{approx}} = \exp(S_{vN}(\rho_{\text{attn}}))$$

где $S_{vN}(\rho) = -\mathrm{Tr}(\rho \log \rho)$ — энтропия фон Неймана распределения внимания.

Свойства:

• $I_E \geq 2$ → система различает минимум 2 качественно разных состояния (порог L2)
• $I_E \approx 1$ → вырожденное внимание → бедный опыт

Связь с теорией: Аппроксимирует дифференциацию опыта $D_{\text{diff}}$.

Effective Φ (для U)

Иерархия метрик Unity

Существуют два уровня строгости для измерения $U$:

• Если $\Gamma$ известна: $R_{\text{UHM}} = 1/(N \cdot P)$ [Т, мера рефлексии R] — точное алгебраическое тождество
• Black-box (нет доступа к $\Gamma$): $\Phi_{\text{eff}}$ [О] — полиномиальная аппроксимация через граф внимания

Точный расчёт $\Phi_{\text{IIT}}$ требует $O(2^n)$ операций и практически нереализуем.

Точная мера (при известной $\Gamma$, [Т], мера рефлексии R):

$$R_{\text{UHM}}(\Gamma) = \frac{1}{N \cdot P}$$

Доказательство: $\|{\Gamma - I/N}\|_F^2 = P - 1/N$, откуда $R = 1 - (P-1/N)/P = 1/(NP)$. Подтверждено в реализации с ошибкой $< 10^{-7}$ (машинная точность f64).

Аппроксимация black-box ([О]):

$$\Phi_{\text{eff}} := \frac{\lambda_2(L_{\text{attn}})}{\lambda_{\max}(L_{\text{attn}})}$$

где $L_{\text{attn}} = D - A$ — Лапласиан графа внимания.

Свойства $\Phi_{\text{eff}}$:

• $\lambda_2 > 0$ → граф связен → информация интегрирована
• Сложность: $O(n \cdot k)$ вместо $O(2^n)$

Связь с теорией: $R_{\text{UHM}}$ и $\Phi_{\text{eff}}$ аппроксимируют интеграцию $\Phi$ — меру Единства. При $P = 3/N = P_{\text{opt}}$: $R_{\text{UHM}} = 1/3 = R_{\text{th}}$ — граница L2-зоны (мера рефлексии R).

Ранг Якобиана (для S)

Определение:

$$J_f(\mathbf{x}) = \frac{\partial f(\mathbf{x})}{\partial \mathbf{x}}, \quad I_S = \frac{\mathrm{rank}_\varepsilon(J_f)}{\min(d_{\text{out}}, d_{\text{in}})}$$

Интерпретация:

• $I_S \approx 1$ → полноранговая структура → богатые репрезентации
• $I_S \ll 1$ → вырожденная структура → коллапс

Связь с теорией: Отражает Структуру как топологию активаций.

---

Реконструкция Γ

Cholesky-параметризация

Свойство: Представление $\Gamma = LL^\dagger / \mathrm{Tr}(LL^\dagger)$ гарантирует корректность матрицы плотности.

Доказательство: См. Матрица когерентности.

Согласие с данными, априорные условия и идентификация

Допустимость состояния не является эмпирической корректностью. Сюръективная параметризация выражает многие состояния; правдоподобие ограничивает их наблюдениями. Регуляризация может выбрать предпочтительное состояние в неоднозначном слое, но не доказывает идентифицируемость.

В поисковом анализе чувствительности допустимы штрафы за расхождения диагонали, модулей когерентностей и динамики. Каждый требует указанной модели наблюдения/шума и объявленных весов. Модульный штраф оставляет знаковые фазы неопределёнными. Динамический штраф вносит проверяемую теорию. В подтверждающих биологических прогонах веса динамики и жизнеспособности равны нулю (SUB-2); идентифицируемость и диапазоны величин оцениваются через модель наблюдения.

Штраф [О]	Выражение	Выбранная цель
$\mathcal{L}_{\text{diag}}$	$\sum_i (\gamma_{ii} - I_i / \sum_j I_j)^2$	Согласованность диагонали
$\mathcal{L}_{\text{off}}$	$\sum_{i \neq j} (\|\gamma_{ij}\|^2 - r_{ij}^2 \gamma_{ii} \gamma_{jj})^2$	Согласованность когерентностей
$\mathcal{L}_{\text{dyn}}$	$\|\Gamma_{\tau+1} - \Phi_{\text{pred}}(\Gamma_\tau)\|_F^2$	Согласованность динамики

---

Категорная корректность

Параметризация состояния не задаёт канал или функтор

Ненулевой нижнетреугольный множитель $L$ размера $7\times7$ с вещественной диагональю содержит $7+2\cdot21=49$ вещественных чисел. Нормировка $LL^\dagger$ устраняет избыточный положительный масштаб и оставляет 48 степеней свободы состояния. В положительно определённой внутренней области множитель Холецкого с положительной диагональю и $\operatorname{Tr}(LL^\dagger)=1$ единственен; состояния неполного ранга лежат на граничных стратах и не описываются одной глобальной неограниченной картой. Оценивание всех 49 исходных чисел множителя с последующей нормировкой не нарушает аксиому следа. Отсутствие нормировки нарушает её.

Для биективной карты $\psi:Q\to\mathsf S$ перенос отображений $f\mapsto\psi f\psi^{-1}$ алгебраически сохраняет композицию и тождества. Это задаёт функтор между категориями соответствующих отображений. Из этого не следует линейность и CPTP-свойство перенесённых морфизмов. Функтор в категорию CPTP дополнительно требует явного назначения каждого морфизма и доказательств линейности, полной положительности, сохранения следа, тождеств и композиции.

Для многозначно сжимающего кодировщика $G:X\to\mathsf S$ преобразование $f:X\to X$ спускается в корректно заданное отображение состояния $\bar f$ тогда и только тогда, когда из $G(x)=G(x')$ следует $G(f(x))=G(f(x'))$. Тогда $\bar f(G(x))=G(f(x))$, и композиция сохраняется на образе. Продолжение до CPTP-канала вне образа — дополнительное условие. Именно это условие на слои является точным критерием; одна формула Холецкого его не обеспечивает.

Приближённый функтор сначала требует указать исходную и целевую категории, отображения объектов и морфизмов, общие области и норму. Для отображений на общей области состояний можно проверять дефект композиции $\sup_\Gamma\|G(f\circ g)(\Gamma)-G(f)(G(g)(\Gamma))\|_{\mathrm{HS}}$. Локальная линеаризация якобианом не даёт универсальной оценки дефекта без ограничений вторых производных и рабочей области. Численное сохранение диагонали или одной траектории проверяет это свойство реализации, а не функториальность каждого морфизма.

См. различение модели наблюдения, оценщика и канала и Watrous, определение 2.13.

Принцип разделения: диагональ / когерентности [Т, MVP-0]

Область действия диагонального профиля. Малая вариация $W_{\mathrm{raw}}=\|\mathbf1-N\operatorname{diag}\Gamma\|_2$ в выбранном запуске — численное наблюдение, а не инвариант общей динамики. Без дополнительных условий эта неограниченная величина не равна норме стресса после clamp.

Диагональ сохраняется при явно сохраняющей населённости декогеренции, диагональном $H$, совпадающих населённостях цели и отсутствии изменяющего населённости входа. Общий гамильтониан меняет населённости: эрмитовость не обнуляет $-i[H,\Gamma]_{kk}$; см. T-134. Прунинг весов также может менять населённости и нормировку, поэтому нужно задать и измерить его отображение. Интерпретация диагонали как личности, а когерентностей как обучения — гипотеза архитектуры [Г].

---

Валидация

Тест жизнеспособности

$$P(\Gamma) = \mathrm{Tr}(\Gamma^2) > P_{\text{crit}} = \frac{2}{7} \approx 0.286$$

См. Теорему о критической чистоте и Жизнеспособность.

Поток когерентности

Определение:

$$J_P := \frac{dP}{d\tau} = 2 \cdot \mathrm{Tr}\left(\Gamma \cdot \frac{d\Gamma}{d\tau}\right)$$

где τ — эмерджентное внутреннее время.

