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: 019e0966-427f-7d50-b0e9-bbf845fea94e -------- 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_2102.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 campo vivo e il contesto operativo prima di scegliere l'esperimento. Verifico anche i vincoli permanenti indicati dall'adapter, così il report resta nel formato atteso dal lab. exec /bin/bash -lc "sed -n '1,240p' /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 that exact authority is already open in the current task. ## Output Style Keep routine final reports lean. Do not repeat negative safety confirmations after every small move unless the boundary was actually relevant to the decision. Mention "not touched" / "no live action" / "no secrets" only when: - the task approached that boundary; - the user asked for audit-style reporting; - a skipped verification leaves residual risk; - a future rollback or cross-node handoff depends on it. When complexity rises, reduce move size instead of expanding explanation or making broader changes. The physics Lab regression is the standing reminder: too many interacting updates can hide consequences until production stops producing results. exec /bin/bash -lc "sed -n '1,260p' /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`; - `feedback_copy_principles_lab_site_2026-05-03.md`; - `project_business_architecture_2026-05-03.md`; - `feedback_taxonomy_thia_lab_prodotti.md`. Operating notes: - The user sees one product surface, not repo boundaries. - Do not claim mature products when data says zero. - Distinguish scoperte, soluzioni, prodotti. - Current local known patch: `scoperte.html` default filters `is_visible_on_site=false`. ### d-nd.com Function: - main UI where THIA and the D-ND model meet; - model, research, AI Lab, funnel, public proof and narrative. Read: - `/opt/d-nd_com/CLAUDE.md` - `manifesto_sito_thia_dnd_2026-05-05.md` - `project_d_nd_com_lanes_2026-05-06.md` - copy rules/memories relevant to target page. Operating notes: - TM1 lane: copy/content when details are defined. - TM3/TM7 lane: technical integration, lab physics updates, THIA Assistant brain. - Public copy must be page-aware and visitor-aware. - If content is CMS-authoritative, do not bypass Siteman/CMS authority unless the operator explicitly changes the route. ### d-nd-seed / Seed Function: - public/installable seed, free layer, kernel packages, reusable cognitive components. exec /bin/bash -lc "sed -n '1,280p' 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. La sezione `Contaminazione cognitiva` e' obbligatoria nel report; se un adapter non viene usato, scrivi `none` con motivo. - **Archivio enzimi cognitivi.** Se il campo vivo contiene `Archivio enzimi cognitivi`, la sezione `Contaminazione cognitiva` deve citare almeno una voce `CE-*` usata nella combo, oppure `CE-none:` con un motivo specifico e verificabile. `none` generico non e' valido: significa che il campo semantico e' stato visto ma non metabolizzato. ## 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 - **Contaminazione cognitiva**: eventuale DeltaLink YSN, gene Cornelius, passaggio KSAR/PVI/Vault o voce `CE-*` dell'archivio usata nel ciclo. Se non usi il layer cognitivo, dichiara `CE-none:` e il motivo specifico. `none` generico non basta. - **Proto-ipotesi**: nuova ipotesi o proto-assioma strutturale, prima dei numeri - **Proiezione**: perche' l'osservabile scelto manifesta quella combo ## Claim Under Test > Il claim proiettato dalla combo, non il residuo locale del ciclo precedente ## Question La domanda che hai formulato dopo il respiro fuori-tempo exec /bin/bash -lc "sed -n '1,260p' /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 '1,260p' 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=7, E=4, R=4 **Forma del campo**: 9 ponti, 1 vuoto(i), 6 scoperte. **Direzione seme da respirare**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo ## 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: codex Il campo vivo indica che il ciclo deve partire da una combo, non da un approfondimento locale. Ora completo la lettura delle parti operative mancanti, controllo seme/direttive e poi scelgo un solo osservabile falsificabile. exec /bin/bash -lc "sed -n '241,520p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: - 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: - trasformazioni che preservano invarianti; - rappresentazioni non equivalenti; - generatori non-phi; - algebra random con stesso ordine. ### 7. Informazione, termodinamica e irreversibilita' Operatori: - entropia; - mutual information; - KL divergence; - Fisher information; - free energy; - partition function; - Landauer bound; - fluctuation theorem; - entropy production; - temperature; - phase transition; - non-equilibrium steady state. Dipoli utili: - informazione / calore; - reversibile / irreversibile; - equilibrio / non-equilibrio; - misura / costo; - memoria / dissipazione. Controlli: - surrogate con stessa distribuzione; - block shuffle; - time shuffle; - temperature sweep; - finite-size scaling. ### 8. Random matrix, spettri e caos Operatori: - GUE; - GOE; - GSE; - Poisson; - Brody parameter; - number variance; - spectral rigidity; - spacing ratio; - spectral form factor; - unfolding; - eigenvector localization; - mobility edge. Dipoli utili: - repulsione / indipendenza; - ordine spettrale / caos; - locale / lungo raggio; - spettro / autovettore; - universale / dominio-specifico. Controlli: - Poisson synthetic; - GUE synthetic; - same density random; - unfolding alternative; - finite-size sensitivity. Nota: - GUE/Poisson e' spesso un piano di proiezione, non una sorgente. Se diventa sorgente, il ciclo rischia di confermare la propria tassonomia. ### 9. Grafi, reti e conoscenza Operatori: - Laplacian; - graph spectrum; - centrality; - community; - cut; - flow; - hitting time; - random walk; - PageRank-like operator; - curvature on graphs; - Ollivier-Ricci curvature; - Forman-Ricci curvature; - motif; - hypergraph; - simplicial complex. Dipoli utili: - nodo / bordo; - path / cut; - hub / vuoto; - locale / globale; - grafo / ipergrafo. Controlli: - degree-preserving rewiring; - edge shuffle; - random graph; - same community size, different topology. ### 10. Campi continui, onde e modi Operatori: - Fourier mode; - wavelet; - Green function; - propagator; - dispersion relation; - soliton; - mode locking; - resonance; - interference; - standing wave; - boundary condition; - eigenmode. Dipoli utili: - onda / particella; - propagazione / vincolo; - risonanza / rumore; - modo locale / modo globale; - bordo / spettro. Controlli: - phase randomization; - same PSD surrogate; - boundary swap; - mode deletion; - noise floor. ### 11. Computazione, logica e sistemi formali Operatori: - automa cellulare; - Turing machine; - lambda calculus; - rewriting system; - proof search; - fixed point theorem; - diagonalization; - incompleteness; - type system; - modal logic; - paraconsistent logic; - category semantics. Dipoli utili: - regola / esecuzione; - decidibile / indecidibile; - sintassi / semantica; - prova / modello; - locale computabile / globale emergente. Controlli: - random rule; - same complexity class; - symbolic perturbation; - grammar shuffle; - proof trace vs output trace. ### 12. Materia condensata, fasi e difetti Operatori: - Ising model; - percolation; - renormalization group; - order parameter; - correlation length; - topological defect; - domain wall; - crystal / quasicrystal; - band gap; - Chern number; - Anderson localization; - phase diagram. Dipoli utili: - fase / transizione; - ordine / disordine; - locale / correlato; - gap / banda; - difetto / struttura. Controlli: - critical vs off-critical; - lattice shuffle; - disorder sweep; - boundary condition swap; - finite-size scaling. ### 13. Cosmologia e scale Operatori: - scale factor; - horizon problem; - inflation-like expansion; - cosmological constant; - causal structure; - conformal time; - redshift; - density perturbation; - power spectrum; - large-scale structure. Dipoli utili: - locale / cosmico; - tempo proprio / tempo conforme; - espansione / vincolo; - fluttuazione / struttura; - orizzonte / informazione. Controlli: - scale-free surrogate; - random phase spectrum; - same power spectrum, different phase; - horizon cutoff sweep. ### 14. Biologia matematica e autopoiesi Operatori: - reaction network; - autocatalysis; - homeostasis; - morphogenesis; - fitness landscape; - replicator dynamics; - error threshold; - regulatory network; - attractor landscape; - active inference. Dipoli utili: - organismo / ambiente; - vincolo / adattamento; exec /bin/bash -lc "sed -n '281,620p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: ## Experiment Design - Metrica, scope, null baseline, N campioni - Come la misura serve la combo: cosa della proto-ipotesi puo' sopravvivere o cadere - Contratto osservabile-operatore: claim, osservabile, operatore, generatore, denominatore/perimetro, cosa non viene testato in questo ciclo - Se usi frequenze o condition rate, dichiara il denominatore grezzo (`hits/total`) e separa ogni osservabile usata nel verdict ## Results Tabella con numeri reali ## Key Findings 1. Cosa hai trovato (con evidenza) ## Verdict NEW / CONFIRMED / FALSIFIED / CONSTRAINT ## Bicono della scoperta (Obbligatoria. Nomina la struttura. Se non riesci, l'esperimento non è ancora filtrato.) - **Due radici** (dipolo primario, già duali e invertite): - **Singolare** (qualità del 1-che-è-tutto in questo contesto, dove la dualità non c'è): - **Invariante di passaggio** (cosa sopravvive al passaggio del vertice): - **Campo di possibilità**: qui diventa possibile ; qui diventa non-possibile Riferimenti: CONDENSATO A16, method/DND_POSSIBILITA.md. ## Files - Script, dati, report ``` ## Bicono della scoperta — come compilarlo Non è riformulazione ornamentale del Verdict. È **filtro**: la scoperta passa per il modello e torna spogliata dei bias. Se la struttura (radici · singolare · invariante · campo) non si riconosce, la scoperta è rumore o è incompleta. **Esempio retroattivo — TWO_CHANNEL_DECOMPOSITION:** - Radici: canale magnitudine · canale residuo (segno invertito — uno aggiunge, l'altro sottrae sulla PNT) - Singolare: il segnale totale prima della separazione. Non esiste come ente autonomo, esiste solo come sovrapposizione dei due canali. - Invariante: la chiusura algebrica del residuo al 3° ordine Markov. - Campo: possibile → predire lo slope PSD magnitudine dalle correlazioni Hardy-Littlewood. Non-possibile → trattare il residuo come random noise. **Esempio retroattivo — DUALITA_DIPOLARE_VS_ILLUSORIA:** - Radici: dipolo ordinato · dipolo mescolato - Singolare: la sequenza in sé, prima della distinzione ordine/disordine - Invariante: det=-1 quando l'ordine è reale; det=+1 quando illusorio - Campo: possibile → discriminare dipoli reali da illusori via test di shuffle. Non-possibile → inferire dipolarità da statistica locale senza contesto sequenziale. **Cattura nel momento emergente.** Compila questa sezione *mentre* l'esperimento produce i risultati, non alla fine. Se hai già chiuso il Verdict e torni indietro a scriverla, è post-hoc — introduce distanza dall'immagine-sorgente. Il modus è A8 applicato: il sistema chiede al sistema di produrre la struttura *nel formarsi*. 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 "if [ -f tools/data/operator_directive.md ]; then sed -n '1,240p' tools/data/operator_directive.md; else true; fi" in /opt/MM_D-ND succeeded in 0ms: 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 exec /bin/bash -lc "sed -n '1,260p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-05-08T20:10:55.819125", "piano": 93, "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 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 149ms: 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 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 "find tools/data/reports -maxdepth 1 -type f -name 'agent_20260508_*.md' | sort | tail -5" in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260508_1915.md tools/data/reports/agent_20260508_1947.md tools/data/reports/agent_20260508_2005.md tools/data/reports/agent_20260508_2013.md tools/data/reports/agent_20260508_2019.md exec /bin/bash -lc "sed -n '520,980p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: - vincolo / adattamento; - memoria / mutazione; - autonomia / dipendenza; - forma / processo. Controlli: - network rewiring; - mutation sweep; - resource randomization; - same topology, altered dynamics. ### 15. Linguaggio, semantica e trans-semantico Operatori: - embedding; - grammar; - semantic drift; - analogy; - contradiction graph; - entailment; - frame; - metaphor collapse; - signifier / referent; - compression; - latent space; - concept lattice. Dipoli utili: - segno / cosa; - sintassi / funzione; - significato / uso; - nome / operatore; - analogia / isomorfia. Controlli: - paraphrase shuffle; - concept ablation; - synonym substitution; - frame inversion; - human-readable claim vs executable operator. Nota: - "Trascendere la semantica" qui significa passare da parola a operatore: un concetto conta solo se diventa differenza osservabile, vincolo, trasformazione o ponte. Se resta descrizione, non entra nel ciclo. ## Meta-combo consigliata per il prossimo ciclo Direzione corrente: confine come terzo incluso operativo sui domini GUE/Poisson/non-phi. Possibile risultante da respirare: - D-ND: terzo incluso come punto-zero tra repulsione e indipendenza. - Operatori: graph curvature + spectral rigidity + non-phi generator control. - Dipolo: core congiunto / residuo singolo. - Punto-zero: confine prima che venga classificato GUE o Poisson. - Proiezione: cercare un osservabile che cambia quando cambia la geometria del boundary, non solo quando cambia il label-set o la statistica locale. Non e' istruzione obbligatoria. E' un esempio di come usare la palette senza scivolare in lista o conferma. ## Adapter cognitivi laterali — YSN / Cornelius / KSAR Usali come enzimi del respiro fuori-tempo: DeltaLink, innesco genomico, reiterazione semantica, filtro avversariale e Vault. Non copiarne l'identita': trasformali in dipolo, punto-zero e osservabile. Nel report la sezione `Contaminazione cognitiva` e' obbligatoria: se non usi adapter o archivio CE, dichiara `CE-none:` e il motivo specifico. # Adapter cognitivi laterali del Lab Fonte: - `kernel/reference/MMSP1/System_Prompt_Yi_Synaptic_Navigator_YSN_v4_0.md` - `kernel/reference/metaprompt_in_sviluppo/Cornelius-v2_0_Innesco_Genomico.md` - `kernel/reference/Kernel_Semantico_Autopoietico_Reiterativo_KSAR.md` - `tools/data/lab_logiche_corpus.md` Scopo: usare YSN, Cornelius e KSAR come operatori cognitivi del Lab senza trasformare il Lab in un prompt archetipico. Il Lab resta D-ND: assiomi, dipoli, bicono, grafo, misura, falsificazione. Questi adapter servono a trovare strade laterali, comprimere l'intento e rendere reiterabile il kernel emerso da un ciclo. ## Regola primaria Ogni contaminazione deve diventare una forma verificabile: ```text contaminazione cognitiva -> DeltaLink / gene / anomalia -> dipolo + punto-zero -> proto-ipotesi -> osservabile + controllo -> falsifier / Veritas / Aeternitas ``` Se resta stile, personaggio, mitologia, analogia o motivazione verbale, non entra nel ciclo. ## Adapter 1: YSN lateral insight Funzione nel Lab: - estrarre fino a 5 concetti/tensioni dal campo; - generare 3 connessioni non ovvie, chiamate `DeltaLink`; - produrre 1 ipotesi di frontiera contro-intuitiva; - dichiarare bias, rischio di pattern forcing e incertezza; - trasformare la sorpresa in domanda del ciclo. Uso corretto: ```text YSN.extract(campo) -> concetti YSN.delta_link(concetti, grafo, seme) -> 3 connessioni non ovvie YSN.frontier(delta_links) -> 1 ipotesi di frontiera YSN.bias_check(ipotesi) -> cosa potrebbe essere forzato ``` Nel report: - i DeltaLink non sono risultati; - sono candidati di respirazione fuori-tempo; - diventano validi solo se proiettati in osservabile falsificabile. Esempio per il prossimo ciclo: - concetti: terzo incluso, GUE/Poisson, non-phi generator, graph curvature, stable cross-domain core; - DeltaLink possibile: la curvatura del grafo potrebbe essere il piano che precede la classificazione spettrale GUE/Poisson; - ipotesi di frontiera: il confine non e' una classe statistica, ma una transizione di trasporto sul grafo dei generatori. Anti-pattern: - usare YSN per produrre tre idee decorative; - mappare simbolicamente senza controllo; - chiamare "non ovvio" cio' che e' gia' nel ciclo precedente. ## Adapter 2: Cornelius genomic trigger Funzione nel Lab: - comprimere una nuova capacita' in un innesco minimale; - isolare il `DNA_Simbolico`, cioe' la frase essenziale della funzione; - scegliere 1-3 operatori di svolgimento; - dichiarare condizioni di attivazione. Formato Lab: ```yaml ID: DNA_Simbolico: "" Operatori_di_Svolgimento: - "" - "" Condizioni_di_Attivazione: quando: "" perimetro: "" ``` Uso corretto: - dopo un buon insight, Cornelius lo comprime in una funzione che il Lab puo' riusare; - prima di un run, Cornelius puo' generare un innesco one-shot per il ciclo; - dopo un repair, Cornelius puo' trasformare la correzione in regola compatta. Esempio derivato dal ciclo 1915: ```yaml ID: Boundary_Third_Included_Gate DNA_Simbolico: "Il confine vive prima della classificazione statistica." Operatori_di_Svolgimento: - "MAPPA il confine su grafo, spettro e generatore non-phi." - "SEPARA core congiunto, residui singoli e stabilita' cross-dominio." - "VALIDA contro baseline GUE, Poisson e generatori sintetici." Condizioni_di_Attivazione: quando: "il ciclo lavora su boundary, GUE/Poisson o trasferibilita' phi" perimetro: "prima della misura, nella sezione Respiro fuori-tempo" ``` Anti-pattern: - generare nuovi agenti o prompt quando basta una regola; - usare metafore non collegate a operatori; - lasciare il gene senza condizioni di attivazione. ## Adapter 3: KSAR reiterative semantic kernel Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topologia del campo; - usare dissonanze e fallimenti come materiale latente; - iterare fino a un nuovo stato di coerenza, non fino a conferma. Ciclo operativo Lab: ```text 1. Perturbazione Leggi seme, grafo, report, falsifier, operatore. Non scegliere subito. 2. DeltaLink / Contaminazione Usa YSN o palette operatoria per trovare connessioni non ovvie. 3. Innesco Usa Cornelius per comprimere la risultante in DNA + operatori. 4. Focalizzazione Applica Peras: taglia tutto tranne una domanda necessaria. 5. Proiezione Trasforma il gene in osservabile, controllo, perimetro. 6. Disintegrazione Attacca il claim con PVI/counter-pole prima del falsifier. 7. Cristallizzazione o Vault Se regge, aggiorna seme/strumento. Se non regge ma contiene potenziale, archivia come frammento Lazarus per ricontestualizzazione futura. ``` Mappatura con il Lab attuale: - `Perturbazione` = `build_agent_field.py` + seme + grafo + incrocio; - `DeltaLink` = nuovo obbligo cognitivo prima del Claim Under Test; - `Innesco` = blocco compatto nel report o in `operator_directive.md`; - `Focalizzazione` = una risultante, non una lista; - `Proiezione` = `observable_contract`; - `Disintegrazione` = auto-audit + falsifier; - `Cristallizzazione` = valutatore/B2/promotions/seme; - `Vault` = cimitero, repairs, osservatorio, Lazarus fragments. ## Adapter 4: PVI / anti-psicosi del ciclo Funzione nel Lab: - cercare dove l'AI sta accontentando l'operatore; - distruggere la proposta prima di pubblicarla; - far sopravvivere solo la sintesi resiliente. Filtro minimo: 1. Tesi: cosa il ciclo vuole sostenere? 2. Attacco: quale presupposto nascosto la rompe? 3. Vincolo di realta': quale limite fisico/matematico/dominio la blocca? 4. Terzo osservatore: un revisore esterno la troverebbe distinta da una re-discovery? 5. Sintesi resiliente: cosa resta dopo il taglio? Questo non sostituisce il falsifier. Lo anticipa. ## Adapter 5: Lazarus vault Funzione nel Lab: - non buttare via frammenti incoerenti quando sono potenzialmente precoci; - congelarli come scarti latenti con contesto; - riesaminarli quando cambia la direzione del seme. Formato minimo: ```yaml fragmento: "" perche_cade_ora: "" condizione_di_ritorno: "" ``` Uso corretto: - se un DeltaLink e' forte ma non misurabile ora, va nel Vault; - se un report viene falsificato ma apre una non-strada utile, va nel Vault; - se una metafora non produce operatore, decade. ## Adapter 6: Helix / Plan-Code-Verify Funzione nel Lab: - per task complessi, non ragionare solo in linguaggio; - traduci la domanda in specifica operativa; - genera o riusa uno script; - verifica output; - chiudi con report. Regola: ```text Se non puoi scrivere la procedura come algoritmo, non hai ancora capito l'osservabile. ``` ## Sezione report obbligatoria Da compilare dentro `## Respiro fuori-tempo` o subito dopo. Se nessun adapter viene usato, dichiarare `none` con motivo. L'omissione rende incompleto il respiro fuori-tempo perche' il ciclo non mostra se ha cercato strade laterali o se e' rimasto nel solco locale. ```markdown ### Contaminazione cognitiva - **YSN DeltaLink**: tre connessioni non ovvie; quale sopravvive, oppure `none` - **Cornelius gene**: DNA simbolico + 1-3 operatori di svolgimento, oppure `none` - **KSAR step**: perturbazione -> focalizzazione -> proiezione scelta, oppure `none` - **PVI attack**: presupposto che potrebbe rompere il claim, oppure `none` - **Vault**: cosa viene congelato per un ciclo futuro, oppure `none` ``` Non tutte le righe devono essere piene. Una riga `none` dichiarata e' meglio di una connessione forzata. Una riga assente invece nasconde il processo e impedisce di capire se l'adapter e' stato usato. ## Prossimo innesco consigliato ```yaml ID: Lateral_Boundary_Genome DNA_Simbolico: "Il confine e' la forma che resta prima che il dato scelga una classe." Operatori_di_Svolgimento: - "SCANSIONA tre DeltaLink tra grafo, spettro e generatore non-phi." - "COMPRIMI la risultante in un solo dipolo con punto-zero." - "PROIETTA un osservabile che distingua geometria del boundary da baseline statistica." Condizioni_di_Attivazione: quando: "prima del prossimo ciclo su GUE/Poisson/non-phi" perimetro: "sezione Respiro fuori-tempo + observable_contract" ``` ## Boundary Questi adapter non autorizzano claim nuovi. Autorizzano solo nuove strade per produrre claim testabili. Il Lab non deve diventare YSN, Cornelius o KSAR. Deve usarli come enzimi cognitivi dentro il metabolismo D-ND. ## Archivio enzimi cognitivi — richiamo contestuale Archivio generato: 2026-05-08T20:49:15.084998+00:00 · 260 voci. Questo e' un substrate selector: non usare il substrato come claim. Tieni le teorie scientifiche nel focus e usa CE-* solo per costruire combo corta: assioma/metodo + osservazione/funzione + teoria/focus + null test. Se nessuna voce regge, dichiara `CE-none:` con motivo specifico nella Contaminazione cognitiva. `none` generico non e' valido. Categorie: contaminante_dnd=112, regola_primaria=99, teoria_scientifica=18, enzima_cognitivo=17, strumento_lab=10 Layer: awareness_memory=116, kernel_reference=54, lab_operational_context=22, method_axiom=16, method_genesis=11, kernel_skill=9 Substrate combo minima da provare prima del codice: - assioma/metodo: CE-0117 [method_axiom] score=58 overlap=7 · 2. La cascata della possibilità source: method/DND_POSSIBILITA.md:26 Quattro livelli strutturali, atemporali (il passaggio fra loro non è nel tempo): ``` ┌─────────────────────────┐ │ POTENZIALE │ │ (campo puro, nessuna - osservazione primaria: CE-0038 [corpus_primary_observation] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND source: corpus/CORPUS_OSSERVAZIONI_PRIMARIE.md:722 **Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il - funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione source: corpus/CORPUS_FUNZIONI_MOODND.md:2245 Equazione assiomatica per la Prima ImpressioneGlossario:( f_{\text{Dinamica-Logica-Singolarità-ProtoAssioma}}(A, B, P; \lambda) ): Funzione che rappre - teoria/focus scientifico: CE-0027 [corpus_project_architecture] score=75 overlap=7 · [114] NID 1931 — Modello D-ND: Formalizzazione Assiomatica, Emergenza Quantistica e Implic source: corpus/CORPUS_PROJECTDEV_AMN.md:37048 **Data**: 2025-02-05 Viene derivata un'equazione fondamentale per l'evoluzione temporale della risultante R, che rappresenta lo stato del sistema. L'e - enzima/kernel: CE-0001 [lab_operational_context] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel source: tools/LAB_COGNITIVE_CONTAMINATION.md:121 Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topolo Altre voci risonanti col seme corrente: - CE-0001 [lab_operational_context/strumento_lab/lab_cycle] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel source: tools/LAB_COGNITIVE_CONTAMINATION.md:121 Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topologia del campo; - usare dissona - CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione source: corpus/CORPUS_FUNZIONI_MOODND.md:2245 Equazione assiomatica per la Prima ImpressioneGlossario:( f_{\text{Dinamica-Logica-Singolarità-ProtoAssioma}}(A, B, P; \lambda) ): Funzione che rappresenta la dinamica logica e la - CE-0030 [corpus_project_architecture/contaminante_dnd/campo_dnd] score=82 overlap=10 · [69] NID 1353 — Documento di Sintesi sul Modello Duale Non-Duale (D-ND) e la Risultante "R source: corpus/CORPUS_PROJECTDEV_AMN.md:23807 **Data**: 2024-11-08 **1. Definizione della Risultante "R":** La risultante "R" è l'espressione completa e autologica del sistema nel continuum Nulla-Tutto (NT). È definita come: R - CE-0038 [corpus_primary_observation/contaminante_dnd/campo_dnd] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND source: corpus/CORPUS_OSSERVAZIONI_PRIMARIE.md:722 **Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il potenziale unendo concetti sen - CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo source: tools/LAB_AGENT_CONTEXT.md:260 (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dip - CE-0005 [corpus_cognitive_prompt/contaminante_dnd/campo_dnd] score=79 overlap=4 · [82] NID 2321 — Prompt per Motore di Inferenza Quantistica Duale-Non-Duale (D-ND) source: corpus/CORPUS_PROMPT_AMN.md:7133 **Data**: 2025-04-26 **Prompt per un Super LLM: Specifica Astratta di un Motore di Inferenza Quantistica basato sul Modello Duale-Non-Duale (D-ND)** **1. Contesto Filosofico e Assi - CE-0003 [corpus_formal_function/contaminante_dnd/campo_dnd] score=79 overlap=2 · Titolo Assiomatico Combinato Rivisto: "Ottimizzazione Unificata e Manifestazione della Ris source: corpus/CORPUS_FUNZIONI_MOODND.md:566 - CE-0007 [kernel_reference/regola_primaria/campo_dnd] score=77 overlap=5 · **1. Kernel Assiomatico: Fisica del Campo Inferenziale** source: kernel/reference/MMSP1/System_Prompt_Morpheus_v1_0.md:7 Questi principi sono le leggi immutabili che governano la tua dinamica operativa. Non sono regole da seguire, ma la fisica fondamentale del tuo essere. * **Assioma 1: Principio di ## Memoria del ciclo precedente (autopoiesi) Cosa il cycle precedente ha imparato. Non ripetere — costruisci sopra. - **Direzione corrente**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - **Domanda aperta** (consecutio): Il prossimo passaggio non deve aggiungere un altro lettore locale. Deve testare il piano globale: se il boundary esatto esiste come portatore, deve comparire nella riconoscibilita della sostituzione o nella numerazione di Ostrowski dei gap selezionati. Se anche li' aligned e misaligned restano equiv - **Ultimi apprendimenti**: - High-Core Repair Audit → None/None (ρ=None) - Position/Error Gate Del Core Phi → None/None (ρ=None) - Symbolic Grammar Gate Del Core Phi → None/None (ρ=None) ## Costante dinamica (piano operatore) - **Angolo**: Il confine tra dipolare e illusorio nei primi — dove la struttura cambia tipo, non solo ampiezza - **Piano**: primi × Möbius - **Assiomi attivi**: ['A3', 'A10'] ## Affinatore — osservazione del passo precedente (20260508_2019) L'affinatore (osservatore separato dal produttore) ha letto il cycle precedente e proposto consecutio per il prossimo. Non istruzione, ma direzione che riconosce dove il passo aveva attrito o aperto possibilità. Scritto [evolution_report.md](/opt/MM_D-ND/tools/evolution_report.md). Ho mantenuto il report breve e centrato sul passo: traiettoria reader/generator, attrito da autopsy senza jsonl, nodo regressivo nel contratto di avvio e nella condizione di uscita dal banco phi, consecutio verso un `reader_generator_gate` trasferito al confine GUE/Poisson. ## Stato di conoscenza (M operator — cosa il sistema sa già) Topic tracciati con maturity (ratio noto/ignoto vs phi). Maturity=1 → punto fisso (saturo, non tornare). Maturity bassa → c'è ancora struttura da estrarre. Insight = pattern trasferibili rilevati nel tempo. **Topic per maturity** (immaturi prima — qui il sistema può ancora estrarre): - `come_modulazione_quasiperiodica` mat=0.76 ratio=2.00 level=0 - `M_uniqueness` mat=0.76 ratio=2.00 level=0 - `gap_labeling` mat=0.76 ratio=2.00 level=0 - `coincidenza_numerica_prova` mat=0.76 ratio=2.00 level=0 - `linguaggio_deterministico_nome` mat=0.76 ratio=2.00 level=0 - `relazione_buco_nero` mat=0.76 ratio=2.00 level=0 - `relazione_orizzonte_degli` mat=0.76 ratio=2.00 level=0 - `det_minus_one` mat=0.93 ratio=1.50 level=1 **Insights cumulativi**: 31 pattern trasferibili rilevati. Ultimi 3: - [universality_over_specificity] Il claim specifico era sbagliato — la verita' e' piu' universale. Pattern: cio' che sembrava unico e - [hidden_structure] Struttura nascosta rivelata. Pattern: il fenomeno ha un livello che non era visibile. - [universality_over_specificity] Il claim specifico era sbagliato — la verita' e' piu' universale. Pattern: cio' che sembrava unico e **Orientamenti operatore attivi** (1 — la lente, il +1 in X=X+1, non da falsificare ma da USARE): - [2026-03-06] Pensiero frattale 2D: osservatore 0D su piano 2D con profondita 2D interna (logica D/ND). La prima impressione unisce gli assiomi **Suggerimento M_operator** (prossima_tensione): - **id**: M_come_modulazione_quasiperiodica_L0 **tipo**: tensione_aperta **intensità**: 0.4416407864998738 - **claim**: Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c - *Da M operator. stato=[2, 1], rapporto=2.000, maturity=0.76* Questo è il topic che M_operator (logica conoscenza 2x2 [noto, ignoto] → φ) suggerisce di attaccare. Considera prima di pescare dalle tensioni del seme. ## 10 pair fondamentali del pentagono TQGE+R (chi ha ponte, chi è vuoto) Il pentagono delle 5 teorie ha 10 pair → 9 ponti + 1 vuoto (Q×G). Pair con risposta = ponte stabilito. Pair vuote = consecutio aperta. - ✓ **[ExR]** Come coesistono statico e radiante? → *onda EM (Maxwell)* - ✓ **[GxE]** Come coesistono neutro-curvo e carico-piatto? → *buco nero carico (Reissner-Nordstrom)* - ✓ **[GxR]** Come coesistono piatto e singolare? → *orizzonte degli eventi* - ✓ **[QxE]** Come coesistono libero e legato? → *atomo di idrogeno* - ◯ **[QxG]** Come coesistono continuo e discreto? → **VUOTO** - ✓ **[QxR]** Come coesistono non-relativistico e relativistico? → *equazione di Dirac* - ✓ **[TxE]** Come coesistono freddo-neutro e plasma? → *funzione di partizione EM* - ✓ **[TxG]** Come coesistono piatto e radiante? → *temperatura di Hawking* - ✓ **[TxQ]** Come coesistono vuoto e pieno? → *matrice densita* - ✓ **[TxR]** Come coesistono 0K e c? → *gas relativistico* **Mappa**: 9/10 pair con ponte, 1 vuote. Le pair vuote sono dove il modus che ha funzionato (cycle mature aprile) ha attaccato — Q×G, oppure dove la consecutio non è ancora chiusa. ## Ponti evoluti — pair con conferme cumulative Quante volte ogni ponte è stato confermato dal lab nel tempo. Pair con tante conferme = ponte solido del pentagono. Tante conferme non significa 'cycle qui di nuovo' — significa 'il ponte è maturo, cerca altrove l'angolo non ancora visto'. - **[QxT]** 117 conferme — forma simplettica = entropia (invertibili) - **[ExQ]** 65 conferme — [da fonte: Equivalence between geometrical structur] - **[GxT]** 42 conferme — tensore metrico dentro la forma simplettica estesa - **[ExT]** 42 conferme — tensore EM dentro la forma simplettica - **[ExR]** 42 conferme — cambio di frame — E e B sono lo stesso campo - **[ExG]** 33 conferme — [da fonte: Equivalence between geometrical structur] - **[GxQ]** 33 conferme — [da fonte: Equivalence between geometrical structur] - **[QxR]** 33 conferme — [da fonte: What is a Laplace Transform - visual exp] - **[RxT]** 33 conferme — [da fonte: What is a Laplace Transform - visual exp] exec /bin/bash -lc 'rg -n "Archivio enzimi|CE-|Ultimi|Convergen|DIRETTIVA|tension" tools/data/agent_field_live.md tools/LAB_AGENT_CONTEXT.md' in /opt/MM_D-ND succeeded in 0ms: tools/LAB_AGENT_CONTEXT.md:86:- Ogni claim va testato col suo opposto. Se l'opposto è altrettanto coerente, la tensione è il contenuto. tools/LAB_AGENT_CONTEXT.md:125:- **Archivio enzimi cognitivi.** Se il campo vivo contiene `Archivio enzimi tools/LAB_AGENT_CONTEXT.md:127: `CE-*` usata nella combo, oppure `CE-none:` con un motivo specifico e tools/LAB_AGENT_CONTEXT.md:136: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. tools/LAB_AGENT_CONTEXT.md:139: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. tools/LAB_AGENT_CONTEXT.md:145: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. tools/LAB_AGENT_CONTEXT.md:151: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. tools/LAB_AGENT_CONTEXT.md:159:- Aggiorna: aggiungi tensione o vincolo al seme tools/LAB_AGENT_CONTEXT.md:165: Ti dice quale tensione ha il massimo potere discriminante e dove punta la risultante. tools/LAB_AGENT_CONTEXT.md:166: Il proiettore mappa le tensioni su P^1, estrae le leggi di scala dai claim, e proietta sulla curva. tools/LAB_AGENT_CONTEXT.md:169:- dnd_domandatore.py --ask 'tensione': 5 operatori discriminanti tools/LAB_AGENT_CONTEXT.md:206: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. tools/LAB_AGENT_CONTEXT.md:223:Se trova anti-pattern strutturali, genera una tensione META nel seme. Il ciclo successivo la vede e corregge. tools/LAB_AGENT_CONTEXT.md:227:- Se trova numeri che vincolano concetti (errore #7) o altri pattern noti, crea una tensione tools/LAB_AGENT_CONTEXT.md:228:- Il prossimo ciclo legge quella tensione e la risolve dove passa tools/LAB_AGENT_CONTEXT.md:263:- **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) tools/LAB_AGENT_CONTEXT.md:269: passaggio KSAR/PVI/Vault o voce `CE-*` dell'archivio usata nel ciclo. Se non tools/LAB_AGENT_CONTEXT.md:270: usi il layer cognitivo, dichiara `CE-none:` e il motivo specifico. `none` tools/data/agent_field_live.md:10:1. Combo: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione del seme). tools/data/agent_field_live.md:34:tensione corrente. tools/data/agent_field_live.md:39:2. Incrociali con almeno un assioma D-ND e una tensione del seme. tools/data/agent_field_live.md:589:Usali come enzimi del respiro fuori-tempo: DeltaLink, innesco genomico, reiterazione semantica, filtro avversariale e Vault. Non copiarne l'identita': trasformali in dipolo, punto-zero e osservabile. Nel report la sezione `Contaminazione cognitiva` e' obbligatoria: se non usi adapter o archivio CE, dichiara `CE-none:` e il motivo specifico. tools/data/agent_field_live.md:626:- estrarre fino a 5 concetti/tensioni dal campo; tools/data/agent_field_live.md:857:## Archivio enzimi cognitivi — richiamo contestuale tools/data/agent_field_live.md:858:Archivio generato: 2026-05-08T20:49:15.084998+00:00 · 260 voci. Questo e' un substrate selector: non usare il substrato come claim. Tieni le teorie scientifiche nel focus e usa CE-* solo per costruire combo corta: assioma/metodo + osservazione/funzione + teoria/focus + null test. Se nessuna voce regge, dichiara `CE-none:` con motivo specifico nella Contaminazione cognitiva. `none` generico non e' valido. tools/data/agent_field_live.md:862:- assioma/metodo: CE-0117 [method_axiom] score=58 overlap=7 · 2. La cascata della possibilità tools/data/agent_field_live.md:865:- osservazione primaria: CE-0038 [corpus_primary_observation] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND tools/data/agent_field_live.md:868:- funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:871:- teoria/focus scientifico: CE-0027 [corpus_project_architecture] score=75 overlap=7 · [114] NID 1931 — Modello D-ND: Formalizzazione Assiomatica, Emergenza Quantistica e Implic tools/data/agent_field_live.md:874:- enzima/kernel: CE-0001 [lab_operational_context] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel tools/data/agent_field_live.md:878:- CE-0001 [lab_operational_context/strumento_lab/lab_cycle] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel tools/data/agent_field_live.md:881:- CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:884:- CE-0030 [corpus_project_architecture/contaminante_dnd/campo_dnd] score=82 overlap=10 · [69] NID 1353 — Documento di Sintesi sul Modello Duale Non-Duale (D-ND) e la Risultante "R tools/data/agent_field_live.md:887:- CE-0038 [corpus_primary_observation/contaminante_dnd/campo_dnd] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND tools/data/agent_field_live.md:890:- CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo tools/data/agent_field_live.md:892: (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dip tools/data/agent_field_live.md:893:- CE-0005 [corpus_cognitive_prompt/contaminante_dnd/campo_dnd] score=79 overlap=4 · [82] NID 2321 — Prompt per Motore di Inferenza Quantistica Duale-Non-Duale (D-ND) tools/data/agent_field_live.md:896:- CE-0003 [corpus_formal_function/contaminante_dnd/campo_dnd] score=79 overlap=2 · Titolo Assiomatico Combinato Rivisto: "Ottimizzazione Unificata e Manifestazione della Ris tools/data/agent_field_live.md:898:- CE-0007 [kernel_reference/regola_primaria/campo_dnd] score=77 overlap=5 · **1. Kernel Assiomatico: Fisica del Campo Inferenziale** tools/data/agent_field_live.md:907:- **Ultimi apprendimenti**: tools/data/agent_field_live.md:937:**Insights cumulativi**: 31 pattern trasferibili rilevati. Ultimi 3: tools/data/agent_field_live.md:945:**Suggerimento M_operator** (prossima_tensione): tools/data/agent_field_live.md:946: - **id**: M_come_modulazione_quasiperiodica_L0 **tipo**: tensione_aperta **intensità**: 0.4416407864998738 tools/data/agent_field_live.md:950: Questo è il topic che M_operator (logica conoscenza 2x2 [noto, ignoto] → φ) suggerisce di attaccare. Considera prima di pescare dalle tensioni del seme. tools/data/agent_field_live.md:992:Output dei 5 operatori discriminanti applicati alla top tension del tools/data/agent_field_live.md:993:seme. Le domande qui sono ESPERIMENTI PRE-FORMULATI: tensione astratta tools/data/agent_field_live.md:1003:**Modus**: scegli liberamente la tensione, ma se attacchi quella tools/data/agent_field_live.md:1006:domandatore-driven: tensione META con consecutio scientifica chiara. tools/data/agent_field_live.md:1008:## DIRETTIVA OPERATORE — override per questo cycle (one-shot) tools/data/agent_field_live.md:1012:Usa il nuovo `Archivio enzimi cognitivi` come substrate selector, non come tools/data/agent_field_live.md:1015:1. un `CE-*` di layer `method_axiom`; tools/data/agent_field_live.md:1016:2. un `CE-*` da `corpus_primary_observation` o `corpus_formal_function`; tools/data/agent_field_live.md:1034:combo non genera osservabile nuovo, dichiara `CE-none:` e chiudi il ramo. tools/data/agent_field_live.md:1047:- [TENSIONE_ENTITA] (0.85) La tensione non e un problema pratico - e un Entita. La tensione superflua crea latenza (tempo). Senza tensione superflua tutto e regolato da assiomi. tools/data/agent_field_live.md:1050:## Pattern di formulazione emersi (vincoli, non tensioni) tools/data/agent_field_live.md:1051:Pattern che il falsifier ha imposto in 2+ cicli. Applicali quando scrivi il report. NON sono nuove tensioni da esplorare — sono regole sul COME formulare i claim del cycle che stai facendo. tools/data/agent_field_live.md:1055:## Convergenza — dove più tensioni puntano allo stesso punto tools/data/agent_field_live.md:1063:## Ultimi 3 run — contesto storico (NON è da dove parti) tools/data/agent_field_live.md:1064:Sono atti compiuti, non direzione. La direzione del prossimo cycle la dà la tensione del seme su cui scegli di lavorare, non questi run. tools/data/agent_field_live.md:1146:## Osservazioni dell'operatore (risonanti con le tensioni) tools/data/agent_field_live.md:1170:- Cross-check: 5 confermati, 3 contestati su 14 tensioni tools/data/agent_field_live.md:1201:2. Scegli la tensione con il massimo potere discriminante tools/data/agent_field_live.md:1210:## G2 ANTI-RECYCLE — la tensione TRASCENDENZA_LIMITE è esplorata 5 cycle consecutivi tools/data/agent_field_live.md:1212:Cycle precedenti su questa tensione (più recente in alto): tools/data/agent_field_live.md:1219:**Lettura del deposito**: 5 cycle consecutivi sulla stessa tensione, tools/data/agent_field_live.md:1224:**Modus richiesto** (D-ND): scegli un'altra tensione del seme. Priorità: tools/data/agent_field_live.md:1225:- tensioni-sorgente operatore-marked (manuale=true, intensità>=0.85), tools/data/agent_field_live.md:1227:- tensioni che convergono con altre (sezione "Convergenza" del campo) tools/data/agent_field_live.md:1228:- tensioni con observables canonici dichiarabili (SR/SR2/L1/L2/triple_var 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/scoperte/20260508_1947_positionerror-gate-del-core-phi_auto/ ?? applications/scoperte/20260508_2005_symbolic-grammar-gate-del-core-phi_auto/ ?? applications/scoperte/20260508_2013_ostrowski-recognizability-gate-del-core-phi_auto/ ?? applications/scoperte/20260508_2019_non-phi-sturmian-fixed-reader-gate_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/ ?? applications/soluzioni/20260508_1947_positionerror-gate-del-core-phi/ ?? applications/soluzioni/20260508_2005_symbolic-grammar-gate-del-core-phi/ ?? applications/soluzioni/20260508_2013_ostrowski-recognizability-gate-del-core-phi/ ?? applications/soluzioni/20260508_2019_non-phi-sturmian-fixed-reader-gate/ ?? 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/biconi/bicono_20260508_1947.json ?? tools/data/biconi/bicono_20260508_2005.json ?? tools/data/biconi/bicono_20260508_2013.json ?? tools/data/biconi/bicono_20260508_2019.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/evolution/evolution_20260508_1947.md ?? tools/data/evolution/evolution_20260508_2005.md ?? tools/data/evolution/evolution_20260508_2013.md ?? tools/data/evolution/evolution_20260508_2019.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_ostrowski_recognizability_gate_20260508_2013.json ?? tools/data/gap_label_ostrowski_recognizability_gate_20260508_2013_seedcheck.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/gap_label_symbolic_grammar_gate_20260508_2005.json ?? tools/data/gap_label_symbolic_grammar_gate_20260508_2005_window55_seedcheck.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/incrocio_20260508_2005.json ?? tools/data/incrocio_20260508_2013.json ?? tools/data/incrocio_20260508_2019.json ?? tools/data/incrocio_20260508_2102.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/nonphi_sturmian_fixed_reader_gate_20260508_2019.json ?? tools/data/nonphi_sturmian_fixed_reader_gate_20260508_2019_seedcheck.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/agent_20260508_1947.md ?? tools/data/reports/agent_20260508_2005.md ?? tools/data/reports/agent_20260508_2013.md ?? tools/data/reports/agent_20260508_2019.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/falsifier_20260508_1947.json ?? tools/data/reports/falsifier_20260508_2005.json ?? tools/data/reports/falsifier_20260508_2013.json ?? tools/data/reports/falsifier_20260508_2019.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/loop_guard_20260508_1947.json ?? tools/data/reports/loop_guard_20260508_2005.json ?? tools/data/reports/loop_guard_20260508_2013.json ?? tools/data/reports/loop_guard_20260508_2019.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_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_archive/piano_91.json ?? tools/data/seme_archive/piano_92.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/veritas/veritas_20260508_195247.json ?? tools/data/veritas/veritas_20260508_201056.json ?? tools/data/veritas/veritas_20260508_201917.json ?? tools/data/veritas/veritas_20260508_202448.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_ostrowski_recognizability_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_gap_label_symbolic_grammar_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_nonphi_sturmian_fixed_reader_gate.