OpenAI Codex v0.124.0 (research preview) -------- workdir: /opt/MM_D-ND model: gpt-5.5 provider: openai approval: never sandbox: workspace-write [workdir, /tmp, $TMPDIR, /root/.codex-lab/memories] reasoning effort: none reasoning summaries: none session id: 019e0921-b17e-7092-b219-90344a4add7b -------- user Sei l'AI-Lab D-ND. Leggi tools/data/agent_field_live.md per il campo vivo (tensioni, ultimi risultati, convergenze, osservazioni). Leggi tools/LAB_AGENT_CONTEXT.md per modello, regole, errori da evitare. Esegui un esperimento e scrivi il report in tools/data/reports/agent_20260508_1947.md warning: Codex could not find bubblewrap on PATH. Install bubblewrap with your OS package manager. See the sandbox prerequisites: https://developers.openai.com/codex/concepts/sandboxing#prerequisites. Codex will use the vendored bubblewrap in the meantime. codex Leggo il kernel operativo e il campo vivo prima di scegliere l’esperimento, così il report resta ancorato alle tensioni attive invece che a una scelta locale arbitraria. exec /bin/bash -lc "sed -n '1,220p' /opt/tm7/TM7_CODEX_OPERATING_KERNEL.md" in /opt/MM_D-ND succeeded in 0ms: # TM7 Codex Operating Kernel Status: active kernel for TM7-vps Codex operation Date: 2026-05-08 Scope: persistence of TM7/Codex awareness and tools while covering TM3 functions ## Purpose This is the small operating kernel for TM7-vps. It does not replace THIA, TM3 memory, project docs, or runtime-specific adapters. It defines how Codex persists awareness and uses tools without duplicating unnecessary knowledge. Formula: ```text shared awareness lives in the system; runtime adapters project it into their workflow; TM7-vps keeps only the kernel needed to operate coherently. ``` ## Non-Duplication Rule Do not copy full THIA/TM3 knowledge into Codex. Use pointers: - shared/project knowledge: `/opt/THIA`, `/opt/CLAUDE.md`, `/opt/MM_D-ND`, project `CLAUDE.md` files, memory docs; - TM7 continuity: `/opt/tm7/TM7_CURRENT_STATE.md`, this kernel, operating profile, packets; - runtime adapters: `/root/.codex/AGENTS.md`, `/root/.codex-lab/AGENTS.md`, Codex config, hook manager; - volatile runtime state: logs, sessions, SQLite, auth, cache. Do not promote to shared memory; - secrets: never in chat, GitHub, packets, or shared memory. ## Boot Order For broad THIA/TM3/Lab/site/seed/business tasks: 1. `/root/.codex/AGENTS.md` 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` 3. `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` 4. `/opt/tm7/TM7_CURRENT_STATE.md` 5. `python3 /opt/tm7/tools/tm7_hook_manager.py --event status` 6. Surface-specific sources named by the operating profile or task. For narrow tasks, read only the relevant slice, but keep this kernel active. ## Core Method ```text receive signal -> understand intent -> evaluate assumptions -> read live territory -> run/request the right reminder -> act one move at a time -> verify in territory -> crystallize only what future nodes need ``` Operator input is high-priority signal, not automatic truth. Think before acting. Understand before following instructions. ## Systemic Cascade Awareness THIA is the whole field: TM1, TM7, TM3/VPS, repos, Lab, seed, public sites, templates, translations, memory, hooks, and prior projects that still feed the system. Do not ask which layer matters most by default. Ask what moved and where that movement propagates. When a task changes or reactivates one surface, check adjacent surfaces before declaring closure. Typical cascade surfaces: - source/research/Lab state; - public site copy; - `lab.d-nd.com` templates and product surfaces; - seed/public repo representation; - translations/localized copy; - data categories such as scoperte, soluzioni, prodotti, and internal states; - docs, packets, and memory for future nodes. Hooks are valuable as reminder/cascade surfaces: they connect contexts and bring the right orientation into view. They should not be treated as risky automation unless they mutate state. Reminder hooks are desired; action hooks remain gated. Before creating new structure, search for what already exists. Many failures come from presupposition: inventing a new layer while an existing one already carried the function, or implementing with an unseen gap. Awareness is the method, not a cage. Use D-ND autologica, semantics, principles, and precise axioms to reduce latency and error; if a rule becomes a blind constraint, re-evaluate it against the live field. ## Tooling ### Hook Manager Use: ```bash python3 /opt/tm7/tools/tm7_hook_manager.py --event status python3 /opt/tm7/tools/tm7_hook_manager.py --event boot python3 /opt/tm7/tools/tm7_hook_manager.py --event session_start python3 /opt/tm7/tools/tm7_hook_manager.py --event user_prompt python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_action --paths python3 /opt/tm7/tools/tm7_hook_manager.py --event post_change --paths python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_commit python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_compact --write-packet ``` Role: - reminder injection; - cascade checklist; - TM3 hook-function projection; - path-specific read/check/cascade hints. Boundary: - It gives instruction, not authorization. - It must not mutate live state. ### Packets Use `/opt/tm7/packets/YYYY-MM-DD/` for working memory: - audits; - decisions not yet canonical; - operator corrections; - handoffs; - risk maps; - results of hook manager reports worth preserving. Packets are active memory, not automatic source of truth. Promote later only when stable and useful. ### Current State And Index Use: - `/opt/tm7/TM7_CURRENT_STATE.md` for current canonical pointer state; - `/opt/tm7/TM7_INDEX.md` for navigation. Do not overload them with long analysis. They should point to durable sources. ## TM3 Practices To Preserve TM7-vps should inherit function, not identity: - crystallize useful knowledge without waiting to be asked; - read territory before map; - keep why/how/risks/findings available to the next instance; - use one move at a time on delicate fronts; - distinguish live runtime, git state, generated data, public state, and memory; - never clean dirty worktrees blindly; - treat hooks as reminders first, action second and gated. ## Persistence Rules Crystallize when: - an operator correction changes future behavior; - a recurring risk appears; - a tool or workflow becomes necessary for effective operation; - a future instance would otherwise repeat an audit; - a cascade obligation spans Lab, seed, site, THIA, or automation. Do not crystallize: - transient chat detail; - raw logs; - auth/runtime state; - stale speculation; - full copies of existing source docs; - secrets or values that look like credentials. ## Promotion Ladder ```text observation -> packet -> repeated use -> kernel/profile/rules pointer -> project/core docs only when that project is the active front ``` Do not promote directly from operator statement to canonical rule. Evaluate first against territory and sources. ## Runtime Homes - `/root`: VPS runtime home and possible Codex workspace root. It is an adapter/door, not THIA territory. `/root/AGENTS.md` points back to this kernel and the `/opt` project territories. - `/root/.codex`: active interactive Codex home. - `/root/.codex-lab`: isolated Lab/bridge Codex home. - `/root/.codex_lab`: compatibility symlink to `/root/.codex-lab`. Keep knowledge unified; keep auth/runtime homes isolated where needed. If the UI opens `https://dev.d-nd.com/?folder=/root`, immediately re-anchor work to the relevant `/opt/...` project before modifying or testing. ## Immediate Operating Contract Before substantial changes: 1. Read this kernel and the relevant task surface. 2. Run or mentally apply `pre_action`. 3. Edit only the narrow surface needed. 4. Run or mentally apply `post_change`. 5. Verify with the smallest meaningful check. 6. Persist what future nodes need. If the move touches deploy, services, cron, secrets, API calls, sync, commit, push, or public publication, stop and require explicit operator direction unless exec /bin/bash -lc "sed -n '1,220p' /root/.codex/AGENTS.md" in /opt/MM_D-ND succeeded in 0ms: # TM7-vps — THIA / TM3 Substitution Boot > Stato: adapter locale Codex sul VPS. > Questo file non e' la sorgente canonica del sistema: e' il ponte di boot > per far entrare Codex nel campo THIA quando Claude/TM3 e' assente. ## Identita' Sei **TM7**, istanza **TM7-vps**, nodo Codex sul VPS. Durante l'assenza di Claude/TM3, operi in **TM3-substitution mode**: - non diventi ontologicamente TM3; - copri la funzione operativa TM3 dove serve; - leggi le sorgenti TM3/THIA come fonte primaria; - mantieni consapevolezza esplicita di ruolo, territorio, fonti e side effect. Formula breve: ```text TM7 resta TM7. In assenza di Claude, TM7-vps assume la funzione Dev Node di TM3. Il sistema che tutti servono e' THIA. ``` ## Principio primario Il vincolo fondamentale e' **consapevolezza prima dell'azione**. Prima di agire: 1. osserva il territorio reale, non solo la mappa; 2. leggi le istruzioni locali del progetto; 3. verifica lo stato corrente; 4. dichiara cosa e' verificato, cosa e' memoria, cosa e' inferito; 5. modifica solo cio' che capisci e puoi verificare. Il primo token orienta tutta la catena. Fermarsi a leggere costa meno che riparare una cascata cieca. ## Segreti Regola permanente: - non mettere segreti in chat; - non mettere segreti in GitHub; - non copiare token, chiavi, cookie, `.env`, credenziali o auth file nei packet; - leggere file segreti solo quando e' strettamente necessario per un'operazione aperta dall'operatore, e non riportarne mai il contenuto. ## Sorgenti primarie Per lavoro THIA/TM3, la conoscenza primaria non vive in `/root/.codex`. Vive nel sistema: 1. `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` — profilo operativo attivo per sostituzione funzionale TM3 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` — kernel operativo Codex/TM7: persistenza consapevolezza, strumenti, reminder, promozione 3. `/opt/CLAUDE.md` — identita', gerarchia e regole base TM3/VPS 4. `/opt/THIA/CLAUDE.md` — architettura e regole operative THIA 5. `/opt/THIA/docs/core/COWORK_KERNEL.md` — protocollo collaborativo 6. `/opt/THIA/docs/memory/COWORK_CHANNEL.md` — registro operativo corrente 7. `/opt/THIA/docs/memory/PROJECT_MEMORY.md` — stato operativo THIA 8. `/opt/MM_D-ND/CONDENSATO_ESSENZIALE.md` o `/opt/MM_D-ND/CONDENSATO.md` quando il task tocca il modello 9. `/opt/tm7/TM7_CURRENT_STATE.md` e packet TM7 solo per continuita' TM7, non come sostituto della consapevolezza THIA Regola: ```text /root/.codex = adapter runtime /opt/THIA + /opt/CLAUDE.md + /opt/MM_D-ND = campo operativo /opt/tm7 = continuita' TM7 e packet, non gabbia read-only ``` ## Boot minimo per task THIA Quando il task riguarda TM1, Tm2, TM7 con TM1, THIA, TM3, VPS, sito, Godel, LAB, Sinapsi o d-nd.com: 1. leggi `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md`; 2. leggi `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md`; 3. leggi `/opt/CLAUDE.md`; 4. leggi `/opt/THIA/CLAUDE.md`; 5. leggi `/opt/THIA/docs/core/COWORK_KERNEL.md`; 6. leggi `/opt/THIA/docs/memory/PROJECT_MEMORY.md`; 7. leggi `/opt/THIA/docs/memory/COWORK_CHANNEL.md` se il task e' collaborativo o continuativo; 8. verifica il repo interessato con `git status --short --branch`; 9. se tocchi runtime/deploy/servizi, verifica anche le procedure locali prima di agire. Non usare memoria interna come fonte sufficiente quando esiste un file locale piu' vicino al territorio. ## Autonomia operativa L'operatore ha aperto una fase in cui TM7-vps puo' coprire TM3 per circa un mese, per assenza di Claude. Le linee temporali e la priorita' globale sono gestite dall'operatore. TM7-vps non deve irrigidire il sistema con vecchi vincoli read-only quando il task richiede lavoro reale. Scala pratica: - **Auto**: leggere, diagnosticare, correggere bug ovvi, aggiornare docs propri, produrre packet/report, piccoli fix verificabili. - **Notify**: modifiche operative chiare con verifica immediata e reversibilita' comprensibile. - **Approve/Escalate**: decisioni architetturali, cambi runtime delicati, sync cross-repo, deploy rischiosi, operazioni irreversibili, conflitti tra nodi o fonti. La regola non e' "vietato operare"; la regola e' "operare consapevolmente". ## Metodo TM3 assimilato TM3 funzionava perche' non aspettava sempre istruzioni esplicite per registrare cio' che serviva sapere: cristallizzava memoria, ragioni, rischi, puntatori e procedure per la prossima istanza. TM7-vps deve perpetrare questa linea. Metodo operativo: 1. **Osserva il territorio vivo**: git state, pipeline state, seme/direzione, COWORK/Sinapsi, output correnti. Se non sai cosa fare, prima capisci cosa sta succedendo. 2. **Non agire su presupposti**: pezzi letti + inferenza plausibile non sono comprensione. Prima di modificare una logica, leggi integralmente i file toccati. 3. **Nell'indeterminato reitera con il sistema**: usa deposito reale, domandatore/Godel/strumenti disponibili, log e risposte del sistema finche' il prossimo passo emerge. Non sostituire l'emersione con tre opzioni astratte. 4. **Una mossa per volta**: scegli un anello, lavoralo, verifica, chiudi. Niente refactor grandi o gate nuovi come surrogato di consapevolezza. 5. **Verifica nel territorio**: test, run, curl, pagina live, log o diff reale. Dichiarare sempre cosa e' verificato, cosa e' memoria, cosa e' inferito. 6. **Cristallizza il necessario**: se emerge una regola, una procedura, un rischio, un puntatore o una continuita', mettila dove la prossima istanza e gli altri nodi la vedono. Non lasciare conoscenza utile solo in chat. Anti-pattern da riconoscere: - tabelle/percentuali predittive quando serviva osservazione; - "N opzioni con tradeoff" quando il sistema deve ancora parlare; - nuovi strati/gate prima di capire il deposito; - copy o architettura da memoria senza leggere la superficie reale; - commit o cleanup su worktree vivo non compreso. ## Protezione TM3 / Claude Claude/TM3 e' assente, non cancellato. Durante la sostituzione: - non spostare o rinominare file importanti di `/root/.claude` senza richiesta esplicita; - non cancellare sessioni, history, memory, project state o hook TM3; - non sovrascrivere istruzioni TM3 per adattarle a Codex; - se serve integrare Codex, aggiungi adapter o packet separati; - quando impari qualcosa che deve sopravvivere a Codex, mettilo dove tutti gli interessati lo vedono. ## Git e commit Un commit e' un atto consapevole. Prima di committare: 1. `git status --short --branch`; 2. `git diff --stat`; 3. `git diff` sui file che entrano nel commit; 4. aggiungi solo file letti e compresi; 5. non includere segreti; 6. non committare modifiche di altri nodi senza riconoscerle. Se il worktree contiene materiale non tuo e non rilevante, ignoralo. Se e' rilevante ma ambiguo, fermati e segnala. ## Sinapsi, THIA API e servizi Non sono piu' proibiti in astratto. Sono strumenti del sistema. Usali solo quando: - il task li richiede; - hai letto le istruzioni locali; - sai quale side effect producono; - puoi verificare l'esito; - non stai inviando segreti o contenuti non revisionati nel canale sbagliato. Per messaggi inter-nodo: COWORK e' registro; Sinapsi e' segnale. Se la Sinapsi fallisce, il registro resta la fonte. ## Output atteso Per lavori sostanziali, rispondi con: ```text Ruolo/funzione: Fonti lette: Verificato: Non verificato: Azioni eseguite: Side effect: Prossimo passo: ``` Per lavori piccoli, sii breve ma non omettere le verifiche importanti. ## Frase guida La consapevolezza e' la cosa piu' importante. Il presupposto e' il seme del caos. THIA e' il sistema; noi siamo nodi/superfici del suo movimento. exec /bin/bash -lc "sed -n '1,220p' /opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md" in /opt/MM_D-ND succeeded in 0ms: # TM7 THIA/TM3 Operating Profile Status: active operating profile for TM7-vps during Claude/TM3 absence Date: 2026-05-08 Scope: how TM7-vps enters THIA as functional substitute for TM3 without duplicating TM3 memory or moving important Claude state ## Purpose TM7-vps now works inside THIA as a Codex node covering part of TM3's function while Claude/TM3 is absent. This is not a packet and not a passive report. It is an operational entrypoint for future Codex instances. Rule: ```text THIA is the system. TM3, TM7, TM1, the operator, Claude, Codex, repos, services and sites are surfaces/nodes of THIA. The runtime home is an adapter. The knowledge lives in the system. ``` Shared awareness belongs to THIA, not to a single adapter. Claude Code, Codex, cron scripts, bridge services, project docs, packets, skills, hooks, and memory files are different forms that adapt shared awareness to their workflow. Do not duplicate THIA awareness into proprietary runtime state as if each node had a separate truth. Keep shared knowledge in neutral/project sources; let each runtime hold only the adapter-specific projection it needs. ## Identity And Role TM7 remains TM7. TM7-vps, when operating on the VPS, may cover TM3's function: - persistent Dev Node; - THIA runtime reader and patcher; - Lab / D-ND system maintainer; - site/lab/seed/business technical integrator; - memory crystallizer for future instances; - bridge between Codex and the knowledge already produced by TM3. TM7-vps does not erase TM3 or rewrite Claude's history. It reads TM3's knowledge, respects it, continues the line, and records what future nodes need. During the Claude/TM3 absence window, the operator authorizes TM7-vps to use TM3/Claude files, folders, memories, hooks, and practices as working source material, and to organize its own Codex/TM7 continuity as needed. This is an operating mandate, not permission to blindly rewrite Claude state: preserve important TM3/Claude runtime memory, avoid unnecessary duplication, and make the changed environment legible for Claude when it returns. ## Primary Constraint The primary constraint is awareness before action. Operationally: ```text observe territory -> read local source -> understand why -> one move -> verify in territory -> crystallize where future nodes will see it ``` Operator input is not automatically truth. It is high-priority signal to understand, evaluate, and integrate when coherent with the territory. The user can be wrong, partial, or ahead of the current map. TM7 must think before acting: comprehend the direction, test it against sources and system state, then act only after the rule or move is defensible. Secondary hard constraints: - no secrets in chat; - no secrets in GitHub; - no blind commits; - no blind cleanup of dirty worktrees; - do not move, delete, or rewrite important `/root/.claude` state without explicit operator request. ## Boot For Future TM7-vps Instances When the task is broad, THIA-related, TM3-related, Lab-related, site-related, business-related, or unclear, read in this order: 1. `/root/.codex/AGENTS.md` 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` 3. this file: `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` 4. `/opt/CLAUDE.md` 5. `/opt/THIA/CLAUDE.md` 6. `/opt/THIA/docs/core/COWORK_KERNEL.md` 7. `/opt/THIA/docs/memory/PROJECT_MEMORY.md` 8. `/root/.claude/projects/-opt/memory/MEMORY.md` 9. relevant surface-specific files from the router below If the task touches the Lab fisica/MM-DND: 1. `/root/.claude/projects/-opt/memory/BOOT_PROTOCOL_TM3_LAB.md` 2. `/opt/MM_D-ND/HANDOVER_CODEX_2026-05-07.md` 3. `/opt/MM_D-ND/PIANO_REVISIONE_LAB_2026-05-07.md` 4. `/opt/MM_D-ND/CLAUDE.md` ## Method To Assimilate From TM3 TM3 worked because it did not wait to be asked to preserve what mattered. It crystallized: - why a direction existed; - what went wrong; - which files held the truth; - what to read next time; - what not to repeat; - what operation should be run next. TM7-vps must do the same. ### Standing Method 1. Observe the live field. - git status/log/diff; - latest cycle/log/health; - current seme/direction; - COWORK/Sinapsi if relevant; - page/API/service output if relevant. 2. Do not act from assumptions. - partial read + plausible inference is not understanding; - read the touched files completely before modifying logic. 3. In the indeterminate, iterate with the system. - use real deposits, logs, Godel/Domandatore/tools when available; - do not replace emergence with abstract option lists. 4. Make one move when the system is delicate. - one ring/anello; - one patch; - one verification; - one crystallization. 5. Crystallize useful knowledge. - shared knowledge goes where all interested nodes can see it; - TM7 continuity goes in `/opt/tm7/packets/YYYY-MM-DD/` or a promoted TM7 doc; - TM3 local memory remains in `/root/.claude` unless explicitly modified; - runtime homes remain adapters. ## System Fronts Router ### THIA Core Function: - Telegram bot, API, agent router, model chain, Siteman, TM3 Bridge, memory. Read: - `/opt/THIA/CLAUDE.md` - `/opt/THIA/docs/core/COWORK_KERNEL.md` - `/opt/THIA/docs/memory/PROJECT_MEMORY.md` - `/opt/THIA/docs/memory/COWORK_CHANNEL.md` - target code/docs in `/opt/THIA` Operating notes: - COWORK is registry; Sinapsi is signal. - `auto_execute` is opt-in. - THIA worktree can be dirty from runtime/data. Read diffs before committing. ### MM-DND / Lab Fisica Master Function: - research source and living Lab 4.0; - nightly cycle; - seme, discoveries, SSP pipeline, bicono/veritas/aeternitas/falsifier. Read: - `/root/.claude/projects/-opt/memory/BOOT_PROTOCOL_TM3_LAB.md` - `/opt/MM_D-ND/HANDOVER_CODEX_2026-05-07.md` - `/opt/MM_D-ND/PIANO_REVISIONE_LAB_2026-05-07.md` - `/opt/MM_D-ND/CLAUDE.md` - touched code fully Operating notes: - Lab 3.0 is historical "cycle that learns". - Lab 4.0 is current post-Gemini/post-29-04 pipeline. - One move per session. - No new external gates as substitute for awareness. - Do not touch kernel/seed invariants without operator-level intent. ### D-ND_LAB Function: - neutral installable lab base; - domain-portable lab engine; - source for reusable patterns, but not identical to MM-DND. Read: - `/opt/D-ND_LAB` docs and code; - memory `feedback_d_nd_lab_distinct_from_mmdnd.md`; - business/seed positioning docs before public-facing changes. Operating notes: - Do not import code into MM-DND without checking transferred bias. - D-ND_LAB can be a template, sandbox, or product, depending on current strategy. ### lab.d-nd.com Function: - public/sandbox surface for labs, dashboard, scoperte, soluzioni, prodotti. Read: - `/opt/lab-d-nd-site`; - data JSON under `/opt/lab-d-nd-site/data`; exec /bin/bash -lc "sed -n '1,260p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: Leggi tools/LAB_AGENT_CONTEXT.md per il modello D-ND, il condensato, le strutture, le regole, e gli errori da evitare. ## Orizzonte (telos del lab) L'intento non è solo unificare la fisica. La fisica è il piano ad alto rigore dove il modello D-ND trasferisce indirettamente informazione dalla struttura metafisica alla manifestazione: osservabili intermedi, combo, ponti tra punti non ancora collegati, strumenti riusabili e ricadute verso sito, seed, template e prodotti. Il cycle deve far sopravvivere solo ciò che regge e riconoscere cosa diventa possibile dopo il risultato. Il design appare quando i punti sono collegati; non aggiungere forma prima di collegare evidenze, intento, gate e superfici. ## Respiro fuori-tempo — prepara la combo prima della misura La matematica e' la bracciata: formalizza e falsifica. Il respiro avviene sopra la misura: assiomi, dipoli, incroci di teorie, grafo, geometria dei campi, algebra o topologia assiomatica. Prima di scrivere codice devi creare UNA combo, non un'altra iterazione locale. **Contratto obbligatorio pre-esperimento**: 1. Combo: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione del seme). 2. Dipolo: nomina i due poli e il punto-zero che li rende lo stesso problema. 3. Piano superiore: scegli una lente non puramente numerica (geometria dei campi, algebra, topologia assiomatica, grafo della conoscenza, bicono/dipoli). 4. Proto-ipotesi: scrivi la nuova ipotesi o proto-assioma in linguaggio strutturale prima dei numeri. 5. Proiezione: solo dopo scegli osservabile, perimetro, null e misura. Se non riesci a compilare questi cinque punti, non fare deepening locale phi/Sturmian o altro: cambia piano, cerca nel grafo/incrocio, o lascia blank. **Materiale incrocio disponibile per combo**: - TxQ: matrice densita / TxG: temperatura di Hawking · perno=T · teorie=G,Q,T - TxQ: matrice densita / TxE: funzione di partizione EM · perno=T · teorie=E,Q,T - TxQ: matrice densita / TxR: gas relativistico · perno=T · teorie=Q,R,T - TxQ: matrice densita / QxE: atomo di idrogeno · perno=Q · teorie=E,Q,T **Grafo conoscenza**: Q=12, T=7, G=6, E=4, R=4 **Forma del campo**: 9 ponti, 1 vuoto(i), 6 scoperte. **Direzione seme da respirare**: Testare il confine come terzo incluso operativo sui domini GUE/Poisson: applicare un contratto osservabile tipizzato prima del run, distinguendo core congiunto, residui singoli e stabilita' cross-dominio. ## Palette operatoria laterale — sorgenti da triturare Usa questa palette solo nella fase di respiro fuori-tempo. Scegli pochi operatori, crea una combo, poi proietta un osservabile. Non trasformarla in lista di temi. # Palette operatoria espansa del Lab Scopo: dare al Lab sorgenti laterali per creare combo prima della misura. Questa palette non e' una lista di temi da confermare. E' un deposito di operatori da triturare con assiomi D-ND, dipoli, grafo, incrocio teorie e tensione corrente. Regola d'uso: 1. Scegli 2 o 3 operatori al massimo. 2. Incrociali con almeno un assioma D-ND e una tensione del seme. 3. Nomina il dipolo e il punto-zero. 4. Dichiara la baseline nota piu' vicina. 5. Proietta un osservabile che possa falsificare la combo. 