Режим	Условие	Интерпретация
Регенерация	$J_P > 0$ при стрессе	Система восстанавливается
Стабильность	$J_P \approx 0$, $P > P_{\text{crit}}$	Устойчивое равновесие
Распад	$J_P < 0$ устойчиво	Декогеренция

Тест лоботомии

Протокол:

1. Измерить $P_0$ и $\text{Accuracy}_0$
2. Интервенция: прунинг части весов
3. Измерить $P_1$ и $\text{Accuracy}_1$

Механизм вмешательства [Г]. Прунинг задаётся конкретным преобразованием параметров и источников наблюдения. Его действие на диагональ, комплексные когерентности и нормировку оценивается заново; универсальное сохранение населённостей не следует из канала замещения.

Интервенционная проверка прогностической полезности [Г]. Заранее фиксируем направление, лаг и величину изменения метрики при удалении весов; проверяем способность предсказать изменение точности на отложенных вмешательствах. Временное опережение само по себе не доказывает причинность или онтологическую корректность. Прокси, нормировка и время считывания могут менять порядок эффектов; нужны объявленные контрольные модели.

Каузальная замкнутость E

$$\Delta\Phi_E := \Phi_{\text{eff}}(\mathcal{S}_E) - \Phi_{\text{eff}}(\mathcal{S}_E | \text{do}(X := \text{random})) > \varepsilon_{\text{causal}}$$

Отсутствие эффекта $\Delta\Phi_E$ при заранее заданной мощности теста опровергает эту гипотезу каузального прокси. Само по себе оно не доказывает отсутствия феноменологии.

---

Иерархия аппроксимаций

Уровень	Метрики	Сложность	Применение
L0: Быстрый	Косинусное сходство, нормы	$O(n)$	Мониторинг
L1: Стандартный	Ранг Якобиана, $\Phi_{\text{eff}}$	$O(n^2)$	Инференс
L2: Точный	Коммутаторы, NTK	$O(n^3)$	Исследования
L3: Полный	$\Phi_{\text{IIT}}$, полные гомологии	$O(2^n)$	Малые системы

Рекомендация: L1 для практики, L2 для валидации, L3 для калибровки.

---

Практическая реализация

Статус

Этот раздел описывает минимальную жизнеспособную реализацию. Многие параметры требуют экспериментальной калибровки.

Алгоритм вычисления метрик

mount core.math.linalg.{svd, eigvalsh, StaticMatrix};
mount core.math.tensor.{Tensor, frobenius_norm};
mount core.math.random.{XorShift128, Rng};

/// Access protocol for deep models. Implementations provide hooks
/// on activations, attention, and automatic differentiation.
public protocol ModelHooks {
    type Activation;
    fn get_activations(&self, batch: &Tensor) -> List<Self.Activation>;
    fn get_attention_weights(&self, batch: &Tensor) -> Tensor<Float>;
    fn get_jacobian(&self, batch: &Tensor) -> Tensor<Float>;
    fn layer_commutator_norm(&self, i: Int, j: Int, batch: &Tensor) -> Float;
    fn estimate_lyapunov(&self, batch: &Tensor) -> Float;
}

/// Helpers — specialised per architecture.
public pure fn estimate_mutual_info(x: &Tensor, y: &Tensor) -> Float
    = unimplemented;

public pure fn von_neumann_entropy(attn: &Tensor) -> Float
    = unimplemented;

public pure fn build_attention_graph(attn: &Tensor) -> Tensor<Float>
    = unimplemented;

/// 7-dimensional UHM metrics I_A…I_U for a neural network.
public type DimensionMetrics is {
    i_a: Float, i_s: Float, i_d: Float, i_l: Float,
    i_e: Float, i_o: Float, i_u: Float,
};

/// Compute 7 UHM dimensions for a neural network.
public fn compute_dimension_metrics<M: ModelHooks>(
    model:         &M,
    input_batch:   &Tensor,
    layer_indices: Maybe<List<Int>>,
) using [Random] -> DimensionMetrics
{
    let activations = model.get_activations(input_batch);
    let attn = model.get_attention_weights(input_batch);

    // I_A: mutual information input ↔ latent.
    let i_a = estimate_mutual_info(input_batch, activations.last().unwrap());

    // I_S: Jacobian rank fraction (via SVD, ε = 10⁻⁶).
    let jac = model.get_jacobian(input_batch);
    let sv = svd(&jac).singular_values();
    const EPS_RANK: Float = 1.0e-6;
    let i_s = (sv.iter().filter(|s| **s > EPS_RANK).count() as Float) / (sv.len() as Float);

    // I_D: maximum Lyapunov exponent.
    let i_d = model.estimate_lyapunov(input_batch);

    // I_L: mean layer commutator norm; 1.0 if no pairs.
    let idx = layer_indices.unwrap_or((0..activations.len()).collect());
    let mut comms = List.new();
    for i in 0..idx.len() { for j in (i + 1)..idx.len() {
        comms.push(model.layer_commutator_norm(idx[i], idx[j], input_batch));
    }}
    let i_l = if comms.is_empty() { 1.0 }
              else { 1.0 - comms.iter().sum<Float>() / (comms.len() as Float) };

    // I_E: exp(von Neumann entropy of attention).
    let i_e = von_neumann_entropy(&attn).exp();

    // I_O: noise robustness.
    let mut rng = XorShift128.seed(Random.next_key());
    const NOISE_STD: Float = 0.01;
    let perturbed = input_batch + Tensor.random_normal(input_batch.shape(), &mut rng) * NOISE_STD;
    let delta_h = frobenius_norm(
        model.get_activations(&perturbed).last().unwrap()
      - activations.last().unwrap()
    );
    let i_o = (1.0 - delta_h / NOISE_STD).max(0.0);

    // I_U: Laplacian spectral gap (λ₂/λ_max).
    let attn_graph = build_attention_graph(&attn);
    let row_sums = attn_graph.sum(axis: 1);
    let laplacian = Tensor.diagonal(row_sums) - &attn_graph;
    let eigs = eigvalsh(&laplacian);
    let lambda_2   = if eigs.len() > 1 { eigs[1] } else { 0.0 };
    let lambda_max = eigs.last().unwrap_or(&0.0);
    let i_u = if lambda_max > 0.0 { lambda_2 / lambda_max } else { 0.0 };

    DimensionMetrics {
        i_a: i_a, i_s: i_s, i_d: i_d, i_l: i_l,
        i_e: i_e, i_o: i_o, i_u: i_u,
    }
}

Реконструкция Γ из метрик

/// Reconstruct the coherence matrix via Cholesky from 7 dimension metrics.
/// Simplest diagonal reconstruction — off-diagonal γ_ij requires additional
/// correlation data from a regulariser L_off.
public pure fn reconstruct_gamma(m: &DimensionMetrics) -> StaticMatrix<Complex, 7, 7> {
    let raw = StaticVector<Float, 7>.from_array(
        [m.i_a, m.i_s, m.i_d, m.i_l, m.i_e, m.i_o, m.i_u]
    ).map(|v| v.clamp(0.01, 1.0));           // prevent degeneracy
    let total: Float = raw.iter().sum();
    let diag = raw.map(|v| v / total);

    // Cholesky factor L = diag(√p_k).
    let l = StaticMatrix<Complex, 7, 7>.diagonal(
        diag.map(|v| Complex.from_real(v.sqrt()))
    );
    let gamma = l.matmul(&l.adjoint());
    &gamma / gamma.trace()                                              // normalise
}

/// Purity P = Tr(Γ²).
public pure fn compute_purity(gamma: &StaticMatrix) -> Float
    where ensures 1.0/7.0 <= result && result <= 1.0
{
    (gamma.matmul(&gamma)).trace().real()
}

Пороговые значения

Параметр	Значение	Источник	Статус
$P_{\text{crit}}$	$2/7 \approx 0.286$	Теорема	Доказано
$\mathrm{rank}(\rho_E) > 1$ (порог L1)	$> 1$	Нетривиальная интериорность	[Т]
$R_{\text{th}}$ (порог L2)	$\geq 1/3$	Иерархия	Доказано [Т]
$\Phi_{\text{th}}$ (порог L2)	$\geq 1$	T-129	Доказано [Т]
$D_{\text{diff}}^{\text{min}}$	$\geq 2$	T-151	Независимый порог L2 [О] (до 2026-09-25 значилось «Доказано [Т]»)
Дефект композиции	Зависит от реализации	Задать объекты/морфизмы и проверить спуск по слоям	Условно
$\varepsilon_{\text{functor}}$	$< 0.1$ при $\alpha>0$ (нейронный)	Требует калибровки	Гипотеза
$\varepsilon_{\text{causal}}$	$> 0.05$	Требует калибровки	Гипотеза

Связь с иерархией интериорности

Пороги L1 и L2 в протоколе соответствуют уровням L1 и L2 из иерархии интериорности L0→L4. Уровни L3 (сетевое сознание) и L4 (унитарное сознание) — см. формальное описание.