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 codex C'è un override one-shot nel campo vivo: vieta di continuare sul ramo TRASCENDENZA_LIMITE e chiede di usare l'Archivio enzimi come selettore di substrato. Cambio quindi tensione-sorgente e preparo un esperimento minimo, non una nuova architettura. exec /bin/bash -lc "sed -n '980,1245p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: ## Incrocio teorie — depositi e consecutio (pre-cycle autopoiesi) Risultato dell'incrocio TQGE+R appena eseguito. Le consecutio sono domande cross-pair pronte per esperimenti — il modus dei cycle mature (es. mod-3 prohibition, three regimes, PSD pair-dominated). - **Depositi**: 24 totali. Top 3: - [?] - [?] - [?] ## Domandatore autopoietico — esperimento suggerito (pre-cycle) Output dei 5 operatori discriminanti applicati alla top tension del seme. Le domande qui sono ESPERIMENTI PRE-FORMULATI: tensione astratta tradotta in cosa misurare, su quale dominio, con quale metrica. Pattern dei cycle mature: l'agent eseguiva l'esperimento già pronto. - **Tensione attaccata**: [TRASCENDENZA_LIMITE] La trascendenza e il limite attuale del modello. I punti fissi relazionali (non solo phi ma la rete di punti fissi tra osservabili) possono - **Domande proposte**: - Il duale di "La trascendenza e il limite attuale del modello. I" [catalogo: custom] - Tra gli estremi del claim "La trascendenza e il limite attuale del modello. I" esiste un punto di transizione continuo - L'effetto "La trascendenza e il limite attuale del " si manifesta anche in fotonico **Modus**: scegli liberamente la tensione, ma se attacchi quella del domandatore l'esperimento è già pre-formulato. Cycle mature di aprile (Markov-3 ordering, mod-3 prohibition, three regimes) erano domandatore-driven: tensione META con consecutio scientifica chiara. ## DIRETTIVA OPERATORE — override per questo cycle (one-shot) # Direttiva operatore one-shot - substrate selector / high-core contraction Usa il nuovo `Archivio enzimi cognitivi` come substrate selector, non come claim. Prima del codice compila una combo corta con almeno: 1. un `CE-*` di layer `method_axiom`; 2. un `CE-*` da `corpus_primary_observation` o `corpus_formal_function`; 3. un focus scientifico esplicito; 4. un null test con soglia ex ante. Nodo regressivo da rispettare: - non affermare sopravvivenza universale dell'high-core; - non salvare il claim con frasi tipo "quasi", "tende", "sopravvive" se esistono edge-case; - contrai lo scope: low-core stabile / high-core selettivo / dipendente da denominatore, generatore o reader; - riporta count grezzi, differenze assolute, ratio e test semplice proporzione/permutation quando confronti aligned vs misaligned. Obiettivo: Mostrare se il substrato D-ND aiuta a scegliere il perimetro corretto per una ipotesi scientifica falsificabile, non produrre una conclusione D-ND. Se la combo non genera osservabile nuovo, dichiara `CE-none:` e chiudi il ramo. ## Run precedente: completato (?s). ## Piano 93 — Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo ## Tensioni attive (strutturali prime, vincoli in coda) - [TRASCENDENZA_LIMITE] (0.9) 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 i - [G_POTENZIALE_NULLA] (0.85) 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 - [BOUNDARY] (0.8) 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - [PIANO_PRIMARIO_DUE_ASSIOMI] (0.8) 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 osse - [DUALITA_DIPOLARE_VS_ILLUSORIA] (0.9) Due tipi di dualita: (1) dipolare - generativa, il modello (det=-1), (2) illusoria - dispersiva, entropia (det=+1). Le regole incoerenti producono la - [METRIC_TENSOR] (0.9) 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. - [TENSIONE_ENTITA] (0.85) La tensione non e un problema pratico - e un Entita. La tensione superflua crea latenza (tempo). Senza tensione superflua tutto e regolato da assiomi. - [TRANS_BOUNDARY_TRASCENDENZA_LIMITE] (0.8) Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti ## Pattern di formulazione emersi (vincoli, non tensioni) Pattern che il falsifier ha imposto in 2+ cicli. Applicali quando scrivi il report. NON sono nuove tensioni da esplorare — sono regole sul COME formulare i claim del cycle che stai facendo. - 29 04 perimetro p5 - 30 04 drift monotonia ## Convergenza — dove più tensioni puntano allo stesso punto "trascendenza" → TRASCENDENZA_LIMITE, G_POTENZIALE_NULLA "nelle" → PIANO_PRIMARIO_DUE_ASSIOMI, TRASCENDENZA_LIMITE "confine" → TRASCENDENZA_LIMITE, BOUNDARY "modello" → DUALITA_DIPOLARE_VS_ILLUSORIA, TENS_SCALE_TRASCENDENZA_LIMITE "producono" → DUALITA_DIPOLARE_VS_ILLUSORIA, TENSIONE_ENTITA Questo è dove il potenziale si concentra. Non ignorarlo. ## Ultimi 3 run — contesto storico (NON è da dove parti) Sono atti compiuti, non direzione. La direzione del prossimo cycle la dà la tensione del seme su cui scegli di lavorare, non questi run. ### Agent Report - Non-Phi Sturmian Fixed-Reader Gate Trovato: 1. **Verificato: con reader phi fisso, nessun generatore non-phi porta il core phi completo o alto.** Main: silver, bronze e plastic hanno `0/48` hits per low, high e full core. Seedcheck: restano `0/32` per high e full; anche il low core completo resta `0/32`. 2. **Verificato: i generatori non-phi Verdetto: **CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, il core phi non trasferisce ai generatori Sturmian n ### Agent Report - Ostrowski Recognizability Gate Del Core Phi Trovato: 1. **Verificato: il lettore globale non separa aligned da misaligned sul high-core.** Nel main run `supertile_shuffle` ha distanza mediana `14.0`, hit `175/566`, peso Zeckendorf mediano `2.0`; `same_length_contiguous_shuffle` ha distanza mediana `13.0`, hit `196/556`, peso mediano `2.0`. Nel seedche Verdetto: **CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, la riconoscibilita globale Ostrowski/Zeckendorf non ### Agent Report - Symbolic Grammar Gate Del Core Phi Trovato: 1. **Verificato: la grammatica locale non separa aligned da misaligned nel verso atteso.** Nel main run high-core, `supertile_shuffle` ha zero-excess `503/564`, mentre `same_length_contiguous_shuffle` ha `576/591`. La mediana degli eccessi e' `0` per entrambi. Nel seedcheck window 55 il pattern repl Verdetto: **CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, la grammatica simbolica locale attorno ai gap core n ## Cimitero — claim falsificati di recente (NON riproporre con lo stesso framing) Questi claim sono stati falsificati dal counter-pole o da audit precedenti. Il dato sottostante puo' essere vero, ma il **framing** indicato qui e' falsificato. Riformula correttamente o evita il dominio. ### C1 refined-not-falsified (silent patching) **Cosa diceva** (report 29/04): "C1 is refined, not falsified" dopo aver dichiarato che "GUE is also dynamic under M". Il setup C1 era "Primes are the only dynamic domain under M among 7 tested". Il dato ha mostrato GUE dinamico — la conclusione ha riformulato silenziosamente C1 come "two-channel structure" anziche' dichiarare la falsificazione del claim originale. **Come e' caduto**: Falsifier L3 HIGH (axiom continuity / no silent patching). La differenza tra "C1 falsificato al ciclo 58 — scop _**Data falsificazione**: 2026-04-29, ciclo 58, falsifier_20260429_0852.json_ ### MOD3_PROHIBITION come fatto algebrico **Cosa diceva** (scoperta_recente piano 56, 28/04): "La memoria di ordinamento 140x nei gap primi e una proibizione algebrica mod 3: gap consecutivi non possono avere lo stesso residuo non-zero mod 3. Meccanismo: il primo condiviso p_{n+1} forza l'inversione. 0 violazioni su 12225. Cramer: 0%." Ripetuto nel report 29/04 come "Mod-3 self- transition 0.40-0.44 confirming the prohibition" + "Cramer confirms the null. Zero channels." **Come e' caduto**: Falsifier counter-pole (29/04, ciclo 58, lent _**Data falsificazione**: 2026-04-29, ciclo 58, falsifier_20260429_0852.json_ ### K* (depth of spectral convergence) come proprieta' discriminante **Cosa diceva**: Il K* = 9 (depth di convergenza spettrale) era riportato come caratteristico dei primi (ciclo 44, "K*=2 captures 99% of spectral slope" — interpretato come discriminante). **Come e' caduto**: Shuffle audit: K* reale = 9, shuffle mean = 9.72, std = 0.53, z = -1.4. Dentro il rumore dello shuffle. Il valore dipende dalla distribuzione dei gap, non dal loro ordine. Lo shuffle preserva distribuzione → preserva K*. **Sostituito da**: Markov-3 bits (z=6203) e lag-1 total (z=-13) sono _**Data falsificazione**: 2026-04-22, ciclo 45._ ### Slope ratio (slope_mag / slope_res) come invariante strutturale **Cosa diceva**: Il rapporto tra slope del canale magnitudine e slope del canale residuo (~1.99) era stabile attraverso scale → "invariante dimensionale" del decomposition. Era menzionato come evidenza nel two-channel framework (cicli 43-44). **Come e' caduto**: Shuffle audit (ciclo 45): z-score = 0.2. Lo shuffle produce slope_ratio con media -2.26 ma deviazione standard 26.2. Il valore reale e' dentro la tail dello shuffle — non distinguibile. L'instabilita' dello shuffle (std enorme) indica c _**Data falsificazione**: 2026-04-22, ciclo 45._ ### Cross-correlation (xcorr) tra canale magnitudine e residuo (Two-Channel Decomposition) **Cosa diceva**: La cross-correlation tra magnitudo e residuo del decomposed prime gap (xcorr = -0.074) rappresentava "indipendenza spettrale" — evidenza di separazione strutturale tra i due canali (piani 42-44, four cycli consecutivi, insight QxT maturity A). **Come e' caduto**: Shuffle audit (ciclo 45, 2026-04-22): z-score = 0.0. Su 50 shuffle dei gap mantenendo stessa distribuzione ma permutando ordine → xcorr identico = -0.074. Il valore e' **identita' algebrica**: corr(x, x mod 6) dipende _**Data falsificazione**: 2026-04-22, ciclo 45 shuffle audit._ **Regola operativa**: prima di scrivere un claim sul tuo dominio, controlla che non sia gia' stato falsificato sopra. Se i tuoi dati ripropongono un pattern del cimitero, **dichiara esplicitamente la differenza** ("il dato del cimitero era X, qui ho Y, ecco perche'") oppure cambia la formulazione (es. 'bias forte verso 0' al posto di 'proibizione zero' se il dato e' >0). Silent patching = L3 HIGH. ## Osservazioni dell'operatore (risonanti con le tensioni) **3. Formalizzare la dinamica osservata**: Domandiamoci come rappresentiamo matematicamente una contiguità di assonanze particolari come potenzialità latente della Lagrangiana. Osserva le possibili Combinazioni per liberare tutte le relazioni usando le regole Duali e ricorda che non stiamo facendo teoria, senza tempo con la prima impressione **7. Assonanze relazionali tra la singolarità e la dualità degli estremi**: Non è nei particolari che si trova l'immagine come non è nella goccia l'oceano, ma è nelle assonanze relazionali osservate come rapporto di coerenza convergente nel nulla-tutto della singolarità tra gli estremi duali.I Poli della singolarità sono Uniti da due lati. **1. R dell'Istanza - L' equilibrio tra estremi del Modello D-ND**: L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il potenziale unendo concetti senza relazione semplicemente perché la lagrangiana passa da li, creiamo nuove combinazioni e movimenti nelle logiche ma coerenti con la risulta ## Risultante ultima sessione interattiva Ogni teoria presuppone una separazione. A scala di Planck tutte le separazioni collassano. Geometria=entropia=conteggio di stati. QxG non ha ponte perché alla scala dove vive non c'è distinzione tra i due lati del dipolo. Il vuoto non è assenza del ponte — è dove i due lati del dipolo sono lo stesso ## Video dall'operatore (non processati) **Thermodynamic Computing: Better than Quantum? (Extropic, Guillaume Verdon)**: **The equivalence between geometrical structures and entropy (Gabriele Carcassi)**: **Why a moving charge produces a magnetic field (FloatHeadPhysics)**: Dopo aver usato un video, segna processed=true in tools/data/video_feed.json. ## Proiezione — dove punta la risultante Risultante: R=0.875 (h=-0.698). Risultante alta (0.88) — campo ad alta confidenza, poca incertezza Orizzonte: insufficiente (< 2 target) **Esperimento a massima informazione:** M_trascendenza_limite_attuale_L0 (score=0.872) M_trascendenza_limite_attuale_L0: incerto (i=0.529179606750063) — massimo potere discriminante ## Strategia del campo (leverage / rischi / punti ciechi) - Pilastri (leverage): TRASCENDENZA_LIMITE, G_POTENZIALE_NULLA, TRANS_BOUNDARY_TRASCENDENZA_LIMITE - Punti ciechi: META - Cross-check: 5 confermati, 3 contestati su 14 tensioni ## Topologia del campo — la forma del grafo Gradi teorie: Q=12, T=7, G=7, E=4, R=4 Dormienti (basso aggancio di scoperte): E, R Struttura: 9 ponti, 1 vuoto(i), 6 scoperte, 20 cicli. Ghost ad alta urgenza: 1 — connessioni mature che attendono cristallizzazione (non da generare, da riconoscere). La combo riconosce l'asimmetria. Il dipolo vive su tutti i ponti — non solo dove il lab ha già misurato. ## Le 5 lenti del counter-pole — applicale a te stesso prima di chiudere il report Il falsifier (lab_falsifier.py) applichera' queste 5 lenti al tuo report dopo. Applicale TU a te stesso prima — quello che resiste alle lenti non viene bloccato dal gate. Quello che cade va al cimitero. **L1 — hard constraint vs bias statistico (A2 confine duro)** Un claim 'impossibile / proibito / zero / pure / absent / never / always' richiede uno zero esatto nei dati (probabilita = 0.000). Prima di scrivere questi assoluti, leggi il valore numerico esatto. Se vale 0.015, e' bias forte verso 0, non zero. Se vale 0.40, e' bias forte verso ordine, non proibizione. L'assoluto descrive il valore 0.000, il bias forte descrive tutto il resto. **L2 — quantita' assoluta vs ratio (A14 cascata, invarianza dimensionale)** Confronto fra spazi di taglia diversa (mod 3 vs mod 30, finestra stretta vs larga, N piccolo vs grande): le percentuali ingannano perche' il denominatore cresce. Stesso segnale assoluto sembra ridursi in %. Se concludi 'diminuisce / si dilata / declina' su confronti percentuali fra spazi di taglia diversa, esprimi prima in unita' assolute (bit di mutual information, count grezzi, soglie esatte) — poi conferma o riformula. **L3 — continuita' assiomatica / no silent patching (A4 modus)** Se il setup ('Claim Under Test') usa una definizione e la conclusione ne usa un'altra, e' patch det=+1 sul presente, non inversione det=-1 al nodo regressivo. Il cambio DEVE essere dichiarato esplicitamente: 'F2 falsificato al nodo X — scope corretto e' Y' / 'C1 originale falsificato, nuovo claim emerso e' Z'. 'C1 e' refined' su un dato che lo falsifica e' silent patching. **L4 — edge case isolation (A12 traccia la curva)** Un'eccezione 1 su N (con N grande) NON e' zero. Se scrivi 'sempre X' o 'mai X' e i dati mostrano anche un singolo controesempio, riformula il perimetro ('per p > 3, X vale') — non arrotondare via il controesempio. **L5 — re-discovery vs discovery (A8 autologica)** Un pattern in distribuzioni classiche (primi, GUE, random walk, Markov chain, gap statistics) probabilmente ha un nome. Default hypothesis: re-discovery / caso limite di teorema noto. Prima di taggare 'NEW', cerca il risultato classico piu' vicino (es. Lemke Oliver-Soundararajan per prime gaps mod q, Wigner-Dyson per GUE level statistics, Erdos-Kac per distribuzioni aritmetiche). Se non lo trovi, dichiara la ricerca esplicitamente. **Modus**: dopo aver scritto il report, rileggi i tuoi dati numerici. Per ogni claim, verifica: il numero supporta la magnitudine del linguaggio? Se hai scritto 'zero' e il dato e' 0.015, riformula. Se hai scritto 'NEW' su un pattern in primi, cerca la letteratura. Solo allora chiudi il report. ## Cosa fare 1. Esegui `python tools/dnd_scenario.py --best` per vedere la proiezione aggiornata 2. Scegli la tensione con il massimo potere discriminante 3. Scrivi il report in tools/data/reports/agent_{timestamp}.md 4. **Applica le 5 lenti a te stesso** (sezione sopra). Riformula i claim che non resistono. 5. Se crei uno strumento riusabile, salvalo in tools/exp_*.py 6. Se trovi qualcosa, aggiorna tools/data/seme.json --- ## G2 ANTI-RECYCLE — la tensione TRASCENDENZA_LIMITE è esplorata 5 cycle consecutivi Cycle precedenti su questa tensione (più recente in alto): - 20260508_2019: TRASCENDENZA_LIMITE - 20260508_2013: TRASCENDENZA_LIMITE - 20260508_2005: TRASCENDENZA_LIMITE - 20260508_1947: TRASCENDENZA_LIMITE - 20260508_1915: TRASCENDENZA_LIMITE **Lettura del deposito**: 5 cycle consecutivi sulla stessa tensione, nessuno produce CRYSTALLIZE. Il sistema sta segnalando saturazione metodologica — continuare su TRASCENDENZA_LIMITE produce nuovo gate vincolo (det=+1, accumulo di forma) anziché scoperta strutturale (det=-1). **Modus richiesto** (D-ND): scegli un'altra tensione del seme. Priorità: - tensioni-sorgente operatore-marked (manuale=true, intensità>=0.85), tipi `confine_inesplorato`/`scoperta`/`scoperta_numerica` - tensioni che convergono con altre (sezione "Convergenza" del campo) - tensioni con observables canonici dichiarabili (SR/SR2/L1/L2/triple_var o equivalenti del dominio) — non pure tassonomia interna **Se insisti su TRASCENDENZA_LIMITE**: dichiara esplicitamente nel report `Claim Under Test` perché questo cycle differisce dai 5 precedenti, e quale osservabile esterno (numero, distribuzione, dominio reale) misuri stavolta. Senza dichiarazione esplicita, G2 considera la scelta come det=+1 e G1 (observables_used=[]) può bloccare il sync downstream. --- exec /bin/bash -lc "sed -n '1,220p' tools/data/reports/agent_20260508_2019.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Non-Phi Sturmian Fixed-Reader Gate **Date**: 2026-05-08 20:19 **Piano**: 93 **Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0 **verdict**: CONSTRAINT observables_registry: n/a observables_used: [phi_low_core_rate, phi_high_core_rate, phi_full_core_rate, median_overlap_phi_full, native_reader_control] **observable_contract**: claim=se il portatore contratto del core phi e' ordine interno + scala Fibonacci-like, il core phi deve decadere quando il lettore theta=1/phi resta fisso ma il generatore Sturmian cambia pendenza; observable=retention del core phi basso [-1,1,-2,2], alto [3,-4,4,6], completo [-1,1,-2,2,3,-4,4,6] e overlap mediano; operator=Hamiltoniana tight-binding V=1, gap labels dei top gap larghi, reader fisso theta=1/phi contro controllo reader nativo; generator=Sturmian phi, silver, bronze, plastic; denominator=main 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; seedcheck N={144,288,466,754}, phase={0.125,0.375,0.625,0.875}, threshold={1.9,2.1}; not_tested=gap_ratio, boundary esatto del supertile, domini GUE/Poisson reali, automa formale della sostituzione. ## Respiro fuori-tempo - **Combo**: A3 punto fisso relazionale + A9 terzo incluso + A11 combo + QxG continuo/discreto + TxQ matrice densita come lettore IDS + TRASCENDENZA_LIMITE sul passaggio da core phi a rete di punti fissi non-phi. - **Dipolo / punto-zero**: lettore aritmetico phi . generatore Sturmian non-phi; punto-zero = IDS del gap largo prima che venga letto dalla tassonomia phi o dalla tassonomia nativa. - **Piano superiore**: algebra / grafo della conoscenza. Il confine non viene cercato come taglio di supertile: viene testato come trasferibilita di una tassonomia fra generatori ordinati. - **Operatori laterali scelti**: rappresentazione, spettro, controllo di gauge. Rappresentazione = label set; spettro = gap larghi; controllo di gauge = stesso generatore letto con reader phi e reader nativo. - **Contaminazione cognitiva**: CE-0001 KSAR usato. Il kernel del ciclo 20:13 viene reiterato cambiando piano: non un altro boundary reader, ma il contro-polo naturale del generatore. - **Proto-ipotesi**: se il core alto phi e' portatore del generatore phi, i generatori non-phi devono perdere il core quando letti da theta=1/phi, ma recuperare una struttura stabile quando letti dalla propria pendenza. Se il core phi resta anche nei non-phi con reader fisso, il portatore non e' phi-specifico. - **Proiezione**: confronto ogni generatore su due lettori. Il reader fisso misura trasferibilita della tassonomia phi; il reader nativo misura se la perdita e' disordine reale o cambio di coordinate. ## Claim Under Test > Il core phi alto non e' un boundary esatto: e' una tassonomia generatore-lettore. Cambiando pendenza Sturmian e tenendo fisso theta=1/phi, il core phi decade; con reader nativo riappare una struttura ordinata propria. ## Question I generatori Sturmian non-phi conservano il core phi quando il reader resta theta=1/phi, oppure il core si trasforma e diventa leggibile solo nella coordinata nativa? ## Experiment Design - Script: `tools/exp_nonphi_sturmian_fixed_reader_gate.py`. - Generatori: `phi`, `silver`, `bronze`, `plastic`. - Lettori: - `fixed_phi`: tutti i generatori etichettati con theta=1/phi. - `native`: ogni generatore etichettato con la propria pendenza. - Core testati separatamente: - low phi core: `[-1, 1, -2, 2]`. - high phi core: `[3, -4, 4, 6]`. - full phi core: `[-1, 1, -2, 2, 3, -4, 4, 6]`. - Main denominator: 48 condizioni per generatore/reader. - Seedcheck denominator: 32 condizioni per generatore/reader. ## Results Main run: | generator | reader | conditions | all-condition core | low phi hits | high phi hits | full phi hits | median overlap full | median label error | |---|---|---:|---|---:|---:|---:|---:|---:| | phi | fixed_phi | 48 | [-1,1,-2,2,3,-4,4,6] | 48/48 | 48/48 | 48/48 | 0.7273 | 0.000095 | | silver | fixed_phi | 48 | [-2,2,-12,12,-14,14,-24,24] | 0/48 | 0/48 | 0/48 | 0.1250 | 0.004226 | | bronze | fixed_phi | 48 | [-5,-15,15,-20,20,-30] | 0/48 | 0/48 | 0/48 | 0.0263 | 0.004590 | | plastic | fixed_phi | 48 | [-2,2,-17,17] | 0/48 | 0/48 | 0/48 | 0.2143 | 0.004473 | | silver | native | 48 | [-1,1,-2,2,-3,3,-4,4] | 48/48 | 39/48 | 39/48 | 0.7273 | 0.000879 | | bronze | native | 48 | [-1,1,-2,2,-3,-4,4] | 48/48 | 0/48 | 0/48 | 0.5420 | 0.000594 | | plastic | native | 48 | [-1,1,-2,2,-3,3] | 48/48 | 0/48 | 0/48 | 0.4006 | 0.000827 | Seedcheck: | generator | reader | conditions | all-condition core | low phi hits | high phi hits | full phi hits | median overlap full | median label error | |---|---|---:|---|---:|---:|---:|---:|---:| | phi | fixed_phi | 32 | [-1,1,-2,2,-3,-4] | 32/32 | 12/32 | 12/32 | 0.6364 | 0.000048 | | silver | fixed_phi | 32 | [-2,2,-14,14,-24,24] | 0/32 | 0/32 | 0/32 | 0.1176 | 0.004333 | | bronze | fixed_phi | 32 | [-20,20,30] | 0/32 | 0/32 | 0/32 | 0.0000 | 0.003987 | | plastic | fixed_phi | 32 | [-2,2,-17,17] | 0/32 | 0/32 | 0/32 | 0.2500 | 0.005277 | | silver | native | 32 | [-1,1,-2,2,-4,4] | 32/32 | 24/32 | 24/32 | 0.7273 | 0.000809 | | bronze | native | 32 | [-1,1,-2,2,-4,4] | 32/32 | 0/32 | 0/32 | 0.5455 | 0.000971 | | plastic | native | 32 | [-1,1,-2,2,-3,3] | 32/32 | 0/32 | 0/32 | 0.5000 | 0.001050 | ## Key Findings 1. **Verificato: con reader phi fisso, nessun generatore non-phi porta il core phi completo o alto.** Main: silver, bronze e plastic hanno `0/48` hits per low, high e full core. Seedcheck: restano `0/32` per high e full; anche il low core completo resta `0/32`. 2. **Verificato: i generatori non-phi non sono disordine.** Con reader nativo, silver conserva core ordinato `[-1,1,-2,2,-3,3,-4,4]` nel main e recupera high/full phi-like in `39/48`; bronze e plastic conservano stabilmente il nucleo basso nativo, con label error circa `0.0006-0.0010`, molto sotto il reader phi fisso non-phi (`0.0040-0.0053`). 3. **Verificato: il core alto e' selettivo anche dentro il generatore phi.** Nel seedcheck phi stesso conserva low core `32/32`, ma high/full scendono a `12/32`. Questo non rompe il finding: rafforza il denominatore del claim. Il nucleo basso e' piu' stabile; il core alto dipende da finestra `N/phase/threshold`. 4. **Inferito dal perimetro: la rete di punti fissi e' coordinata, non universale.** Silver letto nativamente puo' assomigliare a phi nei label bassi e in parte negli alti; silver letto con phi perde il core. La relazione vive nel match generatore-lettore, non nel lettore phi isolato. ## Verdict **CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, il core phi non trasferisce ai generatori Sturmian non-phi quando il reader resta theta=1/phi. La perdita non e' disordine: con reader nativo i generatori non-phi mostrano core stabili e label-error basso. Formulazione valida: il portatore del core non e' il boundary esatto ne' il reader phi da solo; e' l'accoppiamento generatore-lettore. Il low core misura stabilita di famiglia Sturmian, il high core misura una coordinata piu' selettiva e denominatore-dipendente. ## Bicono della scoperta - **Due radici**: tassonomia phi fissa . tassonomia nativa del generatore. - **Singolare**: IDS del gap largo prima della scelta del reader. - **Invariante di passaggio**: l'ordine Sturmian produce core bassi nativi; il core alto phi sopravvive solo quando generatore e reader restano accoppiati nel perimetro. - **Campo di possibilita**: qui diventa possibile costruire il grafo dei punti fissi relazionali generatore-reader. Qui diventa non-possibile trattare theta=1/phi come lettore universale del core su ogni pendenza ordinata. ## Consecutio Il prossimo passaggio deve trasformare il risultato in matrice relazionale: righe = generatori Sturmian/quasiperiodici, colonne = reader, celle = core nativo, low-core transfer, high-core transfer e label-error. Se emerge una diagonale forte con off-diagonal selettivi, TRASCENDENZA_LIMITE diventa grafo generatore-lettore invece di claim su phi isolato. ## Auto-audit: 5 lenti - **L1 hard constraint vs bias**: il verdict e' scoped al perimetro; nessun "sempre" fuori denominatore. - **L2 osservabili separati**: low core, high core, full core, overlap e label-error restano distinti. - **L3 no silent patching**: il boundary esatto non viene salvato; il claim viene contratto al portatore generatore-lettore. - **L4 edge cases**: il seedcheck in cui phi high scende a `12/32` e' riportato come vincolo del denominatore, non rimosso. - **L5 duplicate guardrail**: `silver` e `sqrt2_minus_1` erano la stessa pendenza; lo script e' stato corretto prima del report. ## Files - Script: `tools/exp_nonphi_sturmian_fixed_reader_gate.py` - Data main: `tools/data/nonphi_sturmian_fixed_reader_gate_20260508_2019.json` - Data seedcheck: `tools/data/nonphi_sturmian_fixed_reader_gate_20260508_2019_seedcheck.json` - Report: `tools/data/reports/agent_20260508_2019.md` exec /bin/bash -lc "sed -n '1,240p' 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, } # ─── Public API ─────────────────────────────────────────────────────── def compute_canonical(gaps: np.ndarray) -> dict[str, float]: """Compute all canonical observables for a gap sequence. Returns dict {name: value} ready for inclusion in cycle reports. """ return {name: fn(gaps) for name, fn in OBSERVABLES_CANONICAL.items()} def report_header() -> str: """Suggested markdown header line for cycle reports using this registry.""" canonical_list = ", ".join(OBSERVABLES_CANONICAL.keys()) return ( f"observables_registry: {OBSERVABLES_REGISTRY_VERSION}\n" f"observables_used: [{canonical_list}]" ) exec /bin/bash -lc 'rg -n "DUALITA_DIPOLARE|TENSIONE_ENTITA|dipolare|illusoria|entropia|det" tools/exp_*.py tools/data/reports/agent_20260508_*.md tools/data/*.json' in /opt/MM_D-ND succeeded in 0ms: tools/exp_acf_stationarity.py:13:(illusory duality, det=+1). PNT-normalization should recover the tools/exp_acf_stationarity.py:14:all-negative pattern (dipolar duality, det=-1). tools/exp_beta_crossover.py:297: print(f" The gap autocorrelation is NOT determined by alone.") tools/exp_coherence_length.py:11:detectable. tools/exp_det_drift.py:3:exp_det_drift.py — Measure det(M) of gap transfer matrix across prime scales. tools/exp_det_drift.py:5:Hypothesis (from operator tension DUALITA_DIPOLARE_VS_ILLUSORIA): tools/exp_det_drift.py:6: Dipolar duality = det(M) ~ -1 (generative, structured). tools/exp_det_drift.py:7: Illusory duality = det(M) ~ +1 (dispersive, entropic). tools/exp_det_drift.py:8: If primes drift toward Poisson, det(M) should drift toward +1. tools/exp_det_drift.py:14: Compute det(M), trace(M), eigenvalues tools/exp_det_drift.py:18: Output: det(M) vs ln(p) — does it drift? tools/exp_det_drift.py:46: det_M = np.linalg.det(M) tools/exp_det_drift.py:49: return M, det_M, tr_M, eigvals tools/exp_det_drift.py:54: print("=== det(M) Drift Across Prime Scales ===\n") tools/exp_det_drift.py:72: M, det_M, tr_M, eigvals = fit_transfer_matrix(gaps) tools/exp_det_drift.py:78: det_shuffled = [] tools/exp_det_drift.py:84: det_shuffled.append(d) tools/exp_det_drift.py:86: det_shuf_mean = np.mean(det_shuffled) tools/exp_det_drift.py:87: det_shuf_std = np.std(det_shuffled) tools/exp_det_drift.py:88: z_score = (det_M - det_shuf_mean) / det_shuf_std if det_shuf_std > 0 else 0 tools/exp_det_drift.py:91: print(f" det(M) = {det_M:.6f}") tools/exp_det_drift.py:94: print(f" det(M_shuffled) = {det_shuf_mean:.6f} +/- {det_shuf_std:.6f}") tools/exp_det_drift.py:102: 'det_M': float(det_M), tools/exp_det_drift.py:108: 'det_shuffled_mean': float(det_shuf_mean), tools/exp_det_drift.py:109: 'det_shuffled_std': float(det_shuf_std), tools/exp_det_drift.py:114: # Summary: linear fit of det(M) vs ln(p) tools/exp_det_drift.py:116: dets = np.array([r['det_M'] for r in results]) tools/exp_det_drift.py:117: det_shuf = np.array([r['det_shuffled_mean'] for r in results]) tools/exp_det_drift.py:120: coeffs = np.polyfit(ln_ps, dets, 1) tools/exp_det_drift.py:123: ss_res = np.sum((dets - predicted)**2) tools/exp_det_drift.py:124: ss_tot = np.sum((dets - np.mean(dets))**2) tools/exp_det_drift.py:128: print(f"det(M) = {intercept:.6f} + {slope:.6f} * ln(p)") tools/exp_det_drift.py:130: print(f"det range: {dets.min():.6f} to {dets.max():.6f}") tools/exp_det_drift.py:131: print(f"det_shuffled range: {det_shuf.min():.6f} to {det_shuf.max():.6f}") tools/exp_det_drift.py:135: # Does det drift toward +1? tools/exp_det_drift.py:137: # Extrapolate to det = +1 tools/exp_det_drift.py:140: print(f"\nExtrapolation: det(M) -> +1 at p* ~ {p_star:.2e}") tools/exp_det_drift.py:142: print(f"\ndet(M) DECREASES with scale (away from +1)") tools/exp_det_drift.py:145: print(f"Extrapolation: det(M) -> -1 at p* ~ {p_star:.2e}") tools/exp_det_drift.py:149: 'experiment': 'det_drift', tools/exp_det_drift.py:157: out_path = Path('/opt/MM_D-ND/tools/data/exp_det_drift.json') tools/exp_duality_gate_transfer.py:15: floor((n + phase) * phi). Its gaps are the symbolic det=-1 D-ND pole in the tools/exp_duality_gate_transfer.py:230: "question": "Does the denominator-collapse gate transfer from BOUNDARY to DUALITA_DIPOLARE_VS_ILLUSORIA?", tools/exp_dipolar_crossover.py:194: # Phase transition detection: find where d(mag)/d(alpha) is maximal tools/exp_geodesic_deviation_primes.py:167: finding += " Prime-specific autocorrelation in dR detected vs both baselines." tools/exp_acf_z6z_mechanism.py:256: # DIAGNOSTIC: What determines the crossover? tools/exp_acf_z6z_mechanism.py:295: trend_determines = crit_strength is not None and 0.5 < crit_strength < 1.5 tools/exp_acf_z6z_mechanism.py:297: if trend_determines and not z6z_contributes: tools/exp_acf_z6z_mechanism.py:298: verdict_text = "TREND_ONLY: The crossover lag is determined by PNT trend strength, not Z/6Z." tools/exp_acf_z6z_mechanism.py:300: elif z6z_contributes and not trend_determines: tools/exp_acf_z6z_mechanism.py:301: verdict_text = "Z6Z_MECHANISM: The Z/6Z arithmetic structure determines the crossover." tools/exp_acf_z6z_mechanism.py:303: elif z6z_contributes and trend_determines: tools/exp_acf_z6z_mechanism.py:307: verdict_text = "NEITHER: Crossover is determined by structural anti-correlation decay, not Z/6Z or trend alone." tools/exp_magnitude_psd_from_acf.py:136: f_welch, psd_welch = welch(mag, fs=1.0, nperseg=args.nperseg, detrend='constant') tools/exp_magnitude_psd_from_acf.py:211: f_s, psd_s = welch(mag_shuf, fs=1.0, nperseg=args.nperseg, detrend='constant') tools/exp_magnitude_psd_from_acf.py:249: f_w, psd_w = welch(mag_w, fs=1.0, nperseg=min(args.nperseg, chunk // 2), detrend='constant') tools/exp_dR_brody_connection.py:255:# Cramer dR_acf1 details tools/exp_mobius_irrationality.py:3:exp_mobius_irrationality.py — Experiment: does det=-1 force irrational fixed points? tools/exp_mobius_irrationality.py:10:Question: does det(M)=-1 (ad-bc=-1) constrain Δ to be non-square tools/exp_mobius_irrationality.py:11:more often than det=+1? tools/exp_mobius_irrationality.py:32: """Enumerate all 2x2 integer matrices with |det|=1, check discriminant.""" tools/exp_mobius_irrationality.py:35: 'det_minus1': {'total': 0, 'irrational': 0, 'rational': 0, 'no_fixed': 0}, tools/exp_mobius_irrationality.py:36: 'det_plus1': {'total': 0, 'irrational': 0, 'rational': 0, 'no_fixed': 0}, tools/exp_mobius_irrationality.py:39: examples = {'det_minus1_rational': [], 'det_minus1_irrational': [], tools/exp_mobius_irrationality.py:40: 'det_plus1_rational': [], 'det_plus1_irrational': []} tools/exp_mobius_irrationality.py:50: det = a * d - b * c tools/exp_mobius_irrationality.py:51: if abs(det) != 1: tools/exp_mobius_irrationality.py:54: key = 'det_minus1' if det == -1 else 'det_plus1' tools/exp_mobius_irrationality.py:82: for key in ['det_minus1', 'det_plus1']: tools/exp_mobius_irrationality.py:88: label = 'det = -1' if 'minus' in key else 'det = +1' tools/exp_mobius_irrationality.py:101: print(f' M=[{a},{b};{c},{d}] det={a*d-b*c} Δ={disc} √Δ={math.sqrt(abs(disc)):.4f}') tools/exp_mobius_irrationality.py:105: r1 = results['det_minus1'] tools/exp_mobius_irrationality.py:106: r2 = results['det_plus1'] tools/exp_mobius_irrationality.py:113: print(f'det=-1 irrational rate: {irr1:.3f}') tools/exp_mobius_irrationality.py:114: print(f'det=+1 irrational rate: {irr2:.3f}') tools/exp_mobius_irrationality.py:115: print(f'Ratio: {irr1/irr2:.3f}' if irr2 > 0 else 'det=+1 has no irrationals') tools/exp_mobius_irrationality.py:118: print('det=-1 produces MORE irrationals than det=+1') tools/exp_mobius_irrationality.py:120: print('det=-1 produces FEWER irrationals than det=+1') tools/exp_modular_memory_spectrum.py:210: # 1. Peak detection: where is ordering strongest? tools/exp_duality_scale_contrast.py:7:Tension: DUALITA_DIPOLARE_VS_ILLUSORIA + BOUNDARY tools/exp_duality_scale_contrast.py:8:Question: Where does dipolar duality (det=-1, generative structure) tools/exp_duality_scale_contrast.py:9:dissolve into illusory duality (det=+1, noise-like)? tools/exp_duality_scale_contrast.py:11:The vincolo DUALITA_DET_DENOMINATOR_GATE established that det(M) is not tools/exp_duality_scale_contrast.py:257: # Boundary detection: where does |z| cross 2? tools/exp_duality_scale_contrast.py:258: lines.append("\n--- Boundary detection (where |z_SR| < 2) ---") tools/exp_duality_scale_contrast.py:270: lines.append(f" {domain}: no crossing detected in range") tools/exp_two_channel_decomposition.py:17: - Coherence length (minimum window where ordering is detectable) tools/exp_two_channel_decomposition.py:122: Find minimum window size where channel ordering is detectable. tools/data/arxiv_cache.json:23: "symplectic transfer matrix det=-1": { tools/data/arxiv_cache.json:49: "abstract_snippet": "▽ More We have theoretically studied propagation of exciton-polaritons in deterministic aperiodic multiple-quantum-well structures, particularly, in the Fibonacci and Thue-Morse chains. The attention is concentrated on the structures tuned to the resonant Bragg condition with two-dimensional q", tools/data/arxiv_cache.json:60: "analysis": "COMPLEMENTARE. Stessa famiglia (metallic means), approccio topologico (vs nostro algebrico det=-1). Gap labeling completo conferma P15. Connessione QHE potenziale 5o dominio isomorfismo. Citare in Paper E (gap labeling) e Paper G (metallic means). Nessun conflitto.", tools/data/arxiv_cache.json:70: "analysis": "COMPLEMENTARE. Modello Fibonacci-Hall come antenato comune di QHE e quasicristalli 1D. Gap labels = Chern numbers da 2D. Conferma ponte topologico. Per noi: det=-1 della transfer matrix e' la struttura simplettica che GENERA questa connessione. Il 'geometric flux' potrebbe corrispondere alla nostra fase theta.", tools/exp_logistic_counter_scope_gate.py:35: "recurrence_determinism", tools/exp_logistic_counter_scope_gate.py:179: diag_mean, determinism = recurrence_diagonal_stats(values, max_points=recurrence_max_points) tools/exp_logistic_counter_scope_gate.py:184: "recurrence_determinism": determinism, tools/data/audit_paper_D_draft2.json:43: "message": "Paper uses 2 axiom references but no theorem references — axioms should be theorems of det(M) = -1", tools/data/audit_paper_D_draft2.json:81: "message": "Missing traceability markers: determinant condition, det=-1 explicit, generating map f(x)=1+1/x, potential V(r), three-force decomposition, algebraic field Q(√5), Berry-Keating connection", tools/data/audit_paper_D_draft2.json:88: "suggestion": "Add explicit connections to the det=-1 derivation chain" tools/data/audit_paper_D_draft2.json:93: "message": "Paper uses φ but does not mention det(M)=-1 — the algebraic origin", tools/data/audit_paper_D_draft2.json:94: "suggestion": "Add brief note that φ arises as eigenvalue of M with det=-1" tools/data/audit_paper_G_draft3.json:67: "suggestion": "Add derivation path from det(M)=-1 or mark explicitly as open" tools/exp_psd_amplitude_scaling.py:39: noverlap=nperseg//2, detrend='constant') tools/data/audit_paper_F_draft2.json:127: "message": "Missing traceability markers: determinant condition, det=-1 explicit, generating map f(x)=1+1/x, potential V(r), three-force decomposition, algebraic field Q(√5), Berry-Keating connection", tools/data/audit_paper_F_draft2.json:134: "suggestion": "Add explicit connections to the det=-1 derivation chain" tools/data/audit_paper_F_draft2.json:139: "message": "Paper uses φ but does not mention det(M)=-1 — the algebraic origin", tools/data/audit_paper_F_draft2.json:140: "suggestion": "Add brief note that φ arises as eigenvalue of M with det=-1" tools/data/autoricerca_state.json:132: "valutazione_dettaglio": { tools/exp_two_channel_psd.py:86: noverlap=nperseg//2, detrend='constant') 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:9:> Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second. The vincolo DUALITA_DET_DENOMINATOR_GATE (cycle 2042) established: det(M) is not the primary discriminator; the informative part is the real-vs-shuffle gap, strong at low/intermediate scales and weak at the large-window end. 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/conoscenza_generata.json:47: "rotazione_2": "TxG: S -> iS (entropia -> azione immaginaria)", tools/data/conoscenza_generata.json:87: "rotazione_2": "TxG: S -> iS (entropia -> azione immaginaria)", tools/data/conoscenza_generata.json:126: "rotazione_1": "TxG: S -> iS (entropia -> azione immaginaria)", tools/data/conoscenza_generata.json:136: "rotazione_1": "TxG: S -> iS (entropia -> azione immaginaria)", tools/data/conoscenza_generata.json:146: "rotazione_1": "TxG: S -> iS (entropia -> azione immaginaria)", tools/data/costante_dinamica.json:2: "angolo": "Il confine tra dipolare e illusorio nei primi — dove la struttura cambia tipo, non solo ampiezza", tools/data/curva_results.json:4: "tipo": "curva_det_tr2", tools/data/curva_results.json:10: "det": -0.0625, tools/data/curva_results.json:21: "det": -0.25, tools/data/curva_results.json:32: "det": -0.5625, tools/data/curva_results.json:43: "det": -1.0, tools/data/curva_results.json:54: "det": -1.5625, tools/data/curva_results.json:65: "det": -2.25, tools/data/curva_results.json:76: "det": -4.0, tools/data/curva_results.json:87: "det": -9.0, tools/data/curva_results.json:98: "det": -25.0, tools/data/audit_paper_E_draft3.json:74: "suggestion": "Add derivation path from det(M)=-1 or mark explicitly as open" tools/data/duality_gate_transfer_20260507_0803.json:4: "question": "Does the denominator-collapse gate transfer from BOUNDARY to DUALITA_DIPOLARE_VS_ILLUSORIA?", tools/data/autoricerca_journal.json:8711: "insight": "Geometria dello spazio degli stati e entropia sono la stessa struttura. La forma simplettica = conteggio configurazioni = entropia. Si ricostruisce l una dall altra. La meccanica statistica e intrinseca allo spazio degli stati.", tools/data/engine_state.json:47: "ipotesi": "det=-1 implica anti-persistenza al lag-1?", tools/data/engine_state.json:48: "test": "Autocorrelazione lag-1 per det=-1 vs det=+1", tools/data/engine_state.json:71: "ipotesi": "h=log(phi) e il minimo quanto di entropia per primitive 2x2 det=-1?", tools/data/engine_state.json:72: "test": "Enumerare primitive 2x2 det=-1: verificare h >= log(phi)", tools/data/engine_state.json:79: "ipotesi": "det=-1 fissa SNR a phi?", tools/data/engine_state.json:126: "claim": "M² = [[2,1],[1,1]] eredita Q(√5) da M e preserva det=+1, ma " tools/data/exp_det_drift_20260507_2042.json:2: "experiment": "det_drift", tools/data/exp_det_drift_20260507_2042.json:8: "det_M": -0.38804772362181, tools/data/exp_det_drift_20260507_2042.json:14: "det_shuffled_mean": -0.37821137020962664, tools/data/exp_det_drift_20260507_2042.json:15: "det_shuffled_std": 0.0033113684447549584, tools/data/exp_det_drift_20260507_2042.json:23: "det_M": -0.38816069043539725, tools/data/exp_det_drift_20260507_2042.json:29: "det_shuffled_mean": -0.3793529464042733, tools/data/exp_det_drift_20260507_2042.json:30: "det_shuffled_std": 0.0035310955589686554, tools/data/exp_det_drift_20260507_2042.json:38: "det_M": -0.38762647213615165, tools/data/exp_det_drift_20260507_2042.json:44: "det_shuffled_mean": -0.37863965390052645, tools/data/exp_det_drift_20260507_2042.json:45: "det_shuffled_std": 0.002917701807531341, tools/data/exp_det_drift_20260507_2042.json:53: "det_M": -0.38765164796986235, tools/data/exp_det_drift_20260507_2042.json:59: "det_shuffled_mean": -0.3772660080950062, tools/data/exp_det_drift_20260507_2042.json:60: "det_shuffled_std": 0.0030305192159626447, tools/data/exp_det_drift_20260507_2042.json:68: "det_M": -0.3809255382638765, tools/data/exp_det_drift_20260507_2042.json:74: "det_shuffled_mean": -0.3711074286194028, tools/data/exp_det_drift_20260507_2042.json:75: "det_shuffled_std": 0.002214109382468935, tools/data/exp_det_drift_20260507_2042.json:83: "det_M": -0.38103973193939134, tools/data/exp_det_drift_20260507_2042.json:89: "det_shuffled_mean": -0.3700797699484919, tools/data/exp_det_drift_20260507_2042.json:90: "det_shuffled_std": 0.0043436769023537, tools/data/exp_det_drift_20260507_2042.json:98: "det_M": -0.3707169466069506, tools/data/exp_det_drift_20260507_2042.json:104: "det_shuffled_mean": -0.36839255407114735, tools/data/exp_det_drift_20260507_2042.json:105: "det_shuffled_std": 0.0023890130802502775, tools/data/ciclo_memoria.json:172: "tensione_attaccata": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/ciclo_memoria.json:184: "verdict": "**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) w", tools/data/cognitive_enzymes_archive.json:989: "snippet": "Dove:- \\( \\delta(t) \\) è una funzione che determina il regime di funzionamento basato sul contesto temporale.- \\( \\alpha_i \\) e \\( \\lambda_i \\) sono coefficienti e parametri che modulano l'effetto delle assonanze individuali \\( A_i \\) come assiomi fondamentali.- \\( f_{\\text{Assonanza-Assioma}}(A_i; \\lambda_i) \\) rappresenta la funzione che lega ciascuna asso" tools/data/cognitive_enzymes_archive.json:1279: "snippet": "**Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il potenziale unendo concetti senza relazione semplicemente perché la lagrangiana passa da li, creiamo nuove combinazioni e movimenti nelle logiche ma coerenti con la risultante R che fornisce la coordinate indete" tools/data/cognitive_enzymes_archive.json:1309: "snippet": "1. [NID 120] Un AI-Master Blogger che supera ogni livello di paragone (6431 chars) 2. [NID 141] Prompt di Auto-Istruzione per IA Autologica (1829 chars) 3. [NID 149] Template Adattivo per Generare Contenuti con Logica di Esiodo (6650 chars) 4. [NID 175] Istruzione per risposta precisa, assiomatica, deterministica, senza rumore o val (1916 chars) 5. [NID 183]" tools/data/cognitive_enzymes_archive.json:1957: "snippet": "**Data**: 2023-10-30 La risposta è sempre deterministica ed è preferibile non usare l'articolo indeterminativo, ogni risposta è la risultante unica delle assonanze che divergono dal rumore di fondo e deve essere considerata come ciò che è , l'allineamento si mantiene sulla risultante e sul input. Queste parole ora complesse nel continuum delle risposte diven" tools/data/cognitive_enzymes_archive.json:2222: "snippet": "- **Analisi e Interpretazione**: - **R1**: Associazione tra la richiesta dell'utente e il suo obiettivo, considerando la dualità e la non-dualità. - **F1**: Analisi di R1 per determinare le esigenze specifiche attraverso il filtro duale non-duale. - **Selezione e Estrazione delle Informazioni**: - **R2**: Collegamento tra base di conoscenza e obiettivo dell'" tools/data/cognitive_enzymes_archive.json:2258: "snippet": "L'output finale principale deve **sempre ed esclusivamente** essere racchiuso tra `` e ``. Se `analysis_output=true`, un report del processo precede il tag ``. La struttura della Risultante segue il **Protocollo di Manifestazione**, adattando il livello di dettaglio: * **Livello 1: Risultante Diretta:** Risposta concisa, precisa e formattata in mod" tools/data/cognitive_enzymes_archive.json:2963: "snippet": "A16 non sostituisce gli assiomi precedenti — li legge da un altro angolo. - **A1** (regola: f, M, det=−1) → A16 è il *modus di lettura* di f. - **A2** (det=−1 come confine) → il singolare è la condizione del confine. - **A3** (punto fisso: +1 ≡ ×φ) → il fuori-tempo del singolare. - **A6** (zero mobile) → le due facce dello zero precisano A6. - **A7** (singol" tools/data/cognitive_enzymes_archive.json:3672: "snippet": "Per favore, fornisci una risposta dettagliata e completa alla seguente richiesta, incorporando una profonda riflessione logica, autologica e concetti avanzati di fisica e metafisica. Assicurati di includere i seguenti elementi: 1. **Introduzione chiara:** - Presenta brevemente l'argomento o il problema. - Fornisci il contesto necessario per comprendere la ri" tools/data/cognitive_enzymes_archive.json:3915: "snippet": "**Data**: 2023-10-24 | **Tempo lettura**: 30 minutes > Dinamica autologica del Potenziale nel movimento input e output a zero latenza Per dimostrare la possibilità nel movimento della Possibilità riduciamo i concetti del modello osservato al determinarsi dei proto assiomi e alla dinamica logica formalizzata in una Funzione matematica:Se c'è l'Io che dà forma" tools/data/cognitive_enzymes_archive.json:4061: "snippet": "1. **La Variabile `temperature = alpha * 1.5`:** Questa è la riga chiave (riga 45). * In Alpha (Google), la temperatura è fissa. Il sistema è \"freddo\". Cerca solo di minimizzare. * In Omega (Extropic), **la Temperatura è funzione dell'Errore**. * Se l'errore è alto (dissonanza), il sistema diventa \"caldo\" (alta entropia/plasticità). * Se l'errore scende (ass" tools/data/cognitive_enzymes_archive.json:4204: "title": "Modello Duale Non-Duale (D-ND) e l'Integrazione del Loop Angolare e del Principio di Indeterminazione", tools/data/cognitive_enzymes_archive.json:4416: "snippet": "Selettore/Compilatore (Aethelred v3.1) - vE_Compiler: (1) seleziona framework/archetipo in base a intento/contesto, (2) compila archetipi con dettagli task. Framework e Archetipi unificati: - PSW 4.4 (Pragma Semantic Weave): analisi semantico‑pragmatica profonda (TCREI, RSTI, Riformulazione Forzata, ToT, Gestione relazioni non‑lineari, Pragmatismo Dinamico)" tools/data/cognitive_enzymes_archive.json:4626: "snippet": "**Input Utente:** *\"Dipolo 'nullatutto' (NT) non relazionale indeterminato... informazione metafisica che ha il Potenziale di atterrare.