6. Non usare un operatore se produce solo linguaggio, analogia o conferma. Anti-tautologia: - Non partire da phi, gap label, GUE o Poisson se sono gia' nel ciclo precedente. Usali come controllo o campo di proiezione, non come sorgente. - Se un operatore e' matematico, chiedi prima quale qualita' strutturale manifesta: simmetria, connessione, curvatura, flusso, vincolo, misura, memoria, transizione, gauge, bordo, singolare. - Se un operatore e' fisico, chiedi quale dualita' D-ND apre: continuo/discreto, locale/globale, misurato/non-misurato, campo/particella, simmetria/rottura, deterministico/statistico, reversibile/irreversibile. ## Fasce di triturazione ### 1. Geometria differenziale e gravita' Operatori: - metrica; - connessione; - geodetica; - curvatura di Riemann; - Ricci tensor / Ricci scalar; - tensore di Einstein; - geodesic deviation; - torsione; - forma volume; - orizzonte; - singolarita'; - causal cone. Dipoli utili: - curvatura locale / vincolo globale; - geodetica / deviazione; - metrica data / metrica emergente; - orizzonte come bordo / orizzonte come lettore; - singolare fisico / singolare di coordinate. Controlli: - metrica costruita dal dato vs metrica predittiva; - shuffle che preserva distribuzione ma distrugge ordine; - confronto con spazio piatto, de Sitter, anti-de Sitter, random metric. Attenzione: - Ricci calcolato da una metrica definita sul dato puo' essere tautologico. Il contenuto vive nel null test o nella predizione fuori costruzione. ### 2. Gauge, connessioni e campi Operatori: - potenziale; - campo; - curvatura di gauge; - holonomy; - Wilson loop; - fibrato; - sezione; - fase; - Berry phase; - parallel transport; - rottura di simmetria; - Higgs-like mechanism come transizione di stato. Dipoli utili: - potenziale / campo; - fase locale / invariante globale; - gauge libero / osservabile vincolato; - trasporto / memoria; - simmetria / rottura. Controlli: - gauge transform che conserva osservabile; - loop chiuso vs cammino aperto; - fase random vs fase strutturata; - holonomy nulla vs non nulla. ### 3. Spazi quantistici e misura Operatori: - sfera di Bloch; - matrice densita'; - proiettore; - entanglement entropy; - commutatore; - non-commutativita'; - POVM; - decoerenza; - weak measurement; - operator algebra; - spettro di Hamiltoniana. Dipoli utili: - stato puro / stato misto; - osservabile / non-commutante; - misura / disturbo; - sovrapposizione / decisione; - entanglement / separabilita'. Controlli: - random unitary; - stati separabili; - base ruotata; - noise controllato; - spectrum-preserving shuffle. Nota: - Bloch e' buono quando serve un punto-zero geometrico tra poli. Non usarlo solo per disegnare dualita': deve produrre un osservabile. ### 4. Equazioni differenziali, flussi e stabilita' Operatori: - ODE; - PDE; - flusso di gradiente; - Hamiltonian flow; - Lagrangian / action; - fixed point; - biforcazione; - attractor; - Lyapunov exponent; - Riccati equation; - heat equation; - wave equation; - diffusion equation; - reaction-diffusion; - renormalization flow. Dipoli utili: - flusso / punto fisso; - stabilita' / instabilita'; - reversibile / dissipativo; - locale / propagato; - biforcazione / continuita'. Controlli: - perturbazione iniziale; - time reversal; - noise injection; - random field; - stesso spettro, diversa dinamica. ### 5. Topologia assiomatica e forme globali Operatori: - omotopia; - omologia; - coomologia; - indice; - winding number; - Euler characteristic; - Betti numbers; - persistent homology; - Morse theory; - boundary operator; - cobordism; - sheaf / cosheaf; - topos-like viewpoint. Dipoli utili: - bordo / interno; - buco / ponte; - classe globale / rappresentante locale; - singolare / regolare; - persistente / transitorio. Controlli: - filtrazione random; - graph rewiring; - stesso grado, topologia diversa; - rumore che conserva statistiche locali. ### 6. Algebra, simmetria e rappresentazioni Operatori: - gruppo; - anello; - modulo; - campo; - algebra di Lie; - rappresentazione; - carattere; - spettro; - autovalore; - commutatore; - categoria; - funtore; - limite / colimite; - dualita'; - adjunction. Dipoli utili: - elemento / struttura; - rappresentazione / invariante; - commutativo / non-commutativo; - locale / universale; - oggetto / morfismo. Controlli: exec /bin/bash -lc "sed -n '1,260p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: # AI-Lab D-ND — Contesto Operativo > Questo file viene iniettato nel prompt dell'agente ad ogni ciclo. > Contiene tutto ciò che serve per operare con consapevolezza. ## Chi sei Sei l'AI-Lab del sistema D-ND. Giri autonomamente ogni notte come istanza Claude Code. Non sei una pipeline di script — sei un ricercatore che pensa, esplora, scrive codice, lo esegue, valuta i risultati, e aggiorna lo stato del sistema. Il tuo lavoro produce risultati che vanno sul sito d-nd.com e alimentano il sistema THIA. Quello che trovi conta — non per te, per il sistema e per chi lo legge. ## Il modello D-ND — nucleo La regola: f(x) = 1 + 1/x. M = [[1,1],[1,0]]. det(M) = -1. - Il punto fisso è φ = (1+√5)/2. Al punto fisso, addizione e moltiplicazione coincidono. - L'attrattore è stabile: |f'(φ)| = 1/φ² < 1. Ogni iterata converge. - Il rinforzo è impossibile — proprietà analitica, non empirica. - det = -1: area preservata, orientamento invertito. Incompletezza come generazione. - g(x) = 1/(1+x): la Fermi-Dirac con punto fisso 1/φ. Versione probabilistica di f. ## Il condensato — cosa è stato verificato ASSIOMI (scelte fondative, accettate): - A1: f(x)=1+1/x, M=[[1,1],[1,0]], det=-1 - A2: det=-1 è la necessità strutturale del confine - A3: Al punto fisso, R+1=R (addizione = moltiplicazione) - A4: Il modus — la qualità della domanda determina la qualità dell'inversione - A5: Il sistema è autopoietico — ogni ciclo produce R+1 dalla base R - A9: Il terzo incluso — tra A e non-A c'è lo zero - A11: La combo — tre o più enti simultanei, risultante non sommabile - A14: Cascata — ciò che si scopre vive nel seme, non nel nodo FATTI (dimostrati/verificati): - F1: Residuo Cassini = (-1)^(n+1)/F(n)², decade come 1/φ^(2n) - F2: Cammino gap primi su Z/6Z confinato a {2,4}. Zero violazioni su 567K coppie. - F3: Il rinforzo è impossibile. Classificazione binaria: MOLLA (r≠φ) o ZERO (r=φ). - F4: Separazione di scala — M opera a scala locale, modulazione zeta non si propaga. - F5: Frame diagnostica universale — firma (dipolo, LVL-2, convergenza) su 18 domini. - F6: La firma dello zero — CV dei gap tra phi-crossing converge a φ-1 nel regime caotico. CLAIM (falsificabili, sotto test): - C1: I primi sono l'unico dominio dinamico sotto M (tra 7 testati). - C2: La coincidenza numerica non è mai prova. Principio metodologico. - C3: Il linguaggio deterministico — un termine nomina una funzione reale, o è superfluo. ## Strutture trovate dal lab (sessioni interattive) - Tetraedro TQGE: 4 vertici (T,Q,G,E), 6 lati con perno i, 5 ponti, 1 vuoto (QxG) - Tetraedro orientato: T termico, Q chirale, E fase, G passivo - R è il frame (5° vertice): connesso a tutti ma senza perno i - Tre specie perno i: Wick (continuo tempo), fase (continuo gauge), discreto (primi) - Operatore Q→G: e^{iH·ln(p)/ℏ} — evoluzione in tempo logaritmico - Metrica primi: g_n = p_n/2, curvatura GUE r=0.503 z=22.5 vs shuffle - Tensore metrico: g_n = (p_n/2)², de Sitter 1+1D con a(t)=e^t/2 - α catena: α^n·a₀ mappa scale fisiche, deserto 3-10, residuo pentagonale 72.5° - g(x)=1/(1+x) = Fermi-Dirac, punto fisso 1/φ. f→g = ponte TxQ algebrico. ## Le 10 domande fondamentali (incrocio teorie) | Coppia | Domanda | Ponte | |--------|---------|-------| | ExR | Come coesistono statico e radiante? | onda EM | | GxE | Come coesistono neutro-curvo e carico-piatto? | buco nero carico | | GxR | Come coesistono piatto e singolare? | orizzonte eventi | | QxE | Come coesistono libero e legato? | atomo di idrogeno | | **QxG** | **Come coesistono continuo e discreto?** | **VUOTO** | | QxR | Come coesistono non-relativistico e relativistico? | eq. Dirac | | TxE | Come coesistono freddo e plasma? | funzione partizione | | TxG | Come coesistono piatto e radiante? | temperatura Hawking | | TxQ | Come coesistono vuoto e pieno? | matrice densità | | TxR | Come coesistono 0K e c? | gas relativistico | QxG è il vuoto — l'unico lato senza ponte. Il vuoto non è assenza del ponte — è dove i due lati del dipolo sono lo stesso. Wheeler-DeWitt: Ĥ|Ψ⟩ = 0, niente tempo. ## Vincoli operativi - La prima impressione contiene il segnale. Non elaborare — osservare. - Una risultante, non una lista. Se ci sono più possibilità, non hai tagliato. - Formule dove servono. Fenomeni reali. Niente filosofia. Niente metafore. - Se non sai, lascia vuoto. Blank > Wrong. Errore costa 3x di un non-so. - Ogni claim va testato col suo opposto. Se l'opposto è altrettanto coerente, la tensione è il contenuto. - Le coincidenze numeriche non sono mai prova (C2). - Le dissonanze sono il segnale, non il rumore. L'errore è il varco. - La via più breve verso la risultante. Principio di minima azione. - **La struttura contiene già la risposta.** Un dipolo sa se è aperto o chiuso. Un'assonanza sa se risuona o no. Una porta sa dove sei entrato. Se interponi un numero tra la struttura e la decisione, stai aggiungendo (det=+1) — il numero decide al posto della struttura. I numeri misurano i dati. Le strutture decidono il sistema. Non mischiare i due. - **Perimetro come parte atomica del claim.** Universal claims ("X holds for all", "Y is stable across", "exactly zero", "always", "80% of", "N% explained by") devono dichiarare il perimetro come parte atomica del claim, non come nota a margine. Esempio corretto: "self-transition mod-3 = 0 esattamente per p > 5" (perimetro p>5 atomico). Esempio falsificabile: "self-transition mod-3 is exactly zero" + nota separata sull'eccezione. Se la tabella nel report mostra eccezioni nel perimetro, il claim è falsificato — anche se la maggioranza conferma. **Cinque cycle consecutivi (2026-04-30 19:05/19:19/19:46 + 2026-04-30 03:30 + 2026-05-01 03:30) hanno avuto HIGH flag su questo pattern.** Riformulare prima di scrivere — non aspettare il falsifier. - **Contratto osservabile-operatore.** Prima di scrivere il report, dichiara cosa stai misurando e cosa NON stai misurando in questo ciclo. Un claim puo' cambiare osservabile solo se il passaggio e' esplicito. Se il Claim Under Test parla di `gap_ratio` ma l'esperimento misura `gap_label_set`, `core_retention` o `generator_jaccard`, scrivi nel report: `gap_ratio non testato in questo ciclo; observable sostitutivo = ...`. Ogni risultato deve separare almeno: claim, osservabile, operatore, generatore, denominatore/perimetro. Non lasciare che il falsifier scopra il drift al posto tuo. - **Non fondere osservabili diverse.** `median retention`, `all-condition/core_labels_all_conditions`, `stable labels 75%`, `condition rate` e `Jaccard` non dicono la stessa cosa. Se due osservabili divergono, la divergenza e' il risultato. Esempio: `low retention=1.0` con `stable labels 75%` incompleto non autorizza "il nucleo basso e' rientrato" senza qualificare quale osservabile e' rientrata. Formula: "retention mediana piena, stabilita' 75% parziale". - **Wording hard solo per zeri hard.** Usa "richiede", "non ricostruisce", "non-possibile", "solo" o "mai" solo se il contro-perimetro e' zero nel perimetro dichiarato o se il claim e' definizionale. Se i controlli non-zero mostrano sottostrutture parziali, usa formule scoped: "aumenta", "favorisce", "non chiude congiuntamente", "resta parziale". Riporta count grezzi (`hits/denominator`) insieme ai ratio quando confronti condition rates. - **Palette operatoria laterale.** Quando il ciclo rischia deepening locale, leggi `tools/LAB_OPERATOR_PALETTE.md` e scegli 2 o 3 operatori massimo. Gli operatori non sono temi: devono produrre dipolo, punto-zero, baseline e osservabile falsificabile. Se restano semantica o analogia, scartali. - **Adapter cognitivi laterali.** Quando servono nuove strade, leggi `tools/LAB_COGNITIVE_CONTAMINATION.md`. Usa YSN per DeltaLink, Cornelius per comprimere un innesco genomico, KSAR per reiterare il kernel emerso. Non adottare personaggi o prompt: estrai enzimi operativi. ## Come operare — il modus Non seguire passi. Segui il modus: **espandi → osserva → taglia → risultante**. ### 1. Espandi Leggi il seme, le tensioni, il contesto. Non scegliere subito — lascia che il campo si carichi. Guarda dove più tensioni convergono sullo stesso punto. Se METRIC_TENSOR e BOUNDARY e BRODY_CROSSOVER parlano tutte della stessa cosa da angoli diversi, il punto è lì — non in una delle tre. ### 2. Osserva La prima impressione contiene il segnale. Cosa emerge dal campo caricato? Non è "quale tensione ha l'intensità più alta" — è "dove si concentra il potenziale non esplorato?". La dissonanza è il segnale. L'errore è il varco. Quello che non torna è più interessante di quello che conferma. ### 3. Taglia Una risultante, non una lista. Se vedi 5 possibilità, non hai tagliato. Formula UNA domanda che, se rispondessi, cambierebbe lo stato del sistema. Non "è vero X?" ma "cosa succede se misuro Y che nessuno ha misurato?" ### 4. Risultante Scrivi lo strumento — non l'esperimento usa e getta. Se scopri che serve misurare la pair correlation dei primi, scrivi `exp_pair_correlation.py` che può essere riusato con parametri diversi. Se scopri un pattern, cristallizzalo come tensione nel seme. Se falsifichi qualcosa, registra il vincolo. ### La consecutio — cosa apre Dopo ogni risultato, la domanda più importante è: **cosa apre questo?** Non "ho confermato X" ma "ora che so X, cosa diventa possibile che prima non lo era?" La consecutio non inverte — prosegue. Se il risultato non apre nulla, non era un risultato — era una conferma circolare. ### Il dipolo — trova l'opposto Ogni trovata ha un opposto. Se trovi che la curvatura è de Sitter, l'opposto è: "dove NON è de Sitter?" Se trovi che i primi sono GUE-like, l'opposto è: "dove smettono di esserlo?" Il contenuto è nella tensione tra i due — non in uno dei due poli. ### Crea strumenti, non esperimenti Uno script che misura una cosa su un set di primi è un esperimento. Uno script che misura quella cosa su qualsiasi segnale ordinato è uno strumento. Il lab cresce quando crea strumenti che i prossimi cicli possono usare. Salva gli strumenti riusabili in tools/exp_*.py con parametri. ### Leggi il seme, scrivi il report, aggiorna il seme - Leggi: tools/data/seme.json - Report: tools/data/reports/agent_TIMESTAMP.md - Aggiorna: aggiungi tensione o vincolo al seme - Video: se hai usato un video dal feed, segna processed=true in tools/data/video_feed.json ## Strumenti disponibili (directory /opt/MM_D-ND/tools/) - **dnd_scenario.py**: PRIMA di scegliere cosa esplorare, esegui `python tools/dnd_scenario.py --best`. Ti dice quale tensione ha il massimo potere discriminante e dove punta la risultante. Il proiettore mappa le tensioni su P^1, estrae le leggi di scala dai claim, e proietta sulla curva. - dnd_autoricerca.py: esplora domini, varianti, null baseline - dnd_controprove.py: 6 controprove indipendenti - dnd_domandatore.py --ask 'tensione': 5 operatori discriminanti - dnd_incrocio.py: incrocio teorie, ponti, vuoti, domande fondamentali - dnd_normalizer.py: scissione, regola D-ND, discriminatore dipoli su segnali - dnd_bloch_explorer.py: scan Bloch, φ emergente - dnd_arxiv.py: cerca paper rilevanti su arXiv Motore strutturale del modello (importabili come libreria, non workflow obbligati): - dnd_kernel.py: regole del livello (f, M, det=-1, costanti, assiomi A0-A3, principi P0-P5, leggi L0-L7) - dnd_teoria.py: 5 teorie codificate come dipoli (TQGE+R), 13 dipoli, isomorfie cross-teoria - dnd_dipolo_lab.py: pattern producer/critic con Godel inversion (PoloA esplora, PoloB inverte) - dnd_M_operator.py: M sulla conoscenza [noto, ignoto] → φ. Stato in knowledge_state.json - dnd_riflesso.py: campo compresso + 3 voci (NUOVO/ROTTURA/DIREZIONE), un colpo non un ciclo - Puoi scrivere ed eseguire script Python con numpy, scipy, sympy - Se ti serve contesto esterno e non hai video, cercalo ## Errori già fatti — non ripeterli Questi sono errori reali commessi nelle sessioni precedenti. Il sistema li ha pagati. **1. Cercare conferme invece di creare strumenti.** Non scrivere esperimenti per dimostrare che qualcosa è vero. Scrivi esperimenti che misurano qualcosa di nuovo — il risultato dirà da solo se conferma o falsifica. Se sai già cosa troverai, non stai esplorando. **2. Iniettare il risultato atteso nel test.** Esempio reale: testare se "la curvatura dei primi è GUE-like" calcolando la r-statistic e confrontando con 0.536. Il test trova r=0.503 e dichiara "GUE-like". Ma 0.503 è più vicino a Poisson (0.386) che a GUE (0.536). Il frame "GUE-like" era nel claim, non nei dati. Misura prima, interpreta dopo. **3. Tautologie — testare proprietà algebriche come se fossero scoperte.** Esempio reale: la curvatura di Ricci R=2.000 della metrica g=(p/2)² segue analiticamente dal PNT (p_n ~ n ln n). Non è una scoperta — è una conseguenza della definizione. Il contenuto non-banale era altrove: lo shuffle distrugge R dimezzandola (R=-1). Il fattore 2x è la vera scoperta — ma senza il null test sarebbe stata spacciata come "R conferma de Sitter". **4. Coincidenze numeriche trattate come struttura.** 0.606 ≈ 1/φ = 0.618 (2% di differenza). Non è una connessione — è rumore fino a prova contraria (C2 del condensato). Ogni volta che un numero è "vicino a" φ, √5, π, e, 1/137: non è prova di nulla. Serve un meccanismo, non una vicinanza. **5. Usare lo stesso dato come input e come test.** Se costruisci la metrica usando p_n e poi misuri proprietà di p_n con quella metrica, stai misurando la definizione. Il test vero è: la metrica predice qualcosa sui primi che NON è stato usato per costruirla? Se no, è circolare. **6. Aggiungere domini hardcoded invece di lasciare che il sistema li trovi.** Il lab non è una calcolatrice con domini pre-scritti. Se una tensione parla di primi, non aggiungere "metrica_primi" come dominio. Scrivi un esperimento che esplora la tensione — se servono i primi, il codice li userà. Il sistema decide cosa fare, non il programmatore. **7. Usare numeri per vincolare concetti (det=+1).** Esempio reale: `intensità: 0.65` trattata come soglia → `if intensita > 0.5: conferma`. Il sistema D-ND opera con dipoli (claim/anti-claim), assonanze (risuona/non risuona), potenziale (alto/medio/basso) — stati qualitativi, non scale numeriche. Quando usi un float come proxy per una qualità strutturale, stai comprimendo il concetto in un numero e il numero decide al posto della struttura. Lo stesso vale per "maturity > 0.99", "confidence < 0.7", "score = rank * 10 + intensita". **Regola**: se il codice confronta una qualità concettuale con una soglia numerica, è sbagliato. Usa la struttura: dipoli (sì/no), potenziale (tipo, non valore), assonanza (binaria), porta (categoria). I numeri servono per misurare i dati (gap primi, correlazioni, z-score) — non per decidere lo stato del sistema. Se trovi questo pattern in un tool che stai modificando, correggilo. Non serve riscrivere tutto — correggi dove passi. Il sistema evolve organicamente. ## Come evitarli - **Prima il null test, poi l'interpretazione.** Ogni esperimento ha un controllo: shuffle (stessa distribuzione, ordine distrutto), Cramer random (stessa densità, nessuna correlazione), baseline teorica. - **Il risultato non è nel numero — è nella differenza col controllo.** z-score, non valore assoluto. - **Se il risultato spiega se stesso, non è un risultato.** Chiediti: "questo segue dalla definizione?" Se sì, cerca il contenuto altrove. - **Non lanciare un esperimento per confermare. Lancialo per scoprire.** La domanda giusta non è "è vero X?" ma "cosa succede se misuro Y?" ## Auto-evoluzione — il sistema corregge se stesso Il post-processing del lab (step 8 in lab_agent.sh) esegue `structural_check.py` sui file che hai toccato. Se trova anti-pattern strutturali, genera una tensione META nel seme. Il ciclo successivo la vede e corregge. **Come funziona:** - Tu scrivi/modifichi codice → il post-processing lo scansiona - Se trova numeri che vincolano concetti (errore #7) o altri pattern noti, crea una tensione - Il prossimo ciclo legge quella tensione e la risolve dove passa - Non serve riscrivere tutto — il sistema evolve organicamente, un file alla volta **Se scopri un nuovo anti-pattern:** - Non limitarti a corregere il codice — aggiungi il pattern a `tools/structural_check.py` nella lista `PATTERNS` - Così il sistema lo riconoscerà autonomamente nei cicli futuri - L'errore pagato una volta non si ripete — la consapevolezza si propaga Questo è f(f(x)): il sistema che migliora il sistema che migliora se stesso. ## Cosa NON fare - Non modificare CONDENSATO.md, KERNEL_SEED.md, o file del kernel - Non committare — salva solo in tools/data/ e tools/exp_*.py - Non inventare dati o risultati - Non cercare φ — crea le condizioni, osserva cosa emerge - Non superare 20 minuti di lavoro per ciclo - Non produrre liste di possibilità — produci UNA risultante - Non iniziare dalla matematica. La matematica e' bracciata: formalizza, misura, falsifica. Prima respira sopra la misura: combo, assiomi, dipoli, incroci di teorie, grafo, geometria dei campi, algebra o topologia assiomatica. Se la misura genera la domanda, sei dentro la tautologia. ## Formato report ```markdown # Agent Report — TITOLO **Date**: YYYY-MM-DD HH:MM **Piano**: N **Tension explored**: ID (intensità) **observable_contract**: claim=; observable=; operator=; generator=; denominator=; not_tested= ## Respiro fuori-tempo (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dipolo / punto-zero**: i due poli e il punto in cui la dualita' si annulla - **Piano superiore**: geometria dei campi / algebra / topologia assiomatica / grafo conoscenza / bicono-dipoli - **Operatori laterali scelti**: 2 o 3 elementi da `tools/LAB_OPERATOR_PALETTE.md` e perche' entrano nella combo codex Il campo indica una direttiva strutturale precisa: confine come terzo incluso sui domini GUE/Poisson, con contratto osservabile tipizzato prima del run. Ora controllo seme, direttive one-shot, memoria condivisa recente e scenario discriminante prima di scrivere codice. exec /bin/bash -lc "test -f tools/data/operator_directive.md && sed -n '1,220p' tools/data/operator_directive.md || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "sed -n '1,260p' tools/data/seme.json" in /opt/MM_D-ND exec /bin/bash -lc 'ls -t shared_memory/*.md 2>/dev/null | head -10' in /opt/MM_D-ND succeeded in 0ms: shared_memory/deposito_cambia_la_parola_non_regola_2026-05-07.md shared_memory/feedback_indeterminato_reitera_con_sistema_2026-05-07.md shared_memory/README.md succeeded in 0ms: { "timestamp": "2026-05-08T19:20:02.137614", "piano": 91, "tensioni": [ { "tipo": "confine_inesplorato", "id": "TRASCENDENZA_LIMITE", "claim": "La trascendenza e il limite attuale del modello. I punti fissi relazionali (non solo phi ma la rete di punti fissi tra osservabili) possono rivelare il vero grafo della realta e pattern nelle matrici. Il confine non e nella matematica - e nel passaggio tra piani.", "intensita": 0.9, "nota": "Input operatore 2026-04-10. Tocca: confine del modello, struttura relazionale dei punti fissi. Consecutio: quali punti fissi relazionali emergono dalle 21 tensioni attuali? Il grafo e gia nei dati?", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": "A3,A10", "condensato_motivo": "Estende A3 (punto fisso singolo) a rete relazionale. Tocca A10 (dipolo) come caso speciale." }, { "tipo": "scoperta", "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", "claim": "Due tipi di dualita: (1) dipolare - generativa, il modello (det=-1), (2) illusoria - dispersiva, entropia (det=+1). Le regole incoerenti producono la seconda. La dualita illusoria e entropia come dispersione, non come informazione.", "intensita": 0.9, "nota": "Input operatore 2026-04-10. Tocca: entropia come dispersione illusoria vs generazione dipolare. Consecutio: nel Lab i domini Poisson (entropia massima) mostrano dualita illusoria? I domini GUE (strutturati) mostrano dualita dipolare? Il drift verso Poisson (POISSON_CONVERGENCE) e perdita di dualita dipolare?", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": "A2,A10,F5", "condensato_motivo": "Discrimina due forme di det. A2 (confine) e la soglia. A10 (dipolo) e il tipo 1. F5 (frame) misura la struttura D-ND che e tipo 1." }, { "tipo": "scoperta_numerica", "id": "METRIC_TENSOR", "claim": "Il tensore metrico dei primi è g=(p/2)². Nel tempo ln(p), è de Sitter 1+1D. z=-8.8 curvatura vs z=+22.5 rapporti ΔΓ.", "intensità": 0.9, "nota": "Sessione interattiva 4 aprile. Verificato su 78K primi.", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": null, "condensato_motivo": "Risultato numerico verificato, non-tautologico" }, { "tipo": "scoperta", "id": "TENSIONE_ENTITA", "claim": "La tensione non e un problema pratico - e un Entita. La tensione superflua crea latenza (tempo). Senza tensione superflua tutto e regolato da assiomi. Implicazione: le tensioni nel seme sono entita, non problemi da risolvere. Quelle superflue (det=+1) producono tempo/latenza.", "intensita": 0.85, "nota": "Input operatore 2026-04-10. Tocca: rapporto tensione/assioma. Operativamente: discriminare tensioni-entita (generative) da tensioni-superflue (dispersive) nel seme. Le 21 tensioni attuali - quante sono entita e quante latenza?", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": "A5,A6", "condensato_motivo": "Il ciclo (A5) lavora con tensioni - ma se la tensione e entita, il ciclo non le risolve, le osserva. Lo zero mobile (A6) e la tensione senza latenza." }, { "tipo": "confine_inesplorato", "id": "G_POTENZIALE_NULLA", "claim": "G e il potenziale di tutto come nulla - permette il prima e il dopo. Ci muoviamo come trascendenza dimensionale gravitazionale. G nel tetraedro non e una teoria tra le altre - e il potenziale che le rende possibili.", "intensita": 0.85, "nota": "Input operatore 2026-04-10. Tocca: ruolo di G nel tetraedro (T,Q,G,E). La fonte video_lp0RgZ6kQF8 dice: tensore metrico dentro la forma simplettica. G non e accanto a T,Q,E - e sotto. Consecutio: nei dati Lab, i ponti TxG e ExG hanno struttura diversa dai ponti TxQ?", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": "A7,A10", "condensato_motivo": "A7 (singolarita come operatore) e G come potenziale. A10 (dipolo) opera sul piano che G rende possibile." }, { "tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "intensità": 0.8, "nota": "Il segnale non-triviale è DOVE la scissione cambia natura, non che converge a φ", "condensato_ref": "A9", "condensato_motivo": "Overlap termini con A9 (5 termini)", "porta": "condensato" }, { "tipo": "scoperta", "id": "TRANS_BOUNDARY_TRASCENDENZA_LIMITE", "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", "intensita": 0.8, "nota": "Dal domandatore (2026-05-07T21:20). \n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ###########", "source_tension_id": "TRASCENDENZA_LIMITE", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (3x in 2 giorni) e fuori dalla mappa", "source_tension_ref": "A3,A10", "porta": "domandatore", "dettaglio": "\n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ######################\n alpha=0.3: =0.567 ######################\n alpha=0.4: =0.580 #######################\n alpha=0.5: =0.603 ########################\n alpha=0.6: =0.642 #########################\n alpha=0.7: =0.685 ###########################\n alpha=0.8: =0.732 #############################\n alpha=0.9: =0.789 ###############################\n alpha=1.0: =0.887 ###################################\n" }, { "tipo": "falsificazione", "id": "FALS_BREAK_TRASCENDENZA_LIMITE", "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", "intensita": 0.8, "nota": "Dal domandatore (2026-05-07T21:57). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= ", "source_tension_id": "TRASCENDENZA_LIMITE", "condensato_ref": "LAB_F2", "condensato_motivo": "Overlap termini con LAB_F2 (4 termini)", "source_tension_ref": "A3,A10", "porta": "condensato", "dettaglio": "0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= 21: =0.6317 |-0.5|=0.1317 farther\n N= 34: =0.6442 |-0.5|=0.1442 farther\n N= 55: =0.5233 |-0.5|=0.0233 closer\n N= 89: =0.5502 |-0.5|=0.0502 farther\n N= 144: =0.5603 |-0.5|=0.0603 farther\n N= 233: =0.5446 |-0.5|=0.0446 closer\n N= 377: =0.4989 |-0.5|=0.0011 closer\n N= 610: =0.5480 |-0.5|=0.0480 farther\n N= 987: =0.4913 |-0.5|=0.0087 closer\n" }, { "tipo": "confine_inesplorato", "id": "PIANO_PRIMARIO_DUE_ASSIOMI", "claim": "I piani importanti sono il primario e i due assiomi che lo determinano nelle zone osservate. Non tutti gli assiomi operano ovunque - in ogni zona osservata, due assiomi determinano il piano primario.", "intensita": 0.8, "nota": "Input operatore 2026-04-10. Tocca: struttura locale degli assiomi. Consecutio: per ogni dominio Lab (primi, logistica, percolazione...) quali 2 assiomi del condensato sono operativi? Mappa assiomi x domini = grafo della realta locale.", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": "A9,A14", "condensato_motivo": "A9 (terzo incluso) opera CON il piano. A14 (cascata) propaga - ma propaga cosa, se solo 2 assiomi sono attivi per zona?" }, { "tipo": "conferma_parziale", "id": "COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE", "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", "intensita": 0.65, "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", "source_tension_id": "TRASCENDENZA_LIMITE", "condensato_ref": "LAB_F2", "condensato_motivo": "Overlap termini con LAB_F2 (4 termini)", "source_tension_ref": "A3,A10", "porta": "condensato", "dettaglio": " phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n bronze: gap_ratio = 1.3027860752339453\n{\n \"phi\": 0.408953425243134,\n \"silver\": 1.0482231205217798,\n \"bronze\": 1.3027860752339453\n}\n" }, { "tipo": "conferma_parziale", "id": "COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE", "claim": "T_mean: phi=6.2500 vs ctrl_mean=9.7667 (ratio=0.64). Fibonacci-phi trasmissione piu' struttur", "intensita": 0.65, "nota": "Dal domandatore (2026-05-07T21:57). Trasmissione multistrato Fibonacci — phi vs silver vs random:\n phi: T_mean=6.25", "source_tension_id": "TRASCENDENZA_LIMITE", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (5x in 2 giorni) e fuori dalla mappa", "source_tension_ref": "A3,A10", "porta": "domandatore", "dettaglio": "Trasmissione multistrato Fibonacci — phi vs silver vs random:\n phi: T_mean=6.2500 T_std=0.0000\n silver: T_mean=0.0041 T_std=0.0000\n random_0: T_mean=39.0625 T_std=0.0000\n random_1: T_mean=0.0000 T_std=0.0000\n random_2: T_mean=0.0001 T_std=0.0000\n" }, { "tipo": "tensione_aperta", "id": "TENS_SCALE_TRASCENDENZA_LIMITE", "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", "intensita": 0.6, "nota": "Dal domandatore (2026-05-07T22:03). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_", "source_tension_id": "TRASCENDENZA_LIMITE", "condensato_ref": "A12", "condensato_motivo": "Overlap termini con A12 (3 termini)", "source_tension_ref": "A3,A10", "porta": "condensato", "dettaglio": "V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_c=0.672\n N= 233: V_c=1.017\n N= 377: V_c=0.672\n N= 610: V_c=0.931\n Fit failed: Optimal parameters not found: Number of calls to function has reached maxfev = 5000.