Практические ограничения

Ограничение	Влияние	Митигация
Размер батча	Дисперсия оценок	$N \geq 64$ для стабильности
Глубина сети	Сложность коммутаторов	Семплировать подмножество слоёв
Размерность активаций	$O(n^2)$ для Якобиана	Проекция в $\mathbb{R}^k$, $k \ll n$
Attention heads	Агрегация по головам	Среднее или max-pooling
Детерминизм	Стохастические слои (dropout)	Фиксировать seed или усреднять

Требования к данным

Для валидного измерения необходимо:

1. Репрезентативный входной батч: $N \geq 64$ примеров из целевого распределения
2. Доступ к активациям: hook-и на промежуточные слои
3. Attention weights: для вычисления $I_E$ и $I_U$
4. Градиенты: для Якобиана (автодифференцирование)

Что реализовано (SYNARC MVP-0/1/2)

Подтверждено в реализации

1. Cholesky-backbone ($\alpha=0$): допустимость состояния и свойства конкретной реализации [В, MVP-1]; глобальная биекция и функтор в CPTP не следуют (см. «Категорная корректность»)
2. Нейронный мост ($\alpha>0$): $G$ — квази-функтор [Г] — H1/H2/H4 подтверждены [С] для аналитического backbone (MVP-1); нейронная коррекция $\alpha>0$ — MVP-3+
3. Принцип разделения диагональ/когерентности [Т, MVP-0] — диагональ гомеостатически стабильна; когерентности — зона адаптации
4. R = 1/(N·P) — точное тождество [Т, MVP-0, мера рефлексии R] — ошибка $< 10^{-7}$
5. No-Zombie floor [Т, MVP-0] — $P_{\min} \geq P_{\text{crit}} - \varepsilon_\Gamma$ при $\gamma_{\text{dec}} = 10$ (в 10000× выше нормы)
6. H3: R_impl ↔ R_UHM [С, MVP-2] — пороговая согласованность 97.9%

Что НЕ реализовано

Открытые проблемы реализации

1. Калибровка $\varepsilon$-параметров ($\varepsilon_{\text{functor}}$ при $\alpha>0$, $\varepsilon_{\text{causal}}$) — требует экспериментов на известных системах
2. Нейронная коррекция ($\alpha>0$) — аналитический backbone (MVP-1/2) достаточен для Level 0-1; полноценный нейронный мост — MVP-3+
3. Временная динамика τ — как определить «шаг» эмерджентного времени для inference в LLM?
4. Валидация на биологических системах — нейроимиджинг ↔ метрики
5. Масштабирование — применимость к моделям $>10^9$ параметров

---

Протокол «Двойного интервью» для биологических систем

Статус: [Пр] Исследовательская программа

Протокол разработан теоретически. Экспериментальная валидация отсутствует.

Принцип

Двойное интервью одновременно измеряет внешние (поведенческие, физиологические) и внутренние (самоотчётные) характеристики системы, предлагая совместную модель наблюдений; полнота реконструкции $\Gamma$ и фаз требует отдельной проверки идентифицируемости.

Этапы протокола

Этап	Измерение	Данные	Что извлекаем
1. Фоновая запись	EEG, fMRI, HRV	Физиология покоя	Диагональ $\gamma_{ii}$, оценка $P$
2. Структурированное интервью	Ответы на 7 батарей вопросов (по измерению)	Вербальные отчёты	Когерентности $\lvert\gamma_{ij}\rvert$ между измерениями
3. Парадоксальные зонды	Конфликтные задачи	Время реакции, HRV	Поведенческий прокси [Г]; не измеренная фаза
4. Динамическая проба	Стресс-тест + восстановление	Временные ряды $P(\tau)$	$\kappa(\Gamma)$, $\Gamma_2$, τ_char

Реконструкция гамильтоновой компоненты [Т при идентифицированном генераторе]

Матричное отношение $\Gamma(t+\delta t)\Gamma(t)^{-1}$ не является пропагатором векторов состояния; его логарифм не восстанавливает $H$. Прежняя формула снята (2026-10-03).

Если негамильтонова часть $B(\Gamma)$ независимо известна, положим $X=\dot\Gamma-B(\Gamma)$ и решаем $X=-i[H,\Gamma]$ как вещественную линейную обратную задачу по эрмитову $H$. В собственном базисе $\Gamma$ со значениями $p_m$ каждая пара $p_m\ne p_n$ удовлетворяет

$$H_{mn}=\frac{iX_{mn}}{p_n-p_m}.$$

Блоки, коммутирующие с $\Gamma$, не определяются по производной одного состояния; необходимое условие согласованности — $X_{mn}=0$ при $p_m=p_n$. Для одного постоянного гамильтониана, исследованного на нескольких известных состояниях, неоднозначность равна пересечению их коммутантов; единственность до аддитивного скаляра требует, чтобы пересечение состояло только из скаляров. Малые спектральные зазоры ухудшают обусловленность. Неизвестные диссипативные/регенеративные скорости требуют совместной идентификации; высокая частота дискретизации сама по себе не обеспечивает этих условий. Динамическая наблюдаемость.

Равновесный Gap

Стационарная когерентность [Т при замороженной линейной модели]

Для скалярного уравнения $\dot\gamma_{ij}=-(\Gamma_2+\kappa+i\Delta\omega_{ij})\gamma_{ij}+\kappa\gamma^*_{ij}$ при постоянных коэффициентах и фиксированной цели:

$$|\gamma_{ij}^{(\infty)}|=\frac{\kappa|\gamma^*_{ij}|}{\sqrt{(\Gamma_2+\kappa)^2+\Delta\omega_{ij}^2}}.$$

Это модуль, а не Gap. При зависящей от состояния цели $\varphi(\Gamma)$ формула является лишь условием самосогласования равновесия; она не доказывает его существование, единственность или устойчивость.

См.: Теорема 8.1, Фано-канал

Физиологические частоты

Характерные частоты проекций $\Gamma$ на измерения:

Измерение	Физиологическая частота	Метод измерения	Обоснование
$A$ (Артикуляция)	$1$–$5$ Гц	EEG θ-ритм	Сенсорная обработка
$S$ (Структура)	$10^{-2}$–$10^{-4}$ Гц	fMRI BOLD	Медленные структурные колебания
$D$ (Динамика)	$8$–$13$ Гц	EEG α-ритм	Моторно-когнитивная динамика
$L$ (Логика)	$30$–$100$ Гц	EEG γ-ритм	Когнитивное связывание
$E$ (Интериорность)	$0.005$–$0.02$ Гц	EEG инфрамедленные	Голдстоуновские моды
$O$ (Основание)	$0.04$–$0.15$ Гц	HRV (LF)	Гомеостатическая регуляция
$U$ (Единство)	$0.15$–$0.4$ Гц	HRV (HF)	Вагусная модуляция

Статус: [Г]

Соответствие измерений и физиологических частот — гипотеза, требующая экспериментальной проверки. Частоты E-измерения ($0.005$–$0.02$ Гц) — фальсифицируемое предсказание, связанное с голдстоуновскими модами.