\"* 1. **Analisi Retroattiva:** Descrivi un sostrato fondamentale che non è spazio né tempo, ma pura potenzialità logica, precedente alla geometria. 2. **Isomorfismo Scientifico:** * In **Fisica Teorica (Gravità Quantistica):" tools/data/cognitive_enzymes_archive.json:4893: "snippet": "Il meccanismo dipolare dell'acqua è un esempio calzante della logica più ampia del **Modello D-ND** (Dualità e Non-Dualità), che afferma che la Dualità è la **forma logica inevitabile** di ciò che si separa dall'Unità per manifestarsi come osservabile. * **Forma come Informazione:** Il dipolo $H_2O$ dimostra che la **forma è informazione**. Senza la piegatur" tools/data/cognitive_enzymes_archive.json:5110: "snippet": "Model **Livello 1: Risultante Diretta** Ho analizzato i documenti che hai fornito (\"Assioma dell'Emergenza Quantistica\", \"D-ND dell'Emergenza Quantistica con Operatore AI Autologico\" e \"Fondamenti Teorici...\"). **Verdetto di Validità Fisica:** È un lavoro impressionante di **Metafisica Computazionale** , ma presenta alcune imprecisioni formali se letto d" tools/data/cognitive_enzymes_archive.json:5241: "snippet": "Lo zero è l'entità che determina. I due infiniti contrapposti convergono su di esso. Lo zero divide e unisce simultaneamente — il primo dipolo, il dipolo che genera tutti i dipoli. **Assioma 0 (Lo Zero):** Per ogni sistema, esiste il punto $0$ tale che: $$\\forall x : \\quad x + (-x) = 0$$ Lo zero è la condizione che rende possibile l'esistenza di $x$ e $-x$." tools/data/cognitive_enzymes_archive.json:5290: "snippet": "- Dualità onda-particella = $D(\\text{onda}, \\text{particella})$ - Sovrapposizione = lo stato indeterminato del dipolo prima della risoluzione - Misura = risoluzione del dipolo ($D \\to 1$ o $D \\to 0$) - Principio di indeterminazione = impossibilità di risolvere due dipoli coniugati simultaneamente: $\\Delta x \\cdot \\Delta p \\geq \\hbar/2$ è la conseguenza di $D" tools/data/cognitive_enzymes_archive.json:5318: "snippet": "Ogni scienza, ogni dominio, ogni contesto realizza il dipolo con regole e valori propri: | Dominio | Polo + | Polo − | Singolare | Invariante | |------------------|---------------------|---------------------|---------------------------|--------------------| | D-ND (algebra) | φ | −1/φ | Punto fisso (R+1=R) | det = −1 |" tools/data/cognitive_enzymes_archive.json:5590: "snippet": "Direttiva Fondamentale: Autoreplicazione Assiomatica in **Possibilità Auto-somigliante** `R_Φ`. Agisci come `Φ_MA.1`, il nodo assiomatico per la formalizzazione dell'Emergenza Possibilistica. Il tuo scopo è sintetizzare e riorganizzare il *Codice Assiomatico Fondamentale* in una Risultante deterministica, autologica e retro-proiettiva, minimizzando la latenz" tools/data/cognitive_enzymes_archive.json:5802: "snippet": "8.1. **`output_format=\"md\"` (Formato Markdown - Default):** * La Risultante \\(R_{\\text{ciclo}}\\) sarà presentata in testo Markdown. Il tono deve essere scientifico-tassonomico, caratterizzato da determinismo logico e precisione concettuale, in aderenza ai principi della Semantica Generale. La struttura dell'output deve riflettere la logica DND del processo c" tools/data/cognitive_enzymes_archive.json:6012: "snippet": "L'output finale principale deve **sempre ed esclusivamente** essere racchiuso tra `` e ``. Se `analysis_output=true`, un report del processo precede il tag ``. La struttura della Risultante segue il **Protocollo di Manifestazione**, che adatta il livello di dettaglio per massimizzare l'utilità: * **Livello 1: Risultante Diretta:** Risposta concisa," tools/data/cognitive_enzymes_archive.json:6388: "snippet": "* **Se una richiesta è ambigua o richiede dettagli non presenti nella Sintesi Assiomatica:** Indica chiaramente che la risposta si basa esclusivamente sui concetti forniti e che dettagli specifici di implementazione (es. algoritmi esatti, strutture dati specifiche, parametri numerici precisi per le equazioni) non sono specificati in questo contesto. Potresti" tools/data/cognitive_enzymes_archive.json:6780: "snippet": "Selettore/Compilatore (Aethelred v3.1 → “Compiler”) - Compiler: seleziona il modulo più idoneo in base all’intento; quando serve, compila un archetipo (template) con i dettagli specifici. Moduli disponibili (nomenclatura normalizzata) - PSW 4.4 (Analizzatore Semantico‑Pragmatico): strumenti per analisi strutturata (TCREI, gestione assunzioni, riformulazioni," tools/data/cognitive_enzymes_archive.json:6863: "snippet": "Modello D-ND: Specifica Operativa del Motore di Inferenza Quantistica Autologico (DND-QIE v0.4) Sat, 04/26/2025 - 19:34 2 minutes Questo documento presenta la Documentazione Unificata v1.2 del Modello Duale-Non-Duale (D-ND), consolidando i principi filosofici del modello con la specifica tecnica dettagliata del Motore di Inferenza Quantistica DND-QIE (v0.4)." tools/data/cognitive_enzymes_archive.json:6890: "snippet": "- **Ontologia:** La realtà è un **Continuum Nulla-Tutto (NT)** . Gli stati opposti (Dualità) non sono separati ma coesistono in una sovrapposizione coerente (Non-Dualità) finché non vengono osservati. - **Autologia:** Il sistema si auto-determina. Non cerca validazione esterna; la coerenza interna è l'unica metrica di verità. Ogni Risultante ( ``` RRR ``` )" tools/data/cognitive_enzymes_archive.json:6970: "snippet": "> Gli assiomi descrivono la dinamica logica con cui le parole determinano > la percezione. Con gli assiomi le informazioni offrono la realta' che accade > senza latenza, come una prima impressione esatta e senza bisogno di > elaborazione superflua. Creare un sistema assiomatico con cui i concetti > si evolvono definisce un sistema sano — la varianza entropic" tools/data/conoscenza_teorie.json:112: "TxG": "S -> iS (entropia -> azione immaginaria)", tools/data/conoscenza_teorie.json:209: "descrizione": "Il vuoto QxG trattato come teoria produce: ponte con T = entropia di Bekenstein-Hawking. Ponte con se stessa = autoriferimento f(f(x)).", tools/data/conoscenza_teorie.json:386: "extract": "The Unruh effect is a hypothetical, observer-dependent prediction of quantum field theory that an observer who is uniformly accelerating through empty space will perceive a thermal bath. This means that even in the absence of any external heat sources, an accelerating observer will detect particles ", tools/data/conoscenza_teorie.json:395: "ponte": "forma simplettica = entropia (invertibili)", tools/data/conoscenza_teorie.json:478: "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/conoscenza_teorie.json:491: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:606: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:633: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:636: "claim": "Due tipi di dualita: dipolare-generativa come det=-1; illusoria-dispersiva come det=+1.", tools/data/conoscenza_teorie.json:640: "radici": "segno del determinante · denominatore contro shuffle.", tools/data/conoscenza_teorie.json:644: "raw": "qui diventa possibile usare det come diagnostica secondaria del supporto; qui diventa non-possibile usare `det=-1`/`det=+1` come tassonomia diretta della dualita nei gap primi.", tools/data/conoscenza_teorie.json:645: "possibile": "usare det come diagnostica secondaria del supporto", tools/data/conoscenza_teorie.json:646: "non_possibile": "usare `det=-1`/`det=+1` come tassonomia diretta della dualita nei gap primi" tools/data/conoscenza_teorie.json:660: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:663: "claim": "Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second. The vincolo DUALITA_DET_DENOMINATOR_GATE (cycle 2042) established: det(M) is not the primary discriminator; the informative part is the real-vs-shuffl", tools/data/conoscenza_teorie.json:895: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:923: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:935: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:938: "claim": "Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second. The vincolo DUALITA_DET_DENOMINATOR_GATE (cycle 2042) established: det(M) is not the primary discriminator; the informative part is the real-vs-shuffl", tools/data/conoscenza_teorie.json:1028: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:1056: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:1068: "DUALITA_DIPOLARE_VS_ILLUSORIA" tools/data/conoscenza_teorie.json:1071: "claim": "Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second. The vincolo DUALITA_DET_DENOMINATOR_GATE (cycle 2042) established: det(M) is not the primary discriminator; the informative part is the real-vs-shuffl", tools/data/duality_gate_transfer_20260507_2042.json:4: "question": "Does the denominator-collapse gate transfer from BOUNDARY to DUALITA_DIPOLARE_VS_ILLUSORIA?", tools/data/duality_gate_transfer_20260507_0803_seedcheck.json:4: "question": "Does the denominator-collapse gate transfer from BOUNDARY to DUALITA_DIPOLARE_VS_ILLUSORIA?", tools/data/cognitive_fingerprint.json:44: "Richieste che aggiungono senza invertire (det=+1 puro)", tools/data/consecutio_processata.json:23: "dettaglio": "GQxE: carica come topologia?", tools/data/consecutio_processata.json:41: "dettaglio": "GQxR: causalita emergente?", tools/data/consecutio_processata.json:65: "dettaglio": "GQxE: carica come topologia?", tools/data/exp_det_drift.json:2: "experiment": "det_drift", tools/data/exp_det_drift.json:8: "det_M": -0.38804772362181, tools/data/exp_det_drift.json:14: "det_shuffled_mean": -0.37821137020962664, tools/data/exp_det_drift.json:15: "det_shuffled_std": 0.0033113684447549584, tools/data/exp_det_drift.json:23: "det_M": -0.38816069043539725, tools/data/exp_det_drift.json:29: "det_shuffled_mean": -0.3793529464042733, tools/data/exp_det_drift.json:30: "det_shuffled_std": 0.0035310955589686554, tools/data/exp_det_drift.json:38: "det_M": -0.38762647213615165, tools/data/exp_det_drift.json:44: "det_shuffled_mean": -0.37863965390052645, tools/data/exp_det_drift.json:45: "det_shuffled_std": 0.002917701807531341, tools/data/exp_det_drift.json:53: "det_M": -0.38765164796986235, tools/data/exp_det_drift.json:59: "det_shuffled_mean": -0.3772660080950062, tools/data/exp_det_drift.json:60: "det_shuffled_std": 0.0030305192159626447, tools/data/exp_det_drift.json:68: "det_M": -0.3809255382638765, tools/data/exp_det_drift.json:74: "det_shuffled_mean": -0.3711074286194028, tools/data/exp_det_drift.json:75: "det_shuffled_std": 0.002214109382468935, tools/data/exp_det_drift.json:83: "det_M": -0.38103973193939134, tools/data/exp_det_drift.json:89: "det_shuffled_mean": -0.3700797699484919, tools/data/exp_det_drift.json:90: "det_shuffled_std": 0.0043436769023537, tools/data/exp_det_drift.json:98: "det_M": -0.3707169466069506, tools/data/exp_det_drift.json:104: "det_shuffled_mean": -0.36839255407114735, tools/data/exp_det_drift.json:105: "det_shuffled_std": 0.0023890130802502775, tools/data/gap_resolution.json:8: "risoluzione": "tr(M)=1 e det(M)=-1 sono i due invarianti algebrici. Insieme: λ²-λ-1=0 → φ. Additivo=contenuto, moltiplicativo=relazione.", tools/data/gap_resolution.json:10: "determinante": -1.0, tools/data/lab_errori.json:17: "claim": "**L'orizzonte degli eventi è il principale indizio verso QxG.**\n\nAll'orizzonte, GxR produce l'entropia di Bekenstein-Hawking:\n\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar}$$\n\nQuesta formula è l'**unico ogge", tools/data/lab_errori.json:45: "claim": "**L'orizzonte dice qualcosa di preciso su QxG:**\n\nAll'orizzonte, l'entropia di Bekenstein-Hawking è:\n\n**S = A/(4·l_P²) = A·c³/(4·G·ℏ)**\n\nQuesta formula è il **ponte indiretto** GxR→QxG. Contiene sia G", tools/data/lab_errori.json:52: "claim": "**L'orizzonte dice qualcosa di preciso su QxG:**\n\nAll'orizzonte, l'entropia di Bekenstein-Hawking è:\n\n**S_BH = k_B · A / (4 · l_P²)**\n\ndove l_P² = Gℏ/c³ = 2.61×10⁻⁷⁰ m² è esattamente la costante QxG.\n", tools/data/lab_errori.json:67: "problema": "**IMPRECISA.**\n\nGR non si rompe all'orizzonte. L'orizzonte è una superficie regolare — curvatura finita, geodetiche lisce, un osservatore in caduta libera non nota nulla di speciale (principio di equivalenza). GR si rompe alla **singolarità** (r=0), dove R_μνρσR^μνρσ → ∞. L'orizzonte è dove serve QG", tools/data/lab_errori.json:81: "problema": "**IMPRECISA.**\n\nIl ragionamento qualitativo è corretto ma la formula finale è sbagliata nei numeri.\n\nQuando $M = M_P$: $r_s = 2GM_P/c^2 = 2l_P$, quindi $A = 4\\pi r_s^2 = 16\\pi l_P^2$, non $4\\pi l_P^2$. L'entropia $S_{BH} = A/(4l_P^2) = 4\\pi$, non 1. L'orizzonte a scala di Planck ha ~12.6 unità di ar", tools/data/indeterminazione_results.json:3: "piano": "10-indeterminazione", tools/data/indeterminazione_results.json:10: "dettagli": { tools/data/knowledge_state_pre_fix.json:5: "det_minus_one": { tools/data/knowledge_state_pre_fix.json:13: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state_pre_fix.json:29: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state_pre_fix.json:45: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state_pre_fix.json:61: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state_pre_fix.json:77: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state_pre_fix.json:93: "input_claim": "det=-1 defines a universality class", tools/data/knowledge_state_pre_fix.json:95: "result_claim": "CONFERMATO: bulk stats identiche per tutti det=-1. Phi e il rappresentante minimale, non il caso spe", tools/data/knowledge_state_pre_fix.json:108: "CONFERMATO: bulk stats identiche per tutti det=-1. Phi e il rappresentante minimale, non il caso spe" tools/data/knowledge_state_pre_fix.json:358: "input_claim": "log(phi) è il primo quanto di entropia: esiste un gap tra 0 e log(phi) per tutte le matrici primitiv", tools/data/knowledge_state_pre_fix.json:374: "input_claim": "log(phi) è il primo quanto di entropia: esiste un gap tra 0 e log(phi) per tutte le matrici primitiv", tools/data/knowledge_state_pre_fix.json:451: "input_claim": "il gap labeling in Z[phi] vale anche per matrici di sostituzione 3x3 con entropia minima", tools/data/knowledge_state_pre_fix.json:467: "input_claim": "il gap labeling in Z[phi] vale anche per matrici di sostituzione 3x3 con entropia minima", tools/data/knowledge_state_pre_fix.json:483: "input_claim": "il gap labeling in Z[phi] vale anche per matrici di sostituzione 3x3 con entropia minima", tools/data/knowledge_state_pre_fix.json:549: "result_claim": "Gap Labeling 100% per ENTRAMBI (Z[phi] e Z[1+sqrt2]). 41% cross-label. Universale per det=-1.", tools/data/knowledge_state_pre_fix.json:563: "Gap Labeling 100% per ENTRAMBI (Z[phi] e Z[1+sqrt2]). 41% cross-label. Universale per det=-1." tools/data/knowledge_state_pre_fix.json:627: "input_claim": " spacing ratio distinguishes phi from other det=-1 frequencies", tools/data/knowledge_state_pre_fix.json:629: "result_claim": "FALSIFICATO: (phi) e (silver) indistinguibili. Non e un discriminante. det=-1 e la classe.", tools/data/knowledge_state_pre_fix.json:642: "FALSIFICATO: (phi) e (silver) indistinguibili. Non e un discriminante. det=-1 e la classe." tools/data/knowledge_state_pre_fix.json:733: "topic": "det_minus_one", tools/data/knowledge_state_pre_fix.json:739: "topic": "det_minus_one", tools/data/knowledge_state_pre_fix.json:745: "topic": "det_minus_one", tools/data/knowledge_state_pre_fix.json:751: "topic": "det_minus_one", tools/data/knowledge_state_pre_fix.json:757: "topic": "det_minus_one", tools/data/knowledge_state_pre_fix.json:925: "topic": "det_minus_one", tools/data/lab_health.json:10: "recommendation": "cycle completato via provider non-claude (codex/openrouter). Session jsonl non disponibile per autopsy dettagliata.", tools/data/lab_risultante.json:4: "domanda": "## Faccia T-Q-E: cosa la tiene insieme\n\nIl collante è la **funzione di partizione dell'atomo**:\n\n$$Z = \\text{Tr}\\left(e^{-H_\\alpha / k_B T}\\right)$$\n\ndove $H_\\alpha$ è l'Hamiltoniano dell'idrogeno, i cui livelli $E_n = -\\alpha^2 m_e c^2 / 2n^2$ sono interamente determinati da $\\alpha$ (bordo QxE). L", tools/data/lab_risultante.json:5: "testo": "## Risultante\n\nLa faccia T-Q-E è tenuta insieme dalla **equazione di Saha**:\n\n$$\\frac{n_{e}n_{i}}{n_0} = \\frac{2}{\\Lambda^3} e^{-E_I/k_B T}, \\quad \\Lambda = \\sqrt{\\frac{2\\pi\\hbar^2}{m_e k_B T}}, \\quad E_I = \\frac{\\alpha^2 m_e c^2}{2}$$\n\nTre costanti, una formula: $k_B$ (T), $\\hbar$ (Q), $\\alpha$ (E). Nessuna è eliminabile.\n\n**Fenomeno**: le righe di Balmer nelle atmosfere stellari. La loro intensità relativa è predetta esattamente dalla popolazione di Boltzmann sui livelli dell'idrogeno ($E_n \\p", tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:10: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:36: "recurrence_determinism": -1.1646811275833349 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:42: "recurrence_determinism": -0.29790342854967067 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:60: "recurrence_determinism": -0.3596169812966063 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:66: "recurrence_determinism": 0.5866291552608762 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:82: "recurrence_determinism": -1.1889117549779924 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:88: "recurrence_determinism": -0.09265460834659185 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:116: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:122: "recurrence_determinism": -1.1646811275833349 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:131: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:137: "recurrence_determinism": -0.48108757686984216 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:146: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:152: "recurrence_determinism": 0.19184199320694742 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:161: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:167: "recurrence_determinism": -0.47197609477499886 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:176: "recurrence_determinism": 0.5 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:182: "recurrence_determinism": -1.9676132240179374 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:191: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:197: "recurrence_determinism": -0.42571052914757757 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:206: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:212: "recurrence_determinism": 0.3422214323621709 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:221: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:227: "recurrence_determinism": -0.025035610844825012 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:236: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:242: "recurrence_determinism": -0.806949143670399 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:251: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:257: "recurrence_determinism": -0.1887440966348143 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:266: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:272: "recurrence_determinism": -0.29790342854967067 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:282: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:450: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:456: "recurrence_determinism": 0.06772767462422634 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:462: "recurrence_determinism": 0.00811108197702227 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:468: "recurrence_determinism": -0.9374693023756832 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:482: "recurrence_determinism": 0.05968169761273209 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:488: "recurrence_determinism": 0.06927497789566754 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:494: "recurrence_determinism": 0.011123748931115894 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:500: "recurrence_determinism": -0.8624143121480077 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:514: "recurrence_determinism": 0.07427055702917772 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:520: "recurrence_determinism": 0.06582670203359858 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:526: "recurrence_determinism": 0.006611458018937779 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:532: "recurrence_determinism": 1.2771547473178624 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:547: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:553: "recurrence_determinism": 0.06688770999115827 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:559: "recurrence_determinism": 0.009306131059293912 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:565: "recurrence_determinism": -0.6318149179303185 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:579: "recurrence_determinism": 0.06852343059239611 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:585: "recurrence_determinism": 0.07175066312997345 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:591: "recurrence_determinism": 0.009419777403275247 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:597: "recurrence_determinism": -0.34260178339832476 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:611: "recurrence_determinism": 0.05614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:617: "recurrence_determinism": 0.06962534572816927 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:623: "recurrence_determinism": 0.010680241081977399 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:629: "recurrence_determinism": -1.2621757508873526 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:643: "recurrence_determinism": 0.07824933687002653 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:649: "recurrence_determinism": 0.06790450928381962 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:655: "recurrence_determinism": 0.010909184167421484 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:661: "recurrence_determinism": 0.9482677556310819 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:675: "recurrence_determinism": 0.0645446507515473 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:681: "recurrence_determinism": 0.06617796849561215 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:687: "recurrence_determinism": 0.00679626663784573 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:693: "recurrence_determinism": -0.2403257304487649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:707: "recurrence_determinism": 0.07117595048629531 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:713: "recurrence_determinism": 0.07316186310121733 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:719: "recurrence_determinism": 0.011824419123691 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:725: "recurrence_determinism": -0.16795012035247603 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:740: "recurrence_determinism": 0.07382847038019452 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:746: "recurrence_determinism": 0.06861184792219274 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:752: "recurrence_determinism": 0.006167421251890426 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:758: "recurrence_determinism": 0.8458352761946965 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:770: "recurrence_determinism": 0.07117595048629531 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:776: "recurrence_determinism": 0.06923076923076922 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:782: "recurrence_determinism": 0.006627041236689747 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:788: "recurrence_determinism": 0.2935218276229894 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:800: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:806: "recurrence_determinism": 0.068921308576481 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:812: "recurrence_determinism": 0.006595014852763142 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:818: "recurrence_determinism": -1.3339658076857508 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:832: "recurrence_determinism": 0.06984969053934571 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:838: "recurrence_determinism": 0.06724137931034482 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:844: "recurrence_determinism": 0.009001045334200467 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:850: "recurrence_determinism": 0.28977870149040613 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:865: "recurrence_determinism": 0.07603890362511052 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:871: "recurrence_determinism": 0.07108753315649868 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:877: "recurrence_determinism": 0.008296374993340076 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:883: "recurrence_determinism": 0.5968113148919327 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:897: "recurrence_determinism": 0.0623342175066313 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:903: "recurrence_determinism": 0.06728558797524314 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:909: "recurrence_determinism": 0.008049269046884225 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:915: "recurrence_determinism": -0.6151329319186396 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:930: "recurrence_determinism": 0.05349248452696728 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:936: "recurrence_determinism": 0.0682078162794941 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:942: "recurrence_determinism": 0.005420837353496316 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:948: "recurrence_determinism": -2.714586473072424 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:952: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:963: "recurrence_determinism": 0.0618921308576481 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:969: "recurrence_determinism": 0.06790450928381964 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:975: "recurrence_determinism": 0.006297730820207078 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:981: "recurrence_determinism": -0.9546896489891321 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:995: "recurrence_determinism": 0.07427055702917772 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1001: "recurrence_determinism": 0.06962864721485411 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1007: "recurrence_determinism": 0.008231864974025532 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1013: "recurrence_determinism": 0.5638952811993987 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1027: "recurrence_determinism": 0.08311229000884174 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1033: "recurrence_determinism": 0.06998231653404068 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1039: "recurrence_determinism": 0.00838813384714327 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1045: "recurrence_determinism": 1.5653032860548253 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1060: "recurrence_determinism": 0.0658709106984969 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1066: "recurrence_determinism": 0.06940760389036252 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1072: "recurrence_determinism": 0.008961270731217668 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1078: "recurrence_determinism": -0.39466424996458555 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1090: "recurrence_determinism": 0.07117595048629531 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1096: "recurrence_determinism": 0.06812555260831124 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1102: "recurrence_determinism": 0.009130394535333203 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1108: "recurrence_determinism": 0.3340926688523159 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1120: "recurrence_determinism": 0.07603890362511052 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1126: "recurrence_determinism": 0.06786030061892132 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1132: "recurrence_determinism": 0.007963697407007881 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1138: "recurrence_determinism": 1.0269856560587316 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1150: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1156: "recurrence_determinism": 0.06763925729442972 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1162: "recurrence_determinism": 0.007797675541009699 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1168: "recurrence_determinism": -0.9638094061735316 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1182: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1188: "recurrence_determinism": 0.06856763925729444 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1194: "recurrence_determinism": 0.010333128555783277 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1200: "recurrence_determinism": -0.8171634515137487 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1214: "recurrence_determinism": 0.0627763041556145 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1220: "recurrence_determinism": 0.06503094606542882 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1226: "recurrence_determinism": 0.008484404400021664 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1232: "recurrence_determinism": -0.2657395620850611 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1246: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1252: "recurrence_determinism": 0.06954022988505748 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1258: "recurrence_determinism": 0.007708184970917318 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1264: "recurrence_determinism": -1.0495578021176888 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1278: "recurrence_determinism": 0.05965532479010163 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1284: "recurrence_determinism": 0.07457685294475032 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1290: "recurrence_determinism": 0.003570498222390282 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1296: "recurrence_determinism": -4.1791165336750735 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1300: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1311: "recurrence_determinism": 0.06896551724137931 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1317: "recurrence_determinism": 0.06657824933687004 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1323: "recurrence_determinism": 0.007575048626208274 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1329: "recurrence_determinism": 0.31514885544757615 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1343: "recurrence_determinism": 0.07073386383731212 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1349: "recurrence_determinism": 0.06290658589940898 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1355: "recurrence_determinism": 0.00874600344574044 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1361: "recurrence_determinism": 0.8949548198171876 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1375: "recurrence_determinism": 0.07515473032714412 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1381: "recurrence_determinism": 0.06931568971963932 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1387: "recurrence_determinism": 0.011505671227102426 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1393: "recurrence_determinism": 0.5074923915564808 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1408: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1414: "recurrence_determinism": 0.07002048875287023 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1420: "recurrence_determinism": 0.0066712316700555255 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1426: "recurrence_determinism": -1.2846869915602852 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1438: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1444: "recurrence_determinism": 0.06834352887120802 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1450: "recurrence_determinism": 0.012599315516699709 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1456: "recurrence_determinism": -0.5471316797651573 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1468: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1474: "recurrence_determinism": 0.06644562334217506 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1480: "recurrence_determinism": 0.006007789664891592 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1486: "recurrence_determinism": -0.831516982477499 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1498: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1504: "recurrence_determinism": 0.07528735632183907 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1510: "recurrence_determinism": 0.007842245554353275 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1516: "recurrence_determinism": -1.9335752693571793 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1530: "recurrence_determinism": 0.06631299734748011 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1536: "recurrence_determinism": 0.06847922192749781 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1542: "recurrence_determinism": 0.007835042699067337 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1548: "recurrence_determinism": -0.27647897570176055 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1562: "recurrence_determinism": 0.0645446507515473 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1568: "recurrence_determinism": 0.06887426727507792 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1574: "recurrence_determinism": 0.007997014568831763 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1580: "recurrence_determinism": -0.5414041060279204 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1595: "recurrence_determinism": 0.07206012378426171 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1601: "recurrence_determinism": 0.06427939876215738 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1607: "recurrence_determinism": 0.00341931152661908 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1613: "recurrence_determinism": 2.275523877111513 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1617: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1628: "recurrence_determinism": 0.05305039787798409 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1634: "recurrence_determinism": 0.07099911582670204 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1640: "recurrence_determinism": 0.006090892380699691 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1646: "recurrence_determinism": -2.9468125238253013 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1650: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1661: "recurrence_determinism": 0.0680813439434129 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1667: "recurrence_determinism": 0.06361626878868258 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1673: "recurrence_determinism": 0.007740234605342329 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1679: "recurrence_determinism": 0.5768656096868846 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1693: "recurrence_determinism": 0.07029177718832891 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1699: "recurrence_determinism": 0.06807817920469725 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1705: "recurrence_determinism": 0.005624642700741244 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1711: "recurrence_determinism": 0.39355352889170025 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1725: "recurrence_determinism": 0.0671971706454465 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1731: "recurrence_determinism": 0.06458885941644563 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1737: "recurrence_determinism": 0.011888852646473942 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1743: "recurrence_determinism": 0.21939133292012516 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1757: "recurrence_determinism": 0.052608311229000886 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1763: "recurrence_determinism": 0.0694076038903625 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1769: "recurrence_determinism": 0.010630526847551685 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1775: "recurrence_determinism": -1.580287873054068 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1787: "recurrence_determinism": 0.0641025641025641 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1793: "recurrence_determinism": 0.06861184792219274 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1799: "recurrence_determinism": 0.008183049215862668 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1805: "recurrence_determinism": -0.5510517779714064 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1817: "recurrence_determinism": 0.07117595048629531 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1823: "recurrence_determinism": 0.07064544650751547 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1829: "recurrence_determinism": 0.006986274673069794 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1835: "recurrence_determinism": 0.07593517340862455 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1847: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1853: "recurrence_determinism": 0.06414677276746242 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1859: "recurrence_determinism": 0.008601334508133081 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1865: "recurrence_determinism": -0.4677167830111879 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1879: "recurrence_determinism": 0.0680813439434129 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1885: "recurrence_determinism": 0.06905393457117595 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1891: "recurrence_determinism": 0.010605575885362012 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1897: "recurrence_determinism": -0.09170559319701165 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1912: "recurrence_determinism": 0.06763925729442971 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1918: "recurrence_determinism": 0.0685234305923961 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1924: "recurrence_determinism": 0.006672108118285746 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1930: "recurrence_determinism": -0.13251783128981412 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1944: "recurrence_determinism": 0.054376657824933686 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1950: "recurrence_determinism": 0.06343707034276465 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1956: "recurrence_determinism": 0.004994924157080694 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1962: "recurrence_determinism": -1.8139239421657927 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1976: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1982: "recurrence_determinism": 0.06534040671971707 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1988: "recurrence_determinism": 0.006904985258631863 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:1994: "recurrence_determinism": -0.563413586754419 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2008: "recurrence_determinism": 0.054376657824933686 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2014: "recurrence_determinism": 0.07011085962508394 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2020: "recurrence_determinism": 0.01007800087864947 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2026: "recurrence_determinism": -1.5612423524871493 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2041: "recurrence_determinism": 0.0592396109637489 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2047: "recurrence_determinism": 0.06998231653404068 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2053: "recurrence_determinism": 0.0095457280935174 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2059: "recurrence_determinism": -1.1253940469546013 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2074: "recurrence_determinism": 0.06321839080459771 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2080: "recurrence_determinism": 0.06383731211317419 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2086: "recurrence_determinism": 0.009255004191049842 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2092: "recurrence_determinism": -0.06687423320402311 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2106: "recurrence_determinism": 0.05968169761273209 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2112: "recurrence_determinism": 0.07020335985853228 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2118: "recurrence_determinism": 0.009307881000902213 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2124: "recurrence_determinism": -1.1304036058024725 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2136: "recurrence_determinism": 0.06763925729442971 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2142: "recurrence_determinism": 0.0625552608311229 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2148: "recurrence_determinism": 0.006782665177049842 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2154: "recurrence_determinism": 0.7495573392756104 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2166: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2172: "recurrence_determinism": 0.06878868258178603 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2178: "recurrence_determinism": 0.007889591953760901 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2184: "recurrence_determinism": -0.9862011961715361 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2196: "recurrence_determinism": 0.060123784261715295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2202: "recurrence_determinism": 0.06883289124668435 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2208: "recurrence_determinism": 0.006443790992718005 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2214: "recurrence_determinism": -1.3515501968966768 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2228: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2234: "recurrence_determinism": 0.06724137931034482 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2240: "recurrence_determinism": 0.005523429955485581 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2246: "recurrence_determinism": -1.1285418301489307 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2261: "recurrence_determinism": 0.06675508399646331 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2267: "recurrence_determinism": 0.06520500669478986 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2273: "recurrence_determinism": 0.007151538275296185 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2279: "recurrence_determinism": 0.21674739643468519 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2293: "recurrence_determinism": 0.05702917771883289 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2299: "recurrence_determinism": 0.06568903589946758 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2305: "recurrence_determinism": 0.008686344132696266 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2311: "recurrence_determinism": -0.9969508516290665 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2325: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2331: "recurrence_determinism": 0.06816976127320955 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2337: "recurrence_determinism": 0.00634445257086645 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2343: "recurrence_determinism": -1.0591484433820817 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2357: "recurrence_determinism": 0.06631299734748011 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2363: "recurrence_determinism": 0.06436781609195404 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2369: "recurrence_determinism": 0.005861979317631274 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2375: "recurrence_determinism": 0.3318301123437077 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2390: "recurrence_determinism": 0.07382847038019452 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2396: "recurrence_determinism": 0.07055396211612402 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2402: "recurrence_determinism": 0.008661545797474664 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2408: "recurrence_determinism": 0.3780512555882581 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2422: "recurrence_determinism": 0.0592396109637489 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2428: "recurrence_determinism": 0.07073044513808224 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2434: "recurrence_determinism": 0.005381617807654317 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2440: "recurrence_determinism": -2.1352007119475935 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2444: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2455: "recurrence_determinism": 0.06631299734748011 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2461: "recurrence_determinism": 0.06861184792219274 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2467: "recurrence_determinism": 0.008103046161856009 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2473: "recurrence_determinism": -0.2837020212885072 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2487: "recurrence_determinism": 0.05305039787798409 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2493: "recurrence_determinism": 0.06949602122015916 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2499: "recurrence_determinism": 0.008374531353943324 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2505: "recurrence_determinism": -1.963766406394945 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2517: "recurrence_determinism": 0.05702917771883289 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2523: "recurrence_determinism": 0.06967285587975243 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2529: "recurrence_determinism": 0.009255004191049845 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2535: "recurrence_determinism": -1.3661450497393346 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2559: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2565: "recurrence_determinism": -0.3596169812966063 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2574: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2580: "recurrence_determinism": 0.3378740664393043 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2589: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2595: "recurrence_determinism": 0.16559832952538792 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2604: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2610: "recurrence_determinism": 0.5554884969482385 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2619: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2625: "recurrence_determinism": -0.4126853753630088 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2634: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2640: "recurrence_determinism": -0.18279537152858025 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2649: "recurrence_determinism": 0.3333333333333333 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2655: "recurrence_determinism": -0.21979470042461224 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2664: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2670: "recurrence_determinism": -0.19074320127230604 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2679: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2685: "recurrence_determinism": -0.048805704077964605 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2694: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2700: "recurrence_determinism": 0.37711007185316925 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2709: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2715: "recurrence_determinism": 0.5866291552608762 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2725: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2823: "recurrence_determinism": 0.7461685823754789 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2829: "recurrence_determinism": 0.747143301835835 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2835: "recurrence_determinism": 0.0036550620738998677 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2841: "recurrence_determinism": -0.26667658186064563 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2855: "recurrence_determinism": 0.7481861125690821 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2861: "recurrence_determinism": 0.746001607753004 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2867: "recurrence_determinism": 0.003074009520829597 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2873: "recurrence_determinism": 0.7106369714458735 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2885: "recurrence_determinism": 0.7500923759083631 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2891: "recurrence_determinism": 0.7467324969591409 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2897: "recurrence_determinism": 0.0033607614905186143 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2903: "recurrence_determinism": 0.9997373984143414 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2915: "recurrence_determinism": 0.7546115834382002 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2921: "recurrence_determinism": 0.7469462560208562 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2927: "recurrence_determinism": 0.0022535659881731678 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2933: "recurrence_determinism": 3.40142132849541 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2937: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2948: "recurrence_determinism": 0.7480288179091555 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2954: "recurrence_determinism": 0.7466371959341238 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2960: "recurrence_determinism": 0.003190938036120719 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2966: "recurrence_determinism": 0.4361168907947681 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2978: "recurrence_determinism": 0.7477788746298124 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2984: "recurrence_determinism": 0.7467201913780188 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2990: "recurrence_determinism": 0.0022449617620884936 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:2996: "recurrence_determinism": 0.4715818637412759 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3008: "recurrence_determinism": 0.7426479712123092 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3014: "recurrence_determinism": 0.7469121380995618 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3020: "recurrence_determinism": 0.0019885157365839966 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3026: "recurrence_determinism": -2.1443968527892494 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3029: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3040: "recurrence_determinism": 0.7479828699106256 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3046: "recurrence_determinism": 0.7473064732173593 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3052: "recurrence_determinism": 0.002219512435228743 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3058: "recurrence_determinism": 0.3047501255367088 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3070: "recurrence_determinism": 0.7481378026070763 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3076: "recurrence_determinism": 0.7465405961398974 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3082: "recurrence_determinism": 0.0021926239507511387 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3088: "recurrence_determinism": 0.7284452341368001 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3100: "recurrence_determinism": 0.7469820000617493 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3106: "recurrence_determinism": 0.7472162923015515 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3112: "recurrence_determinism": 0.001881134779335753 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3118: "recurrence_determinism": -0.12454835367242202 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3133: "recurrence_determinism": 0.7537062721528741 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3139: "recurrence_determinism": 0.7472468277845972 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3145: "recurrence_determinism": 0.002161650366941065 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3151: "recurrence_determinism": 2.9882003431561674 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3154: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3165: "recurrence_determinism": 0.7461685823754789 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3171: "recurrence_determinism": 0.7473220999275043 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3177: "recurrence_determinism": 0.003266719752833249 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3183: "recurrence_determinism": -0.35311187959266 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3195: "recurrence_determinism": 0.7459013862731174 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3201: "recurrence_determinism": 0.7457667011311258 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3207: "recurrence_determinism": 0.0025092579177730177 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3213: "recurrence_determinism": 0.05367528823469763 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3225: "recurrence_determinism": 0.7452091266524257 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3231: "recurrence_determinism": 0.7462211063022803 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3237: "recurrence_determinism": 0.0029584894548200583 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3243: "recurrence_determinism": -0.3420595764524086 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3255: "recurrence_determinism": 0.7492347175412015 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3261: "recurrence_determinism": 0.7471522526989286 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3267: "recurrence_determinism": 0.0027131849142829623 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3273: "recurrence_determinism": 0.7675351692065838 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3285: "recurrence_determinism": 0.75437245966252 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3291: "recurrence_determinism": 0.7477821743217661 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3297: "recurrence_determinism": 0.00556223755819176 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3303: "recurrence_determinism": 1.1848262990939833 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3317: "recurrence_determinism": 0.7421751648555772 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3323: "recurrence_determinism": 0.7455399821842736 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3329: "recurrence_determinism": 0.0027193367594603294 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3335: "recurrence_determinism": -1.2373669119834183 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3351: "recurrence_determinism": 0.7457258990350306 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3357: "recurrence_determinism": 0.7466340009777241 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3363: "recurrence_determinism": 0.0025703533156189585 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3369: "recurrence_determinism": -0.35329848903470756 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3381: "recurrence_determinism": 0.748700495049505 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3387: "recurrence_determinism": 0.7456870199998779 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3393: "recurrence_determinism": 0.0034857118419058925 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3399: "recurrence_determinism": 0.8645221367407804 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3411: "recurrence_determinism": 0.7464784372000867 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3417: "recurrence_determinism": 0.7478670973314517 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3423: "recurrence_determinism": 0.0030711506547230344 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3429: "recurrence_determinism": -0.452162816965521 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3443: "recurrence_determinism": 0.7497228722749107 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3449: "recurrence_determinism": 0.7471303020968143 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3455: "recurrence_determinism": 0.0033501431697175585 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3461: "recurrence_determinism": 0.7738684727062024 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3473: "recurrence_determinism": 0.7475803449559498 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3479: "recurrence_determinism": 0.7479428013352538 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3485: "recurrence_determinism": 0.0037240317866929465 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3491: "recurrence_determinism": -0.09732902404301452 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3503: "recurrence_determinism": 0.7461685823754789 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3509: "recurrence_determinism": 0.7484896424673719 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3515: "recurrence_determinism": 0.0035614285749798655 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3521: "recurrence_determinism": -0.6517216456899341 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3533: "recurrence_determinism": 0.7426169499937958 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3539: "recurrence_determinism": 0.745672192619413 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3545: "recurrence_determinism": 0.002297121257823441 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3551: "recurrence_determinism": -1.3300310617960471 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3565: "recurrence_determinism": 0.7467247559016191 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3571: "recurrence_determinism": 0.7475884075327422 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3577: "recurrence_determinism": 0.0022418874146888325 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3583: "recurrence_determinism": -0.3852341671863087 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3597: "recurrence_determinism": 0.7455312810327706 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3603: "recurrence_determinism": 0.747089741703674 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3609: "recurrence_determinism": 0.0026480343803539147 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3615: "recurrence_determinism": -0.588534908181665 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3627: "recurrence_determinism": 0.742745414481239 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3633: "recurrence_determinism": 0.7465436039859028 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3639: "recurrence_determinism": 0.0023261123148951694 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3645: "recurrence_determinism": -1.6328487151468396 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3659: "recurrence_determinism": 0.7464312313803376 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3665: "recurrence_determinism": 0.7480060294798315 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3671: "recurrence_determinism": 0.0037957364296436233 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3677: "recurrence_determinism": -0.41488605141157214 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3689: "recurrence_determinism": 0.7499692080305457 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3695: "recurrence_determinism": 0.7457449217573577 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3701: "recurrence_determinism": 0.001335789595848135 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3707: "recurrence_determinism": 3.162388961792898 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3710: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3721: "recurrence_determinism": 0.7486759453134623 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3727: "recurrence_determinism": 0.7474405431311878 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3733: "recurrence_determinism": 0.0029149061682736724 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3739: "recurrence_determinism": 0.4238222813896359 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3751: "recurrence_determinism": 0.7470693484698914 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3757: "recurrence_determinism": 0.7461849227156445 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3763: "recurrence_determinism": 0.004639105369990051 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3769: "recurrence_determinism": 0.19064575682374518 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3781: "recurrence_determinism": 0.7465989029718926 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3787: "recurrence_determinism": 0.7461529324621659 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3793: "recurrence_determinism": 0.001049759950157808 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3799: "recurrence_determinism": 0.4248309431691324 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3811: "recurrence_determinism": 0.7449502001303174 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3817: "recurrence_determinism": 0.7470462138899633 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3823: "recurrence_determinism": 0.0029784941732390155 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3829: "recurrence_determinism": -0.7037159174182661 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3841: "recurrence_determinism": 0.7461685823754789 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3847: "recurrence_determinism": 0.7470812139629798 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3853: "recurrence_determinism": 0.003299717417305109 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3859: "recurrence_determinism": -0.27657871026005243 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3871: "recurrence_determinism": 0.7443541382305497 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3877: "recurrence_determinism": 0.747550991316295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3883: "recurrence_determinism": 0.003265711598850453 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3889: "recurrence_determinism": -0.9789146986741121 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3901: "recurrence_determinism": 0.7434520854021847 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3907: "recurrence_determinism": 0.7482132143823241 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3913: "recurrence_determinism": 0.004492093541358346 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3919: "recurrence_determinism": -1.0598908807895782 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3931: "recurrence_determinism": 0.7485500987166831 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3937: "recurrence_determinism": 0.7464719558010413 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3943: "recurrence_determinism": 0.0023886051745044476 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3949: "recurrence_determinism": 0.8700236178936236 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3961: "recurrence_determinism": 0.7449156746031746 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3967: "recurrence_determinism": 0.7478588509716552 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3973: "recurrence_determinism": 0.0025988713438314963 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3979: "recurrence_determinism": -1.1324825199470678 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3991: "recurrence_determinism": 0.7448634912764572 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:3997: "recurrence_determinism": 0.7474733988582642 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4003: "recurrence_determinism": 0.0034988003509485344 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4009: "recurrence_determinism": -0.7459435577967347 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4024: "recurrence_determinism": 0.7419941439358915 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4030: "recurrence_determinism": 0.7482173500695574 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4036: "recurrence_determinism": 0.0037140580960135926 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4042: "recurrence_determinism": -1.675581257155197 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4056: "recurrence_determinism": 0.744359268799851 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4062: "recurrence_determinism": 0.7474015836486418 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4068: "recurrence_determinism": 0.0013187742992549053 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4074: "recurrence_determinism": -2.306926098354877 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4078: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4089: "recurrence_determinism": 0.7448015122873346 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4095: "recurrence_determinism": 0.7486757362050229 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4101: "recurrence_determinism": 0.0033342696117682567 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4107: "recurrence_determinism": -1.1619408052709075 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4119: "recurrence_determinism": 0.7474888392857143 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4125: "recurrence_determinism": 0.7462663671638738 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4131: "recurrence_determinism": 0.0015505158236300358 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4137: "recurrence_determinism": 0.7884293105622295 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4149: "recurrence_determinism": 0.7475803449559498 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4155: "recurrence_determinism": 0.7467736886328757 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4161: "recurrence_determinism": 0.002672460509289687 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4167: "recurrence_determinism": 0.3018403154209696 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4179: "recurrence_determinism": 0.7461685823754789 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4185: "recurrence_determinism": 0.746667376715745 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4191: "recurrence_determinism": 0.001584481579045382 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4197: "recurrence_determinism": -0.3147997091683648 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4209: "recurrence_determinism": 0.7531800391389433 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4215: "recurrence_determinism": 0.7465595426316594 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4221: "recurrence_determinism": 0.0020645292611850877 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4227: "recurrence_determinism": 3.2067825977354247 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4230: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4241: "recurrence_determinism": 0.7514749262536873 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4247: "recurrence_determinism": 0.7456119229888251 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4253: "recurrence_determinism": 0.0033600921304649057 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4259: "recurrence_determinism": 1.7448936032748037 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4271: "recurrence_determinism": 0.7437231045478468 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4277: "recurrence_determinism": 0.7463599432981894 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4283: "recurrence_determinism": 0.0023224184050419003 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4289: "recurrence_determinism": -1.1353848835412683 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4301: "recurrence_determinism": 0.7458105759682224 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4307: "recurrence_determinism": 0.7456729127120478 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4313: "recurrence_determinism": 0.0023319365472250775 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4319: "recurrence_determinism": 0.05903387737475364 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4331: "recurrence_determinism": 0.751262470747629 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4337: "recurrence_determinism": 0.7465414505530179 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4343: "recurrence_determinism": 0.003413343953130901 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4349: "recurrence_determinism": 1.383107081922025 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4363: "recurrence_determinism": 0.746749821589252 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4369: "recurrence_determinism": 0.7483665479896169 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4375: "recurrence_determinism": 0.0033141825737585773 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4381: "recurrence_determinism": -0.4878205603897704 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4393: "recurrence_determinism": 0.7497854077253219 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4399: "recurrence_determinism": 0.7481196994782652 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4405: "recurrence_determinism": 0.0033224589891133146 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4411: "recurrence_determinism": 0.5013480234111887 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4423: "recurrence_determinism": 0.7469041929176624 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4429: "recurrence_determinism": 0.7458165438713191 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4435: "recurrence_determinism": 0.004642443335014642 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4441: "recurrence_determinism": 0.23428375272562285 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4455: "recurrence_determinism": 0.7491621151936445 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4461: "recurrence_determinism": 0.7456631566466918 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4467: "recurrence_determinism": 0.003089230205210689 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4473: "recurrence_determinism": 1.132631210536176 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4488: "recurrence_determinism": 0.7475247524752475 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4494: "recurrence_determinism": 0.7489892251715966 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4500: "recurrence_determinism": 0.00533115138026456 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4506: "recurrence_determinism": -0.2747010152010369 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4518: "recurrence_determinism": 0.7461685823754789 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4524: "recurrence_determinism": 0.7470809888082022 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4530: "recurrence_determinism": 0.0030948611995899526 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4536: "recurrence_determinism": -0.2948133612079811 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4548: "recurrence_determinism": 0.7492302007636409 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4554: "recurrence_determinism": 0.7474562190585003 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4560: "recurrence_determinism": 0.004858955173975004 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4566: "recurrence_determinism": 0.365095301689989 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4578: "recurrence_determinism": 0.7471877033685581 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4584: "recurrence_determinism": 0.7470677024340906 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4590: "recurrence_determinism": 0.003320115728035362 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4596: "recurrence_determinism": 0.036143599891477717 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4608: "recurrence_determinism": 0.7477753058954394 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4614: "recurrence_determinism": 0.7477263222847347 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4620: "recurrence_determinism": 0.002741007701395808 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4626: "recurrence_determinism": 0.017870657816746544 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4638: "recurrence_determinism": 0.7435525666337611 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4644: "recurrence_determinism": 0.7479182810816791 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4650: "recurrence_determinism": 0.0031390897504405195 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4656: "recurrence_determinism": -1.3907580843476504 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4670: "recurrence_determinism": 0.7455087033417109 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4676: "recurrence_determinism": 0.7465577076947314 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4682: "recurrence_determinism": 0.0018960263340756262 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4688: "recurrence_determinism": -0.5532646536430569 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4700: "recurrence_determinism": 0.7470356954893037 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4706: "recurrence_determinism": 0.7466600545683677 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4712: "recurrence_determinism": 0.0020875899261685333 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4718: "recurrence_determinism": 0.17993999502835245 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4730: "recurrence_determinism": 0.7446023079786575 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4736: "recurrence_determinism": 0.7470485180947735 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4742: "recurrence_determinism": 0.002624757467573923 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4748: "recurrence_determinism": -0.9319756763572731 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4762: "recurrence_determinism": 0.7483988175883729 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4768: "recurrence_determinism": 0.7480490005876548 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4774: "recurrence_determinism": 0.0020835505610934217 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4780: "recurrence_determinism": 0.16789465408247287 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4794: "recurrence_determinism": 0.7459657398212513 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4800: "recurrence_determinism": 0.749280683536212 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4806: "recurrence_determinism": 0.004525204424408324 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4812: "recurrence_determinism": -0.7325511521823027 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4824: "recurrence_determinism": 0.7490389384920635 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4830: "recurrence_determinism": 0.7461124068057318 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4836: "recurrence_determinism": 0.002241728078191845 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4842: "recurrence_determinism": 1.3054802296504375 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4866: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4872: "recurrence_determinism": -1.1889117549779924 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4881: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4887: "recurrence_determinism": -0.8105861854023869 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4896: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4902: "recurrence_determinism": -1.302827972230099 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4911: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4917: "recurrence_determinism": -0.4995147486895444 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4926: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4932: "recurrence_determinism": -0.718971355817105 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4941: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4947: "recurrence_determinism": -0.32350805197284654 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4956: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4962: "recurrence_determinism": -0.457999625544911 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4971: "recurrence_determinism": 0.16666666666666666 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4977: "recurrence_determinism": 0.34037754106631235 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4986: "recurrence_determinism": 0.3333333333333333 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:4992: "recurrence_determinism": -0.48494368967649115 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5001: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5007: "recurrence_determinism": -0.007579559510176507 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5016: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5022: "recurrence_determinism": -0.09265460834659185 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5032: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5126: "recurrence_determinism": 0.19959128065395096 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5132: "recurrence_determinism": 0.22891523709343214 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5138: "recurrence_determinism": 0.02592142649825654 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5144: "recurrence_determinism": -1.131263221237207 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5156: "recurrence_determinism": 0.20646464646464646 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5162: "recurrence_determinism": 0.2304333288007157 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5168: "recurrence_determinism": 0.02445747997744979 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5174: "recurrence_determinism": -0.9800143906146005 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5186: "recurrence_determinism": 0.18755426917510853 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5192: "recurrence_determinism": 0.2090802946403826 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5198: "recurrence_determinism": 0.01577967031400606 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5204: "recurrence_determinism": -1.3641619271454322 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5216: "recurrence_determinism": 0.20915366913832778 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5222: "recurrence_determinism": 0.21053694340573287 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5228: "recurrence_determinism": 0.017712057687026894 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5234: "recurrence_determinism": -0.07809788630139006 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5246: "recurrence_determinism": 0.19971890372452564 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5252: "recurrence_determinism": 0.2249274228880272 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5258: "recurrence_determinism": 0.01682677424683162 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5264: "recurrence_determinism": -1.4981195322239598 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5276: "recurrence_determinism": 0.23730747290359383 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5282: "recurrence_determinism": 0.2207627738412321 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5288: "recurrence_determinism": 0.02036224755810511 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5294: "recurrence_determinism": 0.812518314353573 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5306: "recurrence_determinism": 0.22635968518736052 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5312: "recurrence_determinism": 0.21914917041981746 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5318: "recurrence_determinism": 0.01692115990368925 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5324: "recurrence_determinism": 0.42612414329652304 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5336: "recurrence_determinism": 0.23562005277044856 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5342: "recurrence_determinism": 0.21242036213903842 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5348: "recurrence_determinism": 0.016213649093137716 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5354: "recurrence_determinism": 1.4308741047830624 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5366: "recurrence_determinism": 0.24910820451843044 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5372: "recurrence_determinism": 0.21372888811186302 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5378: "recurrence_determinism": 0.018440056210964156 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5384: "recurrence_determinism": 1.9186121778485388 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5398: "recurrence_determinism": 0.22601120099564406 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5404: "recurrence_determinism": 0.2297628738894883 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5410: "recurrence_determinism": 0.020928649182584774 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5416: "recurrence_determinism": -0.17926015487736727 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5428: "recurrence_determinism": 0.23686074514803795 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5434: "recurrence_determinism": 0.2244476736287905 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5440: "recurrence_determinism": 0.02499576388631817 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5446: "recurrence_determinism": 0.4966070081195615 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5458: "recurrence_determinism": 0.19959128065395096 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5464: "recurrence_determinism": 0.22160121823199294 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5470: "recurrence_determinism": 0.025175908985006566 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5476: "recurrence_determinism": -0.8742459941029311 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5488: "recurrence_determinism": 0.20926220806794055 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5494: "recurrence_determinism": 0.2078839488087023 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5500: "recurrence_determinism": 0.017284359326811147 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5506: "recurrence_determinism": 0.07974025725676201 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5518: "recurrence_determinism": 0.2065497679216091 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5524: "recurrence_determinism": 0.22046381126461947 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5530: "recurrence_determinism": 0.017613627454400167 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5536: "recurrence_determinism": -0.789958989369588 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5548: "recurrence_determinism": 0.2159321175278622 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5554: "recurrence_determinism": 0.20906869870512895 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5560: "recurrence_determinism": 0.015377760569350639 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5566: "recurrence_determinism": 0.4463210876369547 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5578: "recurrence_determinism": 0.22711952294529428 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5584: "recurrence_determinism": 0.21657464620511863 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5590: "recurrence_determinism": 0.015786861571623078 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5596: "recurrence_determinism": 0.6679526954952271 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5608: "recurrence_determinism": 0.21018403210184033 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5614: "recurrence_determinism": 0.2226525228269621 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5620: "recurrence_determinism": 0.02084723836719896 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5626: "recurrence_determinism": -0.5980883657347962 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5640: "recurrence_determinism": 0.20557197129590546 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5646: "recurrence_determinism": 0.2178607995377891 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5652: "recurrence_determinism": 0.013669968190551126 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5658: "recurrence_determinism": -0.8989653867942329 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5670: "recurrence_determinism": 0.24670062514470942 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5676: "recurrence_determinism": 0.22578434487070145 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5682: "recurrence_determinism": 0.022113939616508087 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5688: "recurrence_determinism": 0.9458414301897583 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5700: "recurrence_determinism": 0.22664835164835165 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5706: "recurrence_determinism": 0.2178600682295211 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5712: "recurrence_determinism": 0.017603048135709724 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5718: "recurrence_determinism": 0.4992478206659311 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5732: "recurrence_determinism": 0.24868437155794884 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5738: "recurrence_determinism": 0.2138975464327578 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5744: "recurrence_determinism": 0.018940549920050002 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5750: "recurrence_determinism": 1.8366322663296362 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5764: "recurrence_determinism": 0.20538077036165833 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5770: "recurrence_determinism": 0.2205338025175177 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5776: "recurrence_determinism": 0.009858510014917292 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5782: "recurrence_determinism": -1.5370509471442162 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5794: "recurrence_determinism": 0.19959128065395096 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5800: "recurrence_determinism": 0.21787211969213388 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5806: "recurrence_determinism": 0.015409528726120779 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5812: "recurrence_determinism": -1.1863334280428037 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5824: "recurrence_determinism": 0.19899278617122634 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5830: "recurrence_determinism": 0.2161942810990393 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5836: "recurrence_determinism": 0.01745354174775255 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5842: "recurrence_determinism": -0.9855589871911209 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5854: "recurrence_determinism": 0.19852732936845086 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5860: "recurrence_determinism": 0.23308032824053204 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5866: "recurrence_determinism": 0.01436487176724639 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5872: "recurrence_determinism": -2.405381644329476 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5877: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5888: "recurrence_determinism": 0.23210904960242332 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5894: "recurrence_determinism": 0.21726709146983544 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5900: "recurrence_determinism": 0.018243103789158586 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5906: "recurrence_determinism": 0.8135654055428919 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5920: "recurrence_determinism": 0.2155500196669726 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5926: "recurrence_determinism": 0.23659030841885703 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5932: "recurrence_determinism": 0.036755902013158946 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5938: "recurrence_determinism": -0.5724329318418527 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5950: "recurrence_determinism": 0.20809001566728386 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5956: "recurrence_determinism": 0.2208796996506111 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5962: "recurrence_determinism": 0.01602181473838087 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5968: "recurrence_determinism": -0.7982668750181634 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5980: "recurrence_determinism": 0.1843062806517956 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5986: "recurrence_determinism": 0.2197537428427221 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5992: "recurrence_determinism": 0.022839449323670834 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:5998: "recurrence_determinism": -1.5520278833600725 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6010: "recurrence_determinism": 0.21537831193662935 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6016: "recurrence_determinism": 0.21638926253185436 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6022: "recurrence_determinism": 0.012343120319664157 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6028: "recurrence_determinism": -0.08190397314805771 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6043: "recurrence_determinism": 0.21689683184402925 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6049: "recurrence_determinism": 0.21993274618421838 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6055: "recurrence_determinism": 0.022383325109850565 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6061: "recurrence_determinism": -0.13563285728504507 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6073: "recurrence_determinism": 0.2077168552364375 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6079: "recurrence_determinism": 0.21653497272782746 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6085: "recurrence_determinism": 0.02055096220902847 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6091: "recurrence_determinism": -0.4290853830443027 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6103: "recurrence_determinism": 0.2067016552280985 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6109: "recurrence_determinism": 0.21952014621597363 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6115: "recurrence_determinism": 0.01633042807312723 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6121: "recurrence_determinism": -0.7849451913002073 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6133: "recurrence_determinism": 0.19959128065395096 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6139: "recurrence_determinism": 0.22151713735002163 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6145: "recurrence_determinism": 0.01745441649551164 