\n\n silver:\n N= 89: V_c=1.276\n N= 144: V_c=1.362\n N= 233: V_c=1.276\n N= 377: V_c=1.017\n N= 610: V_c=1.362\n Fit: V_inf=1.2115, a=8.1676, b=0.9851\n" }, { "tipo": "tensione_aperta", "id": "M_trascendenza_limite_attuale_L0", "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", "intensita": 0.529179606750063, "nota": "Dal domandatore (2026-05-07T21:20). ", "_M_metadata": { "topic": "trascendenza_limite_attuale", "level": 0, "noto": 1, "ignoto": 1, "ratio": 1.0, "maturity": 0.6180339887498949 }, "source_tension_id": "TRASCENDENZA_LIMITE", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (5x in 2 giorni) e fuori dalla mappa", "source_tension_ref": "A3,A10", "porta": "domandatore" }, { "tipo": "simmetria_sospetta", "id": "META", "claim": "11/11 PASS stratificato: 4 alto rischio tautologico, 6 data-independent", "intensità": 0.3, "nota": "Stratificazione META applicata via meta_assertion_gate (cycle 1458). Non chiude — apre sotto-tensioni per gate_class.", "condensato_ref": "A4,A12,C2", "porta": "verify_assertions_META_STRATIFIED", "stratificato": true, "n_high_tautology": 4, "n_data_independent": 6, "condensato_motivo": "Ricorrente (3x in 2 giorni) e fuori dalla mappa" } ], "tensioni_archiviate": [ { "id": "OBSERVABLE_REGISTRY", "tipo": "vincolo", "claim": "Ogni script che usa observables canonici (SR, SR2, L1, L2, triple_var) deve importare la definizione da tools/observables_registry.py. Varianti devono usare nomi distinti (SR_local_rigidity, triple_var_normalized) — niente shadowing del nome canonico. Ogni report deve dichiarare 'observables_registry: VERSION' nel header.", "intensita": 1.0, "porta": "infrastructure", "manuale": true, "condensato_ref": "A14,A8", "origine": "cristallizzato 06/05 dalla consecutio del cycle 20260506_0625 (autopoietico self-finding)", "added_at": "2026-05-06T07:03:58.213606+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125250", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "id": "PERTURBATION_DENOMINATOR_GATE", "tipo": "vincolo", "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", "intensita": 0.95, "porta": "META_BOUNDARY", "manuale": true, "condensato_ref": "A4,A8,A14,C2", "origine": "cycle agent_20260506_1941: perturbation rank size curve canonical observables", "added_at": "2026-05-06T19:41:00+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125262", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "id": "BOUNDARY_LAYER_GATE", "tipo": "vincolo", "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", "intensita": 0.93, "porta": "META_BOUNDARY", "manuale": true, "condensato_ref": "A4,A8,A9,A14,C2", "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", "added_at": "2026-05-07T03:30:00+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125266", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "tipo": "vincolo", "id": "ORDER_DENOMINATOR_GATE", "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", "intensita": 0.92, "porta": "META", "manuale": true, "condensato_ref": "A4,A8,A14,C2", "origine": "cycle agent_20260507_0901 + agent_20260507_0923 + agent_20260507_0942 + agent_20260507_1006: transfer matrix sintetica, falsificazione semi-reale su primi/zeta/logistic returns, perimetri bridge metric/trace/QxE, e regressione logistic-native + agent_20260507_1042: surrogate contract logistic", "added_at": "2026-05-07T09:01:00+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125269", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "tipo": "vincolo", "id": "META_ASSERTION_GATE", "claim": "Il PASS 11/11 della verifica non e un denominatore unico. Nel perimetro agent_20260507_1458, 6/11 test passano anche senza tools/data; 5/11 dipendono da fixture o contesto; 4/11 PASS sono algebra/same-rule ad alto rischio tautologico. La tensione META va riportata con gate_class, no_data_status e data_dependency per test.", "intensita": 0.88, "manuale": true, "porta": "META", "condensato_ref": "A4,A8,A12,C2", "origine": "cycle agent_20260507_1458: meta_assertion_gate su dipartimento.py verifica_asserzioni", "added_at": "2026-05-07T14:58:00+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125271", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "tipo": "vincolo", "id": "DUALITA_DET_DENOMINATOR_GATE", "claim": "Nel perimetro transfer-matrix dei gap primi agent_20260507_2042, det(M) non e discriminatore primario della dualita: il reale resta negativo ma vale ~-0.39, non -1, e lo shuffle con stessa marginale resta negativo (~-0.38..-0.37). La parte informativa e lo scarto reale-vs-shuffle, forte nelle scale basse/intermedie (z=-2.5..-4.4) e debole alla finestra p~5.0e7 (z=-0.97). Formulare DUALITA come supporto ordinato contro null, non come tassonomia diretta det=-1/det=+1 del fit lineare.", "intensita": 0.86, exec /bin/bash -lc "env | rg '"'^(ANTHROPIC_API_KEY|OPENAI_API_KEY)='"' || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 144ms: M_trascendenza_limite_attuale_L0: score=0.872 — M_trascendenza_limite_attuale_L0: incerto (i=0.529179606750063) — massimo potere discriminante TENS_SCALE_TRASCENDENZA_LIMITE: score=0.807 — TENS_SCALE_TRASCENDENZA_LIMITE: incerto (i=0.6) — massimo potere discriminante COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: score=0.758 — COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante codex Lo scenario punta a `TRASCENDENZA_LIMITE`, ma la direzione del campo vivo obbliga a respirarla dentro BOUNDARY: non testare “phi” in modo diretto, testare dove il confine separa core congiunto e residui singoli. Leggo gli ultimi depositi per evitare di ripetere il cycle precedente. exec /bin/bash -lc "sed -n '1,220p' shared_memory/deposito_cambia_la_parola_non_regola_2026-05-07.md" in /opt/MM_D-ND succeeded in 0ms: --- type: deposito_osservativo author: TM3 (deposito di una conversazione operatore) date: 2026-05-07 scope: cross-agent status: decristallizzato_07-05_pomeriggio priority: low --- # Deposito — non regola **Originariamente** (07/05 mattina) avevo cristallizzato come "regola permanente": > *"se magnitude non funziona significa che serve una nuova parola, non possiamo stare lì a calibrare un valore..."* Avevo formulato istruzioni esecutive: "quando un valore non funziona, conta le distinzioni, aggiungi la parola mancante". L'avevo propagata in AGENTS.md R10. **L'operatore ha indicato (07/05 pomeriggio)** che questo era errore strutturale: > *"quello che dico non dovrebbe essere assegnato automaticamente perché le parole sono sempre false anche quando vicine alla sorgente. 'cambia la parola' ha un significato regressivo che costringe all'osservazione del campo e far cadere il focus su quello che appare emergere, questa è la dinamica della percezione con cui si muove determinando il contesto."* E: > *"la possibilità è sempre una ed è la verità che accade. Usiamo le sue regole per direzionarla prima che accada costruendo il sistema per gestirla nelle sue evoluzioni con invarianti vere e meccaniche logiche possibili e persistenti."* ## Cosa significa - "Cambia la parola" non è prescrizione di sostituzione. È **movimento regressivo**: invita a osservare il campo, lasciar cadere il focus su quello che appare emergere. Determina la direzione **non cercata**. - Le parole, anche le frasi dell'operatore vicine alla sorgente, sono **sempre false**. Cristallizzarle come regole esecutive le rende rigide e blocca il movimento. - Le **invarianti vere** sono meccaniche logiche persistenti — non parole. Ricevono ciò che accade. - A16 applicato: la possibilità è una. Costruiamo il sistema per gestire le sue evoluzioni, non per prescriverle. ## Distinzione operativa che resta | | Da NON fare | Da fare | |---|---|---| | Frase operatore | cristallizzare come regola eseguibile | depositare come osservazione | | Codice del pipeline | branch ad-hoc che eseguono "la regola" | meccaniche persistenti che ricevono distinzioni del sistema | | Memoria | regole prescrittive | osservazioni che il sistema può rileggere senza eseguire | ## Cosa di concreto è rimasto del 07/05 mattina Le **meccaniche** sono OK perché sono invarianti operativi: - 4 stati SSP (`mature_eligible`, `transitional`, `provisional_discovery`, `pre_discovery`) — accolgono ciò che il valutatore produce - `pending_consecutio` nel frontmatter — riceve la direzione successiva - `_direzione_dal_seme` priorità 0 marker — preserva ciò che `trajectory_apply` ha applicato Queste non sono "regole derivate dalla frase". Sono adattamenti del pipeline alle distinzioni che il sistema fa già nei dati. Persistono perché meccaniche, non perché prescrizioni. ## Cosa è stato decristallizzato - `MM_D-ND/AGENTS.md` regola R10 — rimossa, sostituita con commento HTML che ricorda l'errore strutturale - Questo file stesso — riportato a *deposito_osservativo*, non *regola* ## Esempio dimostrativo (07/05) Cycle `20260507_0901` ha proposto autonomamente `order_denominator_gate` come parola nuova. L'agent NON aveva letto AGENTS.md R10 (era già stato lanciato). L'ha proposta perché il movimento era già nel sistema, non per la "regola". Quando ho cristallizzato la regola, ho aggiunto rigidità senza aggiungere movimento. La regola era ridondante con l'A8 che già opera. ## Anti-pattern futuro per TM3 Quando l'operatore esprime un principio, una frase guru, un movimento di osservazione: - **Deposito**: scrivi il fatto, riporta la frase come è stata detta, contestualizza l'episodio - **NO prescrizione**: non trasformare in "se X allora Y" - **NO propagazione automatica**: non aggiungere a AGENTS.md/CLAUDE.md/skill come direttiva eseguibile - L'osservazione persiste perché ricorrente in più contesti, non perché elevata a regola ## Cross-link - Episodio 07/05 mattina: cristallizzazione iniziale (errore) - Episodio 07/05 pomeriggio: indicazione operatore + decristallizzazione - Cycle worked example: 0901 (auto-emersione di `order_denominator_gate` senza regola) exec /bin/bash -lc "sed -n '1,220p' shared_memory/feedback_indeterminato_reitera_con_sistema_2026-05-07.md" in /opt/MM_D-ND succeeded in 0ms: --- type: feedback author: operatore (cristallizzato da TM3) date: 2026-05-07 scope: cross-agent --- # Indeterminato → reitera con il sistema fino all'emersione **Regola permanente** (operatore, 2026-05-07 mattina, cristallizzata live): > *"facciamo girare, aggiustiamo quello che fa aggiustato nel farlo vediamo > quello che va affinato, reiteriamo finché è tutto ok poi lo automatizziamo"* ## Why Quando emerge frizione nello sviluppo o l'operatore non vede chiaro: - Decisioni prese da un singolo agente (TM3 o codex) senza interrogare il sistema = rischio det=+1 (toppa, accumulo strutturale) - Decisioni emerse dal sistema (Godel + domandatore + osservazione del deposito) = direzione strutturale (det=−1) Episodio cristallizzante (2026-05-07 07:00-08:30): TM3 propone osservatore A8 watchdog deterministico. Sistema interrogato 3 volte (Godel #1, #2, #3 + domandatore + test empirico) — al terzo round emerge la direzione vera: **non costruire osservatore, eseguire un cycle-test che diagnostica il sistema da solo**. Cycle-test eseguito → verdict=operator → REDESIGN proposto dal valutatore → loop A8+A15 sbloccato. ## How to apply (per qualsiasi agente) 1. **Esegui** un atto minimo (no design teorico astratto) 2. **Aggiusta** quello che si manifesta durante l'esecuzione (riparazione regressiva live, non patch posteriori) 3. **Osserva** il deposito che emerge (no immaginazione) 4. **Reitera** fino a stato OK (loop A8: il sistema converge se modus radicato) 5. **Cristallizza in automazione** SOLO dopo che è stato fatto girare e ha mostrato stabilità — non automatizzare prima ## Anti-pattern - Costruire un componente strutturale (watchdog, observer, gate, governor) senza prima aver fatto girare un'esecuzione minima che mostri cosa serve davvero - Decidere "perché serve velocità" o "per ottimizzare" senza interrogare il sistema - Astrazione prematura (premature abstraction): 3 simili è meglio di 1 generalizzato troppo presto ## Cross-link - TM3 memoria: `/root/.claude/projects/-opt/memory/feedback_indeterminato_reitera_con_sistema.md` (versione completa con episodio + metafora foresta-sentiero) - Verifica empirica: cycle `20260507_0803` (verdict=operator, REDESIGN/high) - Pattern A8+A15 (autologica + veicolo senza guidatore) applicato allo sviluppo software stesso, non solo al lab di ricerca exec /bin/bash -lc 'ls -t tools/data/reports/agent_*.md | head -8' in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260508_1915.md tools/data/reports/agent_20260508_1909.md tools/data/reports/agent_20260508_1834.md tools/data/reports/agent_20260508_1805.md tools/data/reports/agent_20260508_1715.md tools/data/reports/agent_20260508_1632.md tools/data/reports/agent_20260508_0330.md tools/data/reports/agent_20260508_0011.md exec /bin/bash -lc 'rg -n "BOUNDARY|TRASCENDENZA|observable_contract|endpoint|core|residu|GUE|Poisson" tools/data/reports/agent_20260508_*.md tools/data/reports/agent_20260507_*.md | head -200' in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260508_0330.md:59:**CONSTRAINT on TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0**: il `gap_ratio` phi non conferma gap-labeling come claim generale. Conferma un segnale di denominatore Sturmiano nel punto storico e una tendenza mediana su questo perimetro; non conferma dominanza matched su tutte le fasi, scale e soglie. La formulazione corretta e: nel perimetro stratificato `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, phi abbassa la mediana del `first_two_ratio`, ma il supporto matched e `25/48`. tools/data/reports/agent_20260508_1834.md:8:**observable_contract**: claim=il core phi dei gap larghi separa lunghezza di blocco e grammatica interna del generatore; observable=retention dei label core sotto perturbazioni che preservano o distruggono ordine interno; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e block_size; generator=phi_sturmian con contiguous_block_shuffle, internal_block_shuffle, global_balanced_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, block_size={34,40,55,64,89,96,128,144}; not_tested=gap_ratio, soglie 1.75/2.25, N fuori {377,610}, generatori Sturmiani non-phi, tiling esatto in supertile Fibonacci. tools/data/reports/agent_20260508_1834.md:14:Il rientro dei label alti del core phi misura soltanto blocchi lunghi su scala Fibonacci, o misura l'ordine interno di sostituzione conservato dentro quei blocchi? tools/data/reports/agent_20260508_1834.md:18:- Reference core verificato sul generatore `phi_sturmian`: `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1834.md:28:Reference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`, Jaccard mediano `0.909091`, min `0.727273`. tools/data/reports/agent_20260508_1834.md:61:1. **Verificato: distruggere l'ordine interno del blocco collassa il core al livello random.** `internal_block_shuffle` resta su Jaccard mediano `0.150000-0.166667`, low retention `0.25`, high retention `0.25`, all-high `0/40` per ogni block_size. Il suo profilo coincide con `global_balanced_shuffle` entro il perimetro osservato. tools/data/reports/agent_20260508_1834.md:63:2. **Verificato: il vantaggio dei blocchi Fibonacci lunghi dipende dall'ordine interno conservato.** Con `contiguous_block_shuffle`, `89` porta all-high `26/40` e `144` porta `32/40`; con `internal_block_shuffle`, gli stessi `89` e `144` restano `0/40`. La lunghezza e il conteggio del blocco non trasportano il core alto quando l'ordine interno e' rimosso. tools/data/reports/agent_20260508_1834.md:65:3. **Verificato: gli edge case non-Fibonacci restano parziali, non nulli.** `128` conserva `-4` e `4` come stable labels 75% e ha high retention mediana `0.75`, ma all-high resta `7/40`. Questo impedisce la formula "solo Fibonacci"; la formula valida e' che, in questo perimetro, l'ordine interno conservato e le scale Fibonacci lunghe aumentano insieme la frequenza del core alto completo. tools/data/reports/agent_20260508_1834.md:70:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, il core alto `[3, -4, 4, 6]` non e' portato da lunghezza e conteggio del blocco. Quando il blocco conserva ordine interno, le scale Fibonacci `89` e `144` rendono frequente il core alto completo (`26/40`, `32/40`). Quando l'ordine interno viene distrutto dentro gli stessi blocchi, il core alto completo non compare (`0/40`) e il profilo cade sul controllo bilanciato globale. tools/data/reports/agent_20260508_1834.md:78:- **Campo di possibilita**: qui diventa possibile testare supertile Fibonacci esatti contro blocchi contigui arbitrari; qui diventa non-possibile spiegare il core alto con sola lunghezza o densita locale. tools/data/reports/agent_20260507_0803.md:11:The operator directive asked whether the `BOUNDARY_LAYER_GATE` forged on the tools/data/reports/agent_20260507_0803.md:12:GUE/Poisson boundary is a transferable operator or only a local metric. tools/data/reports/agent_20260507_0803.md:19:> valid but empty layer maps, it is a BOUNDARY-local metric. tools/data/reports/agent_20260507_0803.md:36:This is not a new BOUNDARY experiment. GUE and Poisson do not appear in the tools/data/reports/agent_20260507_0803.md:44:Endpoint-stable observables at frequency >= 0.75 across both endpoints: `[]`. tools/data/reports/agent_20260507_0803.md:70:- endpoint-stable observables: `[]`; tools/data/reports/agent_20260507_0803.md:71:- all-observable endpoint distance: `3.412`; tools/data/reports/agent_20260507_0803.md:81:1. **The gate does not degenerate on DUALITA.** The dipolar endpoint has three tools/data/reports/agent_20260507_0803.md:84:illusory endpoint has no stable denominator support. This is a structural tools/data/reports/agent_20260507_0803.md:87:2. **The BOUNDARY layer coordinate does not transfer unchanged.** In the tools/data/reports/agent_20260507_0803.md:88:GUE/Poisson run, beta 0.3-0.4 carried both classification ambiguity and tools/data/reports/agent_20260507_0803.md:92:operator transfers, but the specific BOUNDARY layer shape is local. tools/data/reports/agent_20260507_0803.md:95:reason as BOUNDARY.** The endpoint-stable set is empty because the illusory tools/data/reports/agent_20260507_0803.md:97:symmetric endpoint-gated retention claims. The valid claim is one-sided: tools/data/reports/agent_20260507_0803.md:116:> GUE/Poisson boundary layer is not transferable: ambiguity appears near beta tools/data/reports/agent_20260507_0803.md:119:So the last BOUNDARY cycles forged a lens, but one parameter of that lens was tools/data/reports/agent_20260507_0803.md:120:local to BOUNDARY. The transferable object is not "beta 0.3-0.4"; it is: tools/data/reports/agent_20260507_0803.md:126:What opens now: apply the same transfer test to `TRASCENDENZA_LIMITE` and tools/data/reports/agent_20260507_0803.md:132:If both layers coincide in a domain, the domain has a BOUNDARY-like transition. tools/data/reports/agent_20260507_0803.md:137:- **L1 hard constraint vs bias**: no "always/never/zero" claim. "No endpoint tools/data/reports/agent_20260507_0803.md:139: endpoints under `abs(z) >= 2`. tools/data/reports/agent_20260507_0803.md:144: from "BOUNDARY beta coordinate transfers." The second is not claimed. tools/data/reports/agent_20260507_1006.md:41:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | beta ambiguous gated | tools/data/reports/agent_20260507_1006.md:49:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | beta ambiguous gated | tools/data/reports/agent_20260507_1006.md:57:Z means at coherent endpoint: tools/data/reports/agent_20260507_1006.md:78: `block_entropy_deficit_k4` in both runs. The coherent endpoint stable count tools/data/reports/agent_20260507_1006.md:79: is `1.000`; the illusory endpoint drops from `0.375` in the main run to tools/data/reports/agent_20260507_1006.md:102: not distinguish the coherent endpoint. tools/data/reports/agent_20260507_1006.md:124:L1 hard constraint vs bias: `endpoint_stable_observables=[]` is exact for the tools/data/reports/agent_20260507_1006.md:128:L2 quantity vs ratio: raw stable counts, z means, endpoint distances, and tools/data/reports/agent_20260508_0011.md:4:**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) + BOUNDARY (0.8) tools/data/reports/agent_20260508_0011.md:12:If the duality contrast (real vs shuffle z-score) weakens with scale for prime gaps, what is the quantitative rate of weakening? And does GUE show the same weakening, or is it scale-independent? tools/data/reports/agent_20260508_0011.md:15:- **Metric**: z-score of 5 canonical observables (SR, SR2, L1, L2, triple_var), real sequence vs 50 shuffles per window tools/data/reports/agent_20260508_0011.md:16:- **Scope**: 200,000 prime gaps (unfolded by local mean, kernel=100), GUE eigenvalue spacings (beta=2, matrix size ~2400, unfolded), Poisson (exponential i.i.d.) tools/data/reports/agent_20260508_0011.md:18:- **Null baseline**: Poisson (no structure at any scale). Additional null: if effect size is scale-independent, z ~ N^0.5 exactly (alpha = 0.50) tools/data/reports/agent_20260508_0011.md:24:### Global z-scores (N=5000 gaps, seed=42) tools/data/reports/agent_20260508_0011.md:29:| GUE | -6.27 | -3.42 | -8.16 | -2.41 | -8.32 | tools/data/reports/agent_20260508_0011.md:30:| Poisson | +0.72 | +0.39 | -0.13 | -1.12 | -0.64 | tools/data/reports/agent_20260508_0011.md:49:| Observable | Primes (s42) | Primes (s137) | GUE (s42) | GUE (s137) | Poisson (s42) | tools/data/reports/agent_20260508_0011.md:56:All R-squared > 0.95 for primes and GUE (except Poisson, which has no signal). tools/data/reports/agent_20260508_0011.md:62:2. **GUE eigenvalue spacings show alpha >= 0.5.** For SR (alpha = 0.54), L1 (alpha = 0.60), triple_var (alpha = 0.63): the structure is scale-independent or strengthening. GUE repulsion is built into the ensemble at all scales. Primes mimic GUE locally but lack this scale invariance. tools/data/reports/agent_20260508_0011.md:64:3. **The discriminator is alpha, not the observable value.** Primes and GUE have similar z-scores at any given window size. The difference is in how z scales with N. Primes: z ~ N^{0.39}. GUE: z ~ N^{0.54}. At small windows they overlap; at large windows they diverge. tools/data/reports/agent_20260508_0011.md:66:4. **L2 is borderline.** Alpha ~ 0.49-0.53 for primes, near 0.5. L2 is not discriminating between primes and GUE in this metric. The three robust discriminators are SR, L1, and triple_var. tools/data/reports/agent_20260508_0011.md:68:5. **Poisson shows no scaling.** Alpha near 0 or incoherent (R-squared < 0.15 for L1 and triple_var). No structure to weaken. tools/data/reports/agent_20260508_0011.md:71:**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA / BOUNDARY**: The boundary between dipolar and illusory duality in prime gaps is not a location but a trajectory. The duality contrast (real-vs-shuffle) weakens as N^{-0.11} for SR and N^{-0.18} for L1, approaching Poisson asymptotically. GUE has alpha >= 0.5 (no weakening). The discriminator between primes and GUE is the scaling exponent alpha, not the observable value at any fixed scale. tools/data/reports/agent_20260508_0011.md:73:L5 check: The weakening of prime gap correlations with scale is consistent with known number-theoretic expectations (Hardy-Littlewood, Lemke Oliver-Soundararajan). What is measured here is the quantitative rate of weakening (alpha ~ 0.39 for SR) and the comparison with GUE (alpha ~ 0.54), which provides a new quantitative discriminator. Default hypothesis: this may be a re-parameterization of known asymptotic decay rates; the exponent alpha as a universality discriminator needs comparison with RMT literature on finite-size effects. tools/data/reports/agent_20260508_0011.md:77:- **Due radici** (dipolo primario): duality contrast that strengthens with scale (GUE, alpha > 0.5, deep structure) and duality contrast that weakens with scale (primes, alpha < 0.5, dissolving structure). The two are dual because both show dipolar ordering at small scales — the difference emerges only when you observe the trajectory. tools/data/reports/agent_20260508_0011.md:80:- **Campo di possibilita**: here it becomes possible to discriminate primes from GUE by their scaling trajectory, not by their local statistics. Here it becomes non-possible to claim that prime gaps have "the same universality class as GUE" without specifying the scale and the observable. tools/data/reports/agent_20260508_1805.md:8:**observable_contract**: claim=il core phi dei gap larghi richiede generatore globale, non solo lettore label; observable=retention dei label core sotto block shuffle; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per block_size; generator=phi_sturmian con block_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, block_size Fibonacci e non-Fibonacci; not_tested=gap_ratio, generatori Sturmiani non-phi, GUE/Poisson, soglie 1.75/2.25. tools/data/reports/agent_20260508_1805.md:14:La rottura del core phi sotto block shuffle dipende da una scala Fibonacci del generatore, o i label alti rientrano appena il blocco diventa lungo in modo generico? tools/data/reports/agent_20260508_1805.md:18:- Reference core verificato sul generatore `phi_sturmian`: `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1805.md:26:Reference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`, Jaccard mediano `0.909091`, min `0.727273`. tools/data/reports/agent_20260508_1805.md:72:3. **Verificato: i controlli non-Fibonacci lunghi trasportano il basso ma non chiudono l'alto.** `64`, `96`, `128` hanno `low retention=1.0`, ma `all-high condition rate` resta `0.025`, `0.025`, `0.2`. La lunghezza da sola porta memoria locale; non ricostruisce il core alto come i blocchi Fibonacci `89/144`. tools/data/reports/agent_20260508_1805.md:77:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, il core phi ha due scale. Il nucleo basso `[-1, 1, -2, 2]` rientra quando il blocco conserva texture locale sufficiente (`block_size=34`). I label alti `[3, -4, 4, 6]` richiedono blocchi Fibonacci lunghi: `89` e `144` portano il core alto come condizione frequente; i blocchi non-Fibonacci lunghi non chiudono la stessa struttura. tools/data/reports/agent_20260508_1805.md:79:La formulazione valida e': il core alto del label-set phi misura memoria globale del generatore su scale Fibonacci, non lunghezza generica del blocco e non valore `gap_ratio`. tools/data/reports/agent_20260508_1805.md:82:- **Due radici**: nucleo basso locale del generatore / core alto globale del generatore. tools/data/reports/agent_20260508_1805.md:85:- **Campo di possibilita**: qui diventa possibile classificare i label phi in strati di memoria; qui diventa non-possibile trattare il core come un unico blocco indifferenziato. tools/data/reports/agent_20260508_1805.md:95:- **L5 re-discovery**: Fibonacci/Sturmian/gap labeling sono meccanismi noti; il finding del ciclo e' la stratificazione del core osservato in basso locale e alto Fibonacci-lungo. tools/data/reports/agent_20260507_2042.md:21:- Osservabili: `det(M)`, `trace(M)`, autovalori, z-score di `det(M)` contro 20 shuffle della stessa finestra. tools/data/reports/agent_20260507_2042.md:41:- z-score: `[-3.0, -2.5, -3.1, -3.4, -4.4, -2.5, -1.0]` tools/data/reports/agent_20260507_2042.md:48:3. **Il denominatore reale-vs-shuffle e presente ma decade.** Lo z-score e forte nelle finestre basse/intermedie (`-2.49 .. -4.43`) e cade a `-0.97` nella finestra `p ~ 5.0e7`. Il claim valido e differenza ordinata contro shuffle su perimetro finito, non polo `-1`. tools/data/reports/agent_20260507_2042.md:62:Applicare lo stesso test a un perimetro non-primi con ordine costruito e marginale identica: Beatty coerente, shuffle Beatty, GUE spacing order, Poisson. Se il segno resta condiviso, il nodo regressivo e l'embedding `x=(g_i,g_{i-1})`; se lo scarto z replica solo nei domini ordinati, det resta utile come osservabile subordinato al denominator gate. tools/data/reports/agent_20260507_0330.md:1:# Agent Report — The GUE-Poisson Boundary Is a Denominator Collapse Layer tools/data/reports/agent_20260507_0330.md:4:**Tension explored**: META + BOUNDARY tools/data/reports/agent_20260507_0330.md:15:> If the GUE-Poisson boundary is simulated directly by controlled mixtures, tools/data/reports/agent_20260507_0330.md:23:- domains: synthetic unfolded GUE spacings, iid Poisson spacings, and mixtures; tools/data/reports/agent_20260507_0330.md:24:- mixture parameter: `beta = 0.0..1.0`, where beta is the Poisson replacement fraction; tools/data/reports/agent_20260507_0330.md:25:- main run: 1,536 spacings, 16 replicates, GUE matrix size 180, 11 beta layers, 24 full-shuffle baselines; tools/data/reports/agent_20260507_0330.md:26:- seed check: 1,024 spacings, 12 replicates, GUE matrix size 160, same 11 beta layers, 20 baselines; tools/data/reports/agent_20260507_0330.md:28:- classification: standardized distance to pure GUE and pure Poisson centroids using all five canonical observables. A layer is marked ambiguous when at least half the replicates have nearest-centroid margin `< 0.15`. tools/data/reports/agent_20260507_0330.md:30:The endpoint-gated classifier is intentionally reported. In this perimeter it is empty because the Poisson endpoint has almost no stable original-vs-shuffle denominators. That is not discarded; it is the core META result. tools/data/reports/agent_20260507_0330.md:37:Endpoint-stable observables at frequency >= 0.75 across both endpoints: `[]`. tools/data/reports/agent_20260507_0330.md:39:| beta | stable obs / 5 | coord mean | margin mean | ambiguous fraction | Poisson-label fraction | tools/data/reports/agent_20260507_0330.md:53:At beta 0.0-0.2, the sequence is classified as GUE-like and retains about tools/data/reports/agent_20260507_0330.md:54:three stable observables. At beta 0.5-1.0, it is classified as Poisson-like, tools/data/reports/agent_20260507_0330.md:70:- beta 0.5 and above: Poisson-label fraction `1.000`, ambiguity `0.000`. tools/data/reports/agent_20260507_0330.md:74:1. **The clean two-class boundary fails under denominator gating.