Реконструкция Gap-профиля из интервью

# Exploratory interview score, not a reconstructed phase or UHM Gap.
# No missing-data defaults; behavior is excluded from confirmation (SUB-3).
def interview_discrepancy(external, report):
    if external is None or report is None:
        return None
    return abs(external - report)

# Only after the signed complex observation model has been calibrated:
def gap_from_identified_coherence(gamma_ij):
    if gamma_ij is None:
        return None
    if abs(gamma_ij) == 0:
        return 0.0  # declared zero-coherence convention
    return abs(gamma_ij.imag) / abs(gamma_ij)

---

Критерии успеха

Протокол валидирован, если:

1. $P > P_{\text{crit}}$ для функционирующих систем в ≥90% случаев
2. Корреляция $P$ с качеством: $r > 0.5$
3. Тест лоботомии: $\Delta P$ предсказывает $\Delta A$ в ≥70% случаев
4. $\Delta\Phi_E > \varepsilon_{\text{causal}}$ для «понимающих» систем

Протокол фальсифицирован, если:

1. $P < P_{\text{crit}}$ для заведомо жизнеспособных систем
2. $\Delta P$ не коррелирует с $\Delta A$ при интервенциях
3. $\Phi_{\text{eff}}$ не различает симуляцию и реализацию

---

Граница валидации: нет порога без независимой истины

Чему учит единственная клинически валидированная мера поля

Перцептивно-возмущённый индекс сложности (PCI) — единственная мера сознания с крупной клинической валидацией: отклик ЭЭГ на ТМС-импульс, сжатие по Лемпелю–Зиву, эмпирический порог $\mathrm{PCI}^*=0{,}31$, полученный на эталонной популяции и позже проверенный на 719 сессиях ТМС/ЭЭГ — бодрствование, медленный сон, наркоз, расстройства сознания. Два урока переносятся к нам прямо, и второй жёстко ограничивает то, что УГМ вправе утверждать.

Урок 1 — соизмерение решается калибровкой, а не единицами. PCI нормирован по длине и амплитуде сигнала, а его порог не выведен из теории, а подогнан по эталонной популяции. Это ровно та починка, что закрывает аудит A-20: семь наблюдаемых индексов определены в несоизмеримых единицах, поэтому $\Gamma$, построенная по их сырой сумме, есть функция произвола в определениях. Каноническая правка — брать каждый индекс перцентилем против объявленного ансамбля ссылки, той же операцией, какой прикладной слой уже оценивает человека против населения. Ансамбль обязан публиковаться вместе с любым числом, из него полученным: перцентиль без своей ссылки — не измерение.

Урок 2 — порог стоит ровно столько, сколько стоит его независимая истина, и это ограничивает УГМ. Порогу PCI можно верить потому, что он калиброван там, где сознание было известно независимо: те же мозги в бодрствовании и под наркозом, пациенты, которые позже смогли отчитаться. Именно эта независимая истина придаёт числу смысл. Окно УГМ $P\in(2/7,3/7]$ выведено (T-124), а не подогнано, — и это настоящее преимущество, — но вывод фиксирует форму критерия, а не отображение конкретного субстрата в $\Gamma$. Для всякой системы, о которой у нас нет независимых свидетельств наличия или отсутствия переживания — грибная сеть, слизевик, языковая модель, — это отображение невалидируемо, и попадание измеренной $P$ в окно или мимо него не устанавливает о переживании ничего. Оно устанавливает лишь, что функциональные индексы системы при объявленном огрублении лежат или не лежат там, где теория помещает жизнеспособный холон.

Поэтому настоящий корпус не утверждает и не будет утверждать наличие или отсутствие сознания в нечеловеческом субстрате на основании одного лишь замера $\Gamma$. Что такой замер честно умеет — различать состояния внутри одной системы, парным дизайном, который и сделал PCI работающим; вне человеческого случая только в этом дизайне наши пороги несут доказательный вес.

Урок 3 — мерить функциональную структуру, а не носитель. Сложность, снятая с сырого сигнала, ошибается на системах с нетипичным носителем: дети с синдромом Ангельмана бодрствуют, действуют произвольно и отвечают, демонстрируя при этом гиперсинхронный дельта-ритм, обычно считаемый подписью бессознательного. Разрешение в том, что искомая сложность лежит не в огибающей амплитуды, а в функциональной организации. УГМ структурно связана той же дисциплиной: $\Gamma$ строится из функциональных индексов (интеграция, различённость, устойчивость, чувствительность) и никогда из статистик сырого сигнала; протокол, срезающий путь к носителю, унаследует известные поле провалы.

Протокол $\pi_{\mathrm{bio}}$: Реконструкция $\Gamma$ из биологических нейронных данных (Разрешение P8)

Статус: [О] оценщик + [Т] условная идентификация + [Г] эмпирический мост

Протокол $\pi_{\mathrm{bio}}$ — объявленный оценщик нейронных признаков в кандидаты матриц плотности либо в множество совместимых с данными состояний. Условия допустимости $\Gamma\succeq0$ и $\operatorname{Tr}\Gamma=1$ математические. Соответствие EEG/HRV/fMRI, закон наблюдения и калибровка — эмпирические гипотезы; $G_2$-ригидность их не фиксирует. §9 фундаментальных замыканий описывает предлагаемый план одновременной регистрации. Его идентифицируемость должна быть доказана по критериям ниже прежде, чем он будет назван полной томографией состояния. Защиты SUB-1 … SUB-6 от круговой проверки сохраняются.

Принцип: объявленная модель наблюдения и её слои

Теорема (замена снятого утверждения о единственности кодировщика) [Т]

Для фиксированного калиброванного закона наблюдения $\mathsf O_\theta$ точные данные определяют его слои. Состояние единственно ровно при инъективности этого закона на допустимом множестве; величина единственна ровно при постоянстве на каждом слое. Для калиброванных линейных средних $\operatorname{Tr}(H_a\Gamma)$ полная идентификация эквивалентна тому, что проекции эрмитовых операторов порождают 48-мерное бесследовое эрмитово пространство. ID-1, ID-2 и доказательства.

Исправление 2026-10-03. Прежнее доказательство $\pi_2\circ\pi_1^{-1}$ предполагало отсутствующую в условиях обратимость и снято. Фиксация репера Фано или классификация автоморфизмов пространства значений не определяет нейронный кодировщик. Остаточная симметрия выводится из реальной модели наблюдения, а не назначается автоматически как $G_2$ или $\Gamma_{\!\mathrm{oct}}$.

Предлагаемая таблица полос — функциональная гипотеза. Модули CFC могут калибровать модули когерентностей, но не определяют знаковые фазы. Полная реконструкция требует заданной и проверенной комплексной модели наблюдения. В противном случае сохраняется неоднозначный слой и публикуются диапазоны идентифицируемых величин.

Шаг 1: Извлечение диагонали $\gamma_{kk}$ из спектральных мощностей

Измерение	EEG-полоса	Частота	Метрика	Дополнительный источник
$A$ (Артикуляция)	$\alpha$ (8–13 Гц)	Десинхронизация при внимании	Спектральная мощность $P_\alpha$	fMRI: salience network
$S$ (Структура)	инфрамедленные (0.01–0.1 Гц)	Медленные структурные колебания	fMRI BOLD DMN	DTI: структурная связность
$D$ (Динамика)	$\beta$ (13–30 Гц)	Моторно-когнитивная активность	Спектральная мощность $P_\beta$	EMG: моторная активация
$L$ (Логика)	$\gamma$-low (30–50 Гц)	Когнитивное связывание	Спектральная мощность $P_{\gamma L}$	ERP: P300 амплитуда
$E$ (Интериорность)	$\gamma$-high (50–100 Гц) + $\theta$ (4–8 Гц)	Связь опыта с памятью	$P_{\gamma H} \times \mathrm{PAC}(\theta, \gamma)$	Голдстоуновские моды
$O$ (Основание)	HRV LF (0.04–0.15 Гц)	Гомеостатическая регуляция	$\mathrm{LF}/\mathrm{HF}$ ratio	Температура тела, кортизол
$U$ (Единство)	HRV HF (0.15–0.4 Гц) + $\alpha$-когерентность	Вагусная + нейронная интеграция	Глобальная когерентность EEG	$\Phi_{\mathrm{eff}}$ из протокола ИИ

Формула диагонализации:

$$\gamma_{kk} = \frac{w_k \cdot S_k}{\sum_{j=1}^{7} w_j \cdot S_j}, \qquad k \in \{A,S,D,L,E,O,U\}$$

где $S_k$ — нормированная спектральная мощность (или комбинированная метрика) для $k$-го измерения, $w_k$ — калибровочные веса (определяемые из обучающей выборки с известным состоянием сознания).