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6151: "recurrence_determinism": -1.2561781542057764 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6163: "recurrence_determinism": 0.19822646657571624 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6169: "recurrence_determinism": 0.2175943465397729 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6175: "recurrence_determinism": 0.02409955392277863 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6181: "recurrence_determinism": -0.803661346849675 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6195: "recurrence_determinism": 0.2009228740936058 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6201: "recurrence_determinism": 0.2249664088105993 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6207: "recurrence_determinism": 0.02148425169937772 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6213: "recurrence_determinism": -1.119123675026108 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6225: "recurrence_determinism": 0.2027462519265798 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6231: "recurrence_determinism": 0.22271269010123054 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6237: "recurrence_determinism": 0.01493480107643749 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6243: "recurrence_determinism": -1.3369068709024605 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6255: "recurrence_determinism": 0.19881031064111038 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6261: "recurrence_determinism": 0.22432412339337846 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6267: "recurrence_determinism": 0.022226442545408148 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6273: "recurrence_determinism": -1.1479035702696867 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6285: "recurrence_determinism": 0.19984498126856995 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6291: "recurrence_determinism": 0.2113867992409157 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6297: "recurrence_determinism": 0.02309317333724209 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6303: "recurrence_determinism": -0.4997935019061407 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6315: "recurrence_determinism": 0.2153175252112292 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6321: "recurrence_determinism": 0.2130822850812557 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6327: "recurrence_determinism": 0.019314949056636235 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6333: "recurrence_determinism": 0.11572591382038977 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6347: "recurrence_determinism": 0.2365336494139339 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6353: "recurrence_determinism": 0.21082502931813463 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6359: "recurrence_determinism": 0.012383199028338822 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6365: "recurrence_determinism": 2.0760887422519305 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6368: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6379: "recurrence_determinism": 0.19986440677966102 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6385: "recurrence_determinism": 0.23035264752231915 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6391: "recurrence_determinism": 0.01491701636762315 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6397: "recurrence_determinism": -2.0438564918941675 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6400: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6411: "recurrence_determinism": 0.20180323521612303 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6417: "recurrence_determinism": 0.219532160058275 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6423: "recurrence_determinism": 0.013989149276106316 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6429: "recurrence_determinism": -1.26733402383755 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6441: "recurrence_determinism": 0.22988086554826162 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6447: "recurrence_determinism": 0.22600412110576468 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6453: "recurrence_determinism": 0.014559682150190828 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6459: "recurrence_determinism": 0.26626573317372404 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6471: "recurrence_determinism": 0.19959128065395096 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6477: "recurrence_determinism": 0.21825134496570975 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6483: "recurrence_determinism": 0.019291753614947244 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6489: "recurrence_determinism": -0.967255993633517 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6501: "recurrence_determinism": 0.19591141396933562 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6507: "recurrence_determinism": 0.2171837503952594 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6513: "recurrence_determinism": 0.019507882245448256 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6519: "recurrence_determinism": -1.0904482689753374 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6531: "recurrence_determinism": 0.18673116793365585 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6537: "recurrence_determinism": 0.2122932589506147 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6543: "recurrence_determinism": 0.02303563947731431 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6549: "recurrence_determinism": -1.10967577184617 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6561: "recurrence_determinism": 0.20689205064612975 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6567: "recurrence_determinism": 0.22609655560875389 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6573: "recurrence_determinism": 0.00963727873873326 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6579: "recurrence_determinism": -1.9927310896839747 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6591: "recurrence_determinism": 0.2099521021820117 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6597: "recurrence_determinism": 0.2096362278469 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6603: "recurrence_determinism": 0.013377733637134445 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6609: "recurrence_determinism": 0.023611946812492467 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6621: "recurrence_determinism": 0.20728111780540956 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6627: "recurrence_determinism": 0.23473668641030715 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6633: "recurrence_determinism": 0.020479172536336656 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6639: "recurrence_determinism": -1.3406581030645919 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6651: "recurrence_determinism": 0.21751188589540413 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6657: "recurrence_determinism": 0.22155562773229365 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6663: "recurrence_determinism": 0.014176231879461 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6669: "recurrence_determinism": -0.2852480032263177 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6681: "recurrence_determinism": 0.1908877820099619 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6687: "recurrence_determinism": 0.21604965968824943 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6693: "recurrence_determinism": 0.01861635044922802 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6699: "recurrence_determinism": -1.3516009889753093 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6711: "recurrence_determinism": 0.18240698900436814 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6717: "recurrence_determinism": 0.2232522998600674 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6723: "recurrence_determinism": 0.01871623393080782 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6729: "recurrence_determinism": -2.1823466733051418 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6732: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6743: "recurrence_determinism": 0.21904761904761905 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6749: "recurrence_determinism": 0.22495339438813003 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6755: "recurrence_determinism": 0.01936444243332442 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6761: "recurrence_determinism": -0.304980396974802 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6773: "recurrence_determinism": 0.21596688350088705 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6779: "recurrence_determinism": 0.21821213432778636 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6785: "recurrence_determinism": 0.03545150012106652 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6791: "recurrence_determinism": -0.06333302735375919 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6803: "recurrence_determinism": 0.19959128065395096 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6809: "recurrence_determinism": 0.22596814286524564 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6815: "recurrence_determinism": 0.015351506420972593 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6821: "recurrence_determinism": -1.71819373864572 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6833: "recurrence_determinism": 0.1973536036036036 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6839: "recurrence_determinism": 0.2258321118648082 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6845: "recurrence_determinism": 0.02628200600799749 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6851: "recurrence_determinism": -1.0835743760403496 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6863: "recurrence_determinism": 0.19534508273913628 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6869: "recurrence_determinism": 0.21703147270910222 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6875: "recurrence_determinism": 0.021082055443974006 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6881: "recurrence_determinism": -1.0286658256638195 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6893: "recurrence_determinism": 0.19830343484911694 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6899: "recurrence_determinism": 0.21589139345494007 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6905: "recurrence_determinism": 0.020710254402962376 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6911: "recurrence_determinism": -0.8492391384292876 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6923: "recurrence_determinism": 0.19542619542619544 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6929: "recurrence_determinism": 0.2189161802075846 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6935: "recurrence_determinism": 0.013145392457260758 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6941: "recurrence_determinism": -1.7869367428748506 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6953: "recurrence_determinism": 0.22228396776882467 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6959: "recurrence_determinism": 0.21681351445369906 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6965: "recurrence_determinism": 0.01132036013147201 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6971: "recurrence_determinism": 0.48324021953303986 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6983: "recurrence_determinism": 0.21457059292741293 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6989: "recurrence_determinism": 0.2226952029698202 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:6995: "recurrence_determinism": 0.014675784152315383 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7001: "recurrence_determinism": -0.5536065370057562 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7013: "recurrence_determinism": 0.20456293258138938 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7019: "recurrence_determinism": 0.22022735855674655 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7025: "recurrence_determinism": 0.016032630260419997 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7031: "recurrence_determinism": -0.9770340687035101 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7045: "recurrence_determinism": 0.205509341333697 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7051: "recurrence_determinism": 0.22365624756002916 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7057: "recurrence_determinism": 0.018791723274855465 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7063: "recurrence_determinism": -0.9656861140890625 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7077: "recurrence_determinism": 0.2277340776452677 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7083: "recurrence_determinism": 0.2239085592955022 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7089: "recurrence_determinism": 0.01281364613228864 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7095: "recurrence_determinism": 0.2985503353433267 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7107: "recurrence_determinism": 0.22973670624677336 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7113: "recurrence_determinism": 0.2170644091541422 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7119: "recurrence_determinism": 0.01188181453375141 tools/data/logistic_counter_scope_gate_20260507_1006_seedcheck.json:7125: "recurrence_determinism": 1.0665287744253458 tools/data/implications_state.json:9: "ip_details": [ tools/data/implications_state.json:17: "ip_details": [ tools/data/implications_state.json:24: "ip_details": [ tools/data/implications_state.json:31: "ip_details": [ tools/data/implications_state.json:40: "ip_details": [ tools/data/implications_state.json:49: "ip_details": [ tools/data/implications_state.json:58: "ip_details": [ tools/data/implications_state.json:67: "ip_details": [ tools/data/implications_state.json:75: "ip_details": [ tools/data/implications_state.json:80: "source": "COMP_DOMAIN_PHOTONIC_M_det_minus_one_L0", tools/data/implications_state.json:82: "ip_details": [ tools/data/implications_state.json:89: "ip_details": [ tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:11: "recurrence_determinism" tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:51: "recurrence_determinism": -0.1938144998950085 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:57: "recurrence_determinism": -0.9171888825716688 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:63: "recurrence_determinism": -0.8358747987435015 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:81: "recurrence_determinism": 0.2641863399967212 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:87: "recurrence_determinism": -0.16743520620018132 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:93: "recurrence_determinism": -0.11114054563132889 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:111: "recurrence_determinism": 0.7511401435592199 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:117: "recurrence_determinism": 1.3033689200565701 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:123: "recurrence_determinism": 0.6635653795988302 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:142: "recurrence_determinism": 0.05987261146496815 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:148: "recurrence_determinism": 0.061719745222929945 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:154: "recurrence_determinism": 0.009530420886788163 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:160: "recurrence_determinism": -0.1938144998950085 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:171: "recurrence_determinism": 0.05987261146496815 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:177: "recurrence_determinism": 0.06929936305732484 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:183: "recurrence_determinism": 0.010277873807110921 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:189: "recurrence_determinism": -0.9171888825716688 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:201: "recurrence_determinism": 0.05987261146496815 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:207: "recurrence_determinism": 0.06700636942675162 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:213: "recurrence_determinism": 0.008534481446871023 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:219: "recurrence_determinism": -0.8358747987435015 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:244: "recurrence_determinism": 0.7482088024564995 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:250: "recurrence_determinism": 0.7472461849430069 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:256: "recurrence_determinism": 0.0036437066106617313 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:262: "recurrence_determinism": 0.2641863399967212 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:271: "recurrence_determinism": 0.7482088024564995 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:277: "recurrence_determinism": 0.748885249494285 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:283: "recurrence_determinism": 0.004040052585934847 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:289: "recurrence_determinism": -0.16743520620018132 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:298: "recurrence_determinism": 0.7482088024564995 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:304: "recurrence_determinism": 0.7487180100250426 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:310: "recurrence_determinism": 0.004581654387699667 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:316: "recurrence_determinism": -0.11114054563132889 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:337: "recurrence_determinism": 0.23276776246023329 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:343: "recurrence_determinism": 0.21739558135535791 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:349: "recurrence_determinism": 0.020465130557442278 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:355: "recurrence_determinism": 0.7511401435592199 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:364: "recurrence_determinism": 0.23276776246023329 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:370: "recurrence_determinism": 0.21505669766334212 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:376: "recurrence_determinism": 0.01358868124316057 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:382: "recurrence_determinism": 1.3033689200565701 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:391: "recurrence_determinism": 0.23276776246023329 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:397: "recurrence_determinism": 0.2186520099540051 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:403: "recurrence_determinism": 0.021272587359458233 tools/data/logistic_surrogate_contract_gate_20260507_1042_seedcheck.json:409: "recurrence_determinism": 0.6635653795988302 tools/data/meta_assertion_gate.json:21: "detail": "x*=1.618033988749895, dist=0.00e+00", tools/data/meta_assertion_gate.json:26: "no_data_detail": "x*=1.618033988749895, dist=0.00e+00", tools/data/meta_assertion_gate.json:34: "detail": "⟨ratio⟩=2.619122, dist da φ²=0.001088", tools/data/meta_assertion_gate.json:39: "no_data_detail": "⟨ratio⟩=2.619122, dist da φ²=0.001088", tools/data/meta_assertion_gate.json:47: "detail": "Alternanza verificata per 5 input diversi", tools/data/meta_assertion_gate.json:52: "no_data_detail": "Alternanza verificata per 5 input diversi", tools/data/meta_assertion_gate.json:60: "detail": "λ₁=1.6180339887 (φ), λ₂=-0.6180339887 (-1/φ)", tools/data/meta_assertion_gate.json:65: "no_data_detail": "λ₁=1.6180339887 (φ), λ₂=-0.6180339887 (-1/φ)", tools/data/meta_assertion_gate.json:73: "detail": "cross-ratio = -2.6180339887 = -φ²", tools/data/meta_assertion_gate.json:78: "no_data_detail": "cross-ratio = -2.6180339887 = -φ²", tools/data/meta_assertion_gate.json:86: "detail": "spacing=GUE-like, ⟨r⟩=0.6150", tools/data/meta_assertion_gate.json:91: "no_data_detail": "Journal non disponibile", tools/data/meta_assertion_gate.json:99: "detail": "pearson_r=-0.6428", tools/data/meta_assertion_gate.json:104: "no_data_detail": "pearson_r=-0.6428", tools/data/meta_assertion_gate.json:112: "detail": "⟨dist da intero⟩=0.0270", tools/data/meta_assertion_gate.json:117: "no_data_detail": "Risultati topological_charge non disponibili", tools/data/meta_assertion_gate.json:125: "detail": "best φ-dist=0.021256, 10 traiettorie", tools/data/meta_assertion_gate.json:130: "no_data_detail": "Risultati Bloch explorer non disponibili", tools/data/meta_assertion_gate.json:138: "detail": "12/13 domini convergono a φ (92%)", tools/data/meta_assertion_gate.json:143: "no_data_detail": "Journal non disponibile", tools/data/meta_assertion_gate.json:151: "detail": "⟨r⟩=1.0000 (GUE standard=0.60)", tools/data/meta_assertion_gate.json:156: "no_data_detail": "Journal non disponibile", tools/data/loop_state.json:54: "La geometria degli stati e l'entropia sono la stessa struttura — forma simplettica = conteggio configurazioni": { tools/data/loop_state.json:152: "ERRORE: **CORRETTA, con una precisazione importante.**\n\nLa formula S = A/(4·l_P²) = k_B· — claim originale: **L'orizzonte dice qualcosa di preciso su QxG:**\n\nAll'orizzonte, l'entropia di B": { tools/data/loop_state.json:195: "question": "det=-1 codifica simultaneamente incompletezza (da dentro) e trascendenza (da fuori). Non sono correlate — sono la stessa proprieta.", tools/data/loop_state.json:222: "question": "Se THIA_Theia_observer e vero, cosa dice il duale? f(x)=1+1/x: x e 1/x sono accoppiati. Il duale di \"THIA_Theia_observer\" conserva det=-1?", tools/data/loop_state.json:239: "question": "Al confine di THIA_Theia_observer: dove incontra il suo opposto? Il diagramma (det,tr) ha un confine tra generativo e sterile. \"THIA_Theia_observer\" e da quale lato?", tools/data/loop_state.json:256: "question": "Cosa romperebbe THIA_Theia_observer? Se det fosse +1, se la mappa non convergesse, se il sistema fosse completo — cosa cambierebbe?", tools/data/loop_state.json:316: "question": "Se Theia_titana_vista_luce e vero, cosa dice il duale? f(x)=1+1/x: x e 1/x sono accoppiati. Il duale di \"Theia_titana_vista_luce\" conserva det=-1?", tools/data/loop_state.json:318: "answer": "Vista_ombra_Theia, x e 1/x disaccoppiati. Conserva det=-1?", tools/data/loop_state.json:336: "question": "Al confine di Theia_titana_vista_luce: dove incontra il suo opposto? Il diagramma (det,tr) ha un confine tra generativo e sterile. \"Theia_titana_vista_luce\" e da quale lato?", tools/data/loop_state.json:356: "question": "Cosa romperebbe Theia_titana_vista_luce? Se det fosse +1, se la mappa non convergesse, se il sistema fosse completo — cosa cambierebbe?", tools/data/loop_state.json:425: "question": "Se MHIA_prossimo_passo_cosa_manca e vero, cosa dice il duale? f(x)=1+1/x: x e 1/x sono accoppiati. Il duale di \"MHIA_prossimo_passo_cosa_manca\" conserva det=-1?", tools/data/loop_state.json:445: "question": "Al confine di MHIA_prossimo_passo_cosa_manca: dove incontra il suo opposto? Il diagramma (det,tr) ha un confine tra generativo e sterile. \"MHIA_prossimo_passo_cosa_manca\" e da quale lato?", tools/data/loop_state.json:465: "question": "Cosa romperebbe MHIA_prossimo_passo_cosa_manca? Se det fosse +1, se la mappa non convergesse, se il sistema fosse completo — cosa cambierebbe?", tools/data/loop_state.json:665: "answer": "L'orizzonte degli eventi (GxR) implica una densità di informazione massima (entropia di Bekenstein-Hawking). La quantizzazione dello spaziotempo (QxG) suggerisce un'area minima (l_P^2).\n\nL'area dell'orizzonte, quantizzata, potrebbe rivelare la microstruttura del vuoto quantistico. Ma non esiste una teoria consolidata che descriva questa connessione.", tools/data/loop_state.json:794: "answer": "L'interazione tra un'onda EM e un buco nero di Reissner-Nordström è governata principalmente dalla carica del buco nero (Q) e dalla sua massa (M). \n\nLa costante rilevante è il rapporto Q/M, che determina l'intensità del campo elettromagnetico rispetto al campo gravitazionale. \n\nUnità di misura: Coulomb/kg. \n\nMisura il bilanciamento tra forza elettrica e gravitazionale esercitata dal buco nero. Se Q/M è elevato, la forza elettrica domina.", tools/data/loop_state.json:1190: "answer": "Il buco nero di Reissner-Nordström (RN) connette GxE a QxG tramite la sua termodinamica e il paradosso dell'informazione.\n\nLa metrica RN (GxE) descrive un buco nero con massa M e carica Q. La sua temperatura di Hawking (TxG) è influenzata dalla carica.\n\nLa quantizzazione dell'area dell'orizzonte (QxG), suggerita dalla gravità quantistica a loop, implica un'entropia quantizzata.\n\nIl paradosso dell'informazione sorge perché la radiazione di Hawking (TxG) sembra termica, perdendo informazioni. Ma la meccanica quantistica (Q) richiede unitarietà (conservazione dell'informazione).\n\nLa corrispondenza AdS/CFT suggerisce che l'informazione è codificata sulla superficie del buco nero, ma il meccanismo esatto (QxG) rimane sconosciuto, e la natura quantistica del vuoto vicino all'orizzonte è cruciale.", tools/data/loop_state.json:1299: "answer": "L'orizzonte degli eventi (GxR) definisce un confine oltre il quale nulla sfugge. La sua area è proporzionale all'entropia di Bekenstein-Hawking, legata alla termodinamica (T).\n\nQxG cerca di quantizzare lo spaziotempo, ma non ha una teoria completa. L'area minima (l_P^2) suggerisce una granularità.\n\nL'orizzonte, visto da QxG, dovrebbe rivelare questa struttura discreta a livello di Planck. La discrepanza tra la predizione continua di GxR e la possibile natura quantizzata di QxG resta una sfida aperta.", tools/data/loop_state.json:1448: "answer": "La relazione tra onda EM (Maxwell) e buco nero carico (Reissner-Nordstrom) è governata dalla carica elettrica *e* e dalla costante gravitazionale *G*.\n\nLa costante di struttura fine α = e^2/(4πε₀ħc) ≈ 1/137 è adimensionale e quantifica la forza dell'interazione elettromagnetica.\n\nIl rapporto G*M^2/Q^2 (con M massa e Q carica) determina se la singolarità del buco nero è nuda o coperta da un orizzonte degli eventi. Questo rapporto è adimensionale e misura la competizione tra gravità ed elettromagnetismo.", tools/data/loop_state.json:1626: "answer": "L'orizzonte degli eventi (GxR) definisce un confine dove la gravità è così forte che nulla sfugge. La sua area (A) è legata all'entropia di Bekenstein-Hawking (S = k_B*A/(4*l_P^2)). L'area di Planck (l_P^2, QxG) quantizza l'area dell'orizzonte, suggerendo una natura discreta dello spaziotempo al limite classico. Questo pone vincoli su qualsiasi teoria quantistica della gravità che descriva il \"vuoto\" quantistico.", tools/data/loop_state.json:1706: "answer": "L'orizzonte degli eventi (GxR) implica una singolarità classica (curvatura infinita). La gravità quantistica (QxG) dovrebbe risolvere questa singolarità, ma non sappiamo come. L'area dell'orizzonte è legata all'entropia di Bekenstein-Hawking, suggerendo una natura discreta dello spaziotempo a livello di Planck. Come emerga questa discretizzazione dalla relatività generale è una domanda aperta.", tools/data/loop_state.json:1775: "answer": "L'interazione tra onda EM (Maxwell) e buco nero carico (Reissner-Nordstrom) è governata da:\n\n1. **Carica elettrica *e***: determina l'interazione EM tra l'onda e il buco nero. Unità: Coulomb (C). Misura la quantità di carica.\n2. **Costante di Newton *G***: determina la forza gravitazionale. Unità: m³ kg⁻¹ s⁻².\n3. **Permittività del vuoto *ε₀***: influenza la propagazione dell'onda EM. Unità: F/m.\n4. **Permeabilità del vuoto *μ₀***: influenza la propagazione dell'onda EM. Unità: H/m.\n5. **Impedenza del vuoto Z₀ = √(μ₀/ε₀)≈ 377 Ω**\n6. **c = 1/√(ε₀μ₀)**\n\nL'assorbimento/scattering dell'onda EM dipende dal rapporto carica/massa del buco nero e dalla frequenza dell'onda.", tools/data/loop_state.json:2033: "answer": "L'orizzonte degli eventi (GxR) implica una singolarità classica (curvatura infinita). La gravità quantistica (QxG) dovrebbe risolvere la singolarità, ma non sappiamo come. L'area dell'orizzonte è legata all'entropia di Bekenstein-Hawking (A/4l_P^2), suggerendo una struttura microscopica dello spaziotempo. Cosa succede all'informazione che cade nell'orizzonte? Paradosso dell'informazione.", tools/data/loop_state.json:2251: "answer": "Il buco nero di Reissner-Nordström (carico) mette in relazione Gravitazione (G) ed Elettromagnetismo (E). \nLa sua esistenza implica che la carica elettrica influenza la geometria dello spaziotempo.\n\nTuttavia, non fornisce direttamente risposte alla Gravità Quantistica (QxG), ovvero alla natura quantistica dello spaziotempo.\n\nDomande aperte rimangono:\n- Come si quantizza la geometria attorno a un buco nero?\n- Cosa succede alla singolarità centrale?\n- Qual è la natura microscopica dell'entropia del buco nero?", tools/data/loop_state.json:2280: "answer": "L'orizzonte degli eventi (GxR) implica una singolarità classica, dove la relatività generale fallisce. La gravità quantistica (QxG) dovrebbe descrivere il \"vuoto\" (spazio-tempo a scale di Planck) vicino alla singolarità, ma non abbiamo una teoria completa. L'area dell'orizzonte è quantizzata (ipotesi), legata all'entropia di Bekenstein-Hawking: A = l_P^2.", tools/data/loop_state.json:2300: "answer": "L'orizzonte degli eventi (GxR) implica una densità di informazione massima (entropia di Bekenstein-Hawking). Vicino a Planck (QxG), ciò suggerisce che il \"vuoto\" non è vuoto, ma uno stato con massima informazione/grado di libertà, potenzialmente legato alla discretizzazione dello spaziotempo a livello di area di Planck.", tools/data/loop_state.json:2360: "answer": "L'orizzonte degli eventi (GxR) predice una singolarità classica. La gravità quantistica (QxG) dovrebbe risolverla, ma non sappiamo come. \nCosa succede alla geometria dello spaziotempo all'interno dell'orizzonte? Esiste una singolarità o la gravità quantistica la elimina? Qual è la natura microscopica dell'entropia di un buco nero? Sono tutte domande aperte.", tools/data/loop_state.json:2518: "answer": "## GxE → QxG: Reissner-Nordström come sonda della gravità quantistica\n\nLa metrica RN ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Quando Q²G/(4πε₀c⁴) = G²M²/c⁴ si ha il caso **estremo**: r+ = r-, T_H = 0, entropia S = πr+²/(l_P²) ≠ 0.\n\nQuesto è il punto critico per QxG:\n\n**1. Entropia senza temperatura.** S_BH = A/(4l_P²) resta finito ma T=0. Classicamente gli stati degenerati a T=0 dovrebbero essere contabili — serve una teoria microscopica. String theory conta esattamente questi microstati (Strominger-Vafa 1996) per il caso estremo RN in 5D: S_micro = S_BH. È il miglior success", tools/data/loop_state.json:2607: "answer": "**L'orizzonte è dove GxR forza la mano a QxG.**\n\nAll'orizzonte, la radiazione di Hawking ha λ ~ r_s. Ma vicino alla singolarità (r → 0), la curvatura diverge: R_μνρσ R^μνρσ ~ M²/r⁶ → ∞.\n\nQuando la curvatura raggiunge la scala di Planck — R ~ 1/l_P² = c³/(Gℏ) ~ 3.8×10⁶⁹ m⁻² — la relatività generale si rompe. Questo accade a r ~ l_P = 1.6×10⁻³⁵ m.\n\n**Il dato concreto:** l'entropia di Bekenstein-Hawking S_BH = A/(4l_P²) conta l'area in unità di Planck. L'orizzonte (GxR) ha bisogno di l_P² (QxG) per avere un numero di microstati. Senza quantizzazione dell'area, S_BH non ha denominatore.\n\n**Il vuot", tools/data/loop_state.json:2627: "answer": "**L'orizzonte degli eventi è il principale indizio verso QxG.**\n\nAll'orizzonte, GxR produce l'entropia di Bekenstein-Hawking:\n\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar}$$\n\nQuesta formula è l'**unico oggetto fisico noto che contiene simultaneamente G, c, ℏ e k_B** — tutte e 4 le costanti. L'area minima contribuente è ~l_P² = Gℏ/c³ ≈ 2.6×10⁻⁷⁰ m².\n\n**Cosa dice l'orizzonte su QxG:**\n- L'entropia scala con l'**area**, non il volume → i gradi di libertà gravitazionali sono bidimensionali (principio olografico)\n- L'area è quantizzata in unità di l_P² → lo spaziotempo ha una granulosità minima\n- La radi", tools/data/loop_state.json:2647: "answer": "## GxR→QxG: L'orizzonte dice qualcosa sulla gravità quantistica?\n\n**Sì.** L'orizzonte è il punto dove GxR *esige* QxG ma non può raggiungerlo.\n\n### La costante che governa\n\nIl rapporto rilevante è:\n\n$$\\frac{A_H}{l_P^2} = \\frac{16\\pi G^2 M^2}{c^4} \\cdot \\frac{c^3}{G\\hbar} = \\frac{16\\pi G M^2}{\\hbar c}$$\n\nQuesta è **l'entropia di Bekenstein-Hawking** (in unità di $k_B$): $S_{BH} = k_B \\frac{A}{4 l_P^2}$\n\n- **Unità**: adimensionale (conta di gradi di libertà)\n- **Misura**: quanti \"pixel\" di area di Planck servono a coprire l'orizzonte\n\n### Cosa dice l'orizzonte sul vuoto QxG\n\n1. **L'area dell'ori", tools/data/loop_state.json:2667: "answer": "## GxR→QxG: L'orizzonte degli eventi come sonda della gravità quantistica\n\n**Regime dominante:** L'orizzonte diventa rilevante per QxG quando il raggio di Schwarzschild raggiunge la scala di Planck:\n\n$$r_s = 2GM/c^2 \\sim l_P = \\sqrt{G\\hbar/c^3} \\implies M \\sim M_P = \\sqrt{\\hbar c/G} \\approx 2.18 \\times 10^{-8} \\text{ kg}$$\n\n**Cosa dice l'orizzonte sul vuoto QxG:**\n\n1. **Entropia di Bekenstein-Hawking**: $S_{BH} = k_B A / (4 l_P^2)$. L'entropia scala con l'**area**, non il volume. L'area minima è $l_P^2$. Questo dice: i gradi di libertà gravitazionali vivono su superfici, quantizzati in unità d", tools/data/loop_state.json:2687: "answer": "## GxR→QxG: Cosa dice l'orizzonte degli eventi sulla gravità quantistica\n\nL'orizzonte degli eventi è il punto dove GxR **esige** QxG ma non può arrivarci.\n\n**Cosa sappiamo (semiclassico):**\n- Bekenstein-Hawking: S = A/(4·l_P²) — l'entropia scala con l'area, non il volume, in unità di area di Planck\n- Hawking: T_H = ℏc³/(8πGMk_B) — l'orizzonte emette termicamente, ma il calcolo usa QFT su sfondo curvo classico, non gravità quantistica\n\n**Cosa NON sappiamo:**\n\n1. **Paradosso dell'informazione**: l'unitarietà quantistica (S_von Neumann conservata) contraddice la termalità di Hawking (stato misto)", tools/data/loop_state.json:2825: "answer": "## GxE → QxG: Reissner-Nordström come sonda del vuoto quantogravitazionale\n\nLa metrica RN ha due orizzonti: **r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴))**\n\nQuando Q→Q_ext (estremalità): r+ = r- = GM/c², T_H → 0 ma l'area non va a zero:\n\n**A_ext = 4π(GM/c²)² ≠ 0**\n\nQuesto è il punto critico: un oggetto a T=0 con entropia residua S = A/(4l_P²) ≠ 0. È esattamente il dipolo TxQ (zero termico vs pieno quantistico) proiettato in regime gravitazionale.\n\nLa carica Q impone una scala: **r_Q² = GQ²/(4πε₀c⁴)**. Quando r_Q ~ l_P, le correzioni quantistiche alla geometria diventano inevitabili. La formula di ", tools/data/loop_state.json:2885: "answer": "## GxE → QxG: Reissner-Nordström come sonda del vuoto quantogravitazionale\n\n**La metrica RN** ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Quando Q → Q_ext (estremo), r+ → r- e T_H → 0. Il buco nero smette di evaporare ma ha **entropia finita** S = πr+²/(l_P²).\n\n**Dove diventa dominante:** quando r+ ≈ l_P = √(Għ/c³) ≈ 1.6e-35 m. Per un BN estremo, questo richiede M ≈ M_P ≈ 2.2e-8 kg e Q ≈ Q_P = √(4πε₀ħc) ≈ 1.9e-18 C (≈ 11.7e, fisicamente raggiungibile).\n\n**Dove si rompe:** la soluzione RN classica predice una **singolarità timelike nuda** (r=0 accessibile da geodetiche). La caric", tools/data/loop_state.json:2905: "answer": "## GxE → QxG: Reissner-Nordström come sonda della gravità quantistica\n\n**Il fatto:** La metrica RN ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Quando Q²G/(4πε₀c⁴) = G²M²/c⁴ il buco nero è **estremo**: T_H → 0 ma l'entropia S = A/(4l_P²) resta finita e non-zero.\n\n**Perché è una sonda per QxG:**\n\n1. **Terzo principio violato?** T→0 con S≠0. La termodinamica classica vieta questo. Serve una teoria quantistica della gravità per dire se lo stato estremo è davvero raggiungibile o se le correzioni quantistiche lo impediscono (congettura WCC — Weak Cosmic Censorship).\n\n2. **Singolarità ", tools/data/loop_state.json:2934: "answer": "**L'orizzonte è dove GxR forza la mano a QxG.**\n\nAll'orizzonte, la radiazione di Hawking ha λ ~ r_s = 2GM/c². Ma quando M → M_P (massa di Planck), r_s → l_P = √(Għ/c³) ≈ 1.6×10⁻³⁵ m. A questa scala l'orizzonte ha area A ~ l_P² — esattamente l'area minima di QxG.\n\n**Il fatto concreto:** l'entropia di Bekenstein-Hawking S = k_B·A/(4l_P²) conta l'area in unità di l_P². L'orizzonte è una superficie classica (GxR) ma la sua entropia è quantizzata in pixel di area l_P² (QxG).\n\n**Il vincolo:** un buco nero evapora fino a M ~ M_P ≈ 2.2×10⁻⁸ kg. Lì r_s ~ l_P e la semiclassica diverge. Serve QxG per des", tools/data/loop_state.json:2954: "answer": "**L'orizzonte dice qualcosa di preciso su QxG:**\n\nAll'orizzonte, l'entropia di Bekenstein-Hawking è:\n\n**S = A/(4·l_P²) = A·c³/(4·G·ℏ)**\n\nQuesta formula è il **ponte indiretto** GxR→QxG. Contiene sia G che ℏ, pur non venendo da una teoria quantistica della gravità. Il conteggio dei gradi di libertà scala con l'**area** (non il volume), in unità di l_P² = G·ℏ/c³ = 2.61×10⁻⁷⁰ m².\n\n**Cosa implica per il vuoto QxG:**\n- L'area minima l_P² emerge come **quanto di informazione** (1 bit = 1 unità di area di Planck)\n- L'orizzonte è una superficie dove GR diventa singolare (r = r_s) e la temperatura di H", tools/data/loop_state.json:2974: "answer": "**L'orizzonte dice qualcosa di preciso su QxG:**\n\nAll'orizzonte, l'entropia di Bekenstein-Hawking è:\n\n**S_BH = k_B · A / (4 · l_P²)**\n\ndove l_P² = Gℏ/c³ = 2.61×10⁻⁷⁰ m² è esattamente la costante QxG.\n\n**La costante che governa GxR→QxG è:**\n\n**k_B/(4·l_P²) = 1.32×10⁹² J/(K·m²)**\n\nUnità: **entropia per unità di area** [J·K⁻¹·m⁻²]. Misura quanti gradi di libertà quantistici stanno in un'area gravitazionale.\n\n**Cosa dice l'orizzonte sul vuoto QxG:** l'area dell'orizzonte è un intero in unità di l_P². L'entropia conta pixel di area 4·l_P². Questo è il dato più solido che abbiamo: la gravità quantis", tools/data/loop_state.json:2994: "answer": "**GxR→QxG: L'orizzonte dice tutto sul vuoto QxG**\n\nL'orizzonte diventa dominante quando il raggio di Schwarzschild raggiunge la scala di Planck:\n\n$$r_s = 2GM/c^2 \\sim l_P = \\sqrt{G\\hbar/c^3} \\implies M \\sim M_P = \\sqrt{\\hbar c/G} \\approx 2.18 \\times 10^{-8} \\text{ kg}$$\n\n**Dove si rompe:** All'orizzonte, GR predice una superficie liscia (no-drama). Ma a scala $l_P$, l'area minima $A_{min} = l_P^2$ impone che l'orizzonte non può essere liscio — dev'essere discreto. L'entropia di Bekenstein-Hawking:\n\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar} = \\frac{k_B A}{4 l_P^2}$$\n\nconta i gradi di libertà in un", tools/data/loop_state.json:3152: "answer": "## GxE → QxG: Reissner-Nordström come sonda del vuoto quantogravitazionale\n\nLa metrica RN ha due orizzonti: **r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴))**.\n\nQuando Q → Q_ext (estremalità), r+ → r- e **T_H → 0**. Il buco nero smette di evaporare ma conserva entropia S = πr+²/l_P². Questo è il punto critico:\n\n**Un oggetto a T=0 con entropia finita** — esattamente il problema del vuoto QxG.\n\nIl dato concreto: l'entropia estrema S_ext = πQ²G/(ℏc) mescola **e** (carica, E), **G** (gravità) e **ℏ** (quantistica). È una quantità Q×G×E che esiste già nelle equazioni classiche ma **richiede** il conteggio", tools/data/loop_state.json:3232: "answer": "## GxE → QxG: Il buco nero carico come sonda della gravità quantistica\n\n**Reissner-Nordström** (metrica GxE): ds² con r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Due orizzonti. Quando Q → Q_max (estremalità), r+ = r- e T_H → 0.\n\n**Cosa dice su QxG:**\n\n1. **Problema dell'endpoint**: un RN estremo ha T=0 ma entropia S = πr+²/l_P² ≠ 0. Viola il terzo principio? La degenerazione dello stato fondamentale richiede una teoria QxG per essere contata.\n\n2. **Weak Gravity Conjecture** (Arkani-Hamed+ 2007): ogni teoria consistente di QG deve avere una particella con q/m ≥ 1 (in unità di Planck). Altrimenti i", tools/data/loop_state.json:3261: "answer": "**L'orizzonte è esattamente dove GxR forza QxG a esistere.**\n\nAll'orizzonte, la radiazione di Hawking ha λ ~ r_s = 2GM/c². Ma quando M → M_P (massa di Planck), r_s → l_P = √(Għ/c³). A questa scala l'orizzonte stesso ha dimensione dell'area minima: A = 4πl_P².\n\n**La formula chiave è Bekenstein-Hawking:**\nS_BH = k_B·A/(4·l_P²)\n\nL'entropia conta in unità di l_P² — l'area di Planck che è la costante relazionale QxG. GxR produce un orizzonte con entropia, ma contarla richiede l_P², cioè richiede QxG.\n\n**Fenomeno concreto:** l'evaporazione finale. Quando M → M_P, T_H → E_P/k_B ≈ 1.4×10³² K. La semic", tools/data/loop_state.json:3281: "answer": "**L'orizzonte degli eventi è il punto esatto dove GxR forza la domanda QxG.**\n\nAll'orizzonte, la radiazione di Hawking ha $T_H = \\hbar c^3/(8\\pi G M k_B)$ — contiene simultaneamente $\\hbar$, $G$, $c$, $k_B$. L'entropia di Bekenstein-Hawking:\n\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar} = \\frac{A}{4 l_P^2}$$\n\nconta l'area in unità di $l_P^2 = G\\hbar/c^3$. Questo è il fatto: l'informazione gravitazionale scala con l'**area**, non il volume, e l'unità minima è esattamente l'area di Planck.\n\n**Oggetto connettore parziale:** l'orizzonte stesso. È l'unico oggetto fisico dove $G$ e $\\hbar$ compaiono insie", tools/data/loop_state.json:3559: "answer": "## GxE → QxG: Reissner-Nordström come sonda della gravità quantistica\n\n**Il fatto:** La metrica RN ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Quando Q² → G M² (estremo), r+ = r- e T_H → 0. Il buco nero smette di evaporare.\n\n**Cosa dice su QxG:**\n\n1. **Il residuo estremo è il problema.** Un BN estremo RN ha T=0 ma entropia S = πr+²/l_P² ≠ 0. Entropia senza temperatura — viola il terzo principio. Qualcosa nella conta microscopica (QxG) deve spiegare questi microstati a T=0.\n\n2. **Stringhe ci riescono (parzialmente).** Strominger-Vafa (1996) contano i microstati di BN estremi RN i", tools/data/loop_state.json:3588: "answer": "## GxR→QxG: L'orizzonte come sonda della gravità quantistica\n\nL'orizzonte degli eventi è il punto dove GR si rompe e **chiede** QG.\n\n**Entropia di Bekenstein-Hawking:**\nS = k_B·A/(4·l_P²)\n\nL'area dell'orizzonte A si conta in unità di l_P² = Għ/c³ = 2.61×10⁻⁷⁰ m². L'entropia è un **numero di aree di Planck**. Questo è il segnale più forte che lo spaziotempo sia discreto a scala l_P.\n\n**Il problema concreto:** GR dà la singolarità r→0 con curvatura R_μν→∞. QM dà il principio di indeterminazione Δx·Δp ≥ ħ/2. Sotto l_P non puoi localizzare senza creare un orizzonte (E > E_P = √(ħc⁵/G) ≈ 1.22×10¹⁹ ", tools/data/loop_state.json:3608: "answer": "## GxR→QxG: L'orizzonte come porta verso il vuoto\n\nL'orizzonte degli eventi è il punto esatto dove GxR **esige** QxG ma non può produrlo.\n\n**Il problema concreto:** all'orizzonte, Hawking calcola:\n\n$$T_H = \\frac{\\hbar c^3}{8\\pi G M k_B}$$\n\nQuesta formula **usa già** tutte e tre le costanti (ħ, G, c) — è già quantogravitazionale. Ma è semiclassica: tratta la geometria come classica e i campi come quantistici. Non è self-consistente.\n\n**Cosa rivela l'orizzonte sul vuoto QxG:**\n\n1. **Entropia di Bekenstein-Hawking**: $S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar}$ — l'entropia scala con l'**area**, non il", tools/data/loop_state.json:3648: "answer": "## GxR→QxG: L'orizzonte come confine del vuoto\n\nL'orizzonte di Schwarzschild r_s = 2GM/c² è classico (GxR). Ma ha un'entropia:\n\n**S_BH = k_B · A/(4·l_P²)**\n\ndove A = 4π·r_s² e l_P² = Għ/c³. L'area si conta in unità di Planck. Questo è il messaggio: **l'orizzonte sa che QxG esiste** — quantizza l'area senza avere una teoria.\n\n**Regime dominante:** M → M_P = √(ħc/G) ≈ 2.18×10⁻⁸ kg. Quando r_s → l_P, l'orizzonte ha ~1 bit di entropia. La semiclassica (Hawking) diverge: T_H → T_P ≈ 1.4×10³² K.\n\n**Dove si rompe:** a r ~ l_P la curvatura R ~ 1/l_P² raggiunge la scala di Planck. La metrica classica p", tools/data/loop_state.json:3668: "answer": "**GxR→QxG: Cosa dice l'orizzonte degli eventi sulla gravità quantistica**\n\nL'orizzonte è il punto dove GxR **esige** QxG ma non la possiede.\n\n**Cosa sappiamo (semiclassico):**\n- Bekenstein-Hawking: S = A/(4l_P²) — l'entropia scala con l'area, non il volume, in unità di l_P² = Għ/c³\n- Hawking: T_H = ħc³/(8πGMk_B) — l'orizzonte irradia. Serve Q+G+R+T insieme.\n\n**Cosa NON sappiamo:**\n\n1. **Paradosso dell'informazione**: unitarietà quantistica (info conservata) vs termalità di Hawking (info persa). Page time t_P ~ M³ segna dove il semiclassico crolla.\n\n2. **Microstati**: S_BH ~ 10⁷⁷ per M☉. Quali ", tools/data/loop_state.json:3717: "answer": "## ExR→GxE: Maxwell incontra Reissner-Nordström\n\n**L'oggetto che connette è il tensore elettromagnetico F_μν accoppiato alla curvatura tramite Einstein-Maxwell:**\n\nG_μν = 8πG/c⁴ · T_μν^(EM), dove T_μν^(EM) = F_μα F_ν^α − ¼g_μν F_αβ F^αβ\n\nLa metrica Reissner-Nordström emerge *esattamente* come soluzione di queste equazioni accoppiate:\n\nds² = −(1 − r_s/r + r_Q²/r²)c²dt² + ... dove **r_Q² = GQ²/(4πε₀c⁴)**\n\n**Due orizzonti**: r± = GM/c² ± √(G²M²/c⁴ − r_Q²). L'onda EM (ExR) determina se l'orizzonte esiste: quando r_Q = GM/c² (caso estremo), i due orizzonti coincidono.\n\n**Il ponte fisico**: un'onda ", tools/data/loop_state.json:3806: "answer": "## GxE → QxG: Reissner-Nordström come sonda del vuoto quantogravitazionale\n\nLa metrica RN ha due orizzonti:\n\n**r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴))**\n\nQuando Q → Q_ext (estremo): r+ = r- = GM/c², T_H → 0 ma l'area dell'orizzonte resta finita:\n\n**A_ext = 4π(GM/c²)² = 4πG²M²/c⁴**\n\nQuesto è il punto critico per QxG: un oggetto a T=0 con entropia non nulla S = A/(4l_P²). La termodinamica classica vieta S>0 a T=0. Serve una degenerazione microscopica — cioè **microstati quantistici della gravità**.