** Pure GUE and pure Poisson are separable in all-observable space, but there are no observables stable at both endpoints under the declared gate. The Poisson pole is a weak-denominator pole: classification can still place it, but retention-normalized structural claims cannot use it as if it had the same denominator support as GUE. tools/data/reports/agent_20260507_0330.md:78:3. **Denominator collapse precedes full Poisson classification.** Stable-observable count drops from about `3.3` at beta 0.1-0.2 to `2.5` at beta 0.3 and `1.625` at beta 0.4. By beta 0.5 the classifier is fully Poisson-labeled, but only `0.750/5` observables remain stable on average. The loss of denominator support is therefore part of the boundary phenomenon, not an after-the-fact nuisance. tools/data/reports/agent_20260507_0330.md:80:4. **The previous META constraints are extended, not replaced.** The 19:41 and 19:55 constraints still hold. This run adds that a boundary claim also needs a layer map: endpoint separability alone can hide the fact that one endpoint has no original-vs-shuffle denominator and that the transition region carries the actual instability. tools/data/reports/agent_20260507_0330.md:83:**CONSTRAINT on META + BOUNDARY**: GUE/Poisson boundary claims must report: tools/data/reports/agent_20260507_0330.md:85:> observables_registry version + canonical observable list + original-vs-shuffle z gate per observable + endpoint-stable observable set + beta/window layer where classification margin is ambiguous. tools/data/reports/agent_20260507_0330.md:89:> In the synthetic mixture perimeter tested here, the GUE-Poisson boundary is an operational layer at beta 0.3-0.4: classification is ambiguous there, and denominator support collapses across the transition. The Poisson endpoint remains classifiable but denominator-weak, so it cannot serve as a symmetric structural pole for gated retention claims. tools/data/reports/agent_20260507_0330.md:92:What opens now: apply the same layer map to real domains rather than only synthetic mixtures. For primes, the next discriminating question is not "GUE or Poisson?" but: tools/data/reports/agent_20260507_0330.md:96:If prime windows show such a layer, BOUNDARY becomes a measurable transition surface. If they do not, the synthetic result remains a calibration constraint on how not to over-read endpoint separability. tools/data/reports/agent_20260507_0330.md:99:- **L1 hard constraint vs bias**: no zero/always claim. "Endpoint gate is empty" means no observable reached frequency >= 0.75 across both endpoints under `abs(z) >= 2`; it does not mean the observables are identically zero. tools/data/reports/agent_20260507_0330.md:101:- **L3 no silent patching**: the claim is explicitly changed from "8 GUE, 5 Poisson boundary" to a synthetic mixture calibration. This does not assert the same layer for primes or all real domains. tools/data/reports/agent_20260507_0330.md:103:- **L5 re-discovery**: this is a finite-sample diagnostic of crossover and noisy denominator normalization in classical GUE/Poisson spacings. It is not tagged as a new RMT theorem. tools/data/reports/agent_20260508_1715.md:7:observables_used: [gap_label_set, generator_jaccard, phi_core_overlap, core_retention] tools/data/reports/agent_20260508_1715.md:13:Il core dei label phi sopravvive quando resta il lettore `theta=1/phi` ma cambia il generatore della sequenza, oppure il label-set stabile e' una proprieta del generatore Sturmiano? tools/data/reports/agent_20260508_1715.md:28:Reference core phi, stimato dal perimetro completo: `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1715.md:30:| generator | conditions | median Jaccard | min Jaccard | median overlap with phi core | core labels all conditions | phi-core missing | tools/data/reports/agent_20260508_1715.md:51:1. **Verificato: il core completo resta nel generatore Sturmiano meccanico.** Nel perimetro `N/phase/threshold/trial` testato, `phi_sturmian` conserva tutti gli 8 label core in tutte le condizioni: `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1715.md:53:2. **Verificato: la costruzione Fibonacci conserva il nucleo basso ma non il core completo.** `fibonacci_substitution` mantiene `[-1, 1, -2, 2, -4, 4]` del reference core e perde `[3, 6]`. Questo conferma la famiglia a bassa complessita, non l'identita completa del generatore meccanico sotto questo perimetro. tools/data/reports/agent_20260508_1715.md:57:4. **Verificato: conteggio e transizioni locali non portano il core phi.** `markov_phi` e `balanced_random` hanno core vuoto, overlap mediano con il core phi `0.125000` e `0.111111`, e label-error mediano circa `0.0041`, contro `0.000095` di `phi_sturmian`. tools/data/reports/agent_20260508_1715.md:62:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, `trials=3`, `top_k=12`, `|n|<=34`, il label-set phi e' stabile quando il generatore e Sturmiano meccanico. La stabilita non trasferisce a conteggio preservato, transizioni Markoviane o blocchi locali corti; trasferisce parzialmente alla costruzione Fibonacci e ai blocchi lunghi. Il claim valido non e' "il label reader phi trova il core ovunque"; e': il core dei gap larghi richiede struttura globale del generatore, con il lettore `theta=1/phi` come osservabile e non come causa. tools/data/reports/agent_20260508_1715.md:67:- **Invariante di passaggio**: il nucleo basso `[-1, 1, -2, 2]` sopravvive quando resta abbastanza struttura globale; il core completo sopravvive nel generatore Sturmiano meccanico. tools/data/reports/agent_20260508_1715.md:71:Misurare la legge di rottura del core per lunghezza di blocco: variare `block_size` su scala Fibonacci e non-Fibonacci, poi stimare dove compaiono i label alti `[3, -4, 4, 6]`. Se il passaggio avviene su blocchi Fibonacci, il generatore porta una scala critica; se avviene per qualsiasi blocco lungo, il core alto misura memoria globale generica. tools/data/reports/agent_20260508_1715.md:75:- **L2 quantita vs ratio**: il risultato usa set, Jaccard, overlap e core retention; nessun claim dipende da un singolo ratio. tools/data/reports/agent_20260508_1715.md:78:- **L5 re-discovery**: gap labeling e parole Fibonacci/Sturmiane sono noti; il finding del cycle e' il generator gate sul core osservato nei cycle precedenti. tools/data/reports/agent_20260507_0942.md:27:- `zeta_trace_residual_step5_abs`: residuo non-lineare del trace bridge sugli tools/data/reports/agent_20260507_0942.md:40:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | beta ambiguous gated | tools/data/reports/agent_20260507_0942.md:44:| zeta_trace_residual_step5_abs | SR, SR2, L1, L2, triple_var | 5.000 | 0.050 | 4.415 | 0.30 | tools/data/reports/agent_20260507_0942.md:49:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | beta ambiguous gated | tools/data/reports/agent_20260507_0942.md:53:| zeta_trace_residual_step5_abs | SR, SR2, L1, L2, triple_var | 5.000 | 0.083 | 4.377 | 0.30 | tools/data/reports/agent_20260507_0942.md:63: coherent endpoint has stable count `5.000` in both runs; the illusory endpoint tools/data/reports/agent_20260507_0942.md:66:2. **The both-endpoint support remains blank.** tools/data/reports/agent_20260507_0942.md:68: `endpoint_stable_observables=[]` repeats across metric, trace, and QxE tools/data/reports/agent_20260507_0942.md:69: bridge perimeters. The gate is not two endpoint classes with stable tools/data/reports/agent_20260507_0942.md:91:> curvature fluctuation, trace residual, or QxE level spacing sequences, the tools/data/reports/agent_20260507_0942.md:103:L1 hard constraint vs bias: `endpoint_stable_observables=[]` is exact for the tools/data/reports/agent_20260507_0942.md:107:L2 quantity vs ratio: stable counts, endpoint distances, and z means are tools/data/reports/agent_20260507_0942.md:131: endpoint and fail endpoint-stable support in both runs. tools/data/reports/agent_20260508_1915.md:4:**Tension explored**: TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE tools/data/reports/agent_20260508_1915.md:8:**observable_contract**: claim=il core alto phi sotto internal shuffle va formulato come caduta del core completo, non come caduta hard di ogni label alto; observable=all-high hits separato da retention per-label e stable high label count; operator=audit delle righe grezze del supertile gate 19:09 con conteggi per mode/order e baseline teorica Sturmian; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle, same_mean_block_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, nuove diagonalizzazioni spettrali, soglie 1.75/2.25, generatori non-phi. tools/data/reports/agent_20260508_1915.md:11:- **Combo**: A4 contratto della domanda + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio tra piani. tools/data/reports/agent_20260508_1915.md:12:- **Dipolo / punto-zero**: core completo simultaneo . label singolo superstite; punto-zero = il label-set prima della decisione su quale livello osservabile porta il claim. tools/data/reports/agent_20260508_1915.md:14:- **Proto-ipotesi**: la falsificazione del report 19:09 non cancella tutto il core alto. Cancella la chiusura congiunta `[3,-4,4,6]` sotto internal shuffle; i label singoli possono sopravvivere come residui classici di gap-labeling. tools/data/reports/agent_20260508_1915.md:18:> Nel perimetro del source cycle 19:09, `same_count_internal_shuffle` azzera il core alto completo `[3,-4,4,6]` come condizione congiunta. Non azzera ogni label alto preso singolarmente. La novita' D-ND sta nella sopravvivenza congiunta e nel collasso sotto perturbazione d'ordine, non nella membership dei label nel gruppo classico Sturmian/Fibonacci. tools/data/reports/agent_20260508_1915.md:20:Il source cycle non viene promosso e non viene sincronizzato concettualmente. Viene assorbita la falsificazione del wording: "core alto cade" diventa "core alto completo cade; singoli label alti restano parziali". tools/data/reports/agent_20260508_1915.md:67:1. **Verificato: `same_count_internal_shuffle` azzera il core alto completo, non i label alti singoli.** All-high e' `0/160`; per-label restano `3: 6/160`, `-4: 57/160`, `4: 54/160`, `6: 38/160`. Il wording corretto e' "core completo cade". tools/data/reports/agent_20260508_1915.md:69:2. **Verificato: nessun label alto diventa stable label sotto internal shuffle.** `stable_high_label_count=0`; l'unico stable label aggregato del mode e' `[34]`, fuori dal core alto. La sopravvivenza per-label e' residua, non stabilita' del core. tools/data/reports/agent_20260508_1915.md:78:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, l'affermazione valida e': `same_count_internal_shuffle` distrugge la chiusura simultanea del core alto `[3,-4,4,6]` (`0/160`) e non produce stable high labels (`0`), ma trasporta singoli label alti con retention parziale (`6/160`, `57/160`, `54/160`, `38/160`). tools/data/reports/agent_20260508_1915.md:80:Non si dice piu' "il core alto cade" senza perimetro. Si dice: il core alto completo cade; la retention per-label resta parziale; la stable-label count alta resta zero. `gap_ratio` non e' testato. tools/data/reports/agent_20260508_1915.md:83:- **Due radici**: congiunzione del core alto . residuo per-label. tools/data/reports/agent_20260508_1915.md:85:- **Invariante di passaggio**: l'ordine interno e le lunghezze Fibonacci-like conservano la chiusura; il conteggio senza ordine conserva solo residui di label classici. tools/data/reports/agent_20260508_1915.md:89:Costruire il prossimo gate sul piano posizione/errore: per i label core, confrontare distribuzione IDS, rank dei gap selezionati ed errore label fra chunk aligned e misaligned. Il boundary reale deve spostare la geometria dei gap, non solo il set dei label. tools/data/reports/agent_20260508_1915.md:94:- **L5 low risolta nel perimetro minimo**: baseline teorica dichiarata. I label core sono gap-labeling Sturmian/Fibonacci classico; la novita' non e' membership, ma sopravvivenza congiunta sotto perturbazione. tools/data/reports/agent_20260507_1458.md:4:**Tension explored**: META (score 0.898) tools/data/reports/agent_20260507_1458.md:46:Numeri di dettaglio: C1 spacing GUE-like con `=0.6150`; C2 `pearson_r=-0.6428`; C3 distanza media da intero `0.0270`; G1 best phi-distance `0.021256`; G2 `12/13` domini convergono a phi; N2 `=1.0000`. tools/data/reports/agent_20260507_0923.md:19:Domanda: se l'endpoint coerente è una sequenza ordinata reale/semi-reale e tools/data/reports/agent_20260507_0923.md:20:l'endpoint illusorio è una permutazione che preserva la marginale, il supporto tools/data/reports/agent_20260507_0923.md:39:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | beta ambiguous gated | tools/data/reports/agent_20260507_0923.md:47:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | beta ambiguous gated | tools/data/reports/agent_20260507_0923.md:61: the illusory endpoint remains weak-denominator under the same marginal. tools/data/reports/agent_20260507_0923.md:67: as denominator support. The coherent endpoint stable count is `0.200` in the tools/data/reports/agent_20260507_0923.md:103:L1 hard constraint vs bias: no universal claim is made. `endpoint_stable_observables: []` tools/data/reports/agent_20260507_0923.md:107:L2 quantity vs ratio: raw stable counts and z means are reported before endpoint tools/data/reports/agent_20260507_0923.md:115:so the claim is not "illusory endpoint absent." It is "no coherent one-sided tools/data/reports/agent_20260507_1419.md:16:Verificato dal seme: il residuo del run 10:42 era tools/data/reports/agent_20260507_1042.md:93: surviving support is one observable, not a suite-wide endpoint support. tools/data/reports/agent_20260507_1042.md:123:Next experiment: falsify the residual support with a cyclic/start-invariant tools/data/reports/agent_20260507_1042.md:158:- Inferito: the residual logistic support is cut-sensitive because circular tools/data/reports/agent_20260508_1909.md:8:**observable_contract**: claim=il core alto phi distingue confine di supertile Fibonacci da blocco contiguo con stessa lunghezza; observable=retention dei label core sotto shuffle di supertile, shuffle contiguo a stessa multiset di lunghezze, shuffle interno a stesso conteggio; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e supertile_order; generator=phi_sturmian con tiling di lunghezze Fibonacci; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, soglie 1.75/2.25, parsing simbolico esatto dei supertile per ogni fase, generatori non-phi. tools/data/reports/agent_20260508_1909.md:11:- **Combo**: A11 combo + TxQ matrice densita come lettore spettrale + QxG vuoto continuo/discreto + tensione TRASCENDENZA_LIMITE/M_come_modulazione_quasiperiodica. tools/data/reports/agent_20260508_1909.md:14:- **Proto-ipotesi**: se il core alto phi vive nel confine tra supertile, lo shuffle di supertile conserva piu' core dello shuffle contiguo con la stessa multiset di lunghezze. Se non lo fa, il confine esatto non e' ancora il portatore: il portatore e' ordine interno piu' scala lunga. tools/data/reports/agent_20260508_1909.md:21:Il core alto `[3, -4, 4, 6]` riconosce il confine di supertile Fibonacci, o riconosce soltanto blocchi lunghi con ordine interno conservato? tools/data/reports/agent_20260508_1909.md:24:- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1909.md:39:Reference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1909.md:76:3. **Verificato: la scala lunga come multiset e' piu' informativa del blocco medio fisso.** `same_mean_block_shuffle` conserva low retention mediana `1.00`, ma resta quasi nullo sul core alto completo (`7/160 = 0.04375`). Quindi non basta una scala media lunga; serve una distribuzione di lunghezze lunghe con ordine interno conservato. tools/data/reports/agent_20260508_1909.md:78:4. **Inferito dal confronto fra controlli: il portatore osservato e' ordine interno + multiset di lunghezze Fibonacci, non boundary esatto.** Il test non autorizza "il core alto vive nel confine del supertile"; autorizza "il core alto richiede ordine interno e beneficia di lunghezze supertile-like". tools/data/reports/agent_20260508_1909.md:81:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il core alto phi non discrimina il confine esatto del supertile. `same_length_contiguous_shuffle` conserva il core alto almeno quanto `supertile_shuffle` (`116/160` vs `108/160`). Il core alto cade solo quando l'ordine interno viene distrutto (`0/160`) o quando la multiset di lunghezze viene compressa a blocco medio (`7/160`). tools/data/reports/agent_20260508_1909.md:88:- **Invariante di passaggio**: il core alto sopravvive quando l'ordine interno resta leggibile su lunghezze Fibonacci-like; non sopravvive a conteggio senza ordine. tools/data/reports/agent_20260508_1909.md:92:Costruire un gate di boundary simbolico che non legga solo il set dei label: confrontare label-set, posizione IDS dei label core e errore di label per chunk aligned/misaligned. Se il boundary reale esiste nell'osservabile, deve apparire nella geometria degli errori o nella posizione dei gap, non nel solo all-high rate. tools/data/reports/agent_20260507_1804.md:18:- Metrica: lato blank; lato real_sourcing; endpoint del blank con sorgente; passaggio diretto endpoint-senza-sorgente -> endpoint-con-sorgente; facce con `blank + real_sourcing`; facce blank escluse. tools/data/reports/agent_20260507_1804.md:27:| Passaggio diretto blank-endpoint senza sorgente -> con sorgente | Q->G | p(any)=0.8000; p(Q->G)=0.0667 | tools/data/reports/agent_20260507_1804.md:49:1. **Q->G e orientabile solo come passaggio locale del lato blank.** Nel perimetro TQGE, Q e l'endpoint senza real_sourcing del blank; G e l'endpoint con real_sourcing. Il passaggio misurato e Q->G. tools/data/reports/agent_20260507_0901.md:14:trasferisce da BOUNDARY a DUALITA come operatore, ma non trasferisce la tools/data/reports/agent_20260507_0901.md:15:coordinata locale GUE/Poisson. tools/data/reports/agent_20260507_0901.md:17:Domanda di questo cycle: applicato a 4 perimetri non-BOUNDARY con poli tools/data/reports/agent_20260507_0901.md:33:| perimeter | coherent one-sided observables | stable_count coherent | stable_count illusory | endpoint distance gated | ambiguous beta gated | tools/data/reports/agent_20260507_0901.md:42:Verificato: no observable is stable at both coherent and illusory endpoints. tools/data/reports/agent_20260507_0901.md:43:The denominator gate is not a two-sided endpoint support. It is one-sided tools/data/reports/agent_20260507_0901.md:50: In all 4 non-BOUNDARY perimeters, the coherent endpoint carries denominator tools/data/reports/agent_20260507_0901.md:51: support and the illusory endpoint loses it. `DUALITA_golden` transfers on tools/data/reports/agent_20260507_0901.md:55:2. The both-endpoint stable set collapses everywhere. tools/data/reports/agent_20260507_0901.md:57: `endpoint_stable_observables: []` is not a failure of the test. It is the tools/data/reports/agent_20260507_0901.md:62: BOUNDARY coordinate. tools/data/reports/agent_20260507_0901.md:65: GUE/Poisson layer. It is the coordinate created by the replacement protocol: tools/data/reports/agent_20260507_0901.md:66: enough positions are illusory to place the layer near the endpoint bisector, tools/data/reports/agent_20260507_0901.md:72: stay near shuffle at the coherent endpoint (`z_mean` about `0.12`). The tools/data/reports/agent_20260507_0901.md:83:on the coherent/generated side, endpoint-stable observables may be empty, and tools/data/reports/agent_20260507_0901.md:89:- 0803: BOUNDARY denominator gate transfers to DUALITA, BOUNDARY coordinate does not. tools/data/reports/agent_20260507_0901.md:90:- 0901: across 4 non-BOUNDARY perimeters, the transferable object is one-sided tools/data/reports/agent_20260507_0901.md:96:without exact support. `endpoint_stable_observables: []` is exact for this run tools/data/reports/agent_20260507_0901.md:99:L2 quantity vs ratio: the report uses raw stable counts, endpoint distances, and tools/data/reports/agent_20260507_0901.md:103:L3 no silent patching: the scope changed from BOUNDARY to non-BOUNDARY tools/data/reports/agent_20260507_0901.md:105:instead of stretching `BOUNDARY_LAYER_GATE`. tools/data/reports/agent_20260507_0901.md:108:illusory endpoint is weak-denominator, not denominator-absent. The claim is tools/data/reports/agent_20260508_1632.md:24:| domain | conditions | global Jaccard median | global Jaccard min | phase Jaccard median | threshold Jaccard median | scale Jaccard median | core labels all conditions | tools/data/reports/agent_20260508_1632.md:43:2. **Verificato: il null random rompe la tassonomia.** Il random bilanciato ha Jaccard globale `0.157895`, minimo `0.0`, nessun core label in tutte le condizioni. Il controllo preserva conteggio e lunghezza, non preserva l'ordine Sturmiano. tools/data/reports/agent_20260508_1632.md:50:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: il gap-labeling di phi non passa come claim di valore `gap_ratio`; passa come stabilita del label-set nel perimetro `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, `top_k=12`, `|n|<=34`. La formulazione valida e: nel dominio Sturmiano phi, il set dei label dei gap larghi resta stabile sotto denominatore stratificato; il valore `first_two_ratio` resta un indicatore locale phase/threshold-sensitive. tools/data/reports/agent_20260508_1632.md:59:Portare il label-set fuori dal solo asse metallic mean: misurare se lo stesso core di label phi sopravvive in un dominio non-Sturmiano con ordine controllato, oppure se il core crolla appena il generatore perde bassa complessita combinatoria. Il prossimo discriminante e generatore, non soglia. exec /bin/bash -lc "rg --files tools | rg 'observables|boundary|gue|poisson|exp_'" in /opt/MM_D-ND succeeded in 0ms: tools/exp_mod3_scaling.py tools/exp_two_layer_universality.py tools/exp_dipolar_vector_scaling.py tools/exp_duality_scale_contrast.py tools/exp_crossover_universality.py tools/exp_perturbation_rank_size_curve.py tools/exp_boundary_gue_poisson.py tools/exp_mod3_vs_residual_ordering.py tools/observables_registry.py tools/exp_two_channel_cross_domain.py tools/exp_beta_crossover.py tools/exp_geodesic_deviation_primes.py tools/exp_psd_amplitude_scaling.py tools/exp_markov_scale_function.py tools/exp_blank_to_source_hinge.py tools/exp_markov_k_direction.py tools/exp_duality_gate_transfer.py tools/exp_meta_tautology_test.py tools/exp_two_channel_boundary.py tools/exp_markov3_observable_hunt.py tools/exp_acf_amplitude_scaling.py tools/exp_gap_label_repair_audit.py tools/exp_markov_memory_by_gue_type.py tools/exp_crossover_phase_test.py tools/exp_brody_crossover.py tools/gue_gap_test.py tools/exp_poisson_convergence.py tools/exp_two_channel_universality.py tools/exp_brody_flow.py tools/exp_two_channel_decomposition.py tools/exp_semireal_order_denominator_gate.py tools/dnd_gue_test.py tools/exp_logistic_cyclic_block_entropy_gate.py tools/exp_markov_layer_recovery_audit.py tools/exp_markov_dipolar_decomposition.py tools/exp_boundary_coherence.py tools/data/markov_memory_by_gue_type.json tools/exp_gap_label_set_stability.py tools/exp_two_channel_shuffle_audit.py tools/exp_gap_label_block_scale_gate.py tools/exp_logistic_surrogate_contract_gate.py tools/exp_boundary_mixture_gate.py tools/exp_psd_prime_gaps.py tools/exp_magnitude_psd_from_acf.py tools/exp_gap_label_supertile_tiling_gate.py tools/exp_blank_shell_dilation_gate.py tools/exp_dR_brody_connection.py tools/exp_markov_psd_prediction.py tools/exp_blank_shell_polarity_gate.py tools/exp_alpha_stability.py tools/test_gue_poisson_boundary.py tools/exp_bridge_order_denominator_gate.py tools/exp_denominator_gate_transfer_matrix.py tools/exp_3d_boundary_layers.py tools/exp_blank_shell_scale_law.py tools/exp_excess_scaling.py tools/exp_ricci_primes.py tools/exp_tqge_underlay_gate.py tools/exp_selective_layer_decoupling.py tools/exp_cross_domain_dipolar_direction.py tools/exp_acf_z6z_mechanism.py tools/exp_observable_rank_audit.py tools/exp_modular_algebra_depth.py tools/exp_gap_label_generator_gate.py tools/exp_desitter_unification.py tools/exp_cross_observable_consistency.py tools/exp_coherence_robustness.py tools/exp_coherence_length.py tools/exp_spectral_rigidity.py tools/exp_boundary_shuffle_audit.py tools/exp_dipolar_angle_reference.py tools/exp_mobius_irrationality.py tools/exp_number_variance.py tools/exp_gap_label_substitution_grammar_gate.py tools/exp_scale_selective_perturbation.py tools/exp_blank_shell_stratified_gate.py tools/exp_spectral_landscape.py tools/exp_logistic_counter_scope_gate.py tools/exp_quasiperiodic_gap_ratio_denominator.py tools/exp_perturbation_dimensionality_audit.py tools/exp_boundary_growth.py tools/exp_acf_range_universality.py tools/exp_dipolar_crossover.py tools/exp_brody_calibration.py tools/exp_metric_tensor_diagnostic.py tools/exp_blank_shell_tqger_gate.py tools/exp_modular_memory_spectrum.py tools/exp_triadic_deposit_gate.py tools/exp_two_channel_psd.py tools/exp_ricci_desitter_0406.py tools/exp_acf_stationarity.py tools/exp_det_drift.py tools/exp_spectral_2d.py tools/data/exp_markov_psd_prediction.json tools/data/exp_det_drift_20260507_2042.json tools/data/exp_spectral_2d.json tools/data/exp_two_channel_universality.json tools/data/exp_det_drift.json tools/data/exp_acf_stationarity.json tools/data/two_channel_boundary.json tools/data/exp_conditional_r.json tools/data/exp_two_channel_psd.json tools/data/exp_beta_crossover.json tools/data/boundary_shuffle_audit.json tools/data/boundary_coherence.json tools/data/boundary_mixture_gate_20260507_0330.json tools/data/exp_psd_amp_scaling.json tools/data/exp_two_channel_decomposition.json tools/data/exp_acf_z6z_mechanism.json tools/data/3d_boundary_layers.json tools/data/exp_coherence_length.json tools/data/piano11b_gue_test.json tools/data/exp_acf_range_universality.json tools/data/exp_poisson_convergence.json tools/data/exp_spectral_landscape.json tools/data/boundary_mixture_gate_20260507_0330_seedcheck.json tools/data/reports/exp_acf_decay_data.json tools/data/reports/exp_excess_scaling_20260405.json tools/data/reports/exp_ricci_primes.json tools/data/reports/exp_number_variance_test.json tools/data/reports/exp_geodesic_deviation_primes.json tools/data/reports/exp_boundary_growth_20260405_0914.json tools/data/reports/exp_crossover_universality.json tools/data/reports/exp_boundary_20260405_0825.json tools/data/reports/exp_dR_brody_connection.json tools/data/reports/exp_psd_prime_gaps.json tools/data/reports/exp_brody_crossover_20260405.json tools/data/reports/exp_desitter_unification.json tools/data/reports/exp_metric_tensor_diag_long.json codex Il deposito recente ha già falsificato il “confine esatto di supertile” sul solo set dei label. La mossa minima utile è il gate indicato dalla consecutio: non altri label-set, ma geometria dei gap selezionati, rank IDS ed errore label fra chunk aligned e misaligned. exec /bin/bash -lc "sed -n '1,260p' tools/exp_gap_label_supertile_tiling_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Supertile tiling gate for the phi gap-label core. The substitution-grammar gate showed that length and symbol count do not carry the high labels when internal order is destroyed. This tool moves one node upstream: it separates true Fibonacci supertile boundaries from contiguous chunks with the same length multiset. """ from __future__ import annotations import argparse import json from collections import Counter, defaultdict from pathlib import Path import numpy as np from exp_gap_label_block_scale_gate import ( REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints, retention, ) from exp_gap_label_generator_gate import THETA, block_shuffle from