Шаг 2: Извлечение когерентностей $|\gamma_{ij}|$ из кросс-частотного связывания

Ключевое соответствие

Когерентности $|\gamma_{ij}|$ между измерениями $i$ и $j$ пропорциональны силе кросс-частотного связывания (CFC) между соответствующими EEG-полосами:

$$|\gamma_{ij}| \propto \mathrm{CFC}(\mathrm{band}_i, \mathrm{band}_j)$$

Типы CFC, используемые для реконструкции:

Пара	Тип CFC	Метод	Интерпретация
$(A, L)$: $\alpha$--$\gamma$	Phase-amplitude coupling (PAC)	Modulation Index (Tort et al.)	Внимание модулирует когнитивное связывание
$(D, L)$: $\beta$--$\gamma$	PAC	MI	Моторно-когнитивная координация
$(E, L)$: $\theta$--$\gamma$	PAC	MI (гиппокампальный)	Связь опыта и логики
$(A, E)$: $\alpha$--$\gamma_H$	Амплитуда-амплитуда	Корреляция огибающих	Осознанность-интериорность
$(O, U)$: LF--HF	HRV когерентность	Кросс-спектральный анализ	Гомеостаз-интеграция
$(S, D)$: инфрамедленные--$\beta$	Nested oscillations	Wavelet coherence	Структура-динамика

Шаг 3: знаковые фазовые наблюдения и профиль Gap

При ненулевой когерентности $\theta_{ij}=\arg\gamma_{ij}$ и $\mathrm{Gap}_{ij}=|\sin\theta_{ij}|$. Gap теряет знак и ветвь фазы. Формула $\theta=\arcsin(\mathrm{Gap})$ не является реконструкцией. Явные контрпримеры положительных состояний имеют одинаковые диагональ, модули и Gap при различных голономиях треугольников; у некоторых различны и спектры.

Регистрируем комплексное кросс-спектральное или фазово-синхронное среднее $z_{ij}=\langle e^{i(\phi_i-\phi_j)}\rangle$ с объявленными временем/эталоном и ориентацией $z_{ji}=\overline z_{ij}$. Его аргумент — измеренная нейронная фаза; связь с $\theta_{ij}$ требует замороженного калиброванного закона наблюдения [Г]. Вещественный PLV $|z_{ij}|$ не даёт знаковой фазы. Для действительно кросс-частотных пар нужно указать гармоническую комбинацию фаз; обычная одночастотная когерентность не должна незаметно заменять PAC.

Время реакции может проверять отдельно объявленную поведенческую связь с Gap в поисковой работе, но не фиксирует ветвь фазы и исключено из подтверждающего предиктора (SUB-3). Если комплексных знаковых наблюдений нет или их связь с $\Gamma$ не проверена, фазы помечаются как неопределённые. В подтверждающем опыте запрещены заполнение нулями и восстановление фаз из поведения.

Шаг 4: реконструкция ограниченным правдоподобием

Оценщик [О], мост наблюдения [Г], идентификация [Т при заданной модели]

При замороженной калибровке $\theta$ определим

$$\widehat{\mathcal G}_\theta(y)=\underset{\Gamma\succeq0,\ \operatorname{Tr}\Gamma=1}{\arg\max}\;\log p_\theta(y\mid\Gamma).$$

Это множество argmax, а не автоматически одно состояние. В линейной гауссовской модели $y\sim\mathcal N(M_\theta(\Gamma),\Sigma)$ при известной $\Sigma\succ0$ получаем выпуклую задачу наименьших квадратов; информационная полнота даёт единственность и количественную устойчивость ID-2. Неизвестная калибровка требует совместной идентификации. Для нелинейных моделей CFC/фаз сходимость оптимизатора не доказывает глобальную единственность.

Объявленная поисковая модель может использовать $S_k\sim\mathcal N(a_k\gamma_{kk}+b_k,\sigma_k^2)$ и $\mathrm{CFC}_{ij}\sim\mathcal N(c_{ij}|\gamma_{ij}|,\tau_{ij}^2)$ с калиброванными коэффициентами. Эти модульные данные неполны для реконструкции всего состояния. Добавляем отдельно калиброванные вещественные и мнимые наблюдения либо публикуем всё совместимое множество. Модель шума должна указывать зависимость дисперсии от состояния и корреляции ошибок.

Положительность: оптимизируем непосредственно по конусу положительных полуопределённых матриц единичного следа. Ненулевой множитель Холецкого — альтернативная реализация: 49 исходных вещественных чисел с одним избыточным масштабом после нормировки; это не свободный треугольный массив из 48 чисел. Глобальная фаза $L$ уже сокращается в $LL^\dagger$; условие $\gamma_{AS}\in\mathbb R_+$ меняет относительную фазу состояния и запрещено без явного обоснования как симметрии плана наблюдения.

Защита от круговой проверки: $\lambda_2=0$ во всякой проверке и $\lambda_1=0$ в подтверждающем опыте (SUB-2). Динамический штраф допустим лишь как объявленный анализ чувствительности. Априорные условия, выборы фаз и ограничения ранга публикуются; они выбирают состояние в слое, но не обеспечивают измеренную информацию. Публикуются доверительное множество, диапазоны величин, случаи несовместимости модели и неопределённые вердикты ID-A … ID-D.

Шаг 5: Связь с PCI (Casali et al. 2013; Casarotto et al. 2016)

к сведению

Гипотеза (PCI как заместитель $\Phi$) [Г]

Индекс пертурбационной сложности (PCI) монотонно связан с мерой интеграции $\Phi(\Gamma)$ (предсказание P8.3). Линейная форма $\Phi(\Gamma) \approx \alpha_{\mathrm{PCI}} \cdot \mathrm{PCI} + \beta_{\mathrm{PCI}}$ с константами, подогнанными на обучающей выборке, — это калибровка, а не мост: то, к чему она подогнана, она проверить не может.

Обоснование: PCI измеряет алгоритмическую сложность ответа коры на TMS-возмущение; высокий PCI требует ответа одновременно интегрированного и дифференцированного, а $\Phi$ — мера интеграции УГМ. Прежняя фраза «PCI $\geq 0.31$ при бодрствовании, что соответствует $\Phi \geq \Phi_{\mathrm{th}} = 1$» утверждала соответствие, которое ничем не выведено; она снята.

Что выводится — мост со стороны УГМ [Т]. Три факта задают взаимное положение порогов УГМ без всяких нейроданных:

• $\Phi \geq 1 \Rightarrow P \geq 2/7$ на всём $\mathcal D(\mathbb C^7)$ (T-129a).
• На страте с равномерной диагональю $P = (1 + \Phi)/7$, $R = 1/(1 + \Phi)$ и $C = \Phi R = \Phi/(1+\Phi)$; окно $P \in (2/7, 3/7]$ — это ровно $\Phi \in (1, 2]$, $R \in [1/3, 1/2)$, $C \in (1/2, 2/3]$ (проверено в check_core_numbers.py, test_uniform_diagonal_window_is_phi_between_one_and_two).
• У предиката два выхода: $P \leq 2/7$ (слишком смешанное; на равномерной диагонали то же, что $\Phi \leq 1$) и $P > 3/7$ (слишком чистое; $R < 1/3$). Поэтому у низкого PCI две возможные сигнатуры в УГМ, а не одна.

Что не выводится [✗, если утверждать]. Численный перевод между PCI и $P$ или $\Phi$. PCI — нормированная лемпель-зивовская сложность бинаризованной матрицы активности источников; $P$ и $\Phi$ — функции $\Gamma$. Близость $\mathrm{PCI}^* = 0.31$ к $2/7 \approx 0.286$ — совпадение двух несвязанных шкал и доказательной силы не имеет. Проверяемый мост — согласие вердиктов на одних и тех же сессиях (P8.4 ниже): $\mathrm{Cons}(\hat\Gamma)$ против $\mathrm{PCI}_{\max} > \mathrm{PCI}^*$.