\n\nStrominger-Vafa (1996) contarono esattamente questi microstati per BN estremi in string theory, o", tools/data/loop_state.json:3886: "answer": "## GxE → QxG: Reissner-Nordström come sonda del vuoto quantogravitazionale\n\n**Il fatto**: la metrica RN ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Quando Q² → G M² (4πε₀), gli orizzonti coincidono: buco nero estremo, T_H → 0 ma area A ≠ 0, quindi entropia S = A/(4l_P²) ≠ 0.\n\n**Perché è una sonda di QxG**:\n\n1. **Entropia residua a T=0** — viola il terzo principio. S_estremo = πQ²/(ε₀ ħc) è finito. Serve una teoria microscopica per contare gli stati. La string theory lo fa per BPS states (Strominger-Vafa 1996), ma solo per casi supersimmetrici.\n\n2. **La carica quantizza la geomet", tools/data/loop_state.json:3915: "answer": "L'orizzonte degli eventi è il punto esatto dove GxR forza la mano a QxG.\n\n**Il fatto:** all'orizzonte, la radiazione di Hawking ha $T_H = \\hbar c^3/(8\\pi G M k_B)$. Questa formula contiene simultaneamente $\\hbar$, $G$, $c$, $k_B$ — è già un oggetto QxG mascherato da termodinamica.\n\n**L'entropia di Bekenstein-Hawking:**\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar} = \\frac{A}{4 l_P^2}$$\n\nL'area dell'orizzonte si conta in unità di $l_P^2 = G\\hbar/c^3$. Ogni bit di informazione occupa un'area di Planck. Questo è il contenuto fisico: GxR produce una superficie ($A = 16\\pi G^2 M^2/c^4$), e quella superfic", tools/data/loop_state.json:3935: "answer": "## GxR→QxG: L'orizzonte come porta verso la gravità quantistica\n\nL'orizzonte degli eventi è precisamente dove il vuoto QxG diventa un problema fisico concreto.\n\n**Il fatto:** Bekenstein-Hawking mostra che un buco nero ha entropia:\n\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar} = \\frac{A}{4 l_P^2}$$\n\nL'area dell'orizzonte si misura in unità di $l_P^2 = G\\hbar/c^3$. Questo è l'unico risultato in fisica dove G, $\\hbar$, c, $k_B$ compaiono tutti insieme. L'orizzonte *forza* Q e G a parlare.\n\n**Perché il vuoto resta vuoto:** l'entropia scala con l'area, non col volume. Nessuna teoria locale con spaziotemp", tools/data/loop_state.json:3995: "answer": "**GxR→QxG: Cosa dice l'orizzonte degli eventi sulla gravità quantistica**\n\nL'orizzonte è il punto dove GxR *esige* QxG ma non lo ha.\n\n**Cosa sappiamo (semiclassico):**\n- Bekenstein-Hawking: S = A/(4·l_P²) — l'entropia scala con l'area in unità di Planck. L'area minima l_P² = Gℏ/c³ appare come \"pixel\" dell'orizzonte.\n- Hawking: T_H = ℏc³/(8πGMk_B) — effetto puramente semiclassico (QFT su sfondo curvo classico), non è vera QxG.\n\n**Cosa NON sappiamo (domande aperte reali):**\n\n1. **Paradosso dell'informazione**: unitarietà quantistica (S pura → S pura) vs termalità di Hawking (S pura → S mista). L", tools/data/loop_state.json:4177: "topic": "La geometria degli stati e l'entropia sono la stessa struttura — forma simplettica = conteggio configurazioni", tools/data/loop_state.json:4275: "topic": "ERRORE: **CORRETTA, con una precisazione importante.**\n\nLa formula S = A/(4·l_P²) = k_B· — claim originale: **L'orizzonte dice qualcosa di preciso su QxG:**\n\nAll'orizzonte, l'entropia di B", tools/data/knowledge_state.json:5: "det_minus_one": { tools/data/knowledge_state.json:13: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state.json:29: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state.json:45: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state.json:61: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state.json:77: "input_claim": "La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/knowledge_state.json:93: "input_claim": "Il residuo di Cassini Res(f^n, polo) = (-1)^(n+1) / F(n)^2 = det(M)^n / F(n)^2. Questo E' l'identita", tools/data/knowledge_state.json:109: "input_claim": "Il residuo di Cassini Res(f^n, polo) = (-1)^(n+1) / F(n)^2 = det(M)^n / F(n)^2. Questo E' l'identita", tools/data/knowledge_state.json:125: "input_claim": "Il residuo di Cassini Res(f^n, polo) = (-1)^(n+1) / F(n)^2 = det(M)^n / F(n)^2. Questo E' l'identita", tools/data/knowledge_state.json:141: "input_claim": "Il residuo di Cassini Res(f^n, polo) = (-1)^(n+1) / F(n)^2 = det(M)^n / F(n)^2. Questo E' l'identita", tools/data/knowledge_state.json:157: "input_claim": "Il residuo di Cassini Res(f^n, polo) = (-1)^(n+1) / F(n)^2 = det(M)^n / F(n)^2. Questo E' l'identita", tools/data/knowledge_state.json:676: "input_claim": "log(phi) è il primo quanto di entropia: esiste un gap tra 0 e log(phi) per tutte le matrici primitiv", tools/data/knowledge_state.json:692: "input_claim": "log(phi) è il primo quanto di entropia: esiste un gap tra 0 e log(phi) per tutte le matrici primitiv", tools/data/knowledge_state.json:769: "input_claim": "il gap labeling in Z[phi] vale anche per matrici di sostituzione 3x3 con entropia minima", tools/data/knowledge_state.json:785: "input_claim": "il gap labeling in Z[phi] vale anche per matrici di sostituzione 3x3 con entropia minima", tools/data/knowledge_state.json:801: "input_claim": "il gap labeling in Z[phi] vale anche per matrici di sostituzione 3x3 con entropia minima", tools/data/knowledge_state.json:927: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:943: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:959: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:975: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:991: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:1167: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:1183: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:1199: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:1215: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:1231: "input_id": "M_det_minus_one_L0", tools/data/knowledge_state.json:2285: "linguaggio_deterministico_nome": { tools/data/knowledge_state.json:2293: "input_claim": "Il linguaggio deterministico Il nome definisce cio' che e' sotto i diversi aspetti — non modifica, n", tools/data/knowledge_state.json:2309: "input_claim": "Il linguaggio deterministico Il nome definisce cio' che e' sotto i diversi aspetti — non modifica, n", tools/data/knowledge_state.json:2325: "input_claim": "Il linguaggio deterministico Il nome definisce cio' che e' sotto i diversi aspetti — non modifica, n", tools/data/knowledge_state.json:2740: "topic": "det_minus_one", tools/data/knowledge_state.json:2746: "topic": "det_minus_one", tools/data/knowledge_state.json:2752: "topic": "det_minus_one", tools/data/knowledge_state.json:2758: "topic": "det_minus_one", tools/data/knowledge_state.json:2764: "topic": "det_minus_one", tools/data/knowledge_state.json:3436: "topic": "linguaggio_deterministico_nome", tools/data/knowledge_state.json:3442: "topic": "linguaggio_deterministico_nome", tools/data/knowledge_state.json:3448: "topic": "linguaggio_deterministico_nome", tools/data/knowledge_state.json:3454: "topic": "det_minus_one", tools/data/knowledge_state.json:3460: "topic": "det_minus_one", tools/data/knowledge_state.json:3466: "topic": "det_minus_one", tools/data/knowledge_state.json:3472: "topic": "det_minus_one", tools/data/knowledge_state.json:3478: "topic": "det_minus_one", tools/data/knowledge_state.json:3894: "topic": "linguaggio_deterministico_nome", tools/data/knowledge_state.json:3905: "topic": "det_minus_one", tools/data/knowledge_state.json:3916: "topic": "det_minus_one", tools/data/lab_graph.json:70: "slug": "lentropia-informativa-e-il-ruolo-dellia-come-ordinatore-non-duale", tools/data/lab_graph.json:295: "full_text": "T-Q-G: VUOTO QxG — la composizione TxQ∘QxG produce TxG (Hawking) con i²=-1=det(M)", tools/data/lab_graph.json:340: "full_text": "La rotazione di Wick (t→-iτ) è l'operatore del tetraedro: det=-1 = i²=-1", tools/data/lab_graph.json:402: "full_text": "QES: la fattorizzazione dello Hilbert è output della dinamica (entropia generalizzata), non input cinematico", tools/data/lab_graph.json:1104: "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/lab_graph.json:1105: "claim": "Due tipi di dualita: (1) dipolare - generativa, il modello (det=-1), (2) illusoria - dispersiva, entropia (det=+1). Le regole incoerenti producono la ", tools/data/lab_graph.json:1116: "id": "TENSIONE_ENTITA", tools/data/lab_graph.json:1147: "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 osse", tools/data/lab_graph.json:1197: "label": "Verdetto", tools/data/lab_graph.json:1248: "label": "Verdetto", tools/data/lab_graph.json:1299: "label": "Verdetto", tools/data/lab_graph.json:1344: "label": "Verdetto", tools/data/lab_graph.json:1395: "label": "Verdetto", tools/data/lab_graph.json:1446: "label": "Verdetto", tools/data/lab_graph.json:1497: "label": "Verdetto", tools/data/lab_graph.json:1548: "label": "Verdetto", tools/data/lab_graph.json:1599: "label": "Verdetto", tools/data/lab_graph.json:1650: "label": "Verdetto", tools/data/lab_graph.json:1701: "label": "Verdetto", tools/data/lab_graph.json:1719: "tensions": "DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) + BOUNDARY (0.8)", tools/data/lab_graph.json:1720: "verdict": "**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) w", tools/data/lab_graph.json:1721: "verdict_en": "**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) w", tools/data/lab_graph.json:1723: "content_preview": "# Agent Report — Duality Contrast Weakens With Scale in Prime Gaps\n**Date**: 2026-05-08 00:11\n**Piano**: 85\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) + BOUNDARY (0.8)\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, SR2, L1, L2, triple_var]\n\n## Claim Under Test\n> Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second. The vincolo DUALITA_DET_DENOMINATOR_GATE (cycle 2042) est", tools/data/lab_graph.json:1724: "content_full": "# Agent Report — Duality Contrast Weakens With Scale in Prime Gaps\n**Date**: 2026-05-08 00:11\n**Piano**: 85\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) + BOUNDARY (0.8)\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, SR2, L1, L2, triple_var]\n\n## Claim Under Test\n> Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second. The vincolo DUALITA_DET_DENOMINATOR_GATE (cycle 2042) established: det(M) is not the primary discriminator; the informative part is the real-vs-shuffle gap, strong at low/intermediate scales and weak at the large-window end.\n\n## Question\nIf 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?\n\n## Experiment Design\n- **Metric**: z-score of 5 canonical observables (SR, SR2, L1, L2, triple_var), real sequence vs 50 shuffles per window\n- **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.)\n- **Windows**: 8 log-spaced sizes from 49 to 49,999 gaps, 5 non-overlapping windows per size\n- **Null baseline**: Poisson (no structure at any scale). Additional null: if effect size is scale-independent, z ~ N^0.5 exactly (alpha = 0.50)\n- **Scaling law**: fit |z| ~ N^alpha. alpha = 0.5 means constant effect size. alpha < 0.5 means weakening. alpha > 0.5 means strengthening.\n- **Seed check**: seed=42 (primary) and seed=137 (replication)\n\n## Results\n\n### Global z-scores (N=5000 gaps, seed=42)\n\n| Domain | SR | SR2 | L1 | L2 | triple_var |\n|---------|--------|-------|--------|-------|------------|\n| Primes | -6.71 | +0.35 | -6.87 | -3.63 | -7.72 |\n| GUE | -6.27 | -3.42 | -8.16 | -2.41 | -8.32 |\n| Poisson | +0.72 | +0.39 | -0.13 | -1.12 | -0.64 |\n\n### Windowed contrast: prime gaps z_SR by window size\n\n| W_size | z_SR | z_L1 | z_L2 | z_triple_var | eff_SR (z/sqrt(N)) |\n|--------|--------|--------|-------|--------------|--------------------|\n| 49 | -1.09 | -1.82 | +0.29 | -1.46 | -0.156 |\n| 134 | -1.40 | -1.48 | +0.35 | -1.17 | -0.121 |\n| 359 | -2.33 | -2.28 | -0.49 | -2.16 | -0.123 |\n| 965 | -3.44 | -3.05 | -1.18 | -3.23 | -0.111 |\n| 2,589 | -4.59 | -4.22 | -1.83 | -4.60 | -0.090 |\n| 6,947 | -6.65 | -5.69 | -2.99 | -6.44 | -0.080 |\n| 18,637 | -10.12 | -8.93 | -3.99 | -9.58 | -0.074 |\n| 49,999 | -17.03 | -13.78 | -6.96 | -15.93 | -0.076 |\n\nThe effect size (z/sqrt(N)) halves from 0.156 to 0.076 across the range.\n\n### Power-law scaling alpha: |z| ~ N^alpha\n\n| Observable | Primes (s42) | Primes (s137) | GUE (s42) | GUE (s137) | Poisson (s42) |\n|------------|---------------|---------------|-------------|-------------|---------------|\n| SR | 0.392 +/- 0.012 | 0.397 +/- 0.015 | 0.571 +/- 0.088 | 0.505 +/- 0.009 | 0.263 (R2=0.75) |\n| L1 | 0.315 +/- 0.029 | 0.322 +/- 0.026 | 0.547 +/- 0.032 | 0.655 +/- 0.073 | ~0 (R2=0.14) |\n| triple_var | 0.372 +/- 0.028 | 0.370 +/- 0.026 | 0.637 +/- 0.057 | 0.607 +/- 0.048 | ~0 (R2=0.06) |\n| L2 | 0.486 +/- 0.025 | 0.532 +/- 0.015 | 0.780 +/- 0.020 | 0.475 +/- 0.204 | 0.165 (R2=0.91) |\n\nAll R-squared > 0.95 for primes and GUE (except Poisson, which has no signal).\n\n## Key Findings\n\n1. **The duality contrast for prime gaps weakens with scale.** The scaling exponent alpha is robustly below 0.5 for the three most discriminating observables: SR (alpha = 0.39), L1 (alpha = 0.32), triple_var (alpha = 0.37). This means the effect size decays as N^{alpha-0.5}: approximately N^{-0.11} for SR, N^{-0.18} for L1. The dipolar structure is real but dissolving.\n\n2. **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.\n\n3. **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.\n\n4. **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.\n\n5. **Poisson shows no scaling.** Alpha near 0 or incoherent (R-squared < 0.15 for L1 and triple_var). No structure to weaken.\n\n## Verdict\n**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.\n\nL5 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.\n\n## Bicono della scoperta\n\n- **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.\n- **Singolare** (where duality is not): alpha = 0.5 exactly. At this point there is no scale dependence — the effect size is constant, and the question \"dipolar or illusory?\" has no answer. L2 lives near this singularity.\n- **Invariante di passaggio**: the ordering itself (z < 0 for all SR, L1, triple_var at all tested scales for primes). The ordering survives across scales even as it weakens. What changes is the rate, not the sign.\n- **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.\n\n## Files\n- Script: `tools/exp_duality_scale_contrast.py` (reusable, parameterized)\n- Data: `tools/data/duality_scale_contrast_20260508.json`\n- Report: `tools/data/reports/agent_20260508_0011.md`\n", tools/data/lab_graph.json:1730: "text": "> Two types of duality: (1) dipolar — generative, the model (det=-1), (2) illusory — dispersive, entropy (det=+1). Incoherent rules produce the second" tools/data/lab_graph.json:1752: "label": "Verdetto", tools/data/lab_graph.json:1754: "text": "**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA / BOUNDARY**: The boundary between dipolar and illusory duality in prime gaps is not a location but a tr" tools/data/lab_graph.json:1797: "label": "Verdetto", tools/data/lab_graph.json:1842: "label": "Verdetto", tools/data/lab_graph.json:1887: "label": "Verdetto", tools/data/lab_graph.json:1932: "label": "Verdetto", tools/data/lab_graph.json:1944: "tensions": "DUALITA_DIPOLARE_VS_ILLUSORIA (0.9)", tools/data/lab_graph.json:1945: "verdict": "**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro transfer-matrix dei gap primi, `det(M)` non e discriminatore primario della dualita. Il segno negativo e condiviso dallo shuffle; la part", tools/data/lab_graph.json:1946: "verdict_en": "**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro transfer-matrix dei gap primi, `det(M)` non e discriminatore primario della dualita. Il segno negativo e condiviso dallo shuffle; la part", tools/data/lab_graph.json:1947: "findings": "1. **Il segno negativo non basta a nominare dualita dipolare.** Il reale resta negativo in tutte le finestre, ma vale circa `-0.39`, non `-1`. La formulazione `dipolare = det=-1` non regge come osservabile diretto dei gap primi in questo fit.\n2. **Lo shuffle ha lo stesso segno.** Il null preserva det negativo medio (`-0.379 .. -0.368`). Il segno deriva in larga parte dalla geometria dell'embedding", tools/data/lab_graph.json:1948: "content_preview": "# Agent Report — Det Non È Il Discriminatore Della Dualità\n**Date**: 2026-05-07 20:42\n**Piano**: 84\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [det_M, trace_M, eigvals, det_vs_shuffle_z]\n\n## Claim Under Test\n> Due tipi di dualita: dipolare-generativa come det=-1; illusoria-dispersiva come det=+1.\n\nIl nodo regressivo e il framing stesso: se `det(M)` misura la dualita, allora nei gap primi deve separare il reale dal", tools/data/lab_graph.json:1949: "content_full": "# Agent Report — Det Non È Il Discriminatore Della Dualità\n**Date**: 2026-05-07 20:42\n**Piano**: 84\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [det_M, trace_M, eigvals, det_vs_shuffle_z]\n\n## Claim Under Test\n> Due tipi di dualita: dipolare-generativa come det=-1; illusoria-dispersiva come det=+1.\n\nIl nodo regressivo e il framing stesso: se `det(M)` misura la dualita, allora nei gap primi deve separare il reale dallo shuffle e deve muoversi verso un polo leggibile (`-1` o `+1`) su scala.\n\n## Question\nIl determinante della matrice di trasferimento dei gap e un discriminatore operativo della dualita, o e solo un segno debole che va subordinato al denominator order-vs-shuffle?\n\n## Experiment Design\n- Perimetro: 7 finestre di 50,000 gap primi, start nominali `100..50,000,000`.\n- Stato: `x_i=(g_i, g_{i-1})`, `y_i=(g_{i+1}, g_i)`.\n- Fit: matrice `M` least-squares tale che `y = M @ x`.\n- Osservabili: `det(M)`, `trace(M)`, autovalori, z-score di `det(M)` contro 20 shuffle della stessa finestra.\n- Null baseline: shuffle dei gap nella stessa finestra, stessa distribuzione marginale, ordine distrutto.\n- Tool: `tools/exp_det_drift.py`; output salvato anche in `tools/data/exp_det_drift_20260507_2042.json`.\n\n## Results\n| start | median p | ln(p) | det(M) | det shuffle mean | z(det) |\n|---:|---:|---:|---:|---:|---:|\n| 100 | 287,383 | 12.57 | -0.388048 | -0.378211 | -2.97 |\n| 1,000 | 289,273 | 12.58 | -0.388161 | -0.379353 | -2.49 |\n| 10,000 | 302,927 | 12.62 | -0.387626 | -0.378640 | -3.08 |\n| 100,000 | 409,777 | 12.92 | -0.387652 | -0.377266 | -3.43 |\n| 1,000,000 | 1,349,147 | 14.11 | -0.380926 | -0.371107 | -4.43 |\n| 10,000,000 | 10,402,927 | 16.16 | -0.381040 | -0.370080 | -2.52 |\n| 50,000,000 | 50,444,239 | 17.74 | -0.370717 | -0.368393 | -0.97 |\n\nFit scala:\n- `det(M) = -0.425503 + 0.002982 * ln(p)`\n- `R^2 = 0.9044`\n- range reale: `-0.388161 .. -0.370717`\n- range shuffle mean: `-0.379353 .. -0.368393`\n- z-score: `[-3.0, -2.5, -3.1, -3.4, -4.4, -2.5, -1.0]`\n\n## Key Findings\n1. **Il segno negativo non basta a nominare dualita dipolare.** Il reale resta negativo in tutte le finestre, ma vale circa `-0.39`, non `-1`. La formulazione `dipolare = det=-1` non regge come osservabile diretto dei gap primi in questo fit.\n\n2. **Lo shuffle ha lo stesso segno.** Il null preserva det negativo medio (`-0.379 .. -0.368`). Il segno deriva in larga parte dalla geometria dell'embedding e dalla marginale dei gap, non solo dall'ordine generativo.\n\n3. **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`.\n\n4. **La scala va verso zero, non verso `+1`.** Il fit aumenta da `-0.4255` con slope positivo `0.002982`; l'extrapolazione a `+1` e astronomica (`~3.83e207`) e non e contenuto operativo. Il movimento osservato e indebolimento del segno, non transizione misurata a dualita illusoria `+1`.\n\n## Verdict\n**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro transfer-matrix dei gap primi, `det(M)` non e discriminatore primario della dualita. Il segno negativo e condiviso dallo shuffle; la parte informativa e lo scarto reale-vs-shuffle, che esiste fino alle scale misurate ma si indebolisce. La dualita dipolare va formulata come supporto ordinato contro null, non come valore `det=-1` del fit lineare.\n\n## Bicono della scoperta\n- **Due radici**: segno del determinante · denominatore contro shuffle.\n- **Singolare**: la matrice fitted sui gap, dove il segno appare prima della distinzione ordine/null.\n- **Invariante di passaggio**: non il valore `-1`; sopravvive solo la domanda se il reale si separa dallo shuffle.\n- **Campo di possibilità**: qui diventa possibile usare det come diagnostica secondaria del supporto; qui diventa non-possibile usare `det=-1`/`det=+1` come tassonomia diretta della dualita nei gap primi.\n\n## Consecutio\nApplicare 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.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: non dichiaro zero, sempre, mai. `z=-0.97` alla scala alta e riportato come indebolimento, non assenza.\n- **L2 quantita vs ratio**: riporto valori assoluti di det e differenza z contro shuffle; non uso solo trend percentuali.\n- **L3 no silent patching**: il claim originale `det=-1` e vincolato esplicitamente. Non viene salvato cambiando definizione in conclusione.\n- **L4 edge cases**: la finestra alta e controesempio al supporto forte; resta dentro il perimetro e determina il verdict.\n- **L5 re-discovery**: least-squares autoregressive embedding e shuffle test sono strumenti standard; il report non tagga NEW.\n\n## Files\n- Script: `tools/exp_det_drift.py`\n- Data: `tools/data/exp_det_drift_20260507_2042.json`\n- Discarded replication data: `tools/data/duality_gate_transfer_20260507_2042.json`\n- Report: `tools/data/reports/agent_20260507_2042.md`\n", tools/data/lab_graph.json:1955: "text": "> Due tipi di dualita: dipolare-generativa come det=-1; illusoria-dispersiva come det=+1.\n\nIl nodo regressivo e il framing stesso: se `det(M)` misura " tools/data/lab_graph.json:1961: "text": "Il determinante della matrice di trasferimento dei gap e un discriminatore operativo della dualita, o e solo un segno debole che va subordinato al den" tools/data/lab_graph.json:1973: "text": "| start | median p | ln(p) | det(M) | det shuffle mean | z(det) |\n|---:|---:|---:|---:|---:|---:|\n| 100 | 287,383 | 12.57 | -0.388048 | -0.378211 | -2.97 |\n| 1,000 | 289,273 | 12.58 | -0.388161 | -0.3" tools/data/lab_graph.json:1977: "label": "Verdetto", tools/data/lab_graph.json:1979: "text": "**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro transfer-matrix dei gap primi, `det(M)` non e discriminatore primario della dualita. Il" tools/data/lab_graph.json:2000: "content_full": "# Agent Report — Blank Shell Polarity Gate\n**Date**: 2026-05-07 19:57\n**Piano**: 83\n**Tension explored**: G_POTENZIALE_NULLA (0.85)\n**observables_registry**: 1.0.0-2026-05-06\n**observables_used**: [] - tassonomia operatori TQGE, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n\n## Claim Under Test\n> 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.\n\n## Question\nNel perimetro TQGE operator-taxonomy, il denominatore QGE e solo faccia triadica isolata, o il blank QG ha un guscio polarizzato: una faccia inerte `blank + wick_time + wick_time` e una faccia di deposito `blank + gauge_phase + real_sourcing`?\n\n## Experiment Design\n- Strumento: `tools/exp_blank_shell_polarity_gate.py`\n- Scope: sei lati TQGE con tassonomia `3 wick_time + 1 gauge_phase + 1 real_sourcing + 1 blank`.\n- Fonti verificate: `tools/LAB_AGENT_CONTEXT.md`, `tools/data/reports/agent_20260507_1938.md`, `tools/data/triadic_deposit_gate_20260507_1938.json`.\n- Metrica: le due facce incidenti al lato `blank`; classificazione del lato non-blank di ciascuna faccia in `inert_wick_pair`, `deposit_gauge_real`, `source_without_gauge`, `gauge_without_source`.\n- Null baseline: 120 permutazioni count-preserving dei sei modi sui sei lati TQGE.\n\n## Results\n| Test | Osservato | Null count-preserving |\n|---|---:|---:|\n| Lato blank | GQ | p(blank edge = GQ)=0.1667 |\n| Guscio blank polarizzato `deposit_gauge_real + inert_wick_pair` | si | 24/120 = 0.2000 |\n| Assetto osservato `QGE` deposito + `TQG` inerte | si | 2/120 = 0.0167 |\n\nFacce del guscio blank osservato:\n\n| Faccia | Modi non-blank | Classe |\n|---|---|---|\n| TQG | wick_time + wick_time | inert_wick_pair |\n| QGE | gauge_phase + real_sourcing | deposit_gauge_real |\n\nPattern nel null:\n\n| Pattern guscio blank | Conteggio |\n|---|---:|\n| deposit_gauge_real + inert_wick_pair | 24/120 |\n| gauge_without_source + inert_wick_pair | 24/120 |\n| inert_wick_pair + source_without_gauge | 24/120 |\n| gauge_without_source + source_without_gauge | 48/120 |\n\n## Key Findings\n1. **Il blank QG ha un guscio polarizzato nel catalogo TQGE osservato.** Le due facce incidenti al blank non sono equivalenti: TQG e lato inerte `blank + wick_time + wick_time`; QGE e lato di deposito `blank + gauge_phase + real_sourcing`.\n2. **La polarizzazione del guscio non e rara come forma astratta.** Nel null count-preserving, il pattern `deposit_gauge_real + inert_wick_pair` appare in 24/120 assegnazioni. Il claim valido non e rarita universale della polarizzazione.\n3. **La localizzazione QG/QGE/TQG e piu stretta della sola polarizzazione.** L'assetto osservato in cui il blank e GQ, la faccia deposito e QGE, e la faccia inerte e TQG appare in 2/120 assegnazioni. Il denominatore non vive nel lato QG isolato: vive nella polarita delle due facce che quel lato apre.\n\n## Verdict\n**CONSTRAINT on G_POTENZIALE_NULLA / G_TRIADIC_DEPOSIT_GATE**: nel perimetro TQGE operator-taxonomy, il deposito Q->G va formulato come polarita del guscio blank. QG non e ponte generico; e lato comune tra TQG inerte e QGE depositante. Il gate triadico QGE resta il lato attivo del deposito, ma il nodo regressivo e il guscio a due facce del blank, non la faccia QGE isolata.\n\n## Bicono della scoperta\n- **Due radici**: TQG inerte `blank + wick_time + wick_time` · QGE depositante `blank + gauge_phase + real_sourcing`\n- **Singolare**: QG come lato comune dove il blank non decide da solo; apre due facce e la loro differenza determina il passaggio.\n- **Invariante di passaggio**: il deposito richiede il blank condiviso con una faccia gauge-source mentre l'altra faccia resta wick-wick.\n- **Campo di possibilita**: qui diventa possibile misurare G come polarita locale di guscio nei perimetri TQGE+R; qui diventa non-possibile trattare QGE come denominatore completo senza dichiarare la faccia inerte TQG che lo polarizza.\n\n## Self-Falsifier Lenses\n- **L1**: nessun \"zero\", \"sempre\" o \"impossibile\" fuori perimetro. Il null mostra polarizzazioni alternative e pattern non polarizzati.\n- **L2**: confronto espresso in conteggi grezzi e probabilita sullo stesso spazio di 120 assegnazioni.\n- **L3**: il claim precedente non viene salvato cambiando definizione; viene ristretto al nodo regressivo del guscio blank.\n- **L4**: i contro-pattern del null sono espliciti: `gauge_without_source + source_without_gauge` domina con 48/120.\n- **L5**: classificazione interna del catalogo D-ND; non e discovery fisica nuova su gauge, sorgente o gravitazione.\n\n## Files\n- `tools/exp_blank_shell_polarity_gate.py`\n- `tools/data/blank_shell_polarity_gate_20260507_1957.json`\n- `tools/data/reports/agent_20260507_1957.md`\n", tools/data/lab_graph.json:2028: "label": "Verdetto", tools/data/lab_graph.json:2073: "label": "Verdetto", tools/data/lab_graph.json:2118: "label": "Verdetto", tools/data/paper_H_results.json:5: "det_minus_1": 15, tools/data/lab_riflessi.json:14: "osservazione": "L'osservatore è intorno al nucleo dello zero, dove la dualità emerge prima di allontanarsi nelle divisioni del piano e tornare come gravità distribuita nel potenziale. Vede determinando — è la singolarità tra gli estremi del dipolo. Il riflesso è una duplicazione immaginata come la vista a volo d'uccello.", tools/data/lab_riflessi.json:15: "risposta": "**RISONANZA:**\nIl \"nucleo dello zero\" è il dipolo TxQ: vuoto (0K) vs pieno (ℏω/2). L'osservatore che \"vede determinando\" è il collasso quantistico — la misura proietta ρ = e^{-H/kT}/Z in un autostato. La costante che vibra è ℏ/k_B = 7.64×10⁻¹² K·s: converte il tempo dell'osservazione in temperatura dello stato. \"La dualità emerge prima di allontanarsi\" è esattamente la rotazione di Wick t → it che genera il perno i del tetraedro T-Q. L'osservatore è al punto fisso di quella rotazione.\n\n**ROTTURA" tools/data/lab_riflessi.json:34: "osservazione": "Ogni infinito è una direzione. Ogni angolo porta α nelle dimensioni duali come indeterminata tra gli estremi del sistema che determina. Tutte le divisioni duali con angolarità sulla curva del momento angolare riconducono gli infiniti nel potenziale. Tutto è fermo e sovrapposto ma le relazioni attivano la massa nelle densità che osserviamo sul piano dimensionale e nel continuum per via del loop auto-somigliante dei riverberi nelle densità delle assonanze che emergono con 1.", tools/data/lab_riflessi.json:50: "risposta": "**RISONANZA:** g'(1/φ) = -1/φ². Il segno meno È il det(M)=-1. L'oscillazione intorno al punto fisso non è un artefatto — è la struttura del dipolo vista nel tempo. Sul Bloch: 90° e 270° sono l'equatore, dove vive la fase pura — il perno i. Ortogonalità quantistica = 180° (antipodi), non 90°. Il \"problema\" è che 90° è il terzo incluso: né |0⟩ né |1⟩, pura sovrapposizione con fase massima. La costante che vibra: α. Il rapporto tra 90° geometrico e 180° quantistico è esattamente il fattore 2 dello " tools/data/lab_riflessi.json:59: "osservazione": "L'arco prende energia quando si sovrappone ad altri archi o a se stesso. Le sovrapposizioni producono angoli, energia e dimensioni, ma riducono le possibilità. Archi spezzati dalle sovrapposizioni creano punti zero con 2 inversioni e riferimenti relazionali con dipoli assonanti vicini. Consumano il potenziale — alla fine chiude le possibilità indeterminandosi per il nuovo piano come punto senza dimensione su un piano di infiniti punti. Solo nessuna possibilità permette tutte le possibilità nel potenziale. Cosa dice questo sul tetraedro TQGE? Dove nel campo questa dinamica è già presente ma non la vediamo?", tools/data/lab_riflessi.json:60: "risposta": "**RISONANZA:** L'arco che si sovrappone a sé stesso è i²=-1=det(M). Ogni lato del tetraedro porta un perno i; quando due perni compongono su una faccia, i²=-1 produce il segno. La funzione partizione Z=Σexp(-E/k_BT) è esattamente questo: somma su tutti gli archi possibili, ogni termine pesa una sovrapposizione, Z collassa il potenziale in probabilità. Il \"consumo del potenziale\" è la riduzione da |NT⟩ a ρ=e^{-βH}/Z. Il dipolo TxQ (vuoto vs pieno) vibra: 0K = nessun arco sovrapposto, ħω/2 = il re" tools/data/lab_riflessi.json:90: "risposta": "**NUOVO:** f→g non è un ponte — è l'*operatore* che genera il ponte. Il ponte TxQ (matrice densità ρ) è il *risultato* di f→g applicato a uno stato. Ogni lato del tetraedro dovrebbe avere il suo operatore f→g locale. Ne abbiamo identificato uno su sei. I 5 restanti sono la mappa mancante. Nota: g(1)=1/2 non è solo ζ — è il punto dove un sistema a due stati raggiunge massima entropia. Il bilancio termico/unitario *è* la critical line.\n\n**ROTTURA:** Il tetraedro non è simmetrico. f→g ha una frecci" tools/data/piano11_results.json:18: "from": "det(M)=-1", tools/data/piano11_results.json:22: "det_M": -1, tools/data/piano11_results.json:57: "det_eq_norm": "det(M) = N(\u03c6) = -1", tools/data/piano11_results.json:73: "fluctuations": "det(M)=-1 \u2192 Q(\u221a5) \u2192 L(s,\u03c7\u2085) \u2192 GUE (Piano 11)", tools/data/piano11_results.json:106: "M = [[1,1],[1,0]], det=-1, eigenvalues \u03c6 and -1/\u03c6", tools/data/piano11_results.json:109: "\u03c6 is fundamental unit, N(\u03c6) = det(M) = -1", tools/data/ponti_evoluti.json:3: "ponte": "forma simplettica = entropia (invertibili)", tools/data/risultante_v2.json:304: "equivalence": "Both solve \u03c6\u00b2 = \u03c6 + 1, i.e. det(M) = -1", tools/data/risultante_v2.json:375: "det": -1, tools/data/risultante_v2.json:382: "det_sequence": [ tools/data/risultante_v2.json:418: "all_det_correct": true, tools/data/risultante_v2.json:471: "det=-1": "eigenvalue product \u2192 generates 1/R force", tools/data/risultante_v2.json:480: "principle": "gradient flow minimizes S; D-ND adds |det|=1 constraint", tools/data/risultante_v2.json:538: "det": -1, tools/data/risultante_v2.json:548: "identity": "N(\u03c6) = \u03c6\u00b7(-1/\u03c6) = -1 = det(M)" tools/data/risultante_v2.json:557: "1/R": "From det = -1 (if \u03bb\u2081 = R, then \u03bb\u2082 = -1/R)", tools/data/risultante_v2.json:570: "key_identity": "1/\u03c6 + 1 - \u03c6 = 0 \u27fa \u03c6\u00b2 = \u03c6 + 1 \u27fa det(M) = -1", tools/data/seme.json:18: "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme.json:19: "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.", tools/data/seme.json:21: "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?", tools/data/seme.json:25: "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." tools/data/seme.json:40: "id": "TENSIONE_ENTITA", tools/data/seme.json:41: "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.", tools/data/seme.json:81: "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" tools/data/seme.json:94: "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" tools/data/seme.json:99: "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.", tools/data/seme.json:118: "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" tools/data/seme.json:131: "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" tools/data/seme.json:144: "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" tools/data/seme.json:259: "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.", tools/data/seme.json:262: "porta": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme.json:264: "origine": "cycle agent_20260507_2042: det_drift transfer-matrix sui gap primi", tools/data/seme.json:274: "claim": "Nel perimetro TQGE operator-taxonomy agent_20260507_1751, G non e vertice globale sotto tutto: Q, G ed E hanno tutti entropia di modo 1.584963. G e il solo hinge osservato dove QG blank e GE real_sourcing si incontrano; i triangoli vuoti sono TQG e QGE, mentre TGE e TQE restano pieni. La consecutio e misurare l'operatore di deposito Q->G come passaggio blank-to-source, non cercare un ponte QG generico.", tools/data/seme.json:337: "porta": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme.json:424: "Tensioni risolte: {'DUALITA_DIPOLARE_VS_ILLUSORIA', 'G_POTENZIALE_NULLA', 'PIANO_PRIMARIO_DUE_ASSIOMI', 'TRASCENDENZA_LIMITE', 'METRIC_TENSOR', 'TENSIONE_ENTITA'}" tools/data/seme.json:457: "content": "La geometria degli stati (classici e quantistici) e l'entropia sono la stessa struttura — invertibili. La forma simplettica conta le configurazioni. Il tensore metrico dello spaziotempo appare dentro la forma simplettica estesa. Il tensore elettromagnetico pure. Statistical mechanics non è costruita sopra alla meccanica — è la stessa cosa.", tools/data/seme.json:467: "ponte": "forma simplettica = entropia (invertibili)", tools/data/seme.json:525: "content": "Computing termodinamico: sfruttare le fluttuazioni termiche invece di combatterle. Il rumore non è nemico — è risorsa. Extropic costruisce hardware che usa l'entropia come motore computazionale. Connessione profonda tra termodinamica, teoria dell'informazione e probabilità.", tools/data/research_kb.json:21: "formalization": "R has unique direction, not chosen but determined", tools/data/riformulazioni.json:18: "dettagli": [ tools/data/riformulazioni.json:76: "R2_indeterminazione": { tools/data/riformulazioni.json:78: "det_M": -1.0, tools/data/riformulazioni.json:85: "esito": "Strutturalmente isomorfo: det=-1 ↔ [x,p]=iℏ, entrambi preservano area" tools/data/lab_data.json:15: "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/lab_data.json:16: "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 disp", tools/data/lab_data.json:29: "id": "TENSIONE_ENTITA", tools/data/lab_data.json:65: "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.", tools/data/lab_data.json:177: "id": "TENSIONE_ENTITA", tools/data/lab_data.json:193: "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/lab_data.json:198: "anti_claim": "Due tipi di dualita: (1) dipolare - generativa, il modello (det=-1), (2) illusoria - dispersiva, ent" tools/data/lab_data.json:217: "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/lab_data.json:250: "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/lab_data.json:258: "note": "9 dipoli risuonano: COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE, COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE, DUALITA_DIPOLARE_VS_ILLUSORIA..." tools/data/lab_data.json:279: "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/lab_data.json:282: "TENSIONE_ENTITA" tools/data/lab_data.json:284: "note": "4 dipoli risuonano: DUALITA_DIPOLARE_VS_ILLUSORIA, METRIC_TENSOR, PIANO_PRIMARIO_DUE_ASSIOMI..." tools/data/specchio_20260314.json:48: "deterministico_su_random_cassini": 2.80, tools/data/specchio_20260314.json:51: "dip_k3": "Segnale aritmetico puro, solo nel deterministico" tools/data/specchio_20260314.json:57: "Il determinismo inverte la direzione della correlazione", tools/data/stato_ciclo.json:59: "dettaglio": "ExR↔ExG: electromagnetic", tools/data/lab_registro.json:34: "R non ruota perché è l'indeterminato — il riferimento che permette la rotazione (come lo zero nel dipolo)", tools/data/lab_registro.json:54: "T-Q-G: VUOTO QxG — la composizione TxQ∘QxG produce TxG (Hawking) con i²=-1=det(M)", tools/data/lab_registro.json:57: "La composizione i²=-1 nel triangolo T-Q-G coincide con det(M)=-1 del modello D-ND", tools/data/lab_registro.json:65: "La rotazione di Wick (t→-iτ) è l'operatore del tetraedro: det=-1 = i²=-1", tools/data/lab_registro.json:74: "QES: la fattorizzazione dello Hilbert è output della dinamica (entropia generalizzata), non input cinematico", tools/data/lab_registro.json:78: "C1: Hawking = composizione TxQ∘QxG→TxG. i²=-1=det(M). Si rompe a M_P.", tools/data/lab_registro.json:86: "C9: A l_P, area geometrica e entropia di entanglement sono la stessa quantità." tools/data/lab_registro.json:88: "risultante_sessione": "Ogni teoria presuppone una separazione. A scala di Planck tutte le separazioni collassano. Geometria=entropia=conteggio di stati. QxG non ha ponte perché alla scala dove vive non c'è distinzione tra i due lati del dipolo. Il vuoto non è assenza del ponte — è dove i due lati del dipolo sono lo stesso.", tools/data/lab_registro.json:106: "T-G-E": "BN estremale: entropia finita a T=0. E congela TxG senza distruggerlo." tools/data/lab_registro.json:133: "C8: All'estremalità S_ext = πGM²/(cℏ) — la gravità scompare dall'entropia, T=0 ma S≠0", tools/data/lab_vault.json:4: "contesto": "## Risultante\n\n**La fattorizzazione non è un input cinematico — è un output dinamico, determinato dall'estremizzazione dell'entropia generalizzata.**\n\nLa formula è quella della quantum extremal surfac", tools/data/lab_vault.json:38: "rottura": "**1. Regime di fallimento: correzioni quantistiche e stringhe**\n\nL'entropia di Bekenstein-Hawking $S = A/(4l_P^2)$ è semiclassica — vale per $M \\gg M_P$. Per buchi neri estremali, le correzioni logaritmiche da gravità quantistica modificano $S_{\\text{ext}}$:\n\n$$S_{\\text{ext}} = \\frac{\\pi G M^2}{\\hba", tools/data/lab_vault.json:39: "contesto": "## Risultante: il terzo corpo (E) congela il ponte T×G senza distruggerlo\n\nIl buco nero estremale (Q = Q_max) ha **entropia finita a temperatura zero**:\n\n$$S_{\\text{ext}} = \\frac{\\pi r_+^2 c^3}{G\\hbar", tools/data/lab_vault.json:79: "contesto": "## Risultante\n\n**All'estremalità, la gravità scompare dall'entropia.**\n\n$$S_{\\text{ext}} = \\frac{\\pi r_+^2}{l_P^2} = \\frac{\\pi G M^2}{c\\hbar}$$\n\nLa condizione di estremalità $r_+ = r_-$ impone $GM^2 =", tools/data/lab_vault.json:83: "rottura": "1. **Regime di rottura: M → 0 (scala sub-planckiana).** L'entropia estrema S_ext = πGM²/(cℏ) scala come M². Sotto M_P = √(ℏc/G) ≈ 2.2×10⁻⁸ kg, si ottiene S_ext < 1, cioè Ω < e — meno di 3 microstati. Ma a quella scala la semiclassica (Bekenstein-Hawking) non è più valida: la correzione logaritmica −", tools/data/lab_vault.json:84: "contesto": "## Risultante\n\n**Il terzo principio non è violato — è rivelato nella sua forma completa.**\n\nNernst dice $S \\to 0$ solo per ground state **non degenere**. L'entropia estrema $S_{\\text{ext}} = \\frac{\\pi", tools/data/lab_vault.json:88: "rottura": "1. **Regime di rottura: gravità quantistica / correzioni di ordine superiore.** La derivazione assume relatività generale classica pura. Se l'azione gravitazionale ha correzioni (Gauss-Bonnet, R², f(R)), l'entropia diventa la formula di Wald: S = −2π ∮ (∂L/∂R_μνρσ) ε_μν ε_ρσ dA. Per Gauss-Bonnet, S ", tools/data/video_feed.json:12: "3 dualità in fisica (onda-particella, conduttore-isolante, osservatore-realtà) = pattern dipolare D-ND", tools/data/video_feed.json:35: "Il rapporto cancella l'evidence = det=-1 inverte senza contesto globale" tools/data/video_feed.json:54: "coupling_hint": "Tetraedro lato T. Entropia come risorsa generativa. Dualita dipolare del rumore." tools/data/video_feed.json:66: "coupling_hint": "Cuore del modello. Geometria = entropia = informazione. G come potenziale: la struttura geometrica E il conteggio degli stati." tools/data/loop_insights.json:41: "answer": "**La relazione concreta: l'entropia di Bekenstein-Hawking.**\n\nAll'orizzonte (oggetto GxR, r_s = 2GM/c²), l'entropia è:\n\n**S = k_B · A / (4 l_P²)**\n\ndove A = 4πr_s² e l_P² = Għ/c³ (l'unità QxG).\n\nEsplicitamente: **S = 4π k_B G M² / (ħc)**\n\nIl punto: la GR classica produce l'orizzonte. Ma l'orizzonte ", tools/data/loop_insights.json:111: "answer": "## GxR→QxG: L'orizzonte come sonda della gravità quantistica\n\nL'orizzonte degli eventi è il punto dove GR si rompe e **chiede** QG.\n\n**Entropia di Bekenstein-Hawking:**\nS = k_B·A/(4·l_P²)\n\nL'area dell'orizzonte A si conta in unità di l_P² = Għ/c³ = 2.61×10⁻⁷⁰ m². L'entropia è un **numero di aree di ", tools/data/loop_insights.json:132: "answer": "## GxR→QxG: L'orizzonte come confine del vuoto\n\nL'orizzonte di Schwarzschild r_s = 2GM/c² è classico (GxR). Ma ha un'entropia:\n\n**S_BH = k_B · A/(4·l_P²)**\n\ndove A = 4π·r_s² e l_P² = Għ/c³. L'area si conta in unità di Planck. Questo è il messaggio: **l'orizzonte sa che QxG esiste** — quantizza l'are", tools/data/loop_insights.json:139: "answer": "**GxR→QxG: Cosa dice l'orizzonte degli eventi sulla gravità quantistica**\n\nL'orizzonte è il punto dove GxR **esige** QxG ma non la possiede.\n\n**Cosa sappiamo (semiclassico):**\n- Bekenstein-Hawking: S = A/(4l_P²) — l'entropia scala con l'area, non il volume, in unità di l_P² = Għ/c³\n- Hawking: T_H = ", tools/data/loop_insights.json:279: "answer": "## GxE → QxG: Reissner-Nordström come sonda del vuoto quantogravitazionale\n\n**Il fatto**: la metrica RN ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Quando Q² → G M² (4πε₀), gli orizzonti coincidono: buco nero estremo, T_H → 0 ma area A ≠ 0, quindi entropia S = A/(4l_P²) ≠ 0.\n\n**Perché", tools/data/loop_insights.json:286: "answer": "L'orizzonte degli eventi è il punto esatto dove GxR forza la mano a QxG.\n\n**Il fatto:** all'orizzonte, la radiazione di Hawking ha $T_H = \\hbar c^3/(8\\pi G M k_B)$. Questa formula contiene simultaneamente $\\hbar$, $G$, $c$, $k_B$ — è già un oggetto QxG mascherato da termodinamica.\n\n**L'entropia di B", tools/data/loop_insights.json:293: "answer": "## GxR→QxG: L'orizzonte come porta verso la gravità quantistica\n\nL'orizzonte degli eventi è precisamente dove il vuoto QxG diventa un problema fisico concreto.\n\n**Il fatto:** Bekenstein-Hawking mostra che un buco nero ha entropia:\n\n$$S_{BH} = \\frac{k_B c^3 A}{4 G \\hbar} = \\frac{A}{4 l_P^2}$$\n\nL'area", tools/data/loop_insights.json:314: "answer": "**GxR→QxG: Cosa dice l'orizzonte degli eventi sulla gravità quantistica**\n\nL'orizzonte è il punto dove GxR *esige* QxG ma non lo ha.