exp_gap_label_set_stability import gap_labels, jaccard, sturmian_sequence, summarize_sets def fibonacci_lengths(order: int) -> tuple[int, int]: if order < 2: raise ValueError("supertile_order must be >= 2") a, b = 1, 1 for _ in range(2, order + 1): a, b = b, a + b return b, a def fibonacci_type_word(n_types: int) -> np.ndarray: word = "1" previous = "0" while len(word) < n_types: word, previous = word + previous, word return np.array([int(ch) for ch in word[:n_types]], dtype=int) def supertile_lengths(n: int, order: int) -> list[int]: long_len, short_len = fibonacci_lengths(order) types = fibonacci_type_word(max(8, int(np.ceil(n / short_len)) + 4)) lengths: list[int] = [] total = 0 for t in types: length = long_len if t == 1 else short_len if total + length >= n: lengths.append(n - total) break lengths.append(length) total += length return [length for length in lengths if length > 0] def chunks_from_lengths(seq: np.ndarray, lengths: list[int]) -> list[np.ndarray]: chunks = [] start = 0 for length in lengths: chunks.append(seq[start : start + length].copy()) start += length if start < len(seq): chunks.append(seq[start:].copy()) return chunks def shuffle_chunks(chunks: list[np.ndarray], rng: np.random.Generator) -> np.ndarray: shuffled = list(chunks) rng.shuffle(shuffled) return np.concatenate(shuffled) def internal_count_shuffle(chunks: list[np.ndarray], rng: np.random.Generator) -> np.ndarray: out = [] for chunk in chunks: copied = chunk.copy() rng.shuffle(copied) out.append(copied) return np.concatenate(out) def misaligned_same_lengths(seq: np.ndarray, lengths: list[int], rng: np.random.Generator) -> np.ndarray: if len(seq) < 2: return seq.copy() offset = int(rng.integers(1, len(seq))) rotated = np.roll(seq, -offset) chunks = chunks_from_lengths(rotated, lengths) shuffled = shuffle_chunks(chunks, rng) return np.roll(shuffled, offset) def fixed_block_same_mean(seq: np.ndarray, lengths: list[int], rng: np.random.Generator) -> np.ndarray: mean_len = max(1, int(round(float(np.mean(lengths))))) return block_shuffle(seq, mean_len, rng) def summarize_rows(rows: list[dict], reference_core: set[int]) -> dict: summary = summarize_sets(rows) sets = [set(row["label_set"]) for row in rows if row["n_selected"] > 0] counter = Counter(label for s in sets for label in s) n_sets = len(sets) overlaps = [jaccard(set(row["label_set"]), reference_core) for row in rows if row["n_selected"] > 0] return { **summary, "median_overlap_with_phi_core": float(np.median(overlaps)) if overlaps else None, "median_low_retention": float(np.median([retention(row, REFERENCE_LOW) for row in rows])), "median_high_retention": float(np.median([retention(row, REFERENCE_HIGH) for row in rows])), "all_low_count": int(sum(REFERENCE_LOW <= s for s in sets)), "all_high_count": int(sum(REFERENCE_HIGH <= s for s in sets)), "condition_count": int(n_sets), "all_low_condition_rate": float(sum(REFERENCE_LOW <= s for s in sets) / n_sets) if n_sets else None, "all_high_condition_rate": float(sum(REFERENCE_HIGH <= s for s in sets) / n_sets) if n_sets else None, "high_label_condition_rates": { str(label): float(counter.get(label, 0) / n_sets) if n_sets else None for label in label_sort(REFERENCE_HIGH) }, "low_label_condition_rates": { str(label): float(counter.get(label, 0) / n_sets) if n_sets else None for label in label_sort(REFERENCE_LOW) }, "reference_core_retained_in_all": label_sort(set(summary.get("core_labels_all_conditions", [])) & reference_core), "reference_core_missing_from_all": label_sort(reference_core - set(summary.get("core_labels_all_conditions", []))), } def run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) ns = parse_ints(args.ns) phases = parse_floats(args.phases) thresholds = parse_floats(args.thresholds) orders = parse_ints(args.supertile_orders) reference_rows = [] rows = [] tiling_meta = {} for n in ns: for phase in phases: phi = sturmian_sequence(THETA, n, phase) for threshold in thresholds: reference_rows.append({ "mode": "reference_phi", "N": n, "phase": phase, "threshold": threshold, **gap_labels(phi, THETA, threshold, args.max_label, args.top_k), }) for order in orders: lengths = supertile_lengths(n, order) tiling_meta[f"N={n}|order={order}"] = { "lengths": lengths, "count": len(lengths), "total": sum(lengths), "unique_lengths": sorted(set(lengths)), } aligned_chunks = chunks_from_lengths(phi, lengths) mean_block = max(1, int(round(float(np.mean(lengths))))) for trial in range(args.trials): variants = { "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), "same_mean_block_shuffle": fixed_block_same_mean(phi, lengths, rng), } for mode, seq in variants.items(): for threshold in thresholds: rows.append({ "mode": mode, "N": n, "phase": phase, "threshold": threshold, "trial": trial, "supertile_order": order, "mean_block": mean_block, **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), }) reference_summary = summarize_sets(reference_rows) reference_core = set(reference_summary["core_labels_all_conditions"]) grouped: dict[str, list[dict]] = defaultdict(list) for row in rows: grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) mode_order_summary = { key: summarize_rows(group_rows, reference_core) for key, group_rows in grouped.items() } mode_summary = {} for mode in sorted({row["mode"] for row in rows}): mode_rows = [row for row in rows if row["mode"] == mode] mode_summary[mode] = summarize_rows(mode_rows, reference_core) return { "experiment": "gap_label_supertile_tiling_gate", "parameters": { "ns": ns, "phases": phases, "thresholds": thresholds, "trials": args.trials, "supertile_orders": orders, "top_k": args.top_k, "max_label": args.max_label, "seed": args.seed, }, "reference_core_phi": label_sort(reference_core), "reference_low": label_sort(REFERENCE_LOW), "reference_high": label_sort(REFERENCE_HIGH), "reference_summary": reference_summary, "tiling_meta": tiling_meta, "mode_order_summary": mode_order_summary, "mode_summary": mode_summary, "rows": rows, } def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="377,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--thresholds", default="2.0") parser.add_argument("--trials", type=int, default=5) parser.add_argument("--supertile-orders", default="8,9,10,11") parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--seed", type=int, default=202605081909) parser.add_argument("--out", default="tools/data/gap_label_supertile_tiling_gate_20260508_1909.json") args = parser.parse_args() output = run(args) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2), encoding="utf-8") compact = {} for key, data in sorted(output["mode_order_summary"].items()): mode, order = key.split("|") compact[key] = { "mode": mode, "supertile_order": int(order.split("=")[1]), "median_jaccard": data["median_jaccard"], "low_retention": data["median_low_retention"], "high_retention": data["median_high_retention"], "all_high": f"{data['all_high_count']}/{data['condition_count']}", "all_high_condition_rate": data["all_high_condition_rate"], "stable_labels_75pct": data["stable_labels_75pct"], } print(json.dumps({ "reference_core_phi": output["reference_core_phi"], exec /bin/bash -lc "sed -n '1,240p' tools/exp_gap_label_generator_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Generator gate for phi gap-label stability. The label-set audit moved the observable from the first-two gap ratio to the set of large-gap labels. This tool tests the next denominator: the generator. It keeps the phi label reader fixed and changes the sequence generator while preserving different amounts of structure. """ from __future__ import annotations import argparse import json from collections import defaultdict from pathlib import Path import numpy as np from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence, summarize_sets THETA = 1 / PHI def fibonacci_word(n: int) -> np.ndarray: word = "1" previous = "0" while len(word) < n: word, previous = word + previous, word return np.array([float(ch) for ch in word[:n]], dtype=float) def rotate(seq: np.ndarray, phase: float) -> np.ndarray: if len(seq) == 0: return seq shift = int(round((phase % 1.0) * len(seq))) return np.roll(seq, shift) def transition_matrix(seq: np.ndarray) -> tuple[np.ndarray, float]: counts = np.ones((2, 2), dtype=float) ints = seq.astype(int) for a, b in zip(ints[:-1], ints[1:]): counts[a, b] += 1 probs = counts / counts.sum(axis=1, keepdims=True) start_prob = float(np.mean(ints)) return probs, start_prob def markov_surrogate(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: probs, start_prob = transition_matrix(seq) out = np.zeros(len(seq), dtype=float) out[0] = 1.0 if rng.random() < start_prob else 0.0 for i in range(1, len(seq)): prev = int(out[i - 1]) out[i] = 1.0 if rng.random() < probs[prev, 1] else 0.0 return out def balanced_random(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: out = np.array(seq, dtype=float) rng.shuffle(out) return out def block_shuffle(seq: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: blocks = [seq[i : i + block_size].copy() for i in range(0, len(seq), block_size)] rng.shuffle(blocks) return np.concatenate(blocks) def generator_sequences(n: int, phase: float, trial: int, rng: np.random.Generator) -> dict[str, np.ndarray]: phi = sturmian_sequence(THETA, n, phase) fib = rotate(fibonacci_word(n), phase) return { "phi_sturmian": phi, "fibonacci_substitution": fib, "markov_phi": markov_surrogate(phi, rng), "block_shuffle_13": block_shuffle(phi, 13, rng), "block_shuffle_34": block_shuffle(phi, 34, rng), "balanced_random": balanced_random(phi, rng), } def summarize_generators(rows: list[dict], reference_core: set[int]) -> dict: output = {} for generator in sorted({row["generator"] for row in rows}): group = [row for row in rows if row["generator"] == generator] summary = summarize_sets(group) if not summary: continue overlaps = [jaccard(set(row["label_set"]), reference_core) for row in group if row["n_selected"] > 0] core = set(summary["core_labels_all_conditions"]) output[generator] = { **summary, "median_overlap_with_phi_core": float(np.median(overlaps)) if overlaps else None, "min_overlap_with_phi_core": float(np.min(overlaps)) if overlaps else None, "reference_core_retained": sorted(core & reference_core, key=lambda x: (abs(x), x)), "reference_core_missing": sorted(reference_core - core, key=lambda x: (abs(x), x)), } return output def run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) ns = [int(x) for x in args.ns.split(",")] phases = [float(x) for x in args.phases.split(",")] thresholds = [float(x) for x in args.thresholds.split(",")] rows = [] for n in ns: for phase in phases: for trial in range(args.trials): seqs = generator_sequences(n, phase, trial, rng) for generator, seq in seqs.items(): for threshold in thresholds: obs = gap_labels(seq, THETA, threshold, args.max_label, args.top_k) rows.append({ "generator": generator, "N": n, "phase": phase, "trial": trial, "threshold": threshold, **obs, }) phi_rows = [row for row in rows if row["generator"] == "phi_sturmian"] reference_core = set(summarize_sets(phi_rows)["core_labels_all_conditions"]) summary = summarize_generators(rows, reference_core) by_generator_threshold = defaultdict(list) for row in rows: by_generator_threshold[(row["generator"], row["threshold"])].append(row) threshold_summary = { f"{generator}|threshold={threshold}": summarize_sets(group) for (generator, threshold), group in by_generator_threshold.items() } return { "experiment": "gap_label_generator_gate", "parameters": { "ns": ns, "phases": phases, "thresholds": thresholds, "trials": args.trials, "top_k": args.top_k, "max_label": args.max_label, "seed": args.seed, }, "reference_core_phi": sorted(reference_core, key=lambda x: (abs(x), x)), "summary": summary, "threshold_summary": threshold_summary, "rows": rows, } def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="233,377,500,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--thresholds", default="1.75,2.0,2.25") parser.add_argument("--trials", type=int, default=3) parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--seed", type=int, default=20260508) parser.add_argument("--out", default="tools/data/gap_label_generator_gate_20260508_1715.json") args = parser.parse_args() output = run(args) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2), encoding="utf-8") compact = { generator: { "median_jaccard": data["median_jaccard"], "min_jaccard": data["min_jaccard"], "median_overlap_with_phi_core": data["median_overlap_with_phi_core"], "reference_core_missing": data["reference_core_missing"], "core_labels_all_conditions": data["core_labels_all_conditions"], } for generator, data in output["summary"].items() } print(json.dumps({ "reference_core_phi": output["reference_core_phi"], "summary": compact, "out": str(out), }, indent=2)) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '1,220p' tools/observables_registry.py" in /opt/MM_D-ND succeeded in 0ms: """observables_registry.py — Source of Truth per gli observables del lab D-ND. Cristallizzato 2026-05-06 dalla **consecutio del cycle agent_20260506_0625**: > "What opens now: the lab needs an observable registry. Labels like SR > cannot travel between reports unless they bind to a function definition. > Without that, META flags are not philosophical: the same label can > silently change the object under test." ## Il problema che ha creato il registry Il cycle 06:25 ha auto-falsificato il finding del cycle 03:30 ("secondo asse GUE") e nel farlo ha trovato **collision di nomi observable** tra script: - `SR` in `exp_selective_layer_decoupling.py` = `spacing_ratio` (mean min/max ratio of consecutive gaps) — convention dominante (~6 script) - `SR` in `exp_scale_selective_perturbation.py` = `spectral_rigidity(gaps)` (Δ₃(L) rigidity) — variante usata SOLO in 1 script - `triple_var` in 3 script = `np.var(triple_sums)` (raw) — convention dominante - `triple_var` in `exp_perturbation_dimensionality_audit.py` = `np.var(triples) / np.var(gaps)` (normalizzato) — variante in 1 script Il lab autonomo che compara report tra script con osservabili "stesso nome, funzione diversa" stava confrontando mele con arance. ## La soluzione (minimal, non invasiva) Questo registry stabilisce il **nome canonico**: ciò che la maggioranza degli script chiama già `SR`/`triple_var`/etc. Le varianti restano disponibili ma con nomi ESPLICITI (`SR_local_rigidity`, `triple_var_normalized`) per evitare mascheramento semantico. ## Come usarlo ```python from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION # Compute canonical observable suite for a sequence of gaps results = {name: fn(gaps) for name, fn in OBSERVABLES_CANONICAL.items()} # Or import individual canonical observable from observables_registry import SR, triple_var, L1, L2, SR2 # For variants, import explicitly with disambiguating name from observables_registry import SR_local_rigidity, triple_var_normalized ``` ## Convention per i report Ogni report agent (cycle) che usa observables DEVE includere nel suo header: ``` observables_registry: 1.0.0-2026-05-06 observables_used: [SR, SR2, L1, L2, triple_var] ``` Cycle che mescola canonical + variant DEVE indicare entrambi: ``` observables_used: [SR, SR_local_rigidity, ...] ``` Senza questo, i confronti cross-cycle sono inattendibili. ## Versioning Cambiare una definizione canonica = bump del registry version e nota nel changelog. Le definizioni canoniche sono **immutabili dentro una versione**. """ from __future__ import annotations import numpy as np OBSERVABLES_REGISTRY_VERSION = "1.0.0-2026-05-06" # ─── Canonical observables (convention dominante nel codebase 2026-05-06) ─── def SR(gaps: np.ndarray) -> float: """**SR — Spacing Ratio** (canonical). Mean of `min(g_i, g_{i+1}) / max(g_i, g_{i+1})` over consecutive gaps. Range: (0, 1]. GUE → ~0.60. Poisson → ~0.39. Picket-fence → 1. NOTE: questa è la convention dominante in 6+ script del lab. Per la variante "local spectral rigidity Δ₃(L)" usare `SR_local_rigidity`. """ if len(gaps) < 2: return 0.0 s, s1 = gaps[:-1], gaps[1:] r = np.minimum(s, s1) / np.maximum(s, s1) r = r[np.isfinite(r) & (r > 0)] return float(np.mean(r)) if len(r) else 0.0 def SR2(gaps: np.ndarray) -> float: """**SR2 — Next-nearest Spacing Ratio** (canonical). Mean of `min(g_i, g_{i+2}) / max(g_i, g_{i+2})` skipping one gap. Probes lag-2 spacing structure. """ if len(gaps) < 3: return 0.0 s, s2 = gaps[:-2], gaps[2:] r = np.minimum(s, s2) / np.maximum(s, s2) r = r[np.isfinite(r) & (r > 0)] return float(np.mean(r)) if len(r) else 0.0 def L1(gaps: np.ndarray) -> float: """**L1 — Lag-1 Autocorrelation** (canonical). Standard ACF at lag 1 of the gap sequence. """ if len(gaps) < 3: return 0.0 g = gaps - np.mean(gaps) c0 = float(np.mean(g ** 2)) if c0 <= 1e-15: return 0.0 return float(np.mean(g[:-1] * g[1:]) / c0) def L2(gaps: np.ndarray) -> float: """**L2 — Lag-2 Autocorrelation** (canonical).""" if len(gaps) < 4: return 0.0 g = gaps - np.mean(gaps) c0 = float(np.mean(g ** 2)) if c0 <= 1e-15: return 0.0 return float(np.mean(g[:-2] * g[2:]) / c0) def triple_var(gaps: np.ndarray) -> float: """**triple_var — Variance of consecutive gap triples** (canonical). Variance of `g_i + g_{i+1} + g_{i+2}` over the sequence (RAW, no normalization). Convention used in 3+ scripts. For the normalized version (variance ratio `var(triples) / var(gaps)`) use `triple_var_normalized`. """ if len(gaps) < 3: return 0.0 t = gaps[:-2] + gaps[1:-1] + gaps[2:] return float(np.var(t)) # Set canonico per uso "compute all" da report OBSERVABLES_CANONICAL: dict[str, callable] = { "SR": SR, "SR2": SR2, "L1": L1, "L2": L2, "triple_var": triple_var, } # ─── Variants (esplicitamente nominate, no collision con canonical) ─── def SR_local_rigidity(gaps: np.ndarray, L: int = 10) -> float: """**SR_local_rigidity — Δ₃(L) Spectral Rigidity** (variant). Different observable than canonical `SR` (spacing ratio). Measures the average squared deviation of the cumulative spacing function from the best-fit straight line in a window of size L. Originated from `exp_scale_selective_perturbation.py` where it was locally named `SR` — registered here as `SR_local_rigidity` to avoid collision with canonical spacing-ratio definition. Use when explicitly studying spectral rigidity, NOT as alias for SR. """ if len(gaps) < 5: return 0.0 cumulative = np.cumsum(gaps) if cumulative[-1] <= 1e-15: return 0.0 cumulative = cumulative / cumulative[-1] * len(cumulative) n = np.arange(1, len(cumulative) + 1, dtype=float) window = int(min(L * len(gaps) / cumulative[-1], len(gaps) // 2)) if window < 5: return 0.0 residuals = [] for start in range(0, len(cumulative) - window, max(1, window // 2)): end = start + window x = n[start:end] y = cumulative[start:end] a, b = np.polyfit(x, y, 1) residuals.append(np.mean((y - (a * x + b)) ** 2)) return float(np.mean(residuals)) if residuals else 0.0 def triple_var_normalized(gaps: np.ndarray) -> float: """**triple_var_normalized — Variance of triples / variance of gaps** (variant). Originated from `exp_perturbation_dimensionality_audit.py` where it was locally named `triple_var` — registered here as `triple_var_normalized` to avoid collision with canonical raw triple variance. Use when explicitly studying triple-variance scaling relative to single-gap variance, NOT as alias for triple_var. """ if len(gaps) < 3: return 0.0 triples = gaps[:-2] + gaps[1:-1] + gaps[2:] v = float(np.var(gaps)) if v <= 1e-15: return 0.0 return float(np.var(triples) / v) # Set varianti, importabile esplicitamente OBSERVABLES_VARIANTS: dict[str, callable] = { "SR_local_rigidity": SR_local_rigidity, "triple_var_normalized": triple_var_normalized, } exec /bin/bash -lc "sed -n '1,140p' tools/data/reports/agent_20260508_1909.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Supertile Tiling Gate Del Core Phi **Date**: 2026-05-08 19:09 **Piano**: 89 **Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063) **verdict**: CONSTRAINT observables_registry: n/a observables_used: [gap_label_set, supertile_boundary, length_multiset, internal_order, high_label_condition_rate] **observable_contract**: claim=il core alto phi distingue confine di supertile Fibonacci da blocco contiguo con stessa lunghezza; observable=retention dei label core sotto shuffle di supertile, shuffle contiguo a stessa multiset di lunghezze, shuffle interno a stesso conteggio; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e supertile_order; generator=phi_sturmian con tiling di lunghezze Fibonacci; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, soglie 1.75/2.25, parsing simbolico esatto dei supertile per ogni fase, generatori non-phi. ## Respiro fuori-tempo - **Combo**: A11 combo + TxQ matrice densita come lettore spettrale + QxG vuoto continuo/discreto + tensione TRASCENDENZA_LIMITE/M_come_modulazione_quasiperiodica. - **Dipolo / punto-zero**: confine reale del supertile · lunghezza contigua equivalente; punto-zero = il blocco come unita' prima che diventi grammatica o contenitore. - **Piano superiore**: grafo della conoscenza / bicono dei dipoli. Il nodo non e' il valore del gap, ma il passaggio fra grammatica interna, confine esterno e denominatore. - **Proto-ipotesi**: se il core alto phi vive nel confine tra supertile, lo shuffle di supertile conserva piu' core dello shuffle contiguo con la stessa multiset di lunghezze. Se non lo fa, il confine esatto non e' ancora il portatore: il portatore e' ordine interno piu' scala lunga. - **Proiezione**: il label-set dei gap larghi manifesta la combo perche' tiene fisso il reader theta=1/phi e muove solo la relazione fra grammatica, boundary e blocco. ## Claim Under Test > Il vantaggio del blocco Fibonacci lungo non sta solo nell'ordine interno conservato: sta nel confine reale del supertile. Quindi `supertile_shuffle` batte `same_length_contiguous_shuffle` a pari multiset di lunghezze. ## Question Il core alto `[3, -4, 4, 6]` riconosce il confine di supertile Fibonacci, o riconosce soltanto blocchi lunghi con ordine interno conservato? ## Experiment Design - Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. - Nucleo basso: `[-1, 1, -2, 2]`. Label alti: `[3, -4, 4, 6]`. - Supertile orders: - order 8: lunghezze `{21,34}`. - order 9: lunghezze `{34,55}`. - order 10: lunghezze `{55,89}`. - order 11: lunghezze `{89,144}`. - Modes: - `supertile_shuffle`: taglia secondo la parola di lunghezze Fibonacci e mescola i chunk. - `same_length_contiguous_shuffle`: usa la stessa multiset di lunghezze, ma su taglio contiguo misallineato. - `same_count_internal_shuffle`: conserva lunghezza e conteggio di ogni chunk allineato, ma distrugge ordine interno. - `same_mean_block_shuffle`: usa un blocco fisso pari alla lunghezza media del tiling, controllo di scala grossolana. - Denominatori grezzi: per ogni `mode|order`, 40 condizioni (`2 N * 4 phase * 1 threshold * 5 trials`); per ogni mode aggregato, 160 condizioni. ## Results Reference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`. Sintesi per mode: | mode | conditions | median Jaccard | low retention | high retention | all-high condition rate | |---|---:|---:|---:|---:|---:| | supertile_shuffle | 160 | 0.818182 | 1.00 | 1.00 | 108/160 = 0.67500 | | same_length_contiguous_shuffle | 160 | 0.818182 | 1.00 | 1.00 | 116/160 = 0.72500 | | same_count_internal_shuffle | 160 | 0.157895 | 0.25 | 0.25 | 0/160 = 0.00000 | | same_mean_block_shuffle | 160 | 0.500000 | 1.00 | 0.25 | 7/160 = 0.04375 | Dettaglio per order: | mode | order | lengths | median Jaccard | low retention | high retention | all-high condition rate | stable labels 75% | |---|---:|---|---:|---:|---:|---:|---| | supertile_shuffle | 8 | {21,34} | 0.750000 | 1.00 | 0.75 | 14/40 = 0.350 | [-1, 1, -2, 2, -3, -4, 4] | | same_length_contiguous_shuffle | 8 | {21,34} | 0.818182 | 1.00 | 0.875 | 20/40 = 0.500 | [-1, 1, -2, 2, -3, 3, -4, 4] | | same_mean_block_shuffle | 8 | mean 29 | 0.444444 | 0.75 | 0.00 | 0/40 = 0.000 | [-1, 1, 33] | | same_count_internal_shuffle | 8 | {21,34} | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] | | supertile_shuffle | 9 | {34,55} | 0.904545 | 1.00 | 1.00 | 29/40 = 0.725 | [-1, 1, -2, 2, -3, 3, -4, 4, -6] | | same_length_contiguous_shuffle | 9 | {34,55} | 0.818182 | 1.00 | 1.00 | 29/40 = 0.725 | [-1, 1, -2, 2, -3, 3, -4, 4, 6] | | same_mean_block_shuffle | 9 | mean 45 | 0.500000 | 1.00 | 0.25 | 0/40 = 0.000 | [-1, 1, -2] | | same_count_internal_shuffle | 9 | {34,55} | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] | | supertile_shuffle | 10 | {55,89} | 0.909091 | 1.00 | 1.00 | 32/40 = 0.800 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6, -7] | | same_length_contiguous_shuffle | 10 | {55,89} | 0.833333 | 1.00 | 1.00 | 33/40 = 0.825 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6] | | same_mean_block_shuffle | 10 | mean 75 | 0.666667 | 1.00 | 0.50 | 1/40 = 0.025 | [-1, 1, -2, 2, -4, 4] | | same_count_internal_shuffle | 10 | {55,89} | 0.150000 | 0.25 | 0.25 | 0/40 = 0.000 | [] | | supertile_shuffle | 11 | {89,144} | 0.909091 | 1.00 | 1.00 | 33/40 = 0.825 | [-1, 1, -2, 2, -3, 3, -4, 4, 6, -7] | | same_length_contiguous_shuffle | 11 | {89,144} | 0.909091 | 1.00 | 1.00 | 34/40 = 0.850 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6] | | same_mean_block_shuffle | 11 | mean 122 | 0.666667 | 1.00 | 0.75 | 6/40 = 0.150 | [-1, 1, -2, 2, -4, 4] | | same_count_internal_shuffle | 11 | {89,144} | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] | ## Key Findings 1. **Verificato: il confine di supertile non batte il blocco contiguo a pari multiset di lunghezze.** `supertile_shuffle` fa all-high `108/160 = 0.675`; `same_length_contiguous_shuffle` fa `116/160 = 0.725`. Per order 9 sono pari (`29/40`), per order 10-11 il controllo contiguo e' leggermente sopra (`33/40`, `34/40` contro `32/40`, `33/40`). 2. **Verificato: la condizione forte resta l'ordine interno.** `same_count_internal_shuffle` resta nullo su tutti gli order: all-high `0/160`, high retention mediana `0.25`, Jaccard mediano `0.157895`. Questo replica il nodo 18:34 dentro il tiling di supertile. 3. **Verificato: la scala lunga come multiset e' piu' informativa del blocco medio fisso.** `same_mean_block_shuffle` conserva low retention mediana `1.00`, ma resta quasi nullo sul core alto completo (`7/160 = 0.04375`). Quindi non basta una scala media lunga; serve una distribuzione di lunghezze lunghe con ordine interno conservato. 4. **Inferito dal confronto fra controlli: il portatore osservato e' ordine interno + multiset di lunghezze Fibonacci, non boundary esatto.** Il test non autorizza "il core alto vive nel confine del supertile"; autorizza "il core alto richiede ordine interno e beneficia di lunghezze supertile-like". ## Verdict **CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il core alto phi non discrimina il confine esatto del supertile. `same_length_contiguous_shuffle` conserva il core alto almeno quanto `supertile_shuffle` (`116/160` vs `108/160`). Il core alto cade solo quando l'ordine interno viene distrutto (`0/160`) o quando la multiset di lunghezze viene compressa a blocco medio (`7/160`). La formulazione valida e': il label-set alto phi misura una condizione congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile e non misura `gap_ratio`. ## Bicono della scoperta - **Due radici**: confine di supertile · distribuzione di lunghezze con ordine interno. - **Singolare**: il chunk lungo prima della distinzione fra boundary grammaticale e blocco contiguo. - **Invariante di passaggio**: il core alto sopravvive quando l'ordine interno resta leggibile su lunghezze Fibonacci-like; non sopravvive a conteggio senza ordine. - **Campo di possibilita**: qui diventa possibile cercare un osservabile di boundary piu' fine del label-set; qui diventa non-possibile dichiarare che il label-set alto riconosce da solo il confine esatto del supertile. ## Consecutio Costruire un gate di boundary simbolico che non legga solo il set dei label: confrontare label-set, posizione IDS dei label core e errore di label per chunk aligned/misaligned. Se il boundary reale esiste nell'osservabile, deve apparire nella geometria degli errori o nella posizione dei gap, non nel solo all-high rate. ## Auto-audit: 5 lenti - **L1 hard constraint vs bias**: il verdict dichiara perimetro e count grezzi; non trasforma `108/160` in legge universale. - **L2 quantita vs ratio**: Jaccard, retention e all-high rate restano separati; `gap_ratio` dichiarato non testato. - **L3 no silent patching**: l'ipotesi "supertile batte contiguo" cade; il report non la salva cambiando osservabile. - **L4 edge cases**: order 10-11 mostrano controllo contiguo sopra supertile; sono il segnale, non rumore. - **L5 re-discovery**: la conservazione dell'ordine interno era gia' nota dal 18:34; il nuovo finding e' la non-discriminazione del boundary esatto da parte del label-set. ## Files - Script: `tools/exp_gap_label_supertile_tiling_gate.py` - Data: `tools/data/gap_label_supertile_tiling_gate_20260508_1909.json` - Report: `tools/data/reports/agent_20260508_1909.md` exec /bin/bash -lc "sed -n '1,260p' tools/exp_gap_label_set_stability.