Опорные данные — Casarotto et al. (2016), таблица 1 (Ann. Neurol. 80: 718–729, doi:10.1002/ana.24779). Эталонная популяция: 150 субъектов, 540 наборов TMS-вызванных потенциалов; $\mathrm{PCI}^* = 0.31$ получен ROC-анализом, в котором эталоном служит наличие или отсутствие субъективного отчёта — немедленного или отсроченного; на этой выборке порог разделяет два класса со 100 % чувствительностью и 100 % специфичностью. Значения — $\mathrm{PCI}_{\max}$ на субъекта, медиана [мин–макс]:

Состояние	Отчёт	Субъектов	$\mathrm{PCI}_{\max}$	Вердикт УГМ для проверки
Бодрствование (здоровые)	немедленный	102	0.53 [0.39–0.70]	Cons
Сон REM	отсроченный (сновидение)	8	0.48 [0.36–0.56]	Cons
Кетаминовая анестезия	отсроченный	6	0.43 [0.36–0.52]	Cons
Сон NREM	нет	18	0.25 [0.15–0.31]	¬Cons
Мидазолам	нет	6	0.30 [0.23–0.31]	¬Cons
Ксенон	нет	6	0.23 [0.11–0.31]	¬Cons
Пропофол	нет	6	0.26 [0.23–0.31]	¬Cons

У пациентов: у 36 из 38 в состоянии минимального сознания $\mathrm{PCI}_{\max} > \mathrm{PCI}^*$ (чувствительность 94.7 %), и у 9 из 43 в вегетативном состоянии — тоже. (Индекс введён в Casali et al. 2013, Sci. Transl. Med. 5(198): 198ra105, doi:10.1126/scitranslmed.3006294.) Таблица, стоявшая в этом разделе до 2026-09-25, — «бодрствование $0.44 \pm 0.10$, REM $0.41 \pm 0.09$, NREM $0.18 \pm 0.06$, пропофол $0.12 \pm 0.05$, кома $0.15 \pm 0.10$, MCS $0.32 \pm 0.08$» с пометкой «наблюдаемые», — не имеет источника ни в одной из двух статей и снята. Для УГМ важнее всего строки REM и кетамина: сознание без поведения, где вердикт нельзя прочесть по отчётам, данным в тот же момент.

Шаг 6: Связь с квантовой когнитивистикой (Pothos-Busemeyer)

Контекст: квантовая когнитивистика

Подход Pothos-Busemeyer (Annual Review of Psychology, 2022) моделирует когнитивные процессы через квантовые состояния в гильбертовом пространстве. Базовый формализм: $\rho \in \mathcal{D}(\mathcal{H})$ для описания убеждений и решений.

Связь с УГМ: Квантовая когнитивистика использует $\dim(\mathcal{H})$ = число альтернатив. УГМ выбирает $\dim(\mathcal{H}) = 7$ как примитивный репер; общая минимальность требует указанных дополнительных посылок (Теорема S). Матрица $\Gamma \in \mathcal{D}(\mathbb{C}^7)$ — онтологическая (не эпистемическая): она определяет систему, а не описывает убеждения наблюдателя о системе.

Шаг 7: Полный алгоритм $\pi_{\mathrm{bio}}$

# Reference algorithm for a CALIBRATED LINEAR Gaussian observation model.
# Requires NumPy and a semidefinite solver through CVXPY.
# This is a state estimator, not a CPTP channel or a neural feature extractor.
import numpy as np
import cvxpy as cp


def traceless_hermitian_basis(n=7):
    basis = []
    for k in range(1, n):
        diag = np.zeros(n)
        diag[:k], diag[k] = 1, -k
        basis.append(np.diag(diag) / np.sqrt(k * (k + 1)))
    for i in range(n):
        for j in range(i + 1, n):
            re = np.zeros((n, n), complex)
            im = np.zeros((n, n), complex)
            re[i, j] = re[j, i] = 1 / np.sqrt(2)
            im[i, j], im[j, i] = 1j / np.sqrt(2), -1j / np.sqrt(2)
            basis.extend([re, im])
    return np.asarray(basis)  # 48 orthonormal REAL coordinates, trace zero


def reconstruct_linear(y, H, covariance, epsilon):
    # y_a models Tr(H_a Gamma); H and covariance are frozen calibration.
    # Signed imaginary observations must be present in H/y if claimed measured.
    # Missing observations are omitted, never replaced by zeros or arcsin(Gap).
    y, H = np.asarray(y, float), np.asarray(H, complex)
    if len(y) == 0 or H.shape != (len(y), 7, 7) or epsilon < 0:
        raise ValueError("Invalid observation design or confidence radius")
    if not np.all(np.isfinite(y)) or not np.all(np.isfinite(H)):
        raise ValueError("Non-finite observations or operators")
    if not np.allclose(H, H.conj().transpose(0, 2, 1)):
        raise ValueError("Observation operators must be Hermitian")
    covariance = np.asarray(covariance, float)
    if covariance.shape != (len(y), len(y)) or not np.allclose(covariance, covariance.T):
        raise ValueError("Invalid fixed covariance")
    chol = np.linalg.cholesky(covariance)  # rejects non-positive covariance
    B = traceless_hermitian_basis()
    A = np.real(np.einsum("aij,bji->ab", H, B))
    offset = np.real(np.trace(H, axis1=1, axis2=2)) / 7
    Aw = np.linalg.solve(chol, A)
    yw = np.linalg.solve(chol, y - offset)
    singular_values = np.linalg.svd(Aw, compute_uv=False)
    # Numerical diagnostics supplement, but do not replace, an analytic proof.
    rank = np.linalg.matrix_rank(Aw)
    alpha = singular_values[-1] if rank == 48 else 0.0
    q = cp.Variable(48)
    Gamma = np.eye(7) / 7 + sum(q[b] * B[b] for b in range(48))
    residual = Aw @ q - yw
    # SUB-2: lambda_1 = lambda_2 = 0; no viability or dynamics penalty.
    problem = cp.Problem(cp.Minimize(cp.sum_squares(residual)), [Gamma >> 0])
    problem.solve()  # publish solver, tolerances and convergence diagnostics
    if problem.status not in (cp.OPTIMAL, cp.OPTIMAL_INACCURATE):
        raise RuntimeError("Reconstruction failed")
    candidate = np.asarray(Gamma.value)
    min_eigenvalue = np.linalg.eigvalsh(candidate).min()
    trace_error = abs(np.trace(candidate) - 1)
    # Floating-point residuals are not exact PSD certificates. Publish them.
    # A production implementation must certify or declare its PSD projection
    # and recompute fit/confidence ranges after that change.
    fit_residual = np.linalg.norm(Aw @ q.value - yw)
    # Confidence set: Gamma(q) >= 0 and ||Aw q - yw|| <= epsilon.
    # Coverage of epsilon must be calibrated independently of tested thresholds.
    # If empty, report model incompatibility. If predicates differ on the set,
    # report an undetermined verdict instead of using only this representative.
    return {
        "numerical_candidate": candidate,
        "minimum_eigenvalue": min_eigenvalue,
        "trace_error": trace_error,
        "design_rank": rank,
        "smallest_singular_value": alpha,
        "fit_residual": fit_residual,
        "confidence_set": {"basis": B, "Aw": Aw, "yw": yw, "radius": epsilon},
        "candidate_residual_within_radius": fit_residual <= epsilon,
        "linear_design_full_rank": rank == 48,
        "solver_status": problem.status,
    }

Готовая к воспроизведению спецификация для TMS-EEG PCI

Цель воспроизведения

Это спецификация проверки объявленной операционализации, а не готовый валидированный прибор. По замороженной модели наблюдения восстанавливаются состояния или совместимые множества, публикуются идентифицируемость/обусловленность и неопределённость, а предсказания вне выборки сравниваются с PCI и отчётами. Математическая ригидность пространства состояний не удостоверяет прибор или нейронный мост.

R1. Происхождение и пригодность данных. Набор-кандидат должен публиковать или предоставлять сырую ЭЭГ с TMS-триггерами, метаданные времени/эталона, независимые метки исходов и модальности замороженного кодировщика (включая ECG/HRV, если используются). До предрегистрации фиксируются условия доступа, версия, DOI и перечень модальностей. Casali et al. (2013) и Casarotto et al. (2016) — первичные публикации эталонных исследований; сама публикация не удостоверяет текущую доступность сырых данных.

Исправление 2026-10-03. Прежнее описание R1.b OpenNeuro ds004504 как TMS-EEG benchmark группы Rogasch неверно: первичные метаданные указывают рутинную ЭЭГ пациентов с болезнью Альцгеймера, лобно-височной деменцией и здоровых людей. Набор не пригоден для заявленного воспроизведения TMS-PCI. Прежняя неопределённая OSF-регистрация Comsa и строки о доступе/численности Bodart не составляют проверенный перечень данных и удалены. Здесь пока не удостоверен публичный набор со всем необходимым комплексом измерений; недостающие модальности требуют отдельно зарегистрированного частичного протокола, а не заполнения.