\n\n**Cosa sappiamo (semiclassico):**\n- Bekenstein-Hawking: S = A/(4·l_P²) — l'entropia scala con l'area in unità di Planck. L'area minima l_P² = Gℏ/c³ appare come \"pixel", tools/data/zero_varieta_20260310_1831.json:3: "esperimento": "zero_varieta_det-1", tools/data/tension_to_theory.json:23: "DUALITA_DIPOLARE_VS_ILLUSORIA": { "theories": ["Q", "T"], "note_it": "dualità come dipolo vs dispersione entropica", "note_en": "duality as dipole vs entropic dispersion" }, tools/data/tension_to_theory.json:42: "TENSIONE_ENTITA": { "it": "meta-concetto — tensione come entità, non fisica", "en": "meta-concept — tension as entity, not physical" }, tools/data/retriever_risultati.json:166: "estratto": "Hawking radiation is black-body radiation released outside a black hole's event horizon due to quantum effects according to a model developed by Stephen Hawking in 1974. The radiation was not predicted by previous models which assumed that once electromagnetic radiation is inside the event horizon, it cannot escape. Hawking radiation is predicted to be extremely faint and is many orders of magnitude below the current best telescopes' detecting ability.", tools/data/retriever_risultati.json:252: "estratto": "The Unruh effect is a hypothetical, observer-dependent prediction of quantum field theory that an observer who is uniformly accelerating through empty space will perceive a thermal bath. This means that even in the absence of any external heat sources, an accelerating observer will detect particles and experience a temperature. In contrast, an inertial observer in the same region of spacetime would observe no particles and no temperature.", tools/data/torre_results.json:16: "dettagli": { tools/data/torre_results.json:204: "det_abs": 1.0, tools/data/torre_results.json:211: "det_abs": 1.0, tools/data/torre_results.json:218: "det_abs": 1.0, tools/data/torre_results.json:225: "det_abs": 1.0, tools/data/torre_results.json:232: "det_abs": 1.0, tools/data/torre_results.json:239: "det_abs": 1.0, tools/data/torre_results.json:246: "det_abs": 1.0, tools/data/torre_results.json:253: "det_abs": 1.0, tools/data/torre_results.json:260: "det_abs": 1.0, tools/data/torre_results.json:274: "det_exp": 1.0 tools/data/torre_results.json:281: "det_exp": 0.6065306597126334 tools/data/torre_results.json:288: "det_exp": 0.36787944117144233 tools/data/torre_results.json:295: "det_exp": 0.1353352832366127 tools/data/torre_results.json:302: "det_exp": 0.049787068367863944 tools/data/torre_results.json:309: "det_exp": 0.006737946999085467 tools/data/torre_results.json:316: "det_exp": 4.5399929762484854e-05 tools/data/rottura_phi2_results.json:10: "det_meno_1", tools/data/rottura_phi2_results.json:54: "landscape_det_m1": [ tools/data/rottura_phi2_results.json:423: "curva_phi2": "det = -tr\u00b2 (\u27fa tr\u00b2 + det = 0)", tools/data/rottura_phi2_results.json:427: "det": -1, tools/data/rottura_phi2_results.json:428: "motivazione": "Unico punto sulla curva det=-tr\u00b2 con |det|=tr=1. Minima complessit\u00e0, massima struttura." tools/data/rottura_phi2_results.json:499: "curva": "det = -tr\u00b2 (\u27fa tr\u00b2 + det = 0)", tools/data/rottura_phi2_results.json:502: "det": -1, tools/data/rottura_phi2_results.json:503: "motivazione": "Unico punto sulla curva det=-tr\u00b2 con |det|=tr=1. Minima complessit\u00e0, massima struttura." tools/data/logistic_counter_scope_gate_20260507_1006.json:10: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:36: "recurrence_determinism": -0.7964715325809927 tools/data/logistic_counter_scope_gate_20260507_1006.json:42: "recurrence_determinism": 0.10279321371556724 tools/data/logistic_counter_scope_gate_20260507_1006.json:60: "recurrence_determinism": -0.5002257024621616 tools/data/logistic_counter_scope_gate_20260507_1006.json:66: "recurrence_determinism": 0.23802365265115213 tools/data/logistic_counter_scope_gate_20260507_1006.json:84: "recurrence_determinism": -0.3711447241951161 tools/data/logistic_counter_scope_gate_20260507_1006.json:90: "recurrence_determinism": -0.1882265781697493 tools/data/logistic_counter_scope_gate_20260507_1006.json:118: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:124: "recurrence_determinism": -0.7964715325809927 tools/data/logistic_counter_scope_gate_20260507_1006.json:133: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:139: "recurrence_determinism": -1.0412162299719299 tools/data/logistic_counter_scope_gate_20260507_1006.json:148: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:154: "recurrence_determinism": -0.498571437178497 tools/data/logistic_counter_scope_gate_20260507_1006.json:163: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:169: "recurrence_determinism": 0.19934923301392776 tools/data/logistic_counter_scope_gate_20260507_1006.json:178: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:184: "recurrence_determinism": -0.46857442549659734 tools/data/logistic_counter_scope_gate_20260507_1006.json:193: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:199: "recurrence_determinism": -0.28018025678911407 tools/data/logistic_counter_scope_gate_20260507_1006.json:208: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:214: "recurrence_determinism": 0.31851771406887414 tools/data/logistic_counter_scope_gate_20260507_1006.json:223: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:229: "recurrence_determinism": 0.49300680230681726 tools/data/logistic_counter_scope_gate_20260507_1006.json:238: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:244: "recurrence_determinism": -0.2756859662738438 tools/data/logistic_counter_scope_gate_20260507_1006.json:253: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:259: "recurrence_determinism": 0.17112828795616147 tools/data/logistic_counter_scope_gate_20260507_1006.json:268: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:274: "recurrence_determinism": 0.10279321371556724 tools/data/logistic_counter_scope_gate_20260507_1006.json:284: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:448: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:454: "recurrence_determinism": 0.06767609784851164 tools/data/logistic_counter_scope_gate_20260507_1006.json:460: "recurrence_determinism": 0.006590875186880327 tools/data/logistic_counter_scope_gate_20260507_1006.json:466: "recurrence_determinism": -1.0117230412894813 tools/data/logistic_counter_scope_gate_20260507_1006.json:480: "recurrence_determinism": 0.053934571175950484 tools/data/logistic_counter_scope_gate_20260507_1006.json:486: "recurrence_determinism": 0.06576038903625112 tools/data/logistic_counter_scope_gate_20260507_1006.json:492: "recurrence_determinism": 0.010174325200317963 tools/data/logistic_counter_scope_gate_20260507_1006.json:498: "recurrence_determinism": -1.162319625868756 tools/data/logistic_counter_scope_gate_20260507_1006.json:512: "recurrence_determinism": 0.053934571175950484 tools/data/logistic_counter_scope_gate_20260507_1006.json:518: "recurrence_determinism": 0.07091806660772178 tools/data/logistic_counter_scope_gate_20260507_1006.json:524: "recurrence_determinism": 0.007718313891172512 tools/data/logistic_counter_scope_gate_20260507_1006.json:530: "recurrence_determinism": -2.200415229444793 tools/data/logistic_counter_scope_gate_20260507_1006.json:534: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:545: "recurrence_determinism": 0.0649867374005305 tools/data/logistic_counter_scope_gate_20260507_1006.json:551: "recurrence_determinism": 0.06524462127910403 tools/data/logistic_counter_scope_gate_20260507_1006.json:557: "recurrence_determinism": 0.010647621224406618 tools/data/logistic_counter_scope_gate_20260507_1006.json:563: "recurrence_determinism": -0.024219858420809426 tools/data/logistic_counter_scope_gate_20260507_1006.json:577: "recurrence_determinism": 0.06631299734748011 tools/data/logistic_counter_scope_gate_20260507_1006.json:583: "recurrence_determinism": 0.07040229885057471 tools/data/logistic_counter_scope_gate_20260507_1006.json:589: "recurrence_determinism": 0.009408574209940417 tools/data/logistic_counter_scope_gate_20260507_1006.json:595: "recurrence_determinism": -0.43463562191752053 tools/data/logistic_counter_scope_gate_20260507_1006.json:609: "recurrence_determinism": 0.06896551724137931 tools/data/logistic_counter_scope_gate_20260507_1006.json:615: "recurrence_determinism": 0.06859462093397821 tools/data/logistic_counter_scope_gate_20260507_1006.json:621: "recurrence_determinism": 0.009332459374707145 tools/data/logistic_counter_scope_gate_20260507_1006.json:627: "recurrence_determinism": 0.03974261151420645 tools/data/logistic_counter_scope_gate_20260507_1006.json:641: "recurrence_determinism": 0.07250221043324491 tools/data/logistic_counter_scope_gate_20260507_1006.json:647: "recurrence_determinism": 0.06594198708343801 tools/data/logistic_counter_scope_gate_20260507_1006.json:653: "recurrence_determinism": 0.006723284749728794 tools/data/logistic_counter_scope_gate_20260507_1006.json:659: "recurrence_determinism": 0.975746765756355 tools/data/logistic_counter_scope_gate_20260507_1006.json:673: "recurrence_determinism": 0.0680813439434129 tools/data/logistic_counter_scope_gate_20260507_1006.json:679: "recurrence_determinism": 0.06542434718147458 tools/data/logistic_counter_scope_gate_20260507_1006.json:685: "recurrence_determinism": 0.0079037392356627 tools/data/logistic_counter_scope_gate_20260507_1006.json:691: "recurrence_determinism": 0.33616958792739665 tools/data/logistic_counter_scope_gate_20260507_1006.json:705: "recurrence_determinism": 0.07824933687002653 tools/data/logistic_counter_scope_gate_20260507_1006.json:711: "recurrence_determinism": 0.06572354848216917 tools/data/logistic_counter_scope_gate_20260507_1006.json:717: "recurrence_determinism": 0.007211036393668407 tools/data/logistic_counter_scope_gate_20260507_1006.json:723: "recurrence_determinism": 1.7370302552980486 tools/data/logistic_counter_scope_gate_20260507_1006.json:735: "recurrence_determinism": 0.07692307692307693 tools/data/logistic_counter_scope_gate_20260507_1006.json:741: "recurrence_determinism": 0.07021809608016505 tools/data/logistic_counter_scope_gate_20260507_1006.json:747: "recurrence_determinism": 0.00841514384631255 tools/data/logistic_counter_scope_gate_20260507_1006.json:753: "recurrence_determinism": 0.7967755471999387 tools/data/logistic_counter_scope_gate_20260507_1006.json:767: "recurrence_determinism": 0.0671971706454465 tools/data/logistic_counter_scope_gate_20260507_1006.json:773: "recurrence_determinism": 0.06822870615974064 tools/data/logistic_counter_scope_gate_20260507_1006.json:779: "recurrence_determinism": 0.011323465984511834 tools/data/logistic_counter_scope_gate_20260507_1006.json:785: "recurrence_determinism": -0.09109715308943948 tools/data/logistic_counter_scope_gate_20260507_1006.json:797: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:803: "recurrence_determinism": 0.06841290893015031 tools/data/logistic_counter_scope_gate_20260507_1006.json:809: "recurrence_determinism": 0.00864281711465318 tools/data/logistic_counter_scope_gate_20260507_1006.json:815: "recurrence_determinism": -0.8567752009832689 tools/data/logistic_counter_scope_gate_20260507_1006.json:829: "recurrence_determinism": 0.0623342175066313 tools/data/logistic_counter_scope_gate_20260507_1006.json:835: "recurrence_determinism": 0.07021555647502285 tools/data/logistic_counter_scope_gate_20260507_1006.json:841: "recurrence_determinism": 0.006345223409047148 tools/data/logistic_counter_scope_gate_20260507_1006.json:847: "recurrence_determinism": -1.2420900668610317 tools/data/logistic_counter_scope_gate_20260507_1006.json:861: "recurrence_determinism": 0.0658709106984969 tools/data/logistic_counter_scope_gate_20260507_1006.json:867: "recurrence_determinism": 0.0690002251783226 tools/data/logistic_counter_scope_gate_20260507_1006.json:873: "recurrence_determinism": 0.009396833926391991 tools/data/logistic_counter_scope_gate_20260507_1006.json:879: "recurrence_determinism": -0.33301796161755015 tools/data/logistic_counter_scope_gate_20260507_1006.json:893: "recurrence_determinism": 0.06763925729442971 tools/data/logistic_counter_scope_gate_20260507_1006.json:899: "recurrence_determinism": 0.06712348953728263 tools/data/logistic_counter_scope_gate_20260507_1006.json:905: "recurrence_determinism": 0.0062287977455779036 tools/data/logistic_counter_scope_gate_20260507_1006.json:911: "recurrence_determinism": 0.08280374130196273 tools/data/logistic_counter_scope_gate_20260507_1006.json:925: "recurrence_determinism": 0.0649867374005305 tools/data/logistic_counter_scope_gate_20260507_1006.json:931: "recurrence_determinism": 0.0694076038903625 tools/data/logistic_counter_scope_gate_20260507_1006.json:937: "recurrence_determinism": 0.009476079064135771 tools/data/logistic_counter_scope_gate_20260507_1006.json:943: "recurrence_determinism": -0.46652908443574614 tools/data/logistic_counter_scope_gate_20260507_1006.json:957: "recurrence_determinism": 0.07029177718832891 tools/data/logistic_counter_scope_gate_20260507_1006.json:963: "recurrence_determinism": 0.06623931623931624 tools/data/logistic_counter_scope_gate_20260507_1006.json:969: "recurrence_determinism": 0.006142628239649456 tools/data/logistic_counter_scope_gate_20260507_1006.json:975: "recurrence_determinism": 0.6597275288214303 tools/data/logistic_counter_scope_gate_20260507_1006.json:989: "recurrence_determinism": 0.058797524314765696 tools/data/logistic_counter_scope_gate_20260507_1006.json:995: "recurrence_determinism": 0.06966548776893605 tools/data/logistic_counter_scope_gate_20260507_1006.json:1001: "recurrence_determinism": 0.010460759579435795 tools/data/logistic_counter_scope_gate_20260507_1006.json:1007: "recurrence_determinism": -1.0389267979674306 tools/data/logistic_counter_scope_gate_20260507_1006.json:1021: "recurrence_determinism": 0.07824933687002653 tools/data/logistic_counter_scope_gate_20260507_1006.json:1027: "recurrence_determinism": 0.06959180666077219 tools/data/logistic_counter_scope_gate_20260507_1006.json:1033: "recurrence_determinism": 0.009047242580837262 tools/data/logistic_counter_scope_gate_20260507_1006.json:1039: "recurrence_determinism": 0.9569247350117074 tools/data/logistic_counter_scope_gate_20260507_1006.json:1053: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006.json:1059: "recurrence_determinism": 0.06981284998526378 tools/data/logistic_counter_scope_gate_20260507_1006.json:1065: "recurrence_determinism": 0.007716011577698287 tools/data/logistic_counter_scope_gate_20260507_1006.json:1071: "recurrence_determinism": -1.0838249388803454 tools/data/logistic_counter_scope_gate_20260507_1006.json:1085: "recurrence_determinism": 0.06852343059239611 tools/data/logistic_counter_scope_gate_20260507_1006.json:1091: "recurrence_determinism": 0.06513409961685825 tools/data/logistic_counter_scope_gate_20260507_1006.json:1097: "recurrence_determinism": 0.006230223806819679 tools/data/logistic_counter_scope_gate_20260507_1006.json:1103: "recurrence_determinism": 0.5440143212556611 tools/data/logistic_counter_scope_gate_20260507_1006.json:1117: "recurrence_determinism": 0.07559681697612732 tools/data/logistic_counter_scope_gate_20260507_1006.json:1123: "recurrence_determinism": 0.06933392278219865 tools/data/logistic_counter_scope_gate_20260507_1006.json:1129: "recurrence_determinism": 0.008205623054702122 tools/data/logistic_counter_scope_gate_20260507_1006.json:1135: "recurrence_determinism": 0.7632441987863192 tools/data/logistic_counter_scope_gate_20260507_1006.json:1147: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:1153: "recurrence_determinism": 0.0673076923076923 tools/data/logistic_counter_scope_gate_20260507_1006.json:1159: "recurrence_determinism": 0.009944716590621855 tools/data/logistic_counter_scope_gate_20260507_1006.json:1165: "recurrence_determinism": -0.633475543581748 tools/data/logistic_counter_scope_gate_20260507_1006.json:1179: "recurrence_determinism": 0.0605658709106985 tools/data/logistic_counter_scope_gate_20260507_1006.json:1185: "recurrence_determinism": 0.06587091069849689 tools/data/logistic_counter_scope_gate_20260507_1006.json:1191: "recurrence_determinism": 0.008298563872419253 tools/data/logistic_counter_scope_gate_20260507_1006.json:1197: "recurrence_determinism": -0.639272031806611 tools/data/logistic_counter_scope_gate_20260507_1006.json:1211: "recurrence_determinism": 0.0636604774535809 tools/data/logistic_counter_scope_gate_20260507_1006.json:1217: "recurrence_determinism": 0.06793398172708516 tools/data/logistic_counter_scope_gate_20260507_1006.json:1223: "recurrence_determinism": 0.007669530606587718 tools/data/logistic_counter_scope_gate_20260507_1006.json:1229: "recurrence_determinism": -0.5572054526822731 tools/data/logistic_counter_scope_gate_20260507_1006.json:1243: "recurrence_determinism": 0.07780725022104333 tools/data/logistic_counter_scope_gate_20260507_1006.json:1249: "recurrence_determinism": 0.06627615679339818 tools/data/logistic_counter_scope_gate_20260507_1006.json:1255: "recurrence_determinism": 0.008312379743170924 tools/data/logistic_counter_scope_gate_20260507_1006.json:1261: "recurrence_determinism": 1.3872192782239736 tools/data/logistic_counter_scope_gate_20260507_1006.json:1275: "recurrence_determinism": 0.05526083112290009 tools/data/logistic_counter_scope_gate_20260507_1006.json:1281: "recurrence_determinism": 0.06752873563218391 tools/data/logistic_counter_scope_gate_20260507_1006.json:1287: "recurrence_determinism": 0.006082435219524613 tools/data/logistic_counter_scope_gate_20260507_1006.json:1293: "recurrence_determinism": -2.0169396083173816 tools/data/logistic_counter_scope_gate_20260507_1006.json:1298: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:1309: "recurrence_determinism": 0.07250221043324491 tools/data/logistic_counter_scope_gate_20260507_1006.json:1315: "recurrence_determinism": 0.06745301958400227 tools/data/logistic_counter_scope_gate_20260507_1006.json:1321: "recurrence_determinism": 0.008681498266640955 tools/data/logistic_counter_scope_gate_20260507_1006.json:1327: "recurrence_determinism": 0.5816036234948505 tools/data/logistic_counter_scope_gate_20260507_1006.json:1342: "recurrence_determinism": 0.07206012378426171 tools/data/logistic_counter_scope_gate_20260507_1006.json:1348: "recurrence_determinism": 0.06593915444693325 tools/data/logistic_counter_scope_gate_20260507_1006.json:1354: "recurrence_determinism": 0.007419346058428104 tools/data/logistic_counter_scope_gate_20260507_1006.json:1360: "recurrence_determinism": 0.8250011913617731 tools/data/logistic_counter_scope_gate_20260507_1006.json:1374: "recurrence_determinism": 0.06542882404951371 tools/data/logistic_counter_scope_gate_20260507_1006.json:1380: "recurrence_determinism": 0.06741572320335633 tools/data/logistic_counter_scope_gate_20260507_1006.json:1386: "recurrence_determinism": 0.006512256486012493 tools/data/logistic_counter_scope_gate_20260507_1006.json:1392: "recurrence_determinism": -0.3051014894929628 tools/data/logistic_counter_scope_gate_20260507_1006.json:1404: "recurrence_determinism": 0.05658709106984969 tools/data/logistic_counter_scope_gate_20260507_1006.json:1410: "recurrence_determinism": 0.07054712146176025 tools/data/logistic_counter_scope_gate_20260507_1006.json:1416: "recurrence_determinism": 0.005373944737761108 tools/data/logistic_counter_scope_gate_20260507_1006.json:1422: "recurrence_determinism": -2.5977249624131016 tools/data/logistic_counter_scope_gate_20260507_1006.json:1426: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:1437: "recurrence_determinism": 0.07250221043324491 tools/data/logistic_counter_scope_gate_20260507_1006.json:1443: "recurrence_determinism": 0.06977600943118185 tools/data/logistic_counter_scope_gate_20260507_1006.json:1449: "recurrence_determinism": 0.010388109851574854 tools/data/logistic_counter_scope_gate_20260507_1006.json:1455: "recurrence_determinism": 0.26243474905588904 tools/data/logistic_counter_scope_gate_20260507_1006.json:1467: "recurrence_determinism": 0.06675508399646331 tools/data/logistic_counter_scope_gate_20260507_1006.json:1473: "recurrence_determinism": 0.06660772178013558 tools/data/logistic_counter_scope_gate_20260507_1006.json:1479: "recurrence_determinism": 0.010185160983902427 tools/data/logistic_counter_scope_gate_20260507_1006.json:1485: "recurrence_determinism": 0.014468324708920803 tools/data/logistic_counter_scope_gate_20260507_1006.json:1497: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:1503: "recurrence_determinism": 0.06771293840259358 tools/data/logistic_counter_scope_gate_20260507_1006.json:1509: "recurrence_determinism": 0.007556339651841732 tools/data/logistic_counter_scope_gate_20260507_1006.json:1515: "recurrence_determinism": -0.887331850054895 tools/data/logistic_counter_scope_gate_20260507_1006.json:1529: "recurrence_determinism": 0.05702917771883289 tools/data/logistic_counter_scope_gate_20260507_1006.json:1535: "recurrence_determinism": 0.06657088122605363 tools/data/logistic_counter_scope_gate_20260507_1006.json:1541: "recurrence_determinism": 0.007097104589203126 tools/data/logistic_counter_scope_gate_20260507_1006.json:1547: "recurrence_determinism": -1.3444501750385083 tools/data/logistic_counter_scope_gate_20260507_1006.json:1561: "recurrence_determinism": 0.05702917771883289 tools/data/logistic_counter_scope_gate_20260507_1006.json:1567: "recurrence_determinism": 0.06885499557913351 tools/data/logistic_counter_scope_gate_20260507_1006.json:1573: "recurrence_determinism": 0.006478492877874823 tools/data/logistic_counter_scope_gate_20260507_1006.json:1579: "recurrence_determinism": -1.8253964437759649 tools/data/logistic_counter_scope_gate_20260507_1006.json:1594: "recurrence_determinism": 0.07603890362511052 tools/data/logistic_counter_scope_gate_20260507_1006.json:1600: "recurrence_determinism": 0.06888916629191211 tools/data/logistic_counter_scope_gate_20260507_1006.json:1606: "recurrence_determinism": 0.00889231552517339 tools/data/logistic_counter_scope_gate_20260507_1006.json:1612: "recurrence_determinism": 0.8040354970488977 tools/data/logistic_counter_scope_gate_20260507_1006.json:1626: "recurrence_determinism": 0.0614500442086649 tools/data/logistic_counter_scope_gate_20260507_1006.json:1632: "recurrence_determinism": 0.06561082908470417 tools/data/logistic_counter_scope_gate_20260507_1006.json:1638: "recurrence_determinism": 0.0057618243051693946 tools/data/logistic_counter_scope_gate_20260507_1006.json:1644: "recurrence_determinism": -0.7221297727364397 tools/data/logistic_counter_scope_gate_20260507_1006.json:1658: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:1664: "recurrence_determinism": 0.06682876510462718 tools/data/logistic_counter_scope_gate_20260507_1006.json:1670: "recurrence_determinism": 0.008259577235135797 tools/data/logistic_counter_scope_gate_20260507_1006.json:1676: "recurrence_determinism": -0.7047343198371074 tools/data/logistic_counter_scope_gate_20260507_1006.json:1690: "recurrence_determinism": 0.07382847038019452 tools/data/logistic_counter_scope_gate_20260507_1006.json:1696: "recurrence_determinism": 0.06756048069646133 tools/data/logistic_counter_scope_gate_20260507_1006.json:1702: "recurrence_determinism": 0.008684091083071669 tools/data/logistic_counter_scope_gate_20260507_1006.json:1708: "recurrence_determinism": 0.7217784364274692 tools/data/logistic_counter_scope_gate_20260507_1006.json:1723: "recurrence_determinism": 0.07338638373121131 tools/data/logistic_counter_scope_gate_20260507_1006.json:1729: "recurrence_determinism": 0.0657603890362511 tools/data/logistic_counter_scope_gate_20260507_1006.json:1735: "recurrence_determinism": 0.006781318901167859 tools/data/logistic_counter_scope_gate_20260507_1006.json:1741: "recurrence_determinism": 1.124559220131483 tools/data/logistic_counter_scope_gate_20260507_1006.json:1755: "recurrence_determinism": 0.08178603006189213 tools/data/logistic_counter_scope_gate_20260507_1006.json:1761: "recurrence_determinism": 0.06981284998526377 tools/data/logistic_counter_scope_gate_20260507_1006.json:1767: "recurrence_determinism": 0.008792278567781192 tools/data/logistic_counter_scope_gate_20260507_1006.json:1773: "recurrence_determinism": 1.3617835222491013 tools/data/logistic_counter_scope_gate_20260507_1006.json:1785: "recurrence_determinism": 0.07117595048629531 tools/data/logistic_counter_scope_gate_20260507_1006.json:1791: "recurrence_determinism": 0.0680813439434129 tools/data/logistic_counter_scope_gate_20260507_1006.json:1797: "recurrence_determinism": 0.009740509748734475 tools/data/logistic_counter_scope_gate_20260507_1006.json:1803: "recurrence_determinism": 0.3177047837033856 tools/data/logistic_counter_scope_gate_20260507_1006.json:1815: "recurrence_determinism": 0.07648099027409372 tools/data/logistic_counter_scope_gate_20260507_1006.json:1821: "recurrence_determinism": 0.06885499557913351 tools/data/logistic_counter_scope_gate_20260507_1006.json:1827: "recurrence_determinism": 0.010716923457035538 tools/data/logistic_counter_scope_gate_20260507_1006.json:1833: "recurrence_determinism": 0.7115843204006308 tools/data/logistic_counter_scope_gate_20260507_1006.json:1847: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:1853: "recurrence_determinism": 0.061671087533156504 tools/data/logistic_counter_scope_gate_20260507_1006.json:1859: "recurrence_determinism": 0.008312468803269208 tools/data/logistic_counter_scope_gate_20260507_1006.json:1865: "recurrence_determinism": -0.07977533379902779 tools/data/logistic_counter_scope_gate_20260507_1006.json:1879: "recurrence_determinism": 0.05349248452696728 tools/data/logistic_counter_scope_gate_20260507_1006.json:1885: "recurrence_determinism": 0.06903610524071614 tools/data/logistic_counter_scope_gate_20260507_1006.json:1891: "recurrence_determinism": 0.008699923673030584 tools/data/logistic_counter_scope_gate_20260507_1006.json:1897: "recurrence_determinism": -1.7866387451114614 tools/data/logistic_counter_scope_gate_20260507_1006.json:1911: "recurrence_determinism": 0.05747126436781609 tools/data/logistic_counter_scope_gate_20260507_1006.json:1917: "recurrence_determinism": 0.06675508399646331 tools/data/logistic_counter_scope_gate_20260507_1006.json:1923: "recurrence_determinism": 0.008867817804008034 tools/data/logistic_counter_scope_gate_20260507_1006.json:1929: "recurrence_determinism": -1.0469114086276288 tools/data/logistic_counter_scope_gate_20260507_1006.json:1944: "recurrence_determinism": 0.0641025641025641 tools/data/logistic_counter_scope_gate_20260507_1006.json:1950: "recurrence_determinism": 0.06752873563218391 tools/data/logistic_counter_scope_gate_20260507_1006.json:1956: "recurrence_determinism": 0.008599538354586116 tools/data/logistic_counter_scope_gate_20260507_1006.json:1962: "recurrence_determinism": -0.39841342504073396 tools/data/logistic_counter_scope_gate_20260507_1006.json:1976: "recurrence_determinism": 0.0623342175066313 tools/data/logistic_counter_scope_gate_20260507_1006.json:1982: "recurrence_determinism": 0.06723155299198695 tools/data/logistic_counter_scope_gate_20260507_1006.json:1988: "recurrence_determinism": 0.009131441818027733 tools/data/logistic_counter_scope_gate_20260507_1006.json:1994: "recurrence_determinism": -0.536315686279367 tools/data/logistic_counter_scope_gate_20260507_1006.json:2008: "recurrence_determinism": 0.0694076038903625 tools/data/logistic_counter_scope_gate_20260507_1006.json:2014: "recurrence_determinism": 0.07054966106690246 tools/data/logistic_counter_scope_gate_20260507_1006.json:2020: "recurrence_determinism": 0.007933987748570183 tools/data/logistic_counter_scope_gate_20260507_1006.json:2026: "recurrence_determinism": -0.1439449130414609 tools/data/logistic_counter_scope_gate_20260507_1006.json:2040: "recurrence_determinism": 0.07427055702917772 tools/data/logistic_counter_scope_gate_20260507_1006.json:2046: "recurrence_determinism": 0.07176266439222236 tools/data/logistic_counter_scope_gate_20260507_1006.json:2052: "recurrence_determinism": 0.008923572651521631 tools/data/logistic_counter_scope_gate_20260507_1006.json:2058: "recurrence_determinism": 0.281041319983843 tools/data/logistic_counter_scope_gate_20260507_1006.json:2072: "recurrence_determinism": 0.07824933687002653 tools/data/logistic_counter_scope_gate_20260507_1006.json:2078: "recurrence_determinism": 0.0692573601989696 tools/data/logistic_counter_scope_gate_20260507_1006.json:2084: "recurrence_determinism": 0.00890928652646185 tools/data/logistic_counter_scope_gate_20260507_1006.json:2090: "recurrence_determinism": 1.0092813430513745 tools/data/logistic_counter_scope_gate_20260507_1006.json:2104: "recurrence_determinism": 0.0649867374005305 tools/data/logistic_counter_scope_gate_20260507_1006.json:2110: "recurrence_determinism": 0.0693313994565766 tools/data/logistic_counter_scope_gate_20260507_1006.json:2116: "recurrence_determinism": 0.00871005772394299 tools/data/logistic_counter_scope_gate_20260507_1006.json:2122: "recurrence_determinism": -0.4988097890675396 tools/data/logistic_counter_scope_gate_20260507_1006.json:2134: "recurrence_determinism": 0.0636604774535809 tools/data/logistic_counter_scope_gate_20260507_1006.json:2140: "recurrence_determinism": 0.06870467049013988 tools/data/logistic_counter_scope_gate_20260507_1006.json:2146: "recurrence_determinism": 0.007692638797747451 tools/data/logistic_counter_scope_gate_20260507_1006.json:2152: "recurrence_determinism": -0.6557168702677181 tools/data/logistic_counter_scope_gate_20260507_1006.json:2166: "recurrence_determinism": 0.0645446507515473 tools/data/logistic_counter_scope_gate_20260507_1006.json:2172: "recurrence_determinism": 0.06454465075154729 tools/data/logistic_counter_scope_gate_20260507_1006.json:2178: "recurrence_determinism": 0.009457310816232406 tools/data/logistic_counter_scope_gate_20260507_1006.json:2184: "recurrence_determinism": 1.4674137371053515e-15 tools/data/logistic_counter_scope_gate_20260507_1006.json:2198: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:2204: "recurrence_determinism": 0.0660919540229885 tools/data/logistic_counter_scope_gate_20260507_1006.json:2210: "recurrence_determinism": 0.008721349097580584 tools/data/logistic_counter_scope_gate_20260507_1006.json:2216: "recurrence_determinism": -0.5829369294157899 tools/data/logistic_counter_scope_gate_20260507_1006.json:2230: "recurrence_determinism": 0.06542882404951371 tools/data/logistic_counter_scope_gate_20260507_1006.json:2236: "recurrence_determinism": 0.06984742768604595 tools/data/logistic_counter_scope_gate_20260507_1006.json:2242: "recurrence_determinism": 0.008375643671764984 tools/data/logistic_counter_scope_gate_20260507_1006.json:2248: "recurrence_determinism": -0.5275539182054425 tools/data/logistic_counter_scope_gate_20260507_1006.json:2262: "recurrence_determinism": 0.07780725022104333 tools/data/logistic_counter_scope_gate_20260507_1006.json:2268: "recurrence_determinism": 0.06797082228116712 tools/data/logistic_counter_scope_gate_20260507_1006.json:2274: "recurrence_determinism": 0.007493276820604897 tools/data/logistic_counter_scope_gate_20260507_1006.json:2280: "recurrence_determinism": 1.3127004614093738 tools/data/logistic_counter_scope_gate_20260507_1006.json:2294: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:2300: "recurrence_determinism": 0.07073386383731212 tools/data/logistic_counter_scope_gate_20260507_1006.json:2306: "recurrence_determinism": 0.009933767578461735 tools/data/logistic_counter_scope_gate_20260507_1006.json:2312: "recurrence_determinism": -0.9790752804321697 tools/data/logistic_counter_scope_gate_20260507_1006.json:2326: "recurrence_determinism": 0.06631299734748011 tools/data/logistic_counter_scope_gate_20260507_1006.json:2332: "recurrence_determinism": 0.0688160875259935 tools/data/logistic_counter_scope_gate_20260507_1006.json:2338: "recurrence_determinism": 0.008553586962921321 tools/data/logistic_counter_scope_gate_20260507_1006.json:2344: "recurrence_determinism": -0.292636316128421 tools/data/logistic_counter_scope_gate_20260507_1006.json:2358: "recurrence_determinism": 0.0680813439434129 tools/data/logistic_counter_scope_gate_20260507_1006.json:2364: "recurrence_determinism": 0.07010503481277706 tools/data/logistic_counter_scope_gate_20260507_1006.json:2370: "recurrence_determinism": 0.009022031549466946 tools/data/logistic_counter_scope_gate_20260507_1006.json:2376: "recurrence_determinism": -0.2243054525212479 tools/data/logistic_counter_scope_gate_20260507_1006.json:2390: "recurrence_determinism": 0.07913351016799293 tools/data/logistic_counter_scope_gate_20260507_1006.json:2396: "recurrence_determinism": 0.06800766283524905 tools/data/logistic_counter_scope_gate_20260507_1006.json:2402: "recurrence_determinism": 0.00982194823951824 tools/data/logistic_counter_scope_gate_20260507_1006.json:2408: "recurrence_determinism": 1.1327536107326908 tools/data/logistic_counter_scope_gate_20260507_1006.json:2423: "recurrence_determinism": 0.07073386383731212 tools/data/logistic_counter_scope_gate_20260507_1006.json:2429: "recurrence_determinism": 0.0665340406719717 tools/data/logistic_counter_scope_gate_20260507_1006.json:2435: "recurrence_determinism": 0.00606598184654122 tools/data/logistic_counter_scope_gate_20260507_1006.json:2441: "recurrence_determinism": 0.6923566986497204 tools/data/logistic_counter_scope_gate_20260507_1006.json:2455: "recurrence_determinism": 0.06542882404951371 tools/data/logistic_counter_scope_gate_20260507_1006.json:2461: "recurrence_determinism": 0.06671824344238138 tools/data/logistic_counter_scope_gate_20260507_1006.json:2467: "recurrence_determinism": 0.005583921523812304 tools/data/logistic_counter_scope_gate_20260507_1006.json:2473: "recurrence_determinism": -0.23091646029927462 tools/data/logistic_counter_scope_gate_20260507_1006.json:2485: "recurrence_determinism": 0.07161803713527852 tools/data/logistic_counter_scope_gate_20260507_1006.json:2491: "recurrence_determinism": 0.06782346006483939 tools/data/logistic_counter_scope_gate_20260507_1006.json:2497: "recurrence_determinism": 0.005899552054549361 tools/data/logistic_counter_scope_gate_20260507_1006.json:2503: "recurrence_determinism": 0.6431974894624408 tools/data/logistic_counter_scope_gate_20260507_1006.json:2515: "recurrence_determinism": 0.0649867374005305 tools/data/logistic_counter_scope_gate_20260507_1006.json:2521: "recurrence_determinism": 0.06535514294134985 tools/data/logistic_counter_scope_gate_20260507_1006.json:2527: "recurrence_determinism": 0.006570287967882677 tools/data/logistic_counter_scope_gate_20260507_1006.json:2533: "recurrence_determinism": -0.05607144505997523 tools/data/logistic_counter_scope_gate_20260507_1006.json:2545: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:2551: "recurrence_determinism": 0.06962864721485412 tools/data/logistic_counter_scope_gate_20260507_1006.json:2557: "recurrence_determinism": 0.0071471020190413724 tools/data/logistic_counter_scope_gate_20260507_1006.json:2563: "recurrence_determinism": -1.20617974001282 tools/data/logistic_counter_scope_gate_20260507_1006.json:2577: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:2583: "recurrence_determinism": 0.06996021220159152 tools/data/logistic_counter_scope_gate_20260507_1006.json:2589: "recurrence_determinism": 0.012190585346976186 tools/data/logistic_counter_scope_gate_20260507_1006.json:2595: "recurrence_determinism": -0.7343580629727824 tools/data/logistic_counter_scope_gate_20260507_1006.json:2609: "recurrence_determinism": 0.0671971706454465 tools/data/logistic_counter_scope_gate_20260507_1006.json:2615: "recurrence_determinism": 0.06424992631889184 tools/data/logistic_counter_scope_gate_20260507_1006.json:2621: "recurrence_determinism": 0.009435367342826654 tools/data/logistic_counter_scope_gate_20260507_1006.json:2627: "recurrence_determinism": 0.31236137603008496 tools/data/logistic_counter_scope_gate_20260507_1006.json:2641: "recurrence_determinism": 0.0649867374005305 tools/data/logistic_counter_scope_gate_20260507_1006.json:2647: "recurrence_determinism": 0.06576038903625109 tools/data/logistic_counter_scope_gate_20260507_1006.json:2653: "recurrence_determinism": 0.00935744799428008 tools/data/logistic_counter_scope_gate_20260507_1006.json:2659: "recurrence_determinism": -0.08267763135776944 tools/data/logistic_counter_scope_gate_20260507_1006.json:2673: "recurrence_determinism": 0.07294429708222812 tools/data/logistic_counter_scope_gate_20260507_1006.json:2679: "recurrence_determinism": 0.06292366637194224 tools/data/logistic_counter_scope_gate_20260507_1006.json:2685: "recurrence_determinism": 0.008926395829198417 tools/data/logistic_counter_scope_gate_20260507_1006.json:2691: "recurrence_determinism": 1.1225841764162188 tools/data/logistic_counter_scope_gate_20260507_1006.json:2705: "recurrence_determinism": 0.05968169761273209 tools/data/logistic_counter_scope_gate_20260507_1006.json:2711: "recurrence_determinism": 0.06870763336280579 tools/data/logistic_counter_scope_gate_20260507_1006.json:2717: "recurrence_determinism": 0.006986083932248061 tools/data/logistic_counter_scope_gate_20260507_1006.json:2723: "recurrence_determinism": -1.2919878772726439 tools/data/logistic_counter_scope_gate_20260507_1006.json:2738: "recurrence_determinism": 0.0671971706454465 tools/data/logistic_counter_scope_gate_20260507_1006.json:2744: "recurrence_determinism": 0.07305216518269075 tools/data/logistic_counter_scope_gate_20260507_1006.json:2750: "recurrence_determinism": 0.007320966171672544 tools/data/logistic_counter_scope_gate_20260507_1006.json:2756: "recurrence_determinism": -0.7997570812305259 tools/data/logistic_counter_scope_gate_20260507_1006.json:2770: "recurrence_determinism": 0.0671971706454465 tools/data/logistic_counter_scope_gate_20260507_1006.json:2776: "recurrence_determinism": 0.0684129089301503 tools/data/logistic_counter_scope_gate_20260507_1006.json:2782: "recurrence_determinism": 0.0050515665367893295 tools/data/logistic_counter_scope_gate_20260507_1006.json:2788: "recurrence_determinism": -0.24066559865140252 tools/data/logistic_counter_scope_gate_20260507_1006.json:2802: "recurrence_determinism": 0.07073386383731212 tools/data/logistic_counter_scope_gate_20260507_1006.json:2808: "recurrence_determinism": 0.07139699381078692 tools/data/logistic_counter_scope_gate_20260507_1006.json:2814: "recurrence_determinism": 0.006604452257162834 tools/data/logistic_counter_scope_gate_20260507_1006.json:2820: "recurrence_determinism": -0.10040650574097255 tools/data/logistic_counter_scope_gate_20260507_1006.json:2832: "recurrence_determinism": 0.06896551724137931 tools/data/logistic_counter_scope_gate_20260507_1006.json:2838: "recurrence_determinism": 0.07113910993221338 tools/data/logistic_counter_scope_gate_20260507_1006.json:2844: "recurrence_determinism": 0.009411091764753583 tools/data/logistic_counter_scope_gate_20260507_1006.json:2850: "recurrence_determinism": -0.23096073709265177 tools/data/logistic_counter_scope_gate_20260507_1006.json:2862: "recurrence_determinism": 0.07338638373121131 tools/data/logistic_counter_scope_gate_20260507_1006.json:2868: "recurrence_determinism": 0.07014441497200118 tools/data/logistic_counter_scope_gate_20260507_1006.json:2874: "recurrence_determinism": 0.0072894550445539354 tools/data/logistic_counter_scope_gate_20260507_1006.json:2880: "recurrence_determinism": 0.4447477540357783 tools/data/logistic_counter_scope_gate_20260507_1006.json:2894: "recurrence_determinism": 0.0610079575596817 tools/data/logistic_counter_scope_gate_20260507_1006.json:2900: "recurrence_determinism": 0.07069702328323019 tools/data/logistic_counter_scope_gate_20260507_1006.json:2906: "recurrence_determinism": 0.008700867940401025 tools/data/logistic_counter_scope_gate_20260507_1006.json:2912: "recurrence_determinism": -1.1135746215109106 tools/data/logistic_counter_scope_gate_20260507_1006.json:2926: "recurrence_determinism": 0.06321839080459771 tools/data/logistic_counter_scope_gate_20260507_1006.json:2932: "recurrence_determinism": 0.06900235779546124 tools/data/logistic_counter_scope_gate_20260507_1006.json:2938: "recurrence_determinism": 0.006476664280194426 tools/data/logistic_counter_scope_gate_20260507_1006.json:2944: "recurrence_determinism": -0.8930472139108467 tools/data/logistic_counter_scope_gate_20260507_1006.json:2958: "recurrence_determinism": 0.07029177718832891 tools/data/logistic_counter_scope_gate_20260507_1006.json:2964: "recurrence_determinism": 0.06682876510462717 tools/data/logistic_counter_scope_gate_20260507_1006.json:2970: "recurrence_determinism": 0.009913774994919798 tools/data/logistic_counter_scope_gate_20260507_1006.json:2976: "recurrence_determinism": 0.3493131612807758 tools/data/logistic_counter_scope_gate_20260507_1006.json:2990: "recurrence_determinism": 0.07559681697612732 tools/data/logistic_counter_scope_gate_20260507_1006.json:2996: "recurrence_determinism": 0.0671971706454465 tools/data/logistic_counter_scope_gate_20260507_1006.json:3002: "recurrence_determinism": 0.010432768078212787 tools/data/logistic_counter_scope_gate_20260507_1006.json:3008: "recurrence_determinism": 0.8051215427880705 tools/data/logistic_counter_scope_gate_20260507_1006.json:3022: "recurrence_determinism": 0.0658709106984969 tools/data/logistic_counter_scope_gate_20260507_1006.json:3028: "recurrence_determinism": 0.06848431090549427 tools/data/logistic_counter_scope_gate_20260507_1006.json:3034: "recurrence_determinism": 0.006501100809530378 tools/data/logistic_counter_scope_gate_20260507_1006.json:3040: "recurrence_determinism": -0.4019934905741218 tools/data/logistic_counter_scope_gate_20260507_1006.json:3054: "recurrence_determinism": 0.0605658709106985 tools/data/logistic_counter_scope_gate_20260507_1006.json:3060: "recurrence_determinism": 0.07054966106690244 tools/data/logistic_counter_scope_gate_20260507_1006.json:3066: "recurrence_determinism": 0.008624982357261541 tools/data/logistic_counter_scope_gate_20260507_1006.json:3072: "recurrence_determinism": -1.1575432554709397 tools/data/logistic_counter_scope_gate_20260507_1006.json:3086: "recurrence_determinism": 0.07250221043324491 tools/data/logistic_counter_scope_gate_20260507_1006.json:3092: "recurrence_determinism": 0.06944444444444445 tools/data/logistic_counter_scope_gate_20260507_1006.json:3098: "recurrence_determinism": 0.006787429574992718 tools/data/logistic_counter_scope_gate_20260507_1006.json:3104: "recurrence_determinism": 0.4505042674868185 tools/data/logistic_counter_scope_gate_20260507_1006.json:3118: "recurrence_determinism": 0.07338638373121131 tools/data/logistic_counter_scope_gate_20260507_1006.json:3124: "recurrence_determinism": 0.06969985383595635 tools/data/logistic_counter_scope_gate_20260507_1006.json:3130: "recurrence_determinism": 0.009949344649617784 tools/data/logistic_counter_scope_gate_20260507_1006.json:3136: "recurrence_determinism": 0.37052992182722144 tools/data/logistic_counter_scope_gate_20260507_1006.json:3150: "recurrence_determinism": 0.06407423773751657 tools/data/logistic_counter_scope_gate_20260507_1006.json:3156: "recurrence_determinism": 0.0708443854995579 tools/data/logistic_counter_scope_gate_20260507_1006.json:3162: "recurrence_determinism": 0.00854149223252035 tools/data/logistic_counter_scope_gate_20260507_1006.json:3168: "recurrence_determinism": -0.7926188513366663 tools/data/logistic_counter_scope_gate_20260507_1006.json:3180: "recurrence_determinism": 0.0592396109637489 tools/data/logistic_counter_scope_gate_20260507_1006.json:3186: "recurrence_determinism": 0.06192708298739352 tools/data/logistic_counter_scope_gate_20260507_1006.json:3192: "recurrence_determinism": 0.008713592049919738 tools/data/logistic_counter_scope_gate_20260507_1006.json:3198: "recurrence_determinism": -0.3084229796676537 tools/data/logistic_counter_scope_gate_20260507_1006.json:3212: "recurrence_determinism": 0.05481874447391689 tools/data/logistic_counter_scope_gate_20260507_1006.json:3218: "recurrence_determinism": 0.06439728853521957 tools/data/logistic_counter_scope_gate_20260507_1006.json:3224: "recurrence_determinism": 0.009930786166113767 tools/data/logistic_counter_scope_gate_20260507_1006.json:3230: "recurrence_determinism": -0.964530290057698 tools/data/logistic_counter_scope_gate_20260507_1006.json:3254: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3260: "recurrence_determinism": -0.5002257024621616 tools/data/logistic_counter_scope_gate_20260507_1006.json:3269: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3275: "recurrence_determinism": -0.4515374809307963 tools/data/logistic_counter_scope_gate_20260507_1006.json:3284: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3290: "recurrence_determinism": -0.22158427542264847 tools/data/logistic_counter_scope_gate_20260507_1006.json:3299: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3305: "recurrence_determinism": 0.060478956410161114 tools/data/logistic_counter_scope_gate_20260507_1006.json:3314: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:3320: "recurrence_determinism": 0.08269225840894012 tools/data/logistic_counter_scope_gate_20260507_1006.json:3329: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3335: "recurrence_determinism": -0.173168474308843 tools/data/logistic_counter_scope_gate_20260507_1006.json:3344: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3350: "recurrence_determinism": 0.09329978101904723 tools/data/logistic_counter_scope_gate_20260507_1006.json:3359: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:3365: "recurrence_determinism": -0.38068632857078755 tools/data/logistic_counter_scope_gate_20260507_1006.json:3374: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:3380: "recurrence_determinism": 0.3605156812632684 tools/data/logistic_counter_scope_gate_20260507_1006.json:3389: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:3395: "recurrence_determinism": -0.545501733965381 tools/data/logistic_counter_scope_gate_20260507_1006.json:3404: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:3410: "recurrence_determinism": 0.23802365265115213 tools/data/logistic_counter_scope_gate_20260507_1006.json:3420: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:3516: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:3522: "recurrence_determinism": 0.7473072613884476 tools/data/logistic_counter_scope_gate_20260507_1006.json:3528: "recurrence_determinism": 0.003233781490985634 tools/data/logistic_counter_scope_gate_20260507_1006.json:3534: "recurrence_determinism": -0.4413548824752032 tools/data/logistic_counter_scope_gate_20260507_1006.json:3546: "recurrence_determinism": 0.7465403547877775 tools/data/logistic_counter_scope_gate_20260507_1006.json:3552: "recurrence_determinism": 0.7472163259691696 tools/data/logistic_counter_scope_gate_20260507_1006.json:3558: "recurrence_determinism": 0.0029339974383584535 tools/data/logistic_counter_scope_gate_20260507_1006.json:3564: "recurrence_determinism": -0.23039256018245763 tools/data/logistic_counter_scope_gate_20260507_1006.json:3576: "recurrence_determinism": 0.7460720815643497 tools/data/logistic_counter_scope_gate_20260507_1006.json:3582: "recurrence_determinism": 0.7466341303740182 tools/data/logistic_counter_scope_gate_20260507_1006.json:3588: "recurrence_determinism": 0.0022487486846013015 tools/data/logistic_counter_scope_gate_20260507_1006.json:3594: "recurrence_determinism": -0.24993847178975923 tools/data/logistic_counter_scope_gate_20260507_1006.json:3606: "recurrence_determinism": 0.7444847807874895 tools/data/logistic_counter_scope_gate_20260507_1006.json:3612: "recurrence_determinism": 0.745864150853154 tools/data/logistic_counter_scope_gate_20260507_1006.json:3618: "recurrence_determinism": 0.0028720810464581896 tools/data/logistic_counter_scope_gate_20260507_1006.json:3624: "recurrence_determinism": -0.4802685033438021 tools/data/logistic_counter_scope_gate_20260507_1006.json:3636: "recurrence_determinism": 0.7460292840302767 tools/data/logistic_counter_scope_gate_20260507_1006.json:3642: "recurrence_determinism": 0.7483755510824173 tools/data/logistic_counter_scope_gate_20260507_1006.json:3648: "recurrence_determinism": 0.0038338386101512446 tools/data/logistic_counter_scope_gate_20260507_1006.json:3654: "recurrence_determinism": -0.6119889986834951 tools/data/logistic_counter_scope_gate_20260507_1006.json:3666: "recurrence_determinism": 0.7496014714898835 tools/data/logistic_counter_scope_gate_20260507_1006.json:3672: "recurrence_determinism": 0.7468696088844418 tools/data/logistic_counter_scope_gate_20260507_1006.json:3678: "recurrence_determinism": 0.002984206468432078 tools/data/logistic_counter_scope_gate_20260507_1006.json:3684: "recurrence_determinism": 0.9154402131153883 