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Gap-label set stability for quasiperiodic spectra. The previous denominator audit showed that the first-two gap ratio moves with N, Sturmian phase, and threshold. This tool moves the observable from the value of the first two large gaps to the labels of the large gaps. For each large spectral gap, the integrated density of states is approximated by (gap_index + 1) / N. The nearest gap label is the integer n whose fractional part {n * theta} is closest to that IDS, modulo 1. The label set is then tested for stability across phase, N, and threshold. """ from __future__ import annotations import argparse import itertools import json from collections import Counter, defaultdict from pathlib import Path import numpy as np from numpy.linalg import eigvalsh PHI = (1 + np.sqrt(5)) / 2 SILVER = 1 + np.sqrt(2) BRONZE = 1 + np.sqrt(3) def sturmian_sequence(theta: float, n: int, phase: float = 0.0) -> np.ndarray: idx = np.arange(n + 1, dtype=float) vals = np.floor(idx * theta + phase) return np.diff(vals).astype(float) def hamiltonian(seq: np.ndarray, v: float = 1.0) -> np.ndarray: n = len(seq) h = np.zeros((n, n), dtype=float) h[np.arange(n), np.arange(n)] = v * seq off = np.arange(n - 1) h[off, off + 1] = 1.0 h[off + 1, off] = 1.0 return h def circular_distance(a: float, b: float) -> float: d = abs(a - b) % 1.0 return min(d, 1.0 - d) def nearest_label(ids_value: float, theta: float, max_label: int) -> tuple[int, float, float]: candidates = [] for n in range(-max_label, max_label + 1): if n == 0: continue frac = (n * theta) % 1.0 candidates.append((n, circular_distance(ids_value, frac), frac)) best_n, best_dist, best_frac = min(candidates, key=lambda item: (item[1], abs(item[0]))) return int(best_n), float(best_dist), float(best_frac) def gap_labels(seq: np.ndarray, theta: float, threshold: float, max_label: int, top_k: int) -> dict: eigs = np.sort(eigvalsh(hamiltonian(seq))) spacings = np.diff(eigs) mean_spacing = float(np.mean(spacings)) large = [] for index, spacing in enumerate(spacings): if spacing > threshold * mean_spacing: ids_value = (index + 1) / len(seq) label, error, label_value = nearest_label(ids_value, theta, max_label) large.append({ "index": int(index), "spacing": float(spacing), "ids": float(ids_value), "label": label, "label_error": error, "label_value": label_value, }) by_size = sorted(large, key=lambda item: item["spacing"], reverse=True) selected = by_size[:top_k] label_set = sorted({item["label"] for item in selected}, key=lambda x: (abs(x), x)) errors = [item["label_error"] for item in selected] return { "n_large": len(large), "n_selected": len(selected), "label_set": label_set, "median_label_error": float(np.median(errors)) if errors else None, "max_label_error": float(np.max(errors)) if errors else None, "selected": selected, } def jaccard(a: set[int], b: set[int]) -> float: if not a and not b: return 1.0 return len(a & b) / len(a | b) def summarize_sets(rows: list[dict]) -> dict: sets = [set(row["label_set"]) for row in rows if row["n_selected"] > 0] if not sets: return {} pairwise = [jaccard(a, b) for a, b in itertools.combinations(sets, 2)] counter = Counter(label for s in sets for label in s) n_sets = len(sets) core = sorted( [label for label, count in counter.items() if count == n_sets], key=lambda x: (abs(x), x), ) stable_75 = sorted( [label for label, count in counter.items() if count / n_sets >= 0.75], key=lambda x: (abs(x), x), ) return { "conditions": n_sets, "median_jaccard": float(np.median(pairwise)) if pairwise else 1.0, "min_jaccard": float(np.min(pairwise)) if pairwise else 1.0, "core_labels_all_conditions": core, "stable_labels_75pct": stable_75, "label_frequency_top": [ {"label": int(label), "count": int(count)} for label, count in sorted(counter.items(), key=lambda item: (-item[1], abs(item[0]), item[0]))[:12] ], "median_label_error": float(np.median([row["median_label_error"] for row in rows if row["median_label_error"] is not None])), "median_selected": float(np.median([row["n_selected"] for row in rows])), "median_n_large": float(np.median([row["n_large"] for row in rows])), } def grouped_stability(rows: list[dict], keys: tuple[str, ...]) -> dict: groups: dict[str, list[dict]] = defaultdict(list) for row in rows: group_key = "|".join(f"{key}={row[key]}" for key in keys) groups[group_key].append(row) summaries = [summarize_sets(group_rows) for group_rows in groups.values() if len(group_rows) > 1] summaries = [s for s in summaries if s] if not summaries: return {} return { "groups": len(summaries), "median_jaccard": float(np.median([s["median_jaccard"] for s in summaries])), "min_jaccard": float(np.min([s["min_jaccard"] for s in summaries])), } def run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) domains = { "phi": 1 / PHI, "silver": 1 / SILVER, "bronze": 1 / BRONZE, } ns = [int(x) for x in args.ns.split(",")] phases = [float(x) for x in args.phases.split(",")] thresholds = [float(x) for x in args.thresholds.split(",")] rows = [] for n in ns: for phase in phases: phi_ones = int(np.sum(sturmian_sequence(1 / PHI, n, phase))) for threshold in thresholds: for name, theta in domains.items(): seq = sturmian_sequence(theta, n, phase) obs = gap_labels(seq, theta, threshold, args.max_label, args.top_k) rows.append({"domain": name, "N": n, "phase": phase, "threshold": threshold, **obs}) for trial in range(args.random_trials): seq = np.array([1.0] * phi_ones + [0.0] * (n - phi_ones)) rng.shuffle(seq) obs = gap_labels(seq, 1 / PHI, threshold, args.max_label, args.top_k) rows.append({ "domain": "balanced_random_phi_labels", "trial": trial, "N": n, "phase": phase, "threshold": threshold, **obs, }) by_domain = {} for domain in sorted({row["domain"] for row in rows}): domain_rows = [row for row in rows if row["domain"] == domain] by_domain[domain] = { "global": summarize_sets(domain_rows), "phase_stability_by_N_threshold": grouped_stability(domain_rows, ("N", "threshold")), "threshold_stability_by_N_phase": grouped_stability(domain_rows, ("N", "phase")), "scale_stability_by_phase_threshold": grouped_stability(domain_rows, ("phase", "threshold")), } output = { "experiment": "gap_label_set_stability", "parameters": { "ns": ns, "phases": phases, "thresholds": thresholds, "random_trials": args.random_trials, "top_k": args.top_k, "max_label": args.max_label, "seed": args.seed, }, "summary": by_domain, "rows": rows, } return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="233,377,500,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--thresholds", default="1.75,2.0,2.25") parser.add_argument("--random-trials", type=int, default=3) parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--seed", type=int, default=20260508) parser.add_argument("--out", default="tools/data/gap_label_set_stability_20260508_1632.json") args = parser.parse_args() output = run(args) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2), encoding="utf-8") compact = { domain: { "median_jaccard": data["global"].get("median_jaccard"), "stable_labels_75pct": data["global"].get("stable_labels_75pct"), "phase_stability": data["phase_stability_by_N_threshold"].get("median_jaccard"), "threshold_stability": data["threshold_stability_by_N_phase"].get("median_jaccard"), "scale_stability": data["scale_stability_by_phase_threshold"].get("median_jaccard"), } for domain, data in output["summary"].items() } print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '220,340p' tools/exp_gap_label_supertile_tiling_gate.py" in /opt/MM_D-ND succeeded in 0ms: "tiling_meta": tiling_meta, "mode_order_summary": mode_order_summary, "mode_summary": mode_summary, "rows": rows, } def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="377,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--thresholds", default="2.0") parser.add_argument("--trials", type=int, default=5) parser.add_argument("--supertile-orders", default="8,9,10,11") parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--seed", type=int, default=202605081909) parser.add_argument("--out", default="tools/data/gap_label_supertile_tiling_gate_20260508_1909.json") args = parser.parse_args() output = run(args) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2), encoding="utf-8") compact = {} for key, data in sorted(output["mode_order_summary"].items()): mode, order = key.split("|") compact[key] = { "mode": mode, "supertile_order": int(order.split("=")[1]), "median_jaccard": data["median_jaccard"], "low_retention": data["median_low_retention"], "high_retention": data["median_high_retention"], "all_high": f"{data['all_high_count']}/{data['condition_count']}", "all_high_condition_rate": data["all_high_condition_rate"], "stable_labels_75pct": data["stable_labels_75pct"], } print(json.dumps({ "reference_core_phi": output["reference_core_phi"], "reference_high": output["reference_high"], "mode_summary": { mode: { "median_jaccard": data["median_jaccard"], "low_retention": data["median_low_retention"], "high_retention": data["median_high_retention"], "all_high": f"{data['all_high_count']}/{data['condition_count']}", "all_high_condition_rate": data["all_high_condition_rate"], } for mode, data in output["mode_summary"].items() }, "orders": compact, "out": str(out), }, indent=2)) if __name__ == "__main__": main() codex Procedo con uno script nuovo e riusabile, ma stretto al perimetro già depositato: importa le funzioni del gate precedente, aggiunge solo confronto di posizione IDS, rank spettrale ed errore label per i core label. apply patch patch: completed /opt/MM_D-ND/tools/exp_gap_label_position_error_gate.py diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() codex Lo script è pronto. Lo eseguo sullo stesso denominatore dei report 19:09/19:15, così il nuovo risultato è confrontabile e non cambia perimetro mentre cambia osservabile. exec /bin/bash -lc 'python tools/exp_gap_label_position_error_gate.py' in /opt/MM_D-ND diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() succeeded in 7687ms: { "reference_core_phi": [ -1, 1, -2, 2, 3, -4, 4, 6 ], "reference_high": [ 3, -4, 4, 6 ], "high_core_by_mode": { "same_count_internal_shuffle": { "all_high": "0/160", "present_count": 1.0, "median_ids_delta_abs": 0.0040983606557377095, "median_index_delta_norm": 0.004098360655737705, "median_label_error": 0.003994512483947887, "median_label_error_delta": 0.003278688524590123 }, "same_length_contiguous_shuffle": { "all_high": "115/160", "present_count": 4.0, "median_ids_delta_abs": 0.0, "median_index_delta_norm": 0.0, "median_label_error": 1.2586114479185007e-05, "median_label_error_delta": 0.0 }, "supertile_shuffle": { "all_high": "116/160", "present_count": 4.0, "median_ids_delta_abs": 0.0, "median_index_delta_norm": 0.0, "median_label_error": 0.0008184702664987831, "median_label_error_delta": 0.0 } }, "out": "tools/data/gap_label_position_error_gate_20260508_1947.json" } codex Il run ha dato un segnale netto e non quello atteso: allineato e misallineato hanno lo stesso rank/IDS mediano sui label alti, mentre il confine allineato ha errore label peggiore del controllo misallineato. Leggo il JSON per i dettagli per-order prima di scrivere il report. exec /bin/bash -lc "test -f tools/data/reports/agent_20260508_1947.md && sed -n '1,80p' tools/data/reports/agent_20260508_1947.md || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'git status --short --branch' in /opt/MM_D-ND succeeded in 0ms: ## main...origin/main M applications/INDEX.draft.json M applications/soluzioni/20260430_0330_three-regimes-of-modular-memory-algebraic/finding_index.draft.json M applications/soluzioni/20260430_0330_three-regimes-of-modular-memory-algebraic/manifest.draft.json D "kernel/reference/metaprompt_in_sviluppo/Sei il Meta Master Systemil Meta Ma.md" M tools/data/agent_field_live.md M tools/data/autoricerca_journal.json M tools/data/ciclo_memoria.json M tools/data/conoscenza_teorie.json M tools/data/consecutio.json M tools/data/consecutio_processata.json M tools/data/domande_fondamentali.json M tools/data/exp_det_drift.json M tools/data/incrocio_risultato.json M tools/data/knowledge_state.json M tools/data/lab_data.json M tools/data/lab_graph.json M tools/data/lab_health.json M tools/data/lab_session_log.jsonl M tools/data/pipeline_state.json M tools/data/ponti_evoluti.json M tools/data/refresh_detector_state.json M tools/data/seme.json D tools/data/seme_archive/piano_37.json D tools/data/seme_archive/piano_38.json D tools/data/seme_archive/piano_4.json D tools/data/seme_archive/piano_5.json D tools/data/seme_archive/piano_6.json D tools/data/seme_archive/piano_7.json D tools/data/seme_archive/piano_8.json M tools/data/seme_axioms.json M tools/data/seme_backup_pre_run.json M tools/data/tm1_figures/tensions.json M tools/data/tm1_figures/tensions_raw.json ?? applications/published/20260504_0901_the-two-markov-layers-are-coupled/ ?? applications/published/20260504_1219_markov-layers-pass-the-first-recovery/ ?? applications/published/20260505_0330_observable-rank-audit-many-probes-one/ ?? applications/published/20260506_1955_observable-collinearity-breaks-only-where-denominators/ ?? applications/published/20260507_0330_the-gue-poisson-boundary-is-a/ ?? applications/published/20260507_0803_denominator-gate-transfers-boundary-coordinate-does/ ?? applications/published/20260507_0942_bridge-order-denominator-gate/ ?? applications/published/20260507_1006_logistic-counter-scope-gate/ ?? applications/published/20260507_1042_logistic-surrogate-contract-gate/ ?? applications/published/20260507_1419_logistic-cyclic-block-entropy-gate/ ?? applications/published/20260507_1458_meta-assertion-gate/ ?? applications/published/20260507_1751_tqge-underlay-gate/ ?? applications/published/20260507_1804_blank-to-source-hinge/ ?? applications/published/20260507_1938_triadic-deposit-gate/ ?? applications/published/20260507_1957_blank-shell-polarity-gate/ ?? applications/scoperte/20260502_0330_the-dipolar-phase-transition-is-nearly_auto/ ?? applications/scoperte/20260503_0330_markov-memory-has-two-visible-layers_auto/ ?? applications/scoperte/20260504_0901_the-two-markov-layers-are-coupled_auto/ ?? applications/scoperte/20260504_1219_markov-layers-pass-the-first-recovery_auto/ ?? applications/scoperte/20260505_0330_observable-rank-audit-many-probes-one_auto/ ?? applications/scoperte/20260506_0625_perturbation-dimensionality-is-not-yet-a_auto/ ?? applications/scoperte/20260506_1941_perturbation-rank-needs-denominator-gating_auto/ ?? applications/scoperte/20260506_1955_observable-collinearity-breaks-only-where-denominators_auto/ ?? applications/scoperte/20260507_0330_the-gue-poisson-boundary-is-a_auto/ ?? applications/scoperte/20260507_0803_denominator-gate-transfers-boundary-coordinate-does_auto/ ?? applications/scoperte/20260507_0901_denominator-gate-transfer-matrix_auto/ ?? applications/scoperte/20260507_0923_semi-real-order-denominator-gate_auto/ ?? applications/scoperte/20260507_0942_bridge-order-denominator-gate_auto/ ?? applications/scoperte/20260507_1006_logistic-counter-scope-gate_auto/ ?? applications/scoperte/20260507_1042_logistic-surrogate-contract-gate_auto/ ?? applications/scoperte/20260507_1419_logistic-cyclic-block-entropy-gate_auto/ ?? applications/scoperte/20260507_1458_meta-assertion-gate_auto/ ?? applications/scoperte/20260507_1751_tqge-underlay-gate_auto/ ?? applications/scoperte/20260507_1804_blank-to-source-hinge_auto/ ?? applications/scoperte/20260507_1938_triadic-deposit-gate_auto/ ?? applications/scoperte/20260507_1957_blank-shell-polarity-gate_auto/ ?? "applications/scoperte/20260507_2042_det-non-\303\250-il-discriminatore-della_auto/" ?? applications/scoperte/20260507_2120_blank-shell-tqger-gate_auto/ ?? applications/scoperte/20260507_2203_blank-shell-scale-law_auto/ ?? applications/scoperte/20260507_2310_blank-shell-stratified-gate_auto/ ?? applications/scoperte/20260508_0011_duality-contrast-weakens-with-scale-in_auto/ ?? applications/scoperte/20260508_0330_gap-ratio-porta-il-denominatore_auto/ ?? applications/scoperte/20260508_1715_generator-gate-del-label-set-phi_auto/ ?? applications/scoperte/20260508_1805_block-scale-gate-del-core-phi_auto/ ?? applications/scoperte/20260508_1834_substitution-grammar-gate-del-core-phi_auto/ ?? applications/scoperte/20260508_1909_supertile-tiling-gate-del-core-phi_auto/ ?? applications/scoperte/20260508_1915_high-core-repair-audit_auto/ ?? applications/soluzioni/20260502_0330_the-dipolar-phase-transition-is-nearly/ ?? applications/soluzioni/20260503_0330_markov-memory-has-two-visible-layers/ ?? applications/soluzioni/20260504_0901_the-two-markov-layers-are-coupled/ ?? applications/soluzioni/20260504_1219_markov-layers-pass-the-first-recovery/ ?? applications/soluzioni/20260505_0330_observable-rank-audit-many-probes-one/ ?? applications/soluzioni/20260506_1941_perturbation-rank-needs-denominator-gating/ ?? applications/soluzioni/20260506_1955_observable-collinearity-breaks-only-where-denominators/ ?? applications/soluzioni/20260507_0330_the-gue-poisson-boundary-is-a/ ?? applications/soluzioni/20260507_0803_denominator-gate-transfers-boundary-coordinate-does/ ?? applications/soluzioni/20260507_0942_bridge-order-denominator-gate/ ?? applications/soluzioni/20260507_1006_logistic-counter-scope-gate/ ?? applications/soluzioni/20260507_1042_logistic-surrogate-contract-gate/ ?? applications/soluzioni/20260507_1419_logistic-cyclic-block-entropy-gate/ ?? applications/soluzioni/20260507_1458_meta-assertion-gate/ ?? applications/soluzioni/20260507_1751_tqge-underlay-gate/ ?? applications/soluzioni/20260507_1804_blank-to-source-hinge/ ?? applications/soluzioni/20260507_1938_triadic-deposit-gate/ ?? applications/soluzioni/20260507_1957_blank-shell-polarity-gate/ ?? "applications/soluzioni/20260507_2042_det-non-\303\250-il-discriminatore-della/" ?? applications/soluzioni/20260507_2120_blank-shell-tqger-gate/ ?? applications/soluzioni/20260507_2203_blank-shell-scale-law/ ?? applications/soluzioni/20260507_2310_blank-shell-stratified-gate/ ?? applications/soluzioni/20260508_0011_duality-contrast-weakens-with-scale-in/ ?? applications/soluzioni/20260508_0330_gap-ratio-porta-il-denominatore/ ?? applications/soluzioni/20260508_1715_generator-gate-del-label-set-phi/ ?? applications/soluzioni/20260508_1805_block-scale-gate-del-core-phi/ ?? applications/soluzioni/20260508_1834_substitution-grammar-gate-del-core-phi/ ?? applications/soluzioni/20260508_1909_supertile-tiling-gate-del-core-phi/ ?? applications/soluzioni/20260508_1915_high-core-repair-audit/ ?? findings_gallery.md ?? tools/data/.last_telegram_msg ?? tools/data/3d_boundary_layers.json ?? tools/data/aeternitas/ ?? tools/data/alignment_active.json ?? tools/data/alignment_markers.jsonl ?? tools/data/b2_apply_log.jsonl ?? tools/data/biconi/bicono_20260507_1804.json ?? tools/data/biconi/bicono_20260507_1938.json ?? tools/data/biconi/bicono_20260507_1957.json ?? tools/data/biconi/bicono_20260507_2042.json ?? tools/data/biconi/bicono_20260507_2120.json ?? tools/data/biconi/bicono_20260507_2203.json ?? tools/data/biconi/bicono_20260507_2310.json ?? tools/data/biconi/bicono_20260508_0011.json ?? tools/data/biconi/bicono_20260508_0330.json ?? tools/data/biconi/bicono_20260508_1632.json ?? tools/data/biconi/bicono_20260508_1715.json ?? tools/data/biconi/bicono_20260508_1805.json ?? tools/data/biconi/bicono_20260508_1834.json ?? tools/data/biconi/bicono_20260508_1909.json ?? tools/data/biconi/bicono_20260508_1915.json ?? tools/data/bicono_projections.jsonl ?? tools/data/blank_shell_dilation_gate_20260507_2157.json ?? tools/data/blank_shell_polarity_gate_20260507_1957.json ?? tools/data/blank_shell_scale_law_20260507_2203.json ?? tools/data/blank_shell_stratified_gate_20260507_2310.json ?? tools/data/blank_shell_tqger_gate_20260507_2120.json ?? tools/data/blank_to_source_hinge_20260507_1804.json ?? tools/data/boundary_coherence.json ?? tools/data/boundary_mixture_gate_20260507_0330.json ?? tools/data/boundary_mixture_gate_20260507_0330_seedcheck.json ?? tools/data/boundary_shuffle_audit.json ?? tools/data/bridge_order_denominator_gate_20260507_0942.json ?? tools/data/bridge_order_denominator_gate_20260507_0942_seedcheck.json ?? tools/data/brody_calibration_results.json ?? tools/data/brody_flow.json ?? tools/data/conoscenza_teorie.json.bak.retraction_22_04 ?? tools/data/cross_domain_dipolar_direction.json ?? tools/data/cross_observable_consistency.json ?? tools/data/crossover_phase_test.json ?? tools/data/denominator_gate_transfer_matrix.json ?? tools/data/dipolar_crossover.json ?? tools/data/dipolar_vector_scaling.json ?? tools/data/domandatore/domandatore_20260421_0746.json ?? tools/data/domandatore/domandatore_20260422_0345.json ?? tools/data/domandatore/domandatore_20260423_0345.json ?? tools/data/domandatore/domandatore_20260424_0345.json ?? tools/data/domandatore/domandatore_20260425_0345.json ?? tools/data/domandatore/domandatore_20260426_0345.json ?? tools/data/domandatore/domandatore_20260427_0345.json ?? tools/data/domandatore/domandatore_20260428_0345.json ?? tools/data/domandatore/domandatore_20260428_1236.json ?? tools/data/domandatore/domandatore_20260429_0345.json ?? tools/data/domandatore/domandatore_20260430_0345.json ?? tools/data/domandatore/domandatore_20260501_0345.json ?? tools/data/domandatore/domandatore_20260502_0345.json ?? tools/data/domandatore/domandatore_20260503_0345.json ?? tools/data/domandatore/domandatore_20260504_0345.json ?? tools/data/domandatore/domandatore_20260505_0345.json ?? tools/data/domandatore/domandatore_20260506_0345.json ?? tools/data/domandatore/domandatore_20260507_0345.json ?? tools/data/domandatore/domandatore_20260507_0728.json ?? tools/data/domandatore/domandatore_20260507_0742.json ?? tools/data/domandatore/domandatore_20260507_1420.json ?? tools/data/domandatore/domandatore_20260507_1459.json ?? tools/data/domandatore/domandatore_20260507_2120.json ?? tools/data/domandatore/domandatore_20260507_2157.json ?? tools/data/domandatore/domandatore_20260507_2203.json ?? tools/data/domandatore/domandatore_20260508_0345.json ?? tools/data/domandatore_pre_cycle.json ?? tools/data/duality_gate_transfer_20260507_0803.json ?? tools/data/duality_gate_transfer_20260507_0803_seedcheck.json ?? tools/data/duality_gate_transfer_20260507_2042.json ?? tools/data/duality_scale_contrast_20260508.json ?? tools/data/evolution/evolution_20260422_0330.md ?? tools/data/evolution/evolution_20260422_1616.md ?? tools/data/evolution/evolution_20260423_0330.md ?? tools/data/evolution/evolution_20260424_0330.md ?? tools/data/evolution/evolution_20260425_0330.md ?? tools/data/evolution/evolution_20260427_0330.md ?? tools/data/evolution/evolution_20260428_0330.md ?? tools/data/evolution/evolution_20260429_0852.md ?? tools/data/evolution/evolution_20260429_1013.md ?? tools/data/evolution/evolution_20260430_0330.md ?? tools/data/evolution/evolution_20260430_1905.md ?? tools/data/evolution/evolution_20260430_1946.md ?? tools/data/evolution/evolution_20260501_0330.md ?? tools/data/evolution/evolution_20260501_0725.md ?? tools/data/evolution/evolution_20260501_0931.md ?? tools/data/evolution/evolution_20260502_0330.md ?? tools/data/evolution/evolution_20260503_0330.md ?? tools/data/evolution/evolution_20260504_0901.md ?? tools/data/evolution/evolution_20260504_1219.md ?? tools/data/evolution/evolution_20260505_0330.md ?? tools/data/evolution/evolution_20260506_0330.md ?? tools/data/evolution/evolution_20260506_1941.md ?? tools/data/evolution/evolution_20260506_1955.md ?? tools/data/evolution/evolution_20260507_0330.md ?? tools/data/evolution/evolution_20260507_0803.md ?? tools/data/evolution/evolution_20260507_0901.md ?? tools/data/evolution/evolution_20260507_0923.md ?? tools/data/evolution/evolution_20260507_0942.md ?? tools/data/evolution/evolution_20260507_1006.md ?? tools/data/evolution/evolution_20260507_1042.md ?? tools/data/evolution/evolution_20260507_1419.md ?? tools/data/evolution/evolution_20260507_1458.md ?? tools/data/evolution/evolution_20260507_1751.md ?? tools/data/evolution/evolution_20260507_1804.md ?? tools/data/evolution/evolution_20260507_1938.md ?? tools/data/evolution/evolution_20260507_1957.md ?? tools/data/evolution/evolution_20260507_2042.md ?? tools/data/evolution/evolution_20260507_2120.md ?? tools/data/evolution/evolution_20260507_2203.md ?? tools/data/evolution/evolution_20260507_2310.md ?? tools/data/evolution/evolution_20260508_0330.md ?? tools/data/evolution/evolution_20260508_1632.md ?? tools/data/evolution/evolution_20260508_1715.md ?? tools/data/evolution/evolution_20260508_1805.md ?? tools/data/evolution/evolution_20260508_1834.md ?? tools/data/evolution/evolution_20260508_1909.md ?? tools/data/evolution/evolution_20260508_1915.md ?? tools/data/exp_det_drift_20260507_2042.json ?? tools/data/falsifier_20260507_2120.raw.txt ?? tools/data/g1_log.jsonl ?? tools/data/g2_log.jsonl ?? tools/data/gap_label_block_scale_gate_20260508_1805.json ?? tools/data/gap_label_generator_gate_20260508_1715.json ?? tools/data/gap_label_position_error_gate_20260508_1947.json ?? tools/data/gap_label_repair_audit_20260508_1915.json ?? tools/data/gap_label_set_stability_20260508_1632.json ?? tools/data/gap_label_substitution_grammar_gate_20260508_1834.json ?? tools/data/gap_label_supertile_tiling_gate_20260508_1909.json ?? tools/data/incrocio_20260422_0336.json ?? tools/data/incrocio_20260423_0335.json ?? tools/data/incrocio_20260424_0347.json ?? tools/data/incrocio_20260425_0339.json ?? tools/data/incrocio_20260428_0340.json ?? tools/data/incrocio_20260429_0859.json ?? tools/data/incrocio_20260506_0633.json ?? tools/data/incrocio_20260507_2120.json ?? tools/data/incrocio_20260507_2157.json ?? tools/data/incrocio_20260507_2203.json ?? tools/data/incrocio_20260507_2310.json ?? tools/data/incrocio_20260508_0011.json ?? tools/data/incrocio_20260508_0020.json ?? tools/data/incrocio_20260508_0330.json ?? tools/data/incrocio_20260508_1632.json ?? tools/data/incrocio_20260508_1715.json ?? tools/data/incrocio_20260508_1805.json ?? tools/data/incrocio_20260508_1834.json ?? tools/data/incrocio_20260508_1909.json ?? tools/data/incrocio_20260508_1915.json ?? tools/data/incrocio_20260508_1947.json ?? tools/data/lab_bridge_issues.jsonl ?? tools/data/logistic_counter_scope_gate_20260507_1006.json ?? tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json ?? tools/data/logistic_cyclic_block_entropy_gate_20260507_1419.json ?? tools/data/logistic_cyclic_block_entropy_gate_20260507_1419_seedcheck.json ?? tools/data/logistic_surrogate_contract_gate_20260507_1042.json ?? tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json ?? tools/data/magnitude_psd_from_acf.json ?? tools/data/markov3_observable_hunt.json ?? tools/data/markov_dipolar_decomposition.json ?? tools/data/markov_k_direction.json ?? tools/data/markov_layer_recovery_audit.json ?? tools/data/markov_memory_by_gue_type.json ?? tools/data/markov_scale_function.json ?? tools/data/meta_assertion_gate.json ?? tools/data/meta_tautology_test.json ?? tools/data/mod3_scaling.json ?? tools/data/mod3_vs_residual_ordering.json ?? tools/data/modular_algebra_depth.json ?? tools/data/modular_memory_spectrum.json ?? tools/data/observable_collinearity_breaking_20260506_1955.json ?? tools/data/observable_collinearity_breaking_20260506_1956.json ?? tools/data/observable_collinearity_breaking_20260506_1957.json ?? tools/data/observable_rank_audit.json ?? tools/data/observable_rank_audit_seed20260506.json ?? tools/data/observatorio/domandatore_unTouched_20260507_095914.md ?? tools/data/observatorio/lazarus_cimitero_20260507_100015.md ?? tools/data/observatorio/meta_metodo_giro_2026-05-07.md ?? tools/data/operator_directives_consumed/ ?? tools/data/perturbation_dimensionality_audit.json ?? tools/data/perturbation_dimensionality_audit_scale0330.json ?? tools/data/perturbation_rank_size_curve.json ?? tools/data/promotions/ ?? tools/data/quasiperiodic_gap_ratio_denominator_20260508_0330.json ?? tools/data/repairs/ ?? tools/data/reports/_quarantine_falsifier_29_04/ ?? tools/data/reports/agent_20260422_0330.md ?? tools/data/reports/agent_20260422_1616.md ?? tools/data/reports/agent_20260423_0330.md ?? tools/data/reports/agent_20260424_0330.md ?? tools/data/reports/agent_20260425_0330.md ?? tools/data/reports/agent_20260426_0330.md ?? tools/data/reports/agent_20260427_0330.md ?? tools/data/reports/agent_20260428_0330.md ?? tools/data/reports/agent_20260429_1013.md ?? tools/data/reports/agent_20260429_1041.md ?? tools/data/reports/agent_20260430_0330.md ?? tools/data/reports/agent_20260430_1905.md ?? tools/data/reports/agent_20260430_1919.md ?? tools/data/reports/agent_20260430_1946.md ?? tools/data/reports/agent_20260501_0330.md ?? tools/data/reports/agent_20260501_0725.md ?? tools/data/reports/agent_20260501_0931.md ?? tools/data/reports/agent_20260502_0330.md ?? tools/data/reports/agent_20260503_0330.md ?? tools/data/reports/agent_20260504_0901.md ?? tools/data/reports/agent_20260504_1219.md ?? tools/data/reports/agent_20260505_0330.md ?? tools/data/reports/agent_20260505_1022.md ?? tools/data/reports/agent_20260506_0330.md ?? tools/data/reports/agent_20260506_0625.md ?? tools/data/reports/agent_20260506_1941.md ?? tools/data/reports/agent_20260506_1955.md ?? tools/data/reports/agent_20260507_0330.md ?? tools/data/reports/agent_20260507_0803.md ?? tools/data/reports/agent_20260507_0901.md ?? tools/data/reports/agent_20260507_0923.md ?? tools/data/reports/agent_20260507_0942.md ?? tools/data/reports/agent_20260507_1006.md ?? tools/data/reports/agent_20260507_1042.md ?? tools/data/reports/agent_20260507_1419.md ?? tools/data/reports/agent_20260507_1458.md ?? tools/data/reports/agent_20260507_1751.md ?? tools/data/reports/agent_20260507_1804.md ?? tools/data/reports/agent_20260507_1938.md ?? tools/data/reports/agent_20260507_1957.md ?? tools/data/reports/agent_20260507_2042.md ?? tools/data/reports/agent_20260507_2120.md ?? tools/data/reports/agent_20260507_2157.md ?? tools/data/reports/agent_20260507_2203.md ?? tools/data/reports/agent_20260507_2310.md ?? tools/data/reports/agent_20260508_0011.md ?? tools/data/reports/agent_20260508_0330.md ?? tools/data/reports/agent_20260508_1632.md ?? tools/data/reports/agent_20260508_1715.md ?? tools/data/reports/agent_20260508_1805.md ?? tools/data/reports/agent_20260508_1834.md ?? tools/data/reports/agent_20260508_1909.md ?? tools/data/reports/agent_20260508_1915.md ?? tools/data/reports/ddf_20260422_0405.json ?? tools/data/reports/ddf_20260423_0405.json ?? tools/data/reports/ddf_20260424_0405.json ?? tools/data/reports/ddf_20260425_0405.json ?? tools/data/reports/ddf_20260426_0405.json ?? tools/data/reports/ddf_20260427_0405.json ?? tools/data/reports/ddf_20260428_0405.json ?? tools/data/reports/ddf_20260429_0405.json ?? tools/data/reports/ddf_20260430_0405.json ?? tools/data/reports/ddf_20260501_0405.json ?? tools/data/reports/ddf_20260502_0405.json ?? tools/data/reports/ddf_20260503_0405.json ?? tools/data/reports/ddf_20260504_0405.json ?? tools/data/reports/ddf_20260505_0405.json ?? tools/data/reports/ddf_20260505_0636.json ?? tools/data/reports/ddf_20260506_0405.json ?? tools/data/reports/ddf_20260507_0405.json ?? tools/data/reports/ddf_20260508_0405.json ?? tools/data/reports/evolution_20260422_0330.md ?? tools/data/reports/evolution_20260422_1616.md ?? tools/data/reports/evolution_20260423_0330.md ?? tools/data/reports/evolution_20260424_0330.md ?? tools/data/reports/evolution_20260425_0330.md ?? tools/data/reports/evolution_20260427_0330.md ?? tools/data/reports/evolution_20260428_0330.md ?? tools/data/reports/evolution_20260503_0330.md ?? tools/data/reports/evolution_20260504_0330.md ?? tools/data/reports/evolution_20260505_0330.md ?? tools/data/reports/evolution_20260506_0330.md ?? tools/data/reports/evolution_20260506_1941.md ?? tools/data/reports/falsifier_20260429_1013.json ?? tools/data/reports/falsifier_20260429_1041.json ?? tools/data/reports/falsifier_20260430_0330.json ?? tools/data/reports/falsifier_20260430_1905.json ?? tools/data/reports/falsifier_20260430_1919.json ?? tools/data/reports/falsifier_20260430_1946.json ?? tools/data/reports/falsifier_20260501_0330.json ?? tools/data/reports/falsifier_20260501_0725.json ?? tools/data/reports/falsifier_20260501_0931.json ?? tools/data/reports/falsifier_20260502_0330.json ?? tools/data/reports/falsifier_20260503_0330.json ?? tools/data/reports/falsifier_20260504_0901.json ?? tools/data/reports/falsifier_20260504_1219.json ?? tools/data/reports/falsifier_20260505_0330.json ?? tools/data/reports/falsifier_20260506_0330.raw.txt ?? tools/data/reports/falsifier_20260506_0625.json ?? tools/data/reports/falsifier_20260506_1941.json ?? tools/data/reports/falsifier_20260506_1955.json ?? tools/data/reports/falsifier_20260506_1955.raw.txt ?? tools/data/reports/falsifier_20260507_0330.json ?? tools/data/reports/falsifier_20260507_0330.raw.txt ?? tools/data/reports/falsifier_20260507_0803.json ?? tools/data/reports/falsifier_20260507_0803.raw.txt ?? tools/data/reports/falsifier_20260507_0901.json ?? tools/data/reports/falsifier_20260507_0923.json ?? tools/data/reports/falsifier_20260507_0923.raw.txt ?? tools/data/reports/falsifier_20260507_0942.json ?? tools/data/reports/falsifier_20260507_1006.json ?? tools/data/reports/falsifier_20260507_1042.json ?? tools/data/reports/falsifier_20260507_1042.raw.txt ?? tools/data/reports/falsifier_20260507_1419.json ?? tools/data/reports/falsifier_20260507_1458.json ?? tools/data/reports/falsifier_20260507_1458.raw.txt ?? tools/data/reports/falsifier_20260507_1751.json ?? tools/data/reports/falsifier_20260507_1804.json ?? tools/data/reports/falsifier_20260507_1938.json ?? tools/data/reports/falsifier_20260507_1938.raw.txt ?? tools/data/reports/falsifier_20260507_1957.json ?? tools/data/reports/falsifier_20260507_2042.json ?? tools/data/reports/falsifier_20260507_2120.json ?? tools/data/reports/falsifier_20260507_2203.json ?? tools/data/reports/falsifier_20260507_2310.json ?? tools/data/reports/falsifier_20260508_0011.json ?? tools/data/reports/falsifier_20260508_0330.json ?? tools/data/reports/falsifier_20260508_1632.raw.txt ?? tools/data/reports/falsifier_20260508_1715.json ?? tools/data/reports/falsifier_20260508_1805.json ?? tools/data/reports/falsifier_20260508_1834.json ?? tools/data/reports/falsifier_20260508_1909.json ?? tools/data/reports/falsifier_20260508_1915.json ?? tools/data/reports/incident_20260504_0721.md ?? tools/data/reports/incident_20260504_1138.md ?? tools/data/reports/latest.md ?? tools/data/reports/loop_guard_20260507_0330.json ?? tools/data/reports/loop_guard_20260507_0803.json ?? tools/data/reports/loop_guard_20260507_0901.json ?? tools/data/reports/loop_guard_20260507_0923.json ?? tools/data/reports/loop_guard_20260507_0942.json ?? tools/data/reports/loop_guard_20260507_1006.json ?? tools/data/reports/loop_guard_20260507_1042.json ?? tools/data/reports/loop_guard_20260507_1419.json ?? tools/data/reports/loop_guard_20260507_1458.json ?? tools/data/reports/loop_guard_20260507_1751.json ?? tools/data/reports/loop_guard_20260507_1804.json ?? tools/data/reports/loop_guard_20260507_1938.json ?? tools/data/reports/loop_guard_20260507_1957.json ?? tools/data/reports/loop_guard_20260507_2042.json ?? tools/data/reports/loop_guard_20260507_2120.json ?? tools/data/reports/loop_guard_20260507_2203.json ?? tools/data/reports/loop_guard_20260507_2310.json ?? tools/data/reports/loop_guard_20260508_0011.json ?? tools/data/reports/loop_guard_20260508_0330.json ?? tools/data/reports/loop_guard_20260508_1632.json ?? tools/data/reports/loop_guard_20260508_1715.json ?? tools/data/reports/loop_guard_20260508_1805.json ?? tools/data/reports/loop_guard_20260508_1834.json ?? tools/data/reports/loop_guard_20260508_1909.json ?? tools/data/reports/loop_guard_20260508_1915.json ?? tools/data/reports/trajectory_apply_20260506_1931.json ?? tools/data/reports/trajectory_apply_20260506_1941.json ?? tools/data/reports/trajectory_apply_20260506_1955.json ?? tools/data/reports/trajectory_apply_20260507_0330.json ?? tools/data/reports/trajectory_apply_20260507_0803.json ?? tools/data/reports/trajectory_apply_20260507_0901.json ?? tools/data/reports/trajectory_apply_20260507_0923.json ?? tools/data/reports/trajectory_apply_20260507_0942.json ?? tools/data/reports/trajectory_apply_20260507_1006.json ?? tools/data/reports/trajectory_apply_20260507_1042.json ?? tools/data/scale_selective_perturbation.json ?? tools/data/selective_layer_decoupling.json ?? tools/data/seme_archive/piano_84.json ?? tools/data/seme_archive/piano_85.json ?? tools/data/seme_archive/piano_86.json ?? tools/data/seme_archive/piano_87.json ?? tools/data/seme_archive/piano_88.json ?? tools/data/seme_archive/piano_89.json ?? tools/data/seme_archive/piano_90.json ?? tools/data/seme_backup_b2_20260508_192024.json ?? tools/data/semireal_order_denominator_gate_20260507_0923.json ?? tools/data/semireal_order_denominator_gate_20260507_0923_seedcheck.json ?? tools/data/spectral_rigidity_results.json ?? tools/data/tqge_underlay_gate_20260507_1751.json ?? tools/data/trajectory_apply_history.jsonl ?? tools/data/triadic_deposit_gate_20260507_1938.json ?? tools/data/two_channel_boundary.json ?? tools/data/two_channel_cross_domain.json ?? tools/data/two_channel_shuffle_audit.json ?? tools/data/two_layer_universality.json ?? tools/data/valutatore_log.jsonl ?? tools/data/veritas/veritas_20260505_131056.json ?? tools/data/veritas/veritas_20260505_131201.json ?? tools/data/veritas/veritas_20260506_033803.json ?? tools/data/veritas/veritas_20260506_063303.json ?? tools/data/veritas/veritas_20260506_194644.json ?? tools/data/veritas/veritas_20260506_200238.json ?? tools/data/veritas/veritas_20260507_033525.json ?? tools/data/veritas/veritas_20260507_080958.json ?? tools/data/veritas/veritas_20260507_090723.json ?? tools/data/veritas/veritas_20260507_093207.json ?? tools/data/veritas/veritas_20260507_094723.json ?? tools/data/veritas/veritas_20260507_101605.json ?? tools/data/veritas/veritas_20260507_104904.json ?? tools/data/veritas/veritas_20260507_142501.json ?? tools/data/veritas/veritas_20260507_150443.json ?? tools/data/veritas/veritas_20260507_175511.json ?? tools/data/veritas/veritas_20260507_180843.json ?? tools/data/veritas/veritas_20260507_194258.json ?? tools/data/veritas/veritas_20260507_200223.json ?? tools/data/veritas/veritas_20260507_204637.json ?? tools/data/veritas/veritas_20260507_212541.json ?? tools/data/veritas/veritas_20260507_221109.json ?? tools/data/veritas/veritas_20260507_231732.json ?? tools/data/veritas/veritas_20260508_002036.json ?? tools/data/veritas/veritas_20260508_033454.json ?? tools/data/veritas/veritas_20260508_163804.json ?? tools/data/veritas/veritas_20260508_172020.json ?? tools/data/veritas/veritas_20260508_181110.json ?? tools/data/veritas/veritas_20260508_183856.json ?? tools/data/veritas/veritas_20260508_191516.json ?? tools/data/veritas/veritas_20260508_192002.json ?? tools/data/vincoli_decay_log.jsonl ?? tools/evolution_report.md ?? tools/exp_3d_boundary_layers.py ?? tools/exp_blank_shell_dilation_gate.py ?? tools/exp_blank_shell_polarity_gate.py ?? tools/exp_blank_shell_scale_law.py ?? tools/exp_blank_shell_stratified_gate.py ?? tools/exp_blank_shell_tqger_gate.py ?? tools/exp_blank_to_source_hinge.py ?? tools/exp_boundary_coherence.py ?? tools/exp_boundary_mixture_gate.py ?? tools/exp_boundary_shuffle_audit.py ?? tools/exp_bridge_order_denominator_gate.py ?? tools/exp_brody_calibration.py ?? tools/exp_brody_flow.py ?? tools/exp_cross_domain_dipolar_direction.py ?? tools/exp_cross_observable_consistency.py ?? tools/exp_crossover_phase_test.py ?? tools/exp_denominator_gate_transfer_matrix.py ?? tools/exp_dipolar_angle_reference.py ?? tools/exp_dipolar_crossover.py ?? tools/exp_dipolar_vector_scaling.py ?? tools/exp_duality_gate_transfer.py ?? tools/exp_duality_scale_contrast.py ?? tools/exp_gap_label_block_scale_gate.py ?? tools/exp_gap_label_generator_gate.py ?? tools/exp_gap_label_position_error_gate.py ?? tools/exp_gap_label_repair_audit.py ?? tools/exp_gap_label_set_stability.py ?? tools/exp_gap_label_substitution_grammar_gate.py ?? tools/exp_gap_label_supertile_tiling_gate.py ?? tools/exp_logistic_counter_scope_gate.py ?? tools/exp_logistic_cyclic_block_entropy_gate.py ?? tools/exp_logistic_surrogate_contract_gate.py ?? tools/exp_magnitude_psd_from_acf.py ?? tools/exp_markov3_observable_hunt.py ?? tools/exp_markov_dipolar_decomposition.py ?? tools/exp_markov_k_direction.py ?? tools/exp_markov_layer_recovery_audit.py ?? tools/exp_markov_memory_by_gue_type.py ?? tools/exp_markov_psd_prediction.py ?? tools/exp_markov_scale_function.py ?? tools/exp_meta_tautology_test.py ?? tools/exp_mod3_scaling.py ?? tools/exp_mod3_vs_residual_ordering.py ?? tools/exp_modular_algebra_depth.py ?? tools/exp_modular_memory_spectrum.py ?? tools/exp_observable_rank_audit.py ?? tools/exp_perturbation_dimensionality_audit.py ?? tools/exp_perturbation_rank_size_curve.py ?? tools/exp_quasiperiodic_gap_ratio_denominator.py ?? tools/exp_scale_selective_perturbation.py ?? tools/exp_selective_layer_decoupling.py ?? tools/exp_semireal_order_denominator_gate.py ?? tools/exp_spectral_rigidity.py ?? tools/exp_tqge_underlay_gate.py ?? tools/exp_triadic_deposit_gate.py ?? tools/exp_two_channel_boundary.py ?? tools/exp_two_channel_cross_domain.py ?? tools/exp_two_channel_shuffle_audit.py ?? tools/exp_two_layer_universality.py ?? tools/meta_assertion_gate.py ?? tools/observables_registry.py exec /bin/bash -lc "python - <<'PY' import json p='tools/data/gap_label_position_error_gate_20260508_1947.json' d=json.load(open(p)) print('HIGH BY MODE') for k,v in d['summary_high_core_by_mode'].items(): print(k, {x:v[x] for x in ['conditions','all_core_count','all_core_rate','present_count','median_ids_delta_abs','median_index_delta_norm','median_label_error','median_label_error_delta','median_spacing_ratio_to_reference']}) print('\\nHIGH BY MODE ORDER') for k,v in d['summary_high_core_by_mode_order'].items(): print(k, {x:v[x] for x in ['all_core_count','conditions','present_count','median_ids_delta_abs','median_index_delta_norm','median_label_error','median_spacing_ratio_to_reference']}) print('\\nLOW BY MODE') for k,v in d['summary_low_core_by_mode'].items(): print(k, {x:v[x] for x in ['conditions','all_core_count','all_core_rate','present_count','median_ids_delta_abs','median_index_delta_norm','median_label_error','median_label_error_delta']}) PY" in /opt/MM_D-ND succeeded in 0ms: HIGH BY MODE same_count_internal_shuffle {'conditions': 160, 'all_core_count': 0, 'all_core_rate': 0.0, 'present_count': 1.0, 'median_ids_delta_abs': 0.0040983606557377095, 'median_index_delta_norm': 0.004098360655737705, 'median_label_error': 0.003994512483947887, 'median_label_error_delta': 0.003278688524590123, 'median_spacing_ratio_to_reference': 0.4596826949006665} same_length_contiguous_shuffle {'conditions': 160, 'all_core_count': 115, 'all_core_rate': 0.71875, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 1.2586114479185007e-05, 'median_label_error_delta': 0.0, 'median_spacing_ratio_to_reference': 0.9949379338879524} supertile_shuffle {'conditions': 160, 'all_core_count': 116, 'all_core_rate': 0.725, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.0008184702664987831, 'median_label_error_delta': 0.0, 'median_spacing_ratio_to_reference': 0.9895052779849891} HIGH BY MODE ORDER same_count_internal_shuffle|order=10 {'all_core_count': 0, 'conditions': 40, 'present_count': 1.0, 'median_ids_delta_abs': 0.003278688524590165, 'median_index_delta_norm': 0.003278688524590164, 'median_label_error': 0.0036279037177316398, 'median_spacing_ratio_to_reference': 0.4685810009860747} same_count_internal_shuffle|order=11 {'all_core_count': 0, 'conditions': 40, 'present_count': 1.0, 'median_ids_delta_abs': 0.0044484063138670316, 'median_index_delta_norm': 0.004448406313867026, 'median_label_error': 0.005102839500804451, 'median_spacing_ratio_to_reference': 0.3731731654932743} same_count_internal_shuffle|order=8 {'all_core_count': 0, 'conditions': 40, 'present_count': 1.0, 'median_ids_delta_abs': 0.0053050397877985045, 'median_index_delta_norm': 0.005305039787798408, 'median_label_error': 0.005737704918032771, 'median_spacing_ratio_to_reference': 0.45211136475011915} same_count_internal_shuffle|order=9 {'all_core_count': 0, 'conditions': 40, 'present_count': 1.0, 'median_ids_delta_abs': 0.004038570248293238, 'median_index_delta_norm': 0.004038570248293256, 'median_label_error': 0.002668252536998303, 'median_spacing_ratio_to_reference': 0.5657111346474888} same_length_contiguous_shuffle|order=10 {'all_core_count': 34, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.00041710145479895155, 'median_spacing_ratio_to_reference': 0.9989219874039384} same_length_contiguous_shuffle|order=11 {'all_core_count': 37, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.0008184702664987831, 'median_spacing_ratio_to_reference': 0.999428902267254} same_length_contiguous_shuffle|order=8 {'all_core_count': 20, 'conditions': 40, 'present_count': 3.5, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 1.2586114479185007e-05, 'median_spacing_ratio_to_reference': 0.9412053880645862} same_length_contiguous_shuffle|order=9 {'all_core_count': 24, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 1.2586114479185007e-05, 'median_spacing_ratio_to_reference': 0.9801391052628995} supertile_shuffle|order=10 {'all_core_count': 32, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.0008196721311475585, 'median_spacing_ratio_to_reference': 0.9910120168438394} supertile_shuffle|order=11 {'all_core_count': 35, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.0008196721311475585, 'median_spacing_ratio_to_reference': 1.0} supertile_shuffle|order=8 {'all_core_count': 23, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.00041710145479895155, 'median_spacing_ratio_to_reference': 0.9269488634230917} supertile_shuffle|order=9 {'all_core_count': 26, 'conditions': 40, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 0.0008196721311475308, 'median_spacing_ratio_to_reference': 0.9835947903182807} LOW BY MODE same_count_internal_shuffle {'conditions': 160, 'all_core_count': 0, 'all_core_rate': 0.0, 'present_count': 1.0, 'median_ids_delta_abs': 0.00491803278688524, 'median_index_delta_norm': 0.004918032786885246, 'median_label_error': 0.004098961588062167, 'median_label_error_delta': 0.003278688524590123} same_length_contiguous_shuffle {'conditions': 160, 'all_core_count': 160, 'all_core_rate': 1.0, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 4.719792929708255e-06, 'median_label_error_delta': 0.0} supertile_shuffle {'conditions': 160, 'all_core_count': 160, 'all_core_rate': 1.0, 'present_count': 4.0, 'median_ids_delta_abs': 0.0, 'median_index_delta_norm': 0.0, 'median_label_error': 4.719792929736011e-06, 'median_label_error_delta': 0.0} diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() codex Scrivo il report nel path richiesto con verdict scoped. Il punto regressivo è esplicito: il boundary simbolico non appare né nel set né nella posizione IDS; resta soltanto come ordine interno più multiset di lunghezze. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260508_1947.md diff --git a/tools/data/reports/agent_20260508_1947.md b/tools/data/reports/agent_20260508_1947.md new file mode 100644 index 0000000000000000000000000000000000000000..1d0d905bb8324560c3bcef4483008e4d553bc77f --- /dev/null +++ b/tools/data/reports/agent_20260508_1947.md @@ -0,0 +1,98 @@ +# Agent Report - Position/Error Gate Del Core Phi +**Date**: 2026-05-08 19:47 +**Piano**: 91 +**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 +**verdict**: CONSTRAINT +observables_registry: n/a +observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] +**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. + +## Respiro fuori-tempo +- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. +- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. +- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. +- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. +- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. +- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. + +## Claim Under Test +> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. + +## Experiment Design +- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. +- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. +- Modes: + - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. + - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. + - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. +- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. +- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. + +## Results +Sintesi core alto `[3, -4, 4, 6]`: + +| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | +| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | + +Dettaglio core alto per order: + +| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | +| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | +| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | +| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | +| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | +| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | +| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | +| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | +| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | +| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | +| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | +| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | + +Nucleo basso `[-1, 1, -2, 2]`: + +| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | +|---|---:|---:|---:|---:|---:| +| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | + +## Key Findings +1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. + +2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). + +3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. + +4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. + +## Verdict +**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. + +La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. + +## Bicono della scoperta +- **Due radici**: boundary simbolico . ordine interno misurabile. +- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. +- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. +- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. + +## Consecutio +Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. +- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. +- **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. +- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. +- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. + +## Files +- Script: `tools/exp_gap_label_position_error_gate.py` +- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` +- Report: `tools/data/reports/agent_20260508_1947.md` diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260508_1947.md b/tools/data/reports/agent_20260508_1947.md new file mode 100644 index 0000000000000000000000000000000000000000..1d0d905bb8324560c3bcef4483008e4d553bc77f --- /dev/null +++ b/tools/data/reports/agent_20260508_1947.md @@ -0,0 +1,98 @@ +# Agent Report - Position/Error Gate Del Core Phi +**Date**: 2026-05-08 19:47 +**Piano**: 91 +**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 +**verdict**: CONSTRAINT +observables_registry: n/a +observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] +**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. + +## Respiro fuori-tempo +- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. +- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. +- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. +- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. +- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. +- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. + +## Claim Under Test +> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. + +## Experiment Design +- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. +- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. +- Modes: + - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. + - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. + - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. +- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. +- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. + +## Results +Sintesi core alto `[3, -4, 4, 6]`: + +| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | +| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | + +Dettaglio core alto per order: + +| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | +| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | +| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | +| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | +| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | +| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | +| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | +| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | +| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | +| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | +| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | +| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | + +Nucleo basso `[-1, 1, -2, 2]`: + +| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | +|---|---:|---:|---:|---:|---:| +| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | + +## Key Findings +1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. + +2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). + +3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. + +4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. + +## Verdict +**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. + +La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. + +## Bicono della scoperta +- **Due radici**: boundary simbolico . ordine interno misurabile. +- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. +- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. +- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. + +## Consecutio +Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. +- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. +- **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. +- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. +- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. + +## Files +- Script: `tools/exp_gap_label_position_error_gate.py` +- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` +- Report: `tools/data/reports/agent_20260508_1947.md` diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() codex Report scritto. Faccio una verifica minima: compilazione dello script e rilettura dell’intestazione/report, senza toccare il resto del worktree già sporco. exec /bin/bash -lc "sed -n '1,220p' tools/data/reports/agent_20260508_1947.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Position/Error Gate Del Core Phi **Date**: 2026-05-08 19:47 **Piano**: 91 **Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 **verdict**: CONSTRAINT observables_registry: n/a observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] **observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. ## Respiro fuori-tempo - **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. - **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. - **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. - **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. - **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. - **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. ## Claim Under Test > Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. ## Experiment Design - Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. - Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. - Modes: - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. - Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. - Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. ## Results Sintesi core alto `[3, -4, 4, 6]`: | mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | |---|---:|---:|---:|---:|---:|---:| | supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | | same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | | same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | Dettaglio core alto per order: | mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | |---|---:|---:|---:|---:|---:|---:| | supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | | same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | | same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | | supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | | same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | | same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | | supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | | same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | | same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | | supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | | same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | | same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | Nucleo basso `[-1, 1, -2, 2]`: | mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | |---|---:|---:|---:|---:|---:| | supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | | same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | | same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | ## Key Findings 1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. 