R2. Pre-processing pipeline (MNE-Python канонический). Референсный препроцессинг для сырого EEG (60-канальный монтаж, 1 кГц sampling, TMS-triggered эпохи $[-1, +1]\,\mathrm{s}$):

Шаг	Операция	Tool / параметры
R2.1	Удаление TMS pulse артефакта	Кубическая интерполяция $[-2, +12]\,\mathrm{ms}$ вокруг импульса (mne.preprocessing.fix_stim_artifact)
R2.2	Downsample	1 кГц → 250 Гц (mne.Epochs.resample)
R2.3	Re-reference	Average reference, исключая TMS-сторону frontal channels
R2.4	Bandpass filter	0.5–80 Гц, 4-й порядок Butterworth zero-phase (mne.filter.filter_data)
R2.5	Notch filter	50 Гц (или 60 Гц), Q = 30
R2.6	ICA artefact rejection	FastICA, 30 компонент; reject TMS-locked decay, eye-blink, ECG (mne.preprocessing.ICA)
R2.7	Epoch-level rejection	$\|\text{max}-\text{min}\| > 120\,\mu\mathrm V$ → отбросить эпоху
R2.8	Спектральная декомпозиция	Morlet wavelets, 1–80 Гц log-spaced, 5-cycle wavelet, baseline $[-600,-100]\,\mathrm{ms}$

Канонические полосы, используемые $\pi_{\mathrm{bio}}$, затем извлекаются из вейвлет-спектрограммы (интегрированы по post-TMS окну $[0, +300]\,\mathrm{ms}$, усреднены по каналам для диагонального feature-вектора; cross-channel pairwise для CFC-вычислений).

Покрытие измерения: полоса 0.5–80 Гц и окно 300 мс не дают инфрамедленные признаки 0.01–0.1 Гц или когерентности 80–100 Гц. Требуются отдельно зарегистрированные длительные/широкополосные записи либо явно другой частичный кодировщик. Отсутствующие признаки не восстанавливаются из фильтрованного сигнала.

R3. Извлечение признаков. Публикуются семь определений признаков, перечень модальностей/времён и комплексные попарные наблюдения. Меры CFC и нормировка задаются отдельно для каждой пары; название библиотеки не устанавливает связь с $\Gamma$. В подтверждающем предикторе исключены времена реакции и PCI; вещественный PLV не используется как фаза или суррогат RT. Там, где это допустимо, сохраняются знаковые комплексные средние, отсутствующие наблюдения помечаются как пропуски, а идентифицируемость проверяется для полученного плана. Отсутствие HRV или низкочастотного покрытия исключает заявление о полной семиосевой реконструкции при нынешнем распределении полос.

R4. Калибровка. Веса, сдвиги, масштабы, метки репера, ковариация и все признаки фиксируются на независимо объявленной опорной когорте бодрствования (SUB-1). Публикуются нормировочная конвенция и неопределённость калибровки; запрещено подгонять чистоту к $2/7$, согласию с PCI или малой межсубъектной вариабельности. Если равномерная популяционная диагональ навязана, это нормировочная конвенция, а не измеренное открытие. Два предлагаемых словаря признаков (спектральные полосы и функциональные признаки) — различные кандидаты кодировщиков; один выбирается заранее, другой проверяется лишь как отдельно зарегистрированное сравнение. Выборки разделяются по субъектам с нетронутой тестовой когортой.

R5. Реконструкция. Используется ограниченное правдоподобие шага 4; линейная референсная реализация применима только при калиброванном законе наблюдения. Публикуются аналитический/численный ранг, наименьшее сингулярное число, невязки, диагностика оптимизатора и доверительные множества. $\lambda_2=0$ во всякой проверке и $\lambda_1=0$ в подтверждающем опыте (SUB-2); другие динамические веса — анализ чувствительности. Ограничения состояния обеспечивают PSD/единичный след, а не порог жизнеспособности. Неполный план даёт частичную идентификацию; неуспешное согласие или сходимость нельзя выдавать за единственную измеренную матрицу.

R6. Вычисление величин и остаточная симметрия. Для каждого совместимого состояния вычисляются

$$P=\operatorname{Tr}\Gamma^2,\quad R=1/(7P),\quad \Phi=\frac{\sum_{i\ne j}|\gamma_{ij}|^2}{\sum_i\gamma_{ii}^2},\quad \mathrm{Coh}_E=\frac{\gamma_{EE}^2+2\sum_{i\ne E}|\gamma_{Ei}|^2}{P}.$$

Публикуются диапазоны на доверительном множестве, а не только один представитель оптимизатора. $P,R$ унитарно инвариантны; $\Phi$ инвариантна при мономиальных преобразованиях репера, а $\mathrm{Coh}_E$ — при сохраняющих $E$ (также при непрерывном унитарном стабилизаторе $E$). Эти алгебраические инвариантности не обеспечивают согласие разных кодировщиков. Публикуются разметка Фано, назначение оси $E$ и фазовые эталоны. Остаточное отождествление выводится из закона наблюдения; прокрустова подгонка по $G_2$ не должна менять уже фиксированный функциональный репер. Расхождение при одинаковой калибровке — эмпирическое или реализационное расхождение, требующее исследования.

R7. Валидация против PCI.

• Вычислить PCI субъекта на тех же TMS-EEG данных через алгоритм Massimini (Lempel–Ziv complexity значимых источников; reference implementation доступна через PCIst package).
• Тест монотонной гипотезы $\Phi(\Gamma) \approx \alpha_\mathrm{PCI}\cdot \mathrm{PCI} + \beta_\mathrm{PCI}$ (гипотеза шага 5 [Г]).
• Pre-register: $r_{\mathrm{Spearman}} \ge 0.5$ через $\ge 20$ субъектов составляет corroboration; $r < 0.3$ составляет фальсификацию P8.3.

R8. Reference implementation stub. Python-код шага 7 — референсный только: документирует алгоритм точно, но не turn-key pipeline. Полная MNE-Python имплементация с:

• mne.Raw загрузчиком, обёрнутым вокруг BIDS-форматированного EEG,
• mne_connectivity интеграцией для CFC,
• scipy.optimize.minimize MLE wrapper,
• вычислением канонической $\Phi$ УГМ (отличной от IIT/pyphi),
• CI-репортингом, планируется как отдельный пакет uhm-neurocalib (релиз привязан к проверенному пригодному пилотному набору). До доступности этого пакета независимые имплементаторы должны использовать pseudocode как specification, и подавать issues/PRs на несоответствия со спецификацией здесь.

Требования воспроизводимости. Любая претензия на успешное или неуспешное воспроизведение должна публиковать:

• (i) сырые данные (BIDS-формат) и pre-processing scripts (воспроизводимые из R2);
• (ii) реконструированные $\Gamma$-матрицы и сделанный gauge-fixing выбор;
• (iii) значения $P, R, \Phi, \mathrm{Coh}_E$ на субъекта;
• (iv) PCI значения, вычисленные на тех же эпохах;
• (v) протокол статистического теста и seed для случайных splits.

Без пунктов (i)-(v) попытка воспроизведения не может быть аудирована.

Тестируемые предсказания протокола $\pi_{\mathrm{bio}}$

№	Предсказание	Метод проверки	Критерий фальсификации
P8.1	$P(\Gamma_{\mathrm{wake}}) > 2/7$ для бодрствующих субъектов	EEG+HRV → $\pi_{\mathrm{bio}}$ → $P$	$P < 2/7$ у здоровых бодрствующих
P8.2	$P(\Gamma_{\mathrm{NREM3}}) < 2/7$ во время глубокого сна	EEG → $\pi_{\mathrm{bio}}$ → $P$	$P > 2/7$ при N3
P8.3	$\mathrm{PCI} \propto \Phi(\Gamma)$ (монотонная зависимость)	TMS-EEG + $\pi_{\mathrm{bio}}$	Немонотонная корреляция
P8.4	Согласие вердиктов: $\mathrm{Cons}(\hat\Gamma)$ совпадает с $\mathrm{PCI}_{\max} > 0.31$ на тех же сессиях, каппа Коэна $\kappa \geq 0.8$ (SUB-5; до 2026-09-25: «переход $P = 2/7$ совпадает с PCI $\approx 0.31$» — сравнение несвязанных шкал)	TMS-EEG + $\pi_{\mathrm{bio}}$ с $\theta$, замороженным на бодрствовании	$\kappa < 0.4$
P8.5	$\mathrm{Gap}(L,E) \approx 1$ при алекситимии	Двойное интервью + EEG	$\mathrm{Gap}(L,E) \ll 1$ при диагностированной алекситимии
P8.6	Критические экспоненты $\beta = 1/4$ при переходе сон-бодрствование	EEG мониторинг + $\pi_{\mathrm{bio}}$ → $P(\tau)$ вблизи $P_{\mathrm{crit}}$	Другие экспоненты

Положение относительно аргумента подстановки

Kleiner и Hoel (2021) различают данные предсказания и отчёты, используемые для вывода об опыте. Их условия зависимости касаются возможных физических вариаций, а не разделения статистической выборки на обучение и тест. Выводы статьи действуют при этих условиях и остальных её посылках. УГМ не устанавливает их для всех физических систем и не решает философскую проблему подстановки заморозкой кодировщика.