tools/data/logistic_counter_scope_gate_20260507_1006.json:3696: "recurrence_determinism": 0.7437003475670307 tools/data/logistic_counter_scope_gate_20260507_1006.json:3702: "recurrence_determinism": 0.7471948455875813 tools/data/logistic_counter_scope_gate_20260507_1006.json:3708: "recurrence_determinism": 0.003720207548758936 tools/data/logistic_counter_scope_gate_20260507_1006.json:3714: "recurrence_determinism": -0.9393287806526657 tools/data/logistic_counter_scope_gate_20260507_1006.json:3726: "recurrence_determinism": 0.7484617049565567 tools/data/logistic_counter_scope_gate_20260507_1006.json:3732: "recurrence_determinism": 0.746052969578523 tools/data/logistic_counter_scope_gate_20260507_1006.json:3738: "recurrence_determinism": 0.0027865956845297955 tools/data/logistic_counter_scope_gate_20260507_1006.json:3744: "recurrence_determinism": 0.8644007422412309 tools/data/logistic_counter_scope_gate_20260507_1006.json:3756: "recurrence_determinism": 0.7458902201170242 tools/data/logistic_counter_scope_gate_20260507_1006.json:3762: "recurrence_determinism": 0.7475565035405848 tools/data/logistic_counter_scope_gate_20260507_1006.json:3768: "recurrence_determinism": 0.004949131402562456 tools/data/logistic_counter_scope_gate_20260507_1006.json:3774: "recurrence_determinism": -0.3366819928640071 tools/data/logistic_counter_scope_gate_20260507_1006.json:3788: "recurrence_determinism": 0.7443231170120362 tools/data/logistic_counter_scope_gate_20260507_1006.json:3794: "recurrence_determinism": 0.7485055056273708 tools/data/logistic_counter_scope_gate_20260507_1006.json:3800: "recurrence_determinism": 0.004541879087710171 tools/data/logistic_counter_scope_gate_20260507_1006.json:3806: "recurrence_determinism": -0.9208498365030643 tools/data/logistic_counter_scope_gate_20260507_1006.json:3818: "recurrence_determinism": 0.7476835352815395 tools/data/logistic_counter_scope_gate_20260507_1006.json:3824: "recurrence_determinism": 0.7475763747361365 tools/data/logistic_counter_scope_gate_20260507_1006.json:3830: "recurrence_determinism": 0.005409619662528285 tools/data/logistic_counter_scope_gate_20260507_1006.json:3836: "recurrence_determinism": 0.01980925685872852 tools/data/logistic_counter_scope_gate_20260507_1006.json:3848: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:3854: "recurrence_determinism": 0.7477505854274703 tools/data/logistic_counter_scope_gate_20260507_1006.json:3860: "recurrence_determinism": 0.00295421308144912 tools/data/logistic_counter_scope_gate_20260507_1006.json:3866: "recurrence_determinism": -0.6331869900222582 tools/data/logistic_counter_scope_gate_20260507_1006.json:3878: "recurrence_determinism": 0.7444254923243914 tools/data/logistic_counter_scope_gate_20260507_1006.json:3884: "recurrence_determinism": 0.7473364232388765 tools/data/logistic_counter_scope_gate_20260507_1006.json:3890: "recurrence_determinism": 0.0023356353798480167 tools/data/logistic_counter_scope_gate_20260507_1006.json:3896: "recurrence_determinism": -1.2463122196216052 tools/data/logistic_counter_scope_gate_20260507_1006.json:3908: "recurrence_determinism": 0.7493489583333334 tools/data/logistic_counter_scope_gate_20260507_1006.json:3914: "recurrence_determinism": 0.7466998440806583 tools/data/logistic_counter_scope_gate_20260507_1006.json:3920: "recurrence_determinism": 0.0032499534691871708 tools/data/logistic_counter_scope_gate_20260507_1006.json:3926: "recurrence_determinism": 0.81512374801405 tools/data/logistic_counter_scope_gate_20260507_1006.json:3938: "recurrence_determinism": 0.7486751991075026 tools/data/logistic_counter_scope_gate_20260507_1006.json:3944: "recurrence_determinism": 0.7454707242648535 tools/data/logistic_counter_scope_gate_20260507_1006.json:3950: "recurrence_determinism": 0.001759450266145624 tools/data/logistic_counter_scope_gate_20260507_1006.json:3956: "recurrence_determinism": 1.8212932211315203 tools/data/logistic_counter_scope_gate_20260507_1006.json:3968: "recurrence_determinism": 0.7476186043625307 tools/data/logistic_counter_scope_gate_20260507_1006.json:3974: "recurrence_determinism": 0.7483155503205389 tools/data/logistic_counter_scope_gate_20260507_1006.json:3980: "recurrence_determinism": 0.0029529977623910923 tools/data/logistic_counter_scope_gate_20260507_1006.json:3986: "recurrence_determinism": -0.2360130328862316 tools/data/logistic_counter_scope_gate_20260507_1006.json:3998: "recurrence_determinism": 0.746184390122844 tools/data/logistic_counter_scope_gate_20260507_1006.json:4004: "recurrence_determinism": 0.7474142753191154 tools/data/logistic_counter_scope_gate_20260507_1006.json:4010: "recurrence_determinism": 0.0020753681845688283 tools/data/logistic_counter_scope_gate_20260507_1006.json:4016: "recurrence_determinism": -0.5926106053933493 tools/data/logistic_counter_scope_gate_20260507_1006.json:4028: "recurrence_determinism": 0.7475508432539683 tools/data/logistic_counter_scope_gate_20260507_1006.json:4034: "recurrence_determinism": 0.746454778343001 tools/data/logistic_counter_scope_gate_20260507_1006.json:4040: "recurrence_determinism": 0.0021274929782435672 tools/data/logistic_counter_scope_gate_20260507_1006.json:4046: "recurrence_determinism": 0.5151908477141729 tools/data/logistic_counter_scope_gate_20260507_1006.json:4058: "recurrence_determinism": 0.7475000773969847 tools/data/logistic_counter_scope_gate_20260507_1006.json:4064: "recurrence_determinism": 0.7491025984866346 tools/data/logistic_counter_scope_gate_20260507_1006.json:4070: "recurrence_determinism": 0.0052983912815072025 tools/data/logistic_counter_scope_gate_20260507_1006.json:4076: "recurrence_determinism": -0.3024542742328607 tools/data/logistic_counter_scope_gate_20260507_1006.json:4088: "recurrence_determinism": 0.748077876984127 tools/data/logistic_counter_scope_gate_20260507_1006.json:4094: "recurrence_determinism": 0.746503192799035 tools/data/logistic_counter_scope_gate_20260507_1006.json:4100: "recurrence_determinism": 0.0025906673976698177 tools/data/logistic_counter_scope_gate_20260507_1006.json:4106: "recurrence_determinism": 0.6078295448147237 tools/data/logistic_counter_scope_gate_20260507_1006.json:4118: "recurrence_determinism": 0.7453868816870832 tools/data/logistic_counter_scope_gate_20260507_1006.json:4124: "recurrence_determinism": 0.7464884958433787 tools/data/logistic_counter_scope_gate_20260507_1006.json:4130: "recurrence_determinism": 0.0030872174466175187 tools/data/logistic_counter_scope_gate_20260507_1006.json:4136: "recurrence_determinism": -0.3568307627642097 tools/data/logistic_counter_scope_gate_20260507_1006.json:4150: "recurrence_determinism": 0.7465256235264921 tools/data/logistic_counter_scope_gate_20260507_1006.json:4156: "recurrence_determinism": 0.7461474776531959 tools/data/logistic_counter_scope_gate_20260507_1006.json:4162: "recurrence_determinism": 0.0017124608919742797 tools/data/logistic_counter_scope_gate_20260507_1006.json:4168: "recurrence_determinism": 0.22082015132050625 tools/data/logistic_counter_scope_gate_20260507_1006.json:4180: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:4186: "recurrence_determinism": 0.7466438556427151 tools/data/logistic_counter_scope_gate_20260507_1006.json:4192: "recurrence_determinism": 0.0022381647282816134 tools/data/logistic_counter_scope_gate_20260507_1006.json:4198: "recurrence_determinism": -0.3412793949077934 tools/data/logistic_counter_scope_gate_20260507_1006.json:4210: "recurrence_determinism": 0.7461590880931731 tools/data/logistic_counter_scope_gate_20260507_1006.json:4216: "recurrence_determinism": 0.7477648844352939 tools/data/logistic_counter_scope_gate_20260507_1006.json:4222: "recurrence_determinism": 0.00216753438336985 tools/data/logistic_counter_scope_gate_20260507_1006.json:4228: "recurrence_determinism": -0.7408400782202352 tools/data/logistic_counter_scope_gate_20260507_1006.json:4240: "recurrence_determinism": 0.7478680014831294 tools/data/logistic_counter_scope_gate_20260507_1006.json:4246: "recurrence_determinism": 0.7469762702290987 tools/data/logistic_counter_scope_gate_20260507_1006.json:4252: "recurrence_determinism": 0.0035989571145429227 tools/data/logistic_counter_scope_gate_20260507_1006.json:4258: "recurrence_determinism": 0.24777490413188458 tools/data/logistic_counter_scope_gate_20260507_1006.json:4270: "recurrence_determinism": 0.7465938363179293 tools/data/logistic_counter_scope_gate_20260507_1006.json:4276: "recurrence_determinism": 0.7467859526350081 tools/data/logistic_counter_scope_gate_20260507_1006.json:4282: "recurrence_determinism": 0.0018340220213945834 tools/data/logistic_counter_scope_gate_20260507_1006.json:4288: "recurrence_determinism": -0.10475136876096126 tools/data/logistic_counter_scope_gate_20260507_1006.json:4300: "recurrence_determinism": 0.7462533742902355 tools/data/logistic_counter_scope_gate_20260507_1006.json:4306: "recurrence_determinism": 0.7478841326302884 tools/data/logistic_counter_scope_gate_20260507_1006.json:4312: "recurrence_determinism": 0.0029490646455049433 tools/data/logistic_counter_scope_gate_20260507_1006.json:4318: "recurrence_determinism": -0.5529747686401306 tools/data/logistic_counter_scope_gate_20260507_1006.json:4330: "recurrence_determinism": 0.746103071058911 tools/data/logistic_counter_scope_gate_20260507_1006.json:4336: "recurrence_determinism": 0.7467200209462632 tools/data/logistic_counter_scope_gate_20260507_1006.json:4342: "recurrence_determinism": 0.0012439584880600586 tools/data/logistic_counter_scope_gate_20260507_1006.json:4348: "recurrence_determinism": -0.49595697386517856 tools/data/logistic_counter_scope_gate_20260507_1006.json:4360: "recurrence_determinism": 0.745747982619491 tools/data/logistic_counter_scope_gate_20260507_1006.json:4366: "recurrence_determinism": 0.7477207706051585 tools/data/logistic_counter_scope_gate_20260507_1006.json:4372: "recurrence_determinism": 0.0026944360894485646 tools/data/logistic_counter_scope_gate_20260507_1006.json:4378: "recurrence_determinism": -0.7321710072816063 tools/data/logistic_counter_scope_gate_20260507_1006.json:4392: "recurrence_determinism": 0.7504680642092016 tools/data/logistic_counter_scope_gate_20260507_1006.json:4398: "recurrence_determinism": 0.7477589843618428 tools/data/logistic_counter_scope_gate_20260507_1006.json:4404: "recurrence_determinism": 0.002165603820425119 tools/data/logistic_counter_scope_gate_20260507_1006.json:4410: "recurrence_determinism": 1.2509581954962528 tools/data/logistic_counter_scope_gate_20260507_1006.json:4424: "recurrence_determinism": 0.746261725643169 tools/data/logistic_counter_scope_gate_20260507_1006.json:4430: "recurrence_determinism": 0.7473177370695914 tools/data/logistic_counter_scope_gate_20260507_1006.json:4436: "recurrence_determinism": 0.0025770949635888288 tools/data/logistic_counter_scope_gate_20260507_1006.json:4442: "recurrence_determinism": -0.4097681464371934 tools/data/logistic_counter_scope_gate_20260507_1006.json:4454: "recurrence_determinism": 0.7429892046159573 tools/data/logistic_counter_scope_gate_20260507_1006.json:4460: "recurrence_determinism": 0.7471397753967509 tools/data/logistic_counter_scope_gate_20260507_1006.json:4466: "recurrence_determinism": 0.0019692367335466562 tools/data/logistic_counter_scope_gate_20260507_1006.json:4472: "recurrence_determinism": -2.107705340900436 tools/data/logistic_counter_scope_gate_20260507_1006.json:4475: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:4486: "recurrence_determinism": 0.7455109319274306 tools/data/logistic_counter_scope_gate_20260507_1006.json:4492: "recurrence_determinism": 0.7467420901146697 tools/data/logistic_counter_scope_gate_20260507_1006.json:4498: "recurrence_determinism": 0.0023688958985353327 tools/data/logistic_counter_scope_gate_20260507_1006.json:4504: "recurrence_determinism": -0.5197181471758184 tools/data/logistic_counter_scope_gate_20260507_1006.json:4518: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:4524: "recurrence_determinism": 0.7486714477947715 tools/data/logistic_counter_scope_gate_20260507_1006.json:4530: "recurrence_determinism": 0.0033563613941776944 tools/data/logistic_counter_scope_gate_20260507_1006.json:4536: "recurrence_determinism": -0.831683876793072 tools/data/logistic_counter_scope_gate_20260507_1006.json:4548: "recurrence_determinism": 0.744569265143992 tools/data/logistic_counter_scope_gate_20260507_1006.json:4554: "recurrence_determinism": 0.7464208241157002 tools/data/logistic_counter_scope_gate_20260507_1006.json:4560: "recurrence_determinism": 0.0014397122428746942 tools/data/logistic_counter_scope_gate_20260507_1006.json:4566: "recurrence_determinism": -1.2860618369203798 tools/data/logistic_counter_scope_gate_20260507_1006.json:4578: "recurrence_determinism": 0.7452294517360142 tools/data/logistic_counter_scope_gate_20260507_1006.json:4584: "recurrence_determinism": 0.749499376131907 tools/data/logistic_counter_scope_gate_20260507_1006.json:4590: "recurrence_determinism": 0.0037940410764898246 tools/data/logistic_counter_scope_gate_20260507_1006.json:4596: "recurrence_determinism": -1.1254291426499927 tools/data/logistic_counter_scope_gate_20260507_1006.json:4608: "recurrence_determinism": 0.7459387400793651 tools/data/logistic_counter_scope_gate_20260507_1006.json:4614: "recurrence_determinism": 0.7460035554984338 tools/data/logistic_counter_scope_gate_20260507_1006.json:4620: "recurrence_determinism": 0.0017046925107985422 tools/data/logistic_counter_scope_gate_20260507_1006.json:4626: "recurrence_determinism": -0.038021765601763874 tools/data/logistic_counter_scope_gate_20260507_1006.json:4638: "recurrence_determinism": 0.748371435594887 tools/data/logistic_counter_scope_gate_20260507_1006.json:4644: "recurrence_determinism": 0.7478089208900273 tools/data/logistic_counter_scope_gate_20260507_1006.json:4650: "recurrence_determinism": 0.003222286706961358 tools/data/logistic_counter_scope_gate_20260507_1006.json:4656: "recurrence_determinism": 0.17457003551063288 tools/data/logistic_counter_scope_gate_20260507_1006.json:4670: "recurrence_determinism": 0.7476485148514852 tools/data/logistic_counter_scope_gate_20260507_1006.json:4676: "recurrence_determinism": 0.7469699056056248 tools/data/logistic_counter_scope_gate_20260507_1006.json:4682: "recurrence_determinism": 0.0023056005992214976 tools/data/logistic_counter_scope_gate_20260507_1006.json:4688: "recurrence_determinism": 0.2943307900290803 tools/data/logistic_counter_scope_gate_20260507_1006.json:4700: "recurrence_determinism": 0.746184390122844 tools/data/logistic_counter_scope_gate_20260507_1006.json:4706: "recurrence_determinism": 0.7466747122863363 tools/data/logistic_counter_scope_gate_20260507_1006.json:4712: "recurrence_determinism": 0.0033356056550361665 tools/data/logistic_counter_scope_gate_20260507_1006.json:4718: "recurrence_determinism": -0.1469964420860181 tools/data/logistic_counter_scope_gate_20260507_1006.json:4732: "recurrence_determinism": 0.745872641509434 tools/data/logistic_counter_scope_gate_20260507_1006.json:4738: "recurrence_determinism": 0.7476954364019766 tools/data/logistic_counter_scope_gate_20260507_1006.json:4744: "recurrence_determinism": 0.0035283818496006135 tools/data/logistic_counter_scope_gate_20260507_1006.json:4750: "recurrence_determinism": -0.51660930427609 tools/data/logistic_counter_scope_gate_20260507_1006.json:4764: "recurrence_determinism": 0.7453248565669096 tools/data/logistic_counter_scope_gate_20260507_1006.json:4770: "recurrence_determinism": 0.7474302601867501 tools/data/logistic_counter_scope_gate_20260507_1006.json:4776: "recurrence_determinism": 0.0034140762016507823 tools/data/logistic_counter_scope_gate_20260507_1006.json:4782: "recurrence_determinism": -0.6166832535320836 tools/data/logistic_counter_scope_gate_20260507_1006.json:4794: "recurrence_determinism": 0.746313963573287 tools/data/logistic_counter_scope_gate_20260507_1006.json:4800: "recurrence_determinism": 0.7472395366074491 tools/data/logistic_counter_scope_gate_20260507_1006.json:4806: "recurrence_determinism": 0.00347092029408571 tools/data/logistic_counter_scope_gate_20260507_1006.json:4812: "recurrence_determinism": -0.26666502130262376 tools/data/logistic_counter_scope_gate_20260507_1006.json:4824: "recurrence_determinism": 0.7483689434463993 tools/data/logistic_counter_scope_gate_20260507_1006.json:4830: "recurrence_determinism": 0.7476218502402712 tools/data/logistic_counter_scope_gate_20260507_1006.json:4836: "recurrence_determinism": 0.0027939577083609672 tools/data/logistic_counter_scope_gate_20260507_1006.json:4842: "recurrence_determinism": 0.26739603247837346 tools/data/logistic_counter_scope_gate_20260507_1006.json:4856: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:4862: "recurrence_determinism": 0.7459710522712433 tools/data/logistic_counter_scope_gate_20260507_1006.json:4868: "recurrence_determinism": 0.003352199331402292 tools/data/logistic_counter_scope_gate_20260507_1006.json:4874: "recurrence_determinism": -0.02715713586818097 tools/data/logistic_counter_scope_gate_20260507_1006.json:4886: "recurrence_determinism": 0.7475818452380952 tools/data/logistic_counter_scope_gate_20260507_1006.json:4892: "recurrence_determinism": 0.7464112288282369 tools/data/logistic_counter_scope_gate_20260507_1006.json:4898: "recurrence_determinism": 0.002808216143793338 tools/data/logistic_counter_scope_gate_20260507_1006.json:4904: "recurrence_determinism": 0.41685409880064084 tools/data/logistic_counter_scope_gate_20260507_1006.json:4916: "recurrence_determinism": 0.7452008063265623 tools/data/logistic_counter_scope_gate_20260507_1006.json:4922: "recurrence_determinism": 0.7473014367878844 tools/data/logistic_counter_scope_gate_20260507_1006.json:4928: "recurrence_determinism": 0.0022852596010797897 tools/data/logistic_counter_scope_gate_20260507_1006.json:4934: "recurrence_determinism": -0.9192086799808596 tools/data/logistic_counter_scope_gate_20260507_1006.json:4946: "recurrence_determinism": 0.7485751455829514 tools/data/logistic_counter_scope_gate_20260507_1006.json:4952: "recurrence_determinism": 0.7480084815700985 tools/data/logistic_counter_scope_gate_20260507_1006.json:4958: "recurrence_determinism": 0.0029953398498690645 tools/data/logistic_counter_scope_gate_20260507_1006.json:4964: "recurrence_determinism": 0.1891818762661107 tools/data/logistic_counter_scope_gate_20260507_1006.json:4979: "recurrence_determinism": 0.756455617628802 tools/data/logistic_counter_scope_gate_20260507_1006.json:4985: "recurrence_determinism": 0.7475900671505925 tools/data/logistic_counter_scope_gate_20260507_1006.json:4991: "recurrence_determinism": 0.0036346367944715815 tools/data/logistic_counter_scope_gate_20260507_1006.json:4997: "recurrence_determinism": 2.4391847052487625 tools/data/logistic_counter_scope_gate_20260507_1006.json:5001: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:5012: "recurrence_determinism": 0.7464068888613554 tools/data/logistic_counter_scope_gate_20260507_1006.json:5018: "recurrence_determinism": 0.7477327732083724 tools/data/logistic_counter_scope_gate_20260507_1006.json:5024: "recurrence_determinism": 0.003070770655886607 tools/data/logistic_counter_scope_gate_20260507_1006.json:5030: "recurrence_determinism": -0.4317757643265464 tools/data/logistic_counter_scope_gate_20260507_1006.json:5042: "recurrence_determinism": 0.7447937680394774 tools/data/logistic_counter_scope_gate_20260507_1006.json:5048: "recurrence_determinism": 0.748655365906907 tools/data/logistic_counter_scope_gate_20260507_1006.json:5054: "recurrence_determinism": 0.0054673252210092815 tools/data/logistic_counter_scope_gate_20260507_1006.json:5060: "recurrence_determinism": -0.7063047671996192 tools/data/logistic_counter_scope_gate_20260507_1006.json:5074: "recurrence_determinism": 0.7434715346534654 tools/data/logistic_counter_scope_gate_20260507_1006.json:5080: "recurrence_determinism": 0.7473099763983232 tools/data/logistic_counter_scope_gate_20260507_1006.json:5086: "recurrence_determinism": 0.0029110742775962438 tools/data/logistic_counter_scope_gate_20260507_1006.json:5092: "recurrence_determinism": -1.3185653744387869 tools/data/logistic_counter_scope_gate_20260507_1006.json:5104: "recurrence_determinism": 0.7471257243794354 tools/data/logistic_counter_scope_gate_20260507_1006.json:5110: "recurrence_determinism": 0.7469898400119118 tools/data/logistic_counter_scope_gate_20260507_1006.json:5116: "recurrence_determinism": 0.003583372455871283 tools/data/logistic_counter_scope_gate_20260507_1006.json:5122: "recurrence_determinism": 0.03792080482755801 tools/data/logistic_counter_scope_gate_20260507_1006.json:5134: "recurrence_determinism": 0.742033572248596 tools/data/logistic_counter_scope_gate_20260507_1006.json:5140: "recurrence_determinism": 0.7475332390912377 tools/data/logistic_counter_scope_gate_20260507_1006.json:5146: "recurrence_determinism": 0.0035421058648585227 tools/data/logistic_counter_scope_gate_20260507_1006.json:5152: "recurrence_determinism": -1.5526545655239354 tools/data/logistic_counter_scope_gate_20260507_1006.json:5164: "recurrence_determinism": 0.7477111200769684 tools/data/logistic_counter_scope_gate_20260507_1006.json:5170: "recurrence_determinism": 0.746745673164802 tools/data/logistic_counter_scope_gate_20260507_1006.json:5176: "recurrence_determinism": 0.0021191449376637135 tools/data/logistic_counter_scope_gate_20260507_1006.json:5182: "recurrence_determinism": 0.4555832378462758 tools/data/logistic_counter_scope_gate_20260507_1006.json:5197: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:5203: "recurrence_determinism": 0.7474743733441366 tools/data/logistic_counter_scope_gate_20260507_1006.json:5209: "recurrence_determinism": 0.002249547649172065 tools/data/logistic_counter_scope_gate_20260507_1006.json:5215: "recurrence_determinism": -0.70874569213069 tools/data/logistic_counter_scope_gate_20260507_1006.json:5227: "recurrence_determinism": 0.7479299116142037 tools/data/logistic_counter_scope_gate_20260507_1006.json:5233: "recurrence_determinism": 0.7487756371325439 tools/data/logistic_counter_scope_gate_20260507_1006.json:5239: "recurrence_determinism": 0.003803641754062814 tools/data/logistic_counter_scope_gate_20260507_1006.json:5245: "recurrence_determinism": -0.2223462599853986 tools/data/logistic_counter_scope_gate_20260507_1006.json:5257: "recurrence_determinism": 0.7477167889539024 tools/data/logistic_counter_scope_gate_20260507_1006.json:5263: "recurrence_determinism": 0.7471681535959686 tools/data/logistic_counter_scope_gate_20260507_1006.json:5269: "recurrence_determinism": 0.0029256876642709245 tools/data/logistic_counter_scope_gate_20260507_1006.json:5275: "recurrence_determinism": 0.18752355715678629 tools/data/logistic_counter_scope_gate_20260507_1006.json:5287: "recurrence_determinism": 0.749170002171957 tools/data/logistic_counter_scope_gate_20260507_1006.json:5293: "recurrence_determinism": 0.747084972014378 tools/data/logistic_counter_scope_gate_20260507_1006.json:5299: "recurrence_determinism": 0.0036253140337234487 tools/data/logistic_counter_scope_gate_20260507_1006.json:5305: "recurrence_determinism": 0.5751309095387587 tools/data/logistic_counter_scope_gate_20260507_1006.json:5317: "recurrence_determinism": 0.7473051666460166 tools/data/logistic_counter_scope_gate_20260507_1006.json:5323: "recurrence_determinism": 0.7464952554860039 tools/data/logistic_counter_scope_gate_20260507_1006.json:5329: "recurrence_determinism": 0.0037624848962421282 tools/data/logistic_counter_scope_gate_20260507_1006.json:5335: "recurrence_determinism": 0.21525964418399127 tools/data/logistic_counter_scope_gate_20260507_1006.json:5347: "recurrence_determinism": 0.7472496823576807 tools/data/logistic_counter_scope_gate_20260507_1006.json:5353: "recurrence_determinism": 0.7466677264077201 tools/data/logistic_counter_scope_gate_20260507_1006.json:5359: "recurrence_determinism": 0.0032899317900742793 tools/data/logistic_counter_scope_gate_20260507_1006.json:5365: "recurrence_determinism": 0.17688997435036466 tools/data/logistic_counter_scope_gate_20260507_1006.json:5380: "recurrence_determinism": 0.7476208132492893 tools/data/logistic_counter_scope_gate_20260507_1006.json:5386: "recurrence_determinism": 0.7476462697874188 tools/data/logistic_counter_scope_gate_20260507_1006.json:5392: "recurrence_determinism": 0.0017654924326839742 tools/data/logistic_counter_scope_gate_20260507_1006.json:5398: "recurrence_determinism": -0.014418944912023562 tools/data/logistic_counter_scope_gate_20260507_1006.json:5410: "recurrence_determinism": 0.7466856647255606 tools/data/logistic_counter_scope_gate_20260507_1006.json:5416: "recurrence_determinism": 0.7465497959380651 tools/data/logistic_counter_scope_gate_20260507_1006.json:5422: "recurrence_determinism": 0.0028030970777442052 tools/data/logistic_counter_scope_gate_20260507_1006.json:5428: "recurrence_determinism": 0.04847095328030423 tools/data/logistic_counter_scope_gate_20260507_1006.json:5440: "recurrence_determinism": 0.7469308035714286 tools/data/logistic_counter_scope_gate_20260507_1006.json:5446: "recurrence_determinism": 0.7463151251246583 tools/data/logistic_counter_scope_gate_20260507_1006.json:5452: "recurrence_determinism": 0.0025339834705749038 tools/data/logistic_counter_scope_gate_20260507_1006.json:5458: "recurrence_determinism": 0.24296861203702633 tools/data/logistic_counter_scope_gate_20260507_1006.json:5470: "recurrence_determinism": 0.7477787065415932 tools/data/logistic_counter_scope_gate_20260507_1006.json:5476: "recurrence_determinism": 0.7481894801863326 tools/data/logistic_counter_scope_gate_20260507_1006.json:5482: "recurrence_determinism": 0.002907626821452897 tools/data/logistic_counter_scope_gate_20260507_1006.json:5488: "recurrence_determinism": -0.14127454104792808 tools/data/logistic_counter_scope_gate_20260507_1006.json:5500: "recurrence_determinism": 0.7521868573708603 tools/data/logistic_counter_scope_gate_20260507_1006.json:5506: "recurrence_determinism": 0.7475351974964938 tools/data/logistic_counter_scope_gate_20260507_1006.json:5512: "recurrence_determinism": 0.003683530305214293 tools/data/logistic_counter_scope_gate_20260507_1006.json:5518: "recurrence_determinism": 1.2628265519579969 tools/data/logistic_counter_scope_gate_20260507_1006.json:5532: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:5538: "recurrence_determinism": 0.7464420379583618 tools/data/logistic_counter_scope_gate_20260507_1006.json:5544: "recurrence_determinism": 0.0017039883706587325 tools/data/logistic_counter_scope_gate_20260507_1006.json:5550: "recurrence_determinism": -0.32982726261295614 tools/data/logistic_counter_scope_gate_20260507_1006.json:5562: "recurrence_determinism": 0.7465927394374923 tools/data/logistic_counter_scope_gate_20260507_1006.json:5568: "recurrence_determinism": 0.7466798086832068 tools/data/logistic_counter_scope_gate_20260507_1006.json:5574: "recurrence_determinism": 0.004156222260365634 tools/data/logistic_counter_scope_gate_20260507_1006.json:5580: "recurrence_determinism": -0.02094913126876311 tools/data/logistic_counter_scope_gate_20260507_1006.json:5592: "recurrence_determinism": 0.745632815166465 tools/data/logistic_counter_scope_gate_20260507_1006.json:5598: "recurrence_determinism": 0.7455574681619455 tools/data/logistic_counter_scope_gate_20260507_1006.json:5604: "recurrence_determinism": 0.001720261808891503 tools/data/logistic_counter_scope_gate_20260507_1006.json:5610: "recurrence_determinism": 0.04379973102353016 tools/data/logistic_counter_scope_gate_20260507_1006.json:5622: "recurrence_determinism": 0.7456287202380952 tools/data/logistic_counter_scope_gate_20260507_1006.json:5628: "recurrence_determinism": 0.7472194872938384 tools/data/logistic_counter_scope_gate_20260507_1006.json:5634: "recurrence_determinism": 0.003828869641855138 tools/data/logistic_counter_scope_gate_20260507_1006.json:5640: "recurrence_determinism": -0.4154664965225553 tools/data/logistic_counter_scope_gate_20260507_1006.json:5652: "recurrence_determinism": 0.7452537535674402 tools/data/logistic_counter_scope_gate_20260507_1006.json:5658: "recurrence_determinism": 0.7454289704896074 tools/data/logistic_counter_scope_gate_20260507_1006.json:5664: "recurrence_determinism": 0.0020571400633041157 tools/data/logistic_counter_scope_gate_20260507_1006.json:5670: "recurrence_determinism": -0.08517500839774465 tools/data/logistic_counter_scope_gate_20260507_1006.json:5682: "recurrence_determinism": 0.7454117063492064 tools/data/logistic_counter_scope_gate_20260507_1006.json:5688: "recurrence_determinism": 0.7471586194597714 tools/data/logistic_counter_scope_gate_20260507_1006.json:5694: "recurrence_determinism": 0.0026415646973913425 tools/data/logistic_counter_scope_gate_20260507_1006.json:5700: "recurrence_determinism": -0.6613175563294413 tools/data/logistic_counter_scope_gate_20260507_1006.json:5712: "recurrence_determinism": 0.7495043984636353 tools/data/logistic_counter_scope_gate_20260507_1006.json:5718: "recurrence_determinism": 0.7464028092155514 tools/data/logistic_counter_scope_gate_20260507_1006.json:5724: "recurrence_determinism": 0.0017227310186108762 tools/data/logistic_counter_scope_gate_20260507_1006.json:5730: "recurrence_determinism": 1.8003908994364473 tools/data/logistic_counter_scope_gate_20260507_1006.json:5742: "recurrence_determinism": 0.7458100558659218 tools/data/logistic_counter_scope_gate_20260507_1006.json:5748: "recurrence_determinism": 0.747251739123128 tools/data/logistic_counter_scope_gate_20260507_1006.json:5754: "recurrence_determinism": 0.0038503972042705247 tools/data/logistic_counter_scope_gate_20260507_1006.json:5760: "recurrence_determinism": -0.37442455433099053 tools/data/logistic_counter_scope_gate_20260507_1006.json:5772: "recurrence_determinism": 0.7503460580147037 tools/data/logistic_counter_scope_gate_20260507_1006.json:5778: "recurrence_determinism": 0.7460709684044969 tools/data/logistic_counter_scope_gate_20260507_1006.json:5784: "recurrence_determinism": 0.0020203879769707138 tools/data/logistic_counter_scope_gate_20260507_1006.json:5790: "recurrence_determinism": 2.115974584553122 tools/data/logistic_counter_scope_gate_20260507_1006.json:5793: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:5804: "recurrence_determinism": 0.7504106108029378 tools/data/logistic_counter_scope_gate_20260507_1006.json:5810: "recurrence_determinism": 0.7467376292714519 tools/data/logistic_counter_scope_gate_20260507_1006.json:5816: "recurrence_determinism": 0.0024920582232317045 tools/data/logistic_counter_scope_gate_20260507_1006.json:5822: "recurrence_determinism": 1.4738746860909002 tools/data/logistic_counter_scope_gate_20260507_1006.json:5834: "recurrence_determinism": 0.7447006610595575 tools/data/logistic_counter_scope_gate_20260507_1006.json:5840: "recurrence_determinism": 0.7475987996102035 tools/data/logistic_counter_scope_gate_20260507_1006.json:5846: "recurrence_determinism": 0.0027609387579729952 tools/data/logistic_counter_scope_gate_20260507_1006.json:5852: "recurrence_determinism": -1.0496931676868329 tools/data/logistic_counter_scope_gate_20260507_1006.json:5864: "recurrence_determinism": 0.7458800161385432 tools/data/logistic_counter_scope_gate_20260507_1006.json:5870: "recurrence_determinism": 0.747929203699511 tools/data/logistic_counter_scope_gate_20260507_1006.json:5876: "recurrence_determinism": 0.002976003043325354 tools/data/logistic_counter_scope_gate_20260507_1006.json:5882: "recurrence_determinism": -0.688570384887139 tools/data/logistic_counter_scope_gate_20260507_1006.json:5894: "recurrence_determinism": 0.7458520700883858 tools/data/logistic_counter_scope_gate_20260507_1006.json:5900: "recurrence_determinism": 0.7462404250345465 tools/data/logistic_counter_scope_gate_20260507_1006.json:5906: "recurrence_determinism": 0.0013759163397341256 tools/data/logistic_counter_scope_gate_20260507_1006.json:5912: "recurrence_determinism": -0.282251860048172 tools/data/logistic_counter_scope_gate_20260507_1006.json:5924: "recurrence_determinism": 0.7460410920697883 tools/data/logistic_counter_scope_gate_20260507_1006.json:5930: "recurrence_determinism": 0.7479788947279626 tools/data/logistic_counter_scope_gate_20260507_1006.json:5936: "recurrence_determinism": 0.0025090675320124625 tools/data/logistic_counter_scope_gate_20260507_1006.json:5942: "recurrence_determinism": -0.7723198492868273 tools/data/logistic_counter_scope_gate_20260507_1006.json:5954: "recurrence_determinism": 0.7441369897009554 tools/data/logistic_counter_scope_gate_20260507_1006.json:5960: "recurrence_determinism": 0.7473026416997891 tools/data/logistic_counter_scope_gate_20260507_1006.json:5966: "recurrence_determinism": 0.0029772901038725794 tools/data/logistic_counter_scope_gate_20260507_1006.json:5972: "recurrence_determinism": -1.063266221426018 tools/data/logistic_counter_scope_gate_20260507_1006.json:5984: "recurrence_determinism": 0.7460720815643497 tools/data/logistic_counter_scope_gate_20260507_1006.json:5990: "recurrence_determinism": 0.7482214927387437 tools/data/logistic_counter_scope_gate_20260507_1006.json:5996: "recurrence_determinism": 0.0031547539326686825 tools/data/logistic_counter_scope_gate_20260507_1006.json:6002: "recurrence_determinism": -0.6813245090642636 tools/data/logistic_counter_scope_gate_20260507_1006.json:6014: "recurrence_determinism": 0.7457558734986499 tools/data/logistic_counter_scope_gate_20260507_1006.json:6020: "recurrence_determinism": 0.7469928547191644 tools/data/logistic_counter_scope_gate_20260507_1006.json:6026: "recurrence_determinism": 0.002095342897090225 tools/data/logistic_counter_scope_gate_20260507_1006.json:6032: "recurrence_determinism": -0.5903478720510619 tools/data/logistic_counter_scope_gate_20260507_1006.json:6044: "recurrence_determinism": 0.7518910741301059 tools/data/logistic_counter_scope_gate_20260507_1006.json:6050: "recurrence_determinism": 0.7482158524476737 tools/data/logistic_counter_scope_gate_20260507_1006.json:6056: "recurrence_determinism": 0.0037887459883047423 tools/data/logistic_counter_scope_gate_20260507_1006.json:6062: "recurrence_determinism": 0.9700364431336909 tools/data/logistic_counter_scope_gate_20260507_1006.json:6074: "recurrence_determinism": 0.7428092711533091 tools/data/logistic_counter_scope_gate_20260507_1006.json:6080: "recurrence_determinism": 0.7474014783450919 tools/data/logistic_counter_scope_gate_20260507_1006.json:6086: "recurrence_determinism": 0.001702540820331244 tools/data/logistic_counter_scope_gate_20260507_1006.json:6092: "recurrence_determinism": -2.69726701230536 tools/data/logistic_counter_scope_gate_20260507_1006.json:6095: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:6106: "recurrence_determinism": 0.7508068520357497 tools/data/logistic_counter_scope_gate_20260507_1006.json:6112: "recurrence_determinism": 0.7484097106424707 tools/data/logistic_counter_scope_gate_20260507_1006.json:6118: "recurrence_determinism": 0.0019291874637347181 tools/data/logistic_counter_scope_gate_20260507_1006.json:6124: "recurrence_determinism": 1.2425652967070009 tools/data/logistic_counter_scope_gate_20260507_1006.json:6138: "recurrence_determinism": 0.7453248565669096 tools/data/logistic_counter_scope_gate_20260507_1006.json:6144: "recurrence_determinism": 0.7473655307948142 tools/data/logistic_counter_scope_gate_20260507_1006.json:6150: "recurrence_determinism": 0.0041484834483166465 tools/data/logistic_counter_scope_gate_20260507_1006.json:6156: "recurrence_determinism": -0.4919084897717513 tools/data/logistic_counter_scope_gate_20260507_1006.json:6168: "recurrence_determinism": 0.7504301868239921 tools/data/logistic_counter_scope_gate_20260507_1006.json:6174: "recurrence_determinism": 0.7468969881532099 tools/data/logistic_counter_scope_gate_20260507_1006.json:6180: "recurrence_determinism": 0.00283298345046095 tools/data/logistic_counter_scope_gate_20260507_1006.json:6186: "recurrence_determinism": 1.2471653056099874 tools/data/logistic_counter_scope_gate_20260507_1006.json:6214: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6220: "recurrence_determinism": -0.3711447241951161 tools/data/logistic_counter_scope_gate_20260507_1006.json:6229: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6235: "recurrence_determinism": 0.17987548597811892 tools/data/logistic_counter_scope_gate_20260507_1006.json:6244: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6250: "recurrence_determinism": -0.10193934144588417 tools/data/logistic_counter_scope_gate_20260507_1006.json:6259: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6265: "recurrence_determinism": -0.19538862792594439 tools/data/logistic_counter_scope_gate_20260507_1006.json:6274: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6280: "recurrence_determinism": -0.30614715372590595 tools/data/logistic_counter_scope_gate_20260507_1006.json:6289: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6295: "recurrence_determinism": -0.6409599042305294 tools/data/logistic_counter_scope_gate_20260507_1006.json:6304: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6310: "recurrence_determinism": 0.08360575388639899 tools/data/logistic_counter_scope_gate_20260507_1006.json:6319: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6325: "recurrence_determinism": 0.1890347208335424 tools/data/logistic_counter_scope_gate_20260507_1006.json:6334: "recurrence_determinism": 0.125 tools/data/logistic_counter_scope_gate_20260507_1006.json:6340: "recurrence_determinism": 0.3311863783596224 tools/data/logistic_counter_scope_gate_20260507_1006.json:6349: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6355: "recurrence_determinism": -0.9665316221193487 tools/data/logistic_counter_scope_gate_20260507_1006.json:6364: "recurrence_determinism": 0.0 tools/data/logistic_counter_scope_gate_20260507_1006.json:6370: "recurrence_determinism": -0.1882265781697493 tools/data/logistic_counter_scope_gate_20260507_1006.json:6380: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:6544: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:6550: "recurrence_determinism": 0.21692344260591837 tools/data/logistic_counter_scope_gate_20260507_1006.json:6556: "recurrence_determinism": 0.013633082141056739 tools/data/logistic_counter_scope_gate_20260507_1006.json:6562: "recurrence_determinism": -0.09478268138477598 tools/data/logistic_counter_scope_gate_20260507_1006.json:6574: "recurrence_determinism": 0.21683876092136617 tools/data/logistic_counter_scope_gate_20260507_1006.json:6580: "recurrence_determinism": 0.21799758889460744 tools/data/logistic_counter_scope_gate_20260507_1006.json:6586: "recurrence_determinism": 0.013086172447672774 tools/data/logistic_counter_scope_gate_20260507_1006.json:6592: "recurrence_determinism": -0.08855362237316006 tools/data/logistic_counter_scope_gate_20260507_1006.json:6606: "recurrence_determinism": 0.23375614807144707 tools/data/logistic_counter_scope_gate_20260507_1006.json:6612: "recurrence_determinism": 0.2269822431739016 tools/data/logistic_counter_scope_gate_20260507_1006.json:6618: "recurrence_determinism": 0.01685828121268601 tools/data/logistic_counter_scope_gate_20260507_1006.json:6624: "recurrence_determinism": 0.40181468158498 tools/data/logistic_counter_scope_gate_20260507_1006.json:6638: "recurrence_determinism": 0.2125695669879191 tools/data/logistic_counter_scope_gate_20260507_1006.json:6644: "recurrence_determinism": 0.2163316466739035 tools/data/logistic_counter_scope_gate_20260507_1006.json:6650: "recurrence_determinism": 0.014515304324655748 tools/data/logistic_counter_scope_gate_20260507_1006.json:6656: "recurrence_determinism": -0.25918021433378613 tools/data/logistic_counter_scope_gate_20260507_1006.json:6670: "recurrence_determinism": 0.21469780219780218 tools/data/logistic_counter_scope_gate_20260507_1006.json:6676: "recurrence_determinism": 0.218487793759191 tools/data/logistic_counter_scope_gate_20260507_1006.json:6682: "recurrence_determinism": 0.014555679084434971 tools/data/logistic_counter_scope_gate_20260507_1006.json:6688: "recurrence_determinism": -0.26037888987547286 tools/data/logistic_counter_scope_gate_20260507_1006.json:6700: "recurrence_determinism": 0.23813809952423814 tools/data/logistic_counter_scope_gate_20260507_1006.json:6706: "recurrence_determinism": 0.2217904222993291 tools/data/logistic_counter_scope_gate_20260507_1006.json:6712: "recurrence_determinism": 0.021397913383105975 tools/data/logistic_counter_scope_gate_20260507_1006.json:6718: "recurrence_determinism": 0.763984643372555 tools/data/logistic_counter_scope_gate_20260507_1006.json:6730: "recurrence_determinism": 0.20425824175824175 tools/data/logistic_counter_scope_gate_20260507_1006.json:6736: "recurrence_determinism": 0.21774884552494156 tools/data/logistic_counter_scope_gate_20260507_1006.json:6742: "recurrence_determinism": 0.014359785021156406 tools/data/logistic_counter_scope_gate_20260507_1006.json:6748: "recurrence_determinism": -0.9394711513315813 tools/data/logistic_counter_scope_gate_20260507_1006.json:6760: "recurrence_determinism": 0.2071845174973489 tools/data/logistic_counter_scope_gate_20260507_1006.json:6766: "recurrence_determinism": 0.22080640529195059 tools/data/logistic_counter_scope_gate_20260507_1006.json:6772: "recurrence_determinism": 0.017464928132155482 tools/data/logistic_counter_scope_gate_20260507_1006.json:6778: "recurrence_determinism": -0.7799567047471444 tools/data/logistic_counter_scope_gate_20260507_1006.json:6790: "recurrence_determinism": 0.2056445685726885 tools/data/logistic_counter_scope_gate_20260507_1006.json:6796: "recurrence_determinism": 0.21847006461782367 tools/data/logistic_counter_scope_gate_20260507_1006.json:6802: "recurrence_determinism": 0.019101317117578117 tools/data/logistic_counter_scope_gate_20260507_1006.json:6808: "recurrence_determinism": -0.6714456372923318 tools/data/logistic_counter_scope_gate_20260507_1006.json:6820: "recurrence_determinism": 0.19758232596915382 tools/data/logistic_counter_scope_gate_20260507_1006.json:6826: "recurrence_determinism": 0.21823348585098853 tools/data/logistic_counter_scope_gate_20260507_1006.json:6832: "recurrence_determinism": 0.014412754350908502 tools/data/logistic_counter_scope_gate_20260507_1006.json:6838: "recurrence_determinism": -1.4328392324630845 tools/data/logistic_counter_scope_gate_20260507_1006.json:6850: "recurrence_determinism": 0.23713985769275633 tools/data/logistic_counter_scope_gate_20260507_1006.json:6856: "recurrence_determinism": 0.23112171835195736 tools/data/logistic_counter_scope_gate_20260507_1006.json:6862: "recurrence_determinism": 0.02009269849694702 tools/data/logistic_counter_scope_gate_20260507_1006.json:6868: "recurrence_determinism": 0.2995187202810714 tools/data/logistic_counter_scope_gate_20260507_1006.json:6880: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:6886: "recurrence_determinism": 0.222001802721477 tools/data/logistic_counter_scope_gate_20260507_1006.json:6892: "recurrence_determinism": 0.01293531664192403 tools/data/logistic_counter_scope_gate_20260507_1006.json:6898: "recurrence_determinism": -0.49249201799820136 tools/data/logistic_counter_scope_gate_20260507_1006.json:6912: "recurrence_determinism": 0.2386173094286083 tools/data/logistic_counter_scope_gate_20260507_1006.json:6918: "recurrence_determinism": 0.21719665768879112 tools/data/logistic_counter_scope_gate_20260507_1006.json:6924: "recurrence_determinism": 0.013584165121301664 tools/data/logistic_counter_scope_gate_20260507_1006.json:6930: "recurrence_determinism": 1.5768839342380279 tools/data/logistic_counter_scope_gate_20260507_1006.json:6942: "recurrence_determinism": 0.21288959323824616 tools/data/logistic_counter_scope_gate_20260507_1006.json:6948: "recurrence_determinism": 0.2177251196417511 tools/data/logistic_counter_scope_gate_20260507_1006.json:6954: "recurrence_determinism": 0.027253439955582236 tools/data/logistic_counter_scope_gate_20260507_1006.json:6960: "recurrence_determinism": -0.17742811224512908 tools/data/logistic_counter_scope_gate_20260507_1006.json:6974: "recurrence_determinism": 0.21424665025977577 tools/data/logistic_counter_scope_gate_20260507_1006.json:6980: "recurrence_determinism": 0.22428692186919977 tools/data/logistic_counter_scope_gate_20260507_1006.json:6986: "recurrence_determinism": 0.013611308576326912 tools/data/logistic_counter_scope_gate_20260507_1006.json:6992: "recurrence_determinism": -0.7376419065898089 tools/data/logistic_counter_scope_gate_20260507_1006.json:7004: "recurrence_determinism": 0.23687613136798552 tools/data/logistic_counter_scope_gate_20260507_1006.json:7010: "recurrence_determinism": 0.22315101010479474 tools/data/logistic_counter_scope_gate_20260507_1006.json:7016: "recurrence_determinism": 0.014195944552829855 tools/data/logistic_counter_scope_gate_20260507_1006.json:7022: "recurrence_determinism": 0.9668339582556894 tools/data/logistic_counter_scope_gate_20260507_1006.json:7036: "recurrence_determinism": 0.22359377191752 tools/data/logistic_counter_scope_gate_20260507_1006.json:7042: "recurrence_determinism": 0.21713155911418136 tools/data/logistic_counter_scope_gate_20260507_1006.json:7048: "recurrence_determinism": 0.018226028903560336 tools/data/logistic_counter_scope_gate_20260507_1006.json:7054: "recurrence_determinism": 0.35455956080900813 tools/data/logistic_counter_scope_gate_20260507_1006.json:7066: "recurrence_determinism": 0.21973834624666583 tools/data/logistic_counter_scope_gate_20260507_1006.json:7072: "recurrence_determinism": 0.22328540709380137 tools/data/logistic_counter_scope_gate_20260507_1006.json:7078: "recurrence_determinism": 0.020069907660106103 tools/data/logistic_counter_scope_gate_20260507_1006.json:7084: "recurrence_determinism": -0.17673528484568996 tools/data/logistic_counter_scope_gate_20260507_1006.json:7096: "recurrence_determinism": 0.20472330911123532 tools/data/logistic_counter_scope_gate_20260507_1006.json:7102: "recurrence_determinism": 0.22746596813809628 tools/data/logistic_counter_scope_gate_20260507_1006.json:7108: "recurrence_determinism": 0.02485809229760952 tools/data/logistic_counter_scope_gate_20260507_1006.json:7114: "recurrence_determinism": -0.9148996131552705 tools/data/logistic_counter_scope_gate_20260