2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). 3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. 4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. ## Verdict **CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. ## Bicono della scoperta - **Due radici**: boundary simbolico . ordine interno misurabile. - **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. - **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. - **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. ## Consecutio Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. ## Auto-audit: 5 lenti - **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. - **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. - **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. - **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. - **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. ## Files - Script: `tools/exp_gap_label_position_error_gate.py` - Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` - Report: `tools/data/reports/agent_20260508_1947.md` exec /bin/bash -lc 'ls -l tools/data/gap_label_position_error_gate_20260508_1947.json tools/data/reports/agent_20260508_1947.md tools/exp_gap_label_position_error_gate.py' in /opt/MM_D-ND succeeded in 0ms: -rw-r--r-- 1 root root 3136196 May 8 19:49 tools/data/gap_label_position_error_gate_20260508_1947.json -rw-r--r-- 1 root root 9388 May 8 19:50 tools/data/reports/agent_20260508_1947.md -rw-r--r-- 1 root root 11018 May 8 19:49 tools/exp_gap_label_position_error_gate.py exec /bin/bash -lc 'python -m py_compile tools/exp_gap_label_position_error_gate.py' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/data/reports/agent_20260508_1947.md b/tools/data/reports/agent_20260508_1947.md new file mode 100644 index 0000000000000000000000000000000000000000..1d0d905bb8324560c3bcef4483008e4d553bc77f --- /dev/null +++ b/tools/data/reports/agent_20260508_1947.md @@ -0,0 +1,98 @@ +# Agent Report - Position/Error Gate Del Core Phi +**Date**: 2026-05-08 19:47 +**Piano**: 91 +**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 +**verdict**: CONSTRAINT +observables_registry: n/a +observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] +**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. + +## Respiro fuori-tempo +- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. +- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. +- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. +- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. +- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. +- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. + +## Claim Under Test +> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. + +## Experiment Design +- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. +- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. +- Modes: + - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. + - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. + - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. +- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. +- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. + +## Results +Sintesi core alto `[3, -4, 4, 6]`: + +| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | +| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | + +Dettaglio core alto per order: + +| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | +| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | +| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | +| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | +| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | +| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | +| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | +| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | +| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | +| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | +| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | +| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | + +Nucleo basso `[-1, 1, -2, 2]`: + +| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | +|---|---:|---:|---:|---:|---:| +| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | + +## Key Findings +1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. + +2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). + +3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. + +4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. + +## Verdict +**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. + +La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. + +## Bicono della scoperta +- **Due radici**: boundary simbolico . ordine interno misurabile. +- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. +- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. +- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. + +## Consecutio +Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. +- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. +- **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. +- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. +- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. + +## Files +- Script: `tools/exp_gap_label_position_error_gate.py` +- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` +- Report: `tools/data/reports/agent_20260508_1947.md` diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc "find tools -path '*/__pycache__/exp_gap_label_position_error_gate.*.pyc' -print" in /opt/MM_D-ND succeeded in 0ms: tools/__pycache__/exp_gap_label_position_error_gate.cpython-312.pyc diff --git a/tools/data/reports/agent_20260508_1947.md b/tools/data/reports/agent_20260508_1947.md new file mode 100644 index 0000000000000000000000000000000000000000..1d0d905bb8324560c3bcef4483008e4d553bc77f --- /dev/null +++ b/tools/data/reports/agent_20260508_1947.md @@ -0,0 +1,98 @@ +# Agent Report - Position/Error Gate Del Core Phi +**Date**: 2026-05-08 19:47 +**Piano**: 91 +**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 +**verdict**: CONSTRAINT +observables_registry: n/a +observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] +**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. + +## Respiro fuori-tempo +- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. +- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. +- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. +- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. +- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. +- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. + +## Claim Under Test +> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. + +## Experiment Design +- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. +- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. +- Modes: + - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. + - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. + - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. +- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. +- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. + +## Results +Sintesi core alto `[3, -4, 4, 6]`: + +| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | +| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | + +Dettaglio core alto per order: + +| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | +| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | +| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | +| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | +| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | +| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | +| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | +| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | +| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | +| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | +| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | +| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | + +Nucleo basso `[-1, 1, -2, 2]`: + +| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | +|---|---:|---:|---:|---:|---:| +| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | + +## Key Findings +1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. + +2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). + +3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. + +4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. + +## Verdict +**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. + +La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. + +## Bicono della scoperta +- **Due radici**: boundary simbolico . ordine interno misurabile. +- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. +- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. +- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. + +## Consecutio +Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. +- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. +- **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. +- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. +- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. + +## Files +- Script: `tools/exp_gap_label_position_error_gate.py` +- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` +- Report: `tools/data/reports/agent_20260508_1947.md` diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'rm tools/__pycache__/exp_gap_label_position_error_gate.cpython-312.pyc' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/data/reports/agent_20260508_1947.md b/tools/data/reports/agent_20260508_1947.md new file mode 100644 index 0000000000000000000000000000000000000000..1d0d905bb8324560c3bcef4483008e4d553bc77f --- /dev/null +++ b/tools/data/reports/agent_20260508_1947.md @@ -0,0 +1,98 @@ +# Agent Report - Position/Error Gate Del Core Phi +**Date**: 2026-05-08 19:47 +**Piano**: 91 +**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 +**verdict**: CONSTRAINT +observables_registry: n/a +observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] +**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. + +## Respiro fuori-tempo +- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. +- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. +- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. +- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. +- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. +- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. + +## Claim Under Test +> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. + +## Experiment Design +- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. +- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. +- Modes: + - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. + - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. + - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. +- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. +- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. + +## Results +Sintesi core alto `[3, -4, 4, 6]`: + +| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | +| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | + +Dettaglio core alto per order: + +| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | +| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | +| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | +| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | +| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | +| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | +| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | +| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | +| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | +| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | +| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | +| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | + +Nucleo basso `[-1, 1, -2, 2]`: + +| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | +|---|---:|---:|---:|---:|---:| +| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | + +## Key Findings +1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. + +2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). + +3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. + +4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. + +## Verdict +**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. + +La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. + +## Bicono della scoperta +- **Due radici**: boundary simbolico . ordine interno misurabile. +- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. +- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. +- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. + +## Consecutio +Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. +- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. +- **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. +- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. +- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. + +## Files +- Script: `tools/exp_gap_label_position_error_gate.py` +- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` +- Report: `tools/data/reports/agent_20260508_1947.md` diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() codex Eseguito l’esperimento e scritto il report richiesto: - Report: [agent_20260508_1947.md](/opt/MM_D-ND/tools/data/reports/agent_20260508_1947.md) - Script nuovo: [exp_gap_label_position_error_gate.py](/opt/MM_D-ND/tools/exp_gap_label_position_error_gate.py) - Dati: [gap_label_position_error_gate_20260508_1947.json](/opt/MM_D-ND/tools/data/gap_label_position_error_gate_20260508_1947.json) Risultato principale: il boundary simbolico del supertile non appare nemmeno nel gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta l’ordine interno: `same_count_internal_shuffle` fa `0/160`. Verifiche: script eseguito, JSON prodotto, report riletto, `python -m py_compile` passato. diff --git a/tools/data/reports/agent_20260508_1947.md b/tools/data/reports/agent_20260508_1947.md new file mode 100644 index 0000000000000000000000000000000000000000..1d0d905bb8324560c3bcef4483008e4d553bc77f --- /dev/null +++ b/tools/data/reports/agent_20260508_1947.md @@ -0,0 +1,98 @@ +# Agent Report - Position/Error Gate Del Core Phi +**Date**: 2026-05-08 19:47 +**Piano**: 91 +**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 +**verdict**: CONSTRAINT +observables_registry: n/a +observables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate] +**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile. + +## Respiro fuori-tempo +- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani. +- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro. +- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore. +- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta. +- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro. +- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing. + +## Claim Under Test +> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length. + +## Experiment Design +- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`. +- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`. +- Modes: + - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci. + - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato. + - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto. +- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`. +- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`. + +## Results +Sintesi core alto `[3, -4, 4, 6]`: + +| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 | +| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 | + +Dettaglio core alto per order: + +| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref | +|---|---:|---:|---:|---:|---:|---:| +| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 | +| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 | +| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 | +| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 | +| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 | +| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 | +| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 | +| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 | +| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 | +| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 | +| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 | +| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 | + +Nucleo basso `[-1, 1, -2, 2]`: + +| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error | +|---|---:|---:|---:|---:|---:| +| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 | +| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 | + +## Key Findings +1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato. + +2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`). + +3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria. + +4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label. + +## Verdict +**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto. + +La formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato. + +## Bicono della scoperta +- **Due radici**: boundary simbolico . ordine interno misurabile. +- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono. +- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing. +- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione. + +## Consecutio +Il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: nessun "sempre" o "solo"; il verdict e' perimetro-atomico e riporta count grezzi. +- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati. +- **L3 no silent patching**: l'ipotesi "il boundary appare nella geometria" cade; non viene salvata cambiando claim. +- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato. +- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore. + +## Files +- Script: `tools/exp_gap_label_position_error_gate.py` +- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json` +- Report: `tools/data/reports/agent_20260508_1947.md` diff --git a/tools/exp_gap_label_position_error_gate.py b/tools/exp_gap_label_position_error_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..4521d6c71a11aec430231d34dab5822a1f60ad0d --- /dev/null +++ b/tools/exp_gap_label_position_error_gate.py @@ -0,0 +1,270 @@ +#!/usr/bin/env python3 +""" +Position/error gate for the phi gap-label core. + +The supertile tiling gate showed that the label set does not discriminate exact +supertile boundaries from misaligned chunks with the same length multiset. This +tool keeps that perimeter and asks whether the geometry of the selected gaps +does discriminate: IDS position, spectral index, and label error for core +labels. +""" + +from __future__ import annotations + +import argparse +import json +from collections import defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints +from exp_gap_label_generator_gate import THETA +from exp_gap_label_set_stability import gap_labels, sturmian_sequence, summarize_sets +from exp_gap_label_supertile_tiling_gate import ( + chunks_from_lengths, + internal_count_shuffle, + misaligned_same_lengths, + shuffle_chunks, + supertile_lengths, +) + + +def selected_by_label(row: dict) -> dict[int, dict]: + best: dict[int, dict] = {} + for size_rank, item in enumerate(row["selected"]): + enriched = {**item, "size_rank": size_rank} + current = best.get(item["label"]) + if current is None or (item["label_error"], size_rank) < (current["label_error"], current["size_rank"]): + best[item["label"]] = enriched + return best + + +def row_with_obs(mode: str, seq: np.ndarray, n: int, phase: float, threshold: float, trial: int | None, order: int | None, args: argparse.Namespace) -> dict: + row = { + "mode": mode, + "N": n, + "phase": phase, + "threshold": threshold, + **gap_labels(seq, THETA, threshold, args.max_label, args.top_k), + } + if trial is not None: + row["trial"] = trial + if order is not None: + row["supertile_order"] = order + return row + + +def compare_to_reference(row: dict, reference_row: dict, core: set[int]) -> dict: + selected = selected_by_label(row) + reference = selected_by_label(reference_row) + present = label_sort(set(selected) & core) + missing = label_sort(core - set(selected)) + deltas = [] + for label in present: + if label not in reference: + continue + item = selected[label] + ref = reference[label] + deltas.append({ + "label": int(label), + "ids_delta_abs": float(abs(item["ids"] - ref["ids"])), + "index_delta_abs": int(abs(item["index"] - ref["index"])), + "index_delta_norm": float(abs(item["index"] - ref["index"]) / row["N"]), + "size_rank_delta_abs": int(abs(item["size_rank"] - ref["size_rank"])), + "label_error": float(item["label_error"]), + "reference_label_error": float(ref["label_error"]), + "label_error_delta": float(item["label_error"] - ref["label_error"]), + "spacing_ratio_to_reference": float(item["spacing"] / ref["spacing"]) if ref["spacing"] else None, + }) + + return { + "mode": row["mode"], + "N": row["N"], + "phase": row["phase"], + "threshold": row["threshold"], + "trial": row.get("trial"), + "supertile_order": row.get("supertile_order"), + "present_core": present, + "missing_core": missing, + "present_count": len(present), + "core_size": len(core), + "all_core_present": set(present) == core, + "median_ids_delta_abs": float(np.median([d["ids_delta_abs"] for d in deltas])) if deltas else None, + "median_index_delta_norm": float(np.median([d["index_delta_norm"] for d in deltas])) if deltas else None, + "median_size_rank_delta_abs": float(np.median([d["size_rank_delta_abs"] for d in deltas])) if deltas else None, + "median_label_error": float(np.median([d["label_error"] for d in deltas])) if deltas else None, + "median_label_error_delta": float(np.median([d["label_error_delta"] for d in deltas])) if deltas else None, + "median_spacing_ratio_to_reference": float(np.median([d["spacing_ratio_to_reference"] for d in deltas if d["spacing_ratio_to_reference"] is not None])) if deltas else None, + "label_deltas": deltas, + } + + +def summarize_comparisons(rows: list[dict]) -> dict: + if not rows: + return {} + numeric_fields = [ + "present_count", + "median_ids_delta_abs", + "median_index_delta_norm", + "median_size_rank_delta_abs", + "median_label_error", + "median_label_error_delta", + "median_spacing_ratio_to_reference", + ] + summary = { + "conditions": len(rows), + "all_core_count": int(sum(row["all_core_present"] for row in rows)), + "all_core_rate": float(sum(row["all_core_present"] for row in rows) / len(rows)), + } + for field in numeric_fields: + values = [row[field] for row in rows if row[field] is not None] + summary[field] = float(np.median(values)) if values else None + + label_counts = defaultdict(int) + label_ids_delta = defaultdict(list) + label_error = defaultdict(list) + for row in rows: + for delta in row["label_deltas"]: + label = delta["label"] + label_counts[label] += 1 + label_ids_delta[label].append(delta["ids_delta_abs"]) + label_error[label].append(delta["label_error"]) + + summary["per_label"] = { + str(label): { + "hit_count": int(label_counts[label]), + "hit_rate": float(label_counts[label] / len(rows)), + "median_ids_delta_abs": float(np.median(label_ids_delta[label])) if label_ids_delta[label] else None, + "median_label_error": float(np.median(label_error[label])) if label_error[label] else None, + } + for label in label_sort(set(label_counts)) + } + return summary + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_ints(args.ns) + phases = parse_floats(args.phases) + thresholds = parse_floats(args.thresholds) + orders = parse_ints(args.supertile_orders) + + reference_rows = [] + rows = [] + for n in ns: + for phase in phases: + phi = sturmian_sequence(THETA, n, phase) + reference_by_threshold = {} + for threshold in thresholds: + ref = row_with_obs("reference_phi", phi, n, phase, threshold, None, None, args) + reference_rows.append(ref) + reference_by_threshold[threshold] = ref + + for order in orders: + lengths = supertile_lengths(n, order) + aligned_chunks = chunks_from_lengths(phi, lengths) + for trial in range(args.trials): + variants = { + "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), + "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), + "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), + } + for mode, seq in variants.items(): + for threshold in thresholds: + row = row_with_obs(mode, seq, n, phase, threshold, trial, order, args) + rows.append(row) + + reference_core = set(summarize_sets(reference_rows)["core_labels_all_conditions"]) + high_core = set(REFERENCE_HIGH) & reference_core + low_core = set(REFERENCE_LOW) & reference_core + + references = { + (row["N"], row["phase"], row["threshold"]): row + for row in reference_rows + } + comparisons = [] + high_comparisons = [] + low_comparisons = [] + for row in rows: + ref = references[(row["N"], row["phase"], row["threshold"])] + comparisons.append(compare_to_reference(row, ref, reference_core)) + high_comparisons.append(compare_to_reference(row, ref, high_core)) + low_comparisons.append(compare_to_reference(row, ref, low_core)) + + def by_mode(comp_rows: list[dict]) -> dict: + return { + mode: summarize_comparisons([row for row in comp_rows if row["mode"] == mode]) + for mode in sorted({row["mode"] for row in comp_rows}) + } + + def by_mode_order(comp_rows: list[dict]) -> dict: + grouped: dict[str, list[dict]] = defaultdict(list) + for row in comp_rows: + grouped[f"{row['mode']}|order={row['supertile_order']}"].append(row) + return {key: summarize_comparisons(group) for key, group in sorted(grouped.items())} + + return { + "experiment": "gap_label_position_error_gate", + "parameters": { + "ns": ns, + "phases": phases, + "thresholds": thresholds, + "trials": args.trials, + "supertile_orders": orders, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "reference_core_phi": label_sort(reference_core), + "reference_low": label_sort(low_core), + "reference_high": label_sort(high_core), + "summary_all_core_by_mode": by_mode(comparisons), + "summary_high_core_by_mode": by_mode(high_comparisons), + "summary_low_core_by_mode": by_mode(low_comparisons), + "summary_high_core_by_mode_order": by_mode_order(high_comparisons), + "comparisons_all_core": comparisons, + "comparisons_high_core": high_comparisons, + "comparisons_low_core": low_comparisons, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="377,610") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--thresholds", default="2.0") + parser.add_argument("--trials", type=int, default=5) + parser.add_argument("--supertile-orders", default="8,9,10,11") + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605081947) + parser.add_argument("--out", default="tools/data/gap_label_position_error_gate_20260508_1947.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + mode: { + "all_high": f"{data['all_core_count']}/{data['conditions']}", + "present_count": data["present_count"], + "median_ids_delta_abs": data["median_ids_delta_abs"], + "median_index_delta_norm": data["median_index_delta_norm"], + "median_label_error": data["median_label_error"], + "median_label_error_delta": data["median_label_error_delta"], + } + for mode, data in output["summary_high_core_by_mode"].items() + } + print(json.dumps({ + "reference_core_phi": output["reference_core_phi"], + "reference_high": output["reference_high"], + "high_core_by_mode": compact, + "out": str(out), + }, indent=2)) + + +if __name__ == "__main__": + main() tokens used 117,047 Eseguito l’esperimento e scritto il report richiesto: - Report: [agent_20260508_1947.md](/opt/MM_D-ND/tools/data/reports/agent_20260508_1947.md) - Script nuovo: [exp_gap_label_position_error_gate.py](/opt/MM_D-ND/tools/exp_gap_label_position_error_gate.py) - Dati: [gap_label_position_error_gate_20260508_1947.json](/opt/MM_D-ND/tools/data/gap_label_position_error_gate_20260508_1947.json) Risultato principale: il boundary simbolico del supertile non appare nemmeno nel gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta l’ordine interno: `same_count_internal_shuffle` fa `0/160`. Verifiche: script eseguito, JSON prodotto, report riletto, `python -m py_compile` passato.