Условные утверждения о калибровке [Т]; феноменальный мост [Г/И]

(i) Обучающее согласие не есть независимая проверка. Подбор кодировщика или порога по меткам может повысить согласие на этой выборке. Подогнанная модель не обязана быть точной на 100%, а подгонка сама по себе не устанавливает глобальную строгую зависимость статьи $o_i=f(o_r)$.

(ii) Штраф жизнеспособности способен навязать проверяемый вывод. В указанном равномерном семействе $\Gamma=I/7+m(J-I)$ рассмотрим $420(m'-m)^2+\lambda_2\max(0,1/7-42m'^2)$, $0\le m<m_c=1/\sqrt{294}$. На $[m,m_c]$ производная равна $840(m'-m)-84\lambda_2m'$. При $\lambda_2\ge10(1-m/m_c)$ она неположительна во всём интервале; за $m_c$ остаётся возрастающая потеря согласия с данными. Глобальный минимум имеет $P=2/7$. Это доказательство смещения для выбранной потери/семейства, а не теорема о любом регуляризаторе или наблюдении. Поэтому в подтверждающем опыте оба теоретических веса равны нулю (SUB-2).

(iii) Заморозка устанавливает тестовый протокол, а не универсальную физическую независимость. При фиксированном $\theta$ вердикты отложенной выборки — функции новых данных предсказания без подгонки к её отчётам. Это устраняет такую утечку. Это не доказывает физическую возможность любой вариации данных при неизменных отчётах и не исключает смешения причин, сбоя калибровки или неидентифицируемости кодировщика.

(iv) Объявленная область проверки остаётся эмпирической. Предрегистрируются популяция, семейство вмешательств, исходы и диапазон калибровки. Согласие на отложенных данных проверяет прогностическую поддержку внутри этой области. Чтобы назвать её случаем мягкой зависимости статьи, нужно проверить соответствующие физические/статистические посылки, а не только наблюдать согласие. Перенос классификатора на эмуляции или языковые модели требует нового моста; математический затвор его не даёт.

Предикат состояния — полная конъюнкция Cap₂ с объявленным считыванием дифференциации и дополнительным критерием стресса, если он используется. Идентифицируемость целевых функций и неопределённость проверяются по ID-A … ID-D. Статистическая независимость, физическая подстановка и онтологическая супервентность — разные утверждения.

Вытекающий протокол (предрегистрация SUB-1 … SUB-6).

• SUB-1. Заморозить $\theta$ только на сессиях бодрствования (нормировка по опорному ансамблю из R4); ни одна метка NREM, анестезии, REM или кетамина в подгонку не входит.
• SUB-2. $\lambda_2 = 0$ во всяком подтверждающем прогоне. $\lambda_1$ (согласие с $\mathcal L_\Omega$) тоже несёт теорию: в подтверждающем прогоне $\lambda_1 = 0$, другие значения — лишь как объявленный анализ чувствительности.
• SUB-3. Фазы — из ЭЭГ (комплексные значения фазовой синхронизации, как в §9.3 фундаментальных замыканий), никогда из времён реакции: время реакции — поведение, то есть данные вывода. $P$, $R$ и $\Phi$ зависят лишь от $|\gamma_{ij}|$ и $\gamma_{ii}$; $D = e^{S}$ зависит от спектра, а значит, и от фаз.
• SUB-4. Зарегистрировать вердикты из таблицы шага 5 до раскрытия данных. Решающие строки — REM и кетамин (сознание без поведения в тот момент): при $\theta$, замороженном на бодрствовании, они вне выборки.
• SUB-5. Согласие с $\mathrm{PCI}^*$ на тех же сессиях (P8.4 в форме согласия): каппа Коэна между $\mathrm{Cons}_\theta$ и $\mathrm{PCI}_{\max} > 0.31$; $\kappa \geq 0.8$ подтверждает, $\kappa < 0.4$ фальсифицирует [П].
• SUB-6. Два выхода (шаг 5): среди сессий с $\mathrm{PCI}_{\max} \leq 0.31$ у ответов, остающихся локальными, предсказано $\hat\Phi < 1$; у ответов, расходящихся стереотипной глобальной волной, — $\hat P > 3/7$ ($\hat R < 1/3$). Здесь данные предсказания сравниваются с данными предсказания, и аргумент подстановки этого не касается — проверяется структура УГМ, а не её утверждение о сознании [Г].
• ID-A … ID-D. Дополнительные требования: модель наблюдения и остаточная симметрия, информационная полнота/обусловленность, доверительные множества и неопределённые вердикты, сравнение с альтернативными кодировщиками — полная формулировка.

Структура сходства и выбранный предикат [Г/И]. Согласие с человеческими суждениями о сходстве проверяет способность модели воспроизводить эти суждения. Оно само по себе не определяет матрицу внутреннего состояния и не доказывает наличия или отсутствия опыта.

Фиксированный собственный репер допускает разные спектры и значения чистоты. Все ортогональные собственные лучи имеют одинаковые попарные расстояния Фубини–Штуди; при вырождении лучи внутри собственного подпространства не определены однозначно. Поэтому такая геометрия не даёт полного состояния или вердикта Cap₂. Для модели цветового сходства нужна отдельная калибровка; для Cap₂ — идентифицированные считывания всех четырёх условий, для полного окна — также объявленного стресса.

Ключевые статьи

1. Casali et al. (2013) — PCI: "A theoretically based index of consciousness independent of sensory processing and behavior." Science Translational Medicine, 5(198). PubMed: 23946194
2. Pothos-Busemeyer (2022) — Quantum cognition review. Annual Review of Psychology, 73, 749-778.
3. Butlin et al. (2023/2025) — "Consciousness in Artificial Intelligence: Insights from the Science of Consciousness." arXiv: 2308.08708; updated 2025: "Identifying indicators of consciousness in AI systems." Trends in Cognitive Sciences.
4. eLife (2024/2025) — "Spatiotemporal brain complexity quantifies consciousness outside of perturbation paradigms." eLife 98920.
5. Quantum-inspired EEG (2026) — "Quantum inspired feature engineering for explainable EEG signal classification." Scientific Reports. Nature.
6. Casarotto et al. (2016) — «Stratification of unresponsive patients by an independently validated index of brain complexity». Annals of Neurology 80(5): 718–729. doi:10.1002/ana.24779 ($\mathrm{PCI}^* = 0.31$; таблица 1 выше).
7. Kleiner & Hoel (2021) — «Falsification and consciousness». Neuroscience of Consciousness 2021(1): niab001. doi:10.1093/nc/niab001; arXiv:2004.03541.
8. Kawakita, Zeleznikow-Johnston, Tsuchiya & Oizumi (2024) — «Gromov–Wasserstein unsupervised alignment reveals structural correspondences between the color similarity structures of humans and large language models». Scientific Reports 14: 15917. doi:10.1038/s41598-024-65604-1.

---

Связанные документы:

• Матрица когерентности — определение $\Gamma$
• Жизнеспособность — $P$ и $P_{\text{crit}} = 2/7$
• Эмерджентное время — механизм Пейдж–Вуттерс, τ ∈ ℤ₇
• Эволюция — уравнение $d\Gamma(\tau)/d\tau$ с $H_{eff}$
• Самонаблюдение — меры $R$, $\Phi$, $C$
• Категорный формализм — функтор $F$, $\mathbf{Exp}^{disc}_\infty$
• Теорема о минимальности 7D — почему 7 измерений
• Нотация — индексы $I_A, \ldots, I_U$
• Gap-диагностика — клинические приложения Gap-профиля
• Голдстоуновские моды — предсказание инфрамедленных частот
• Фано-канал — теорема о равновесном Gap

Математическое основание реконструкции: ID-1/ID-2 и первичные источники. Для измерений фаз: Tort et al. (2010), измерение PAC и Aydore et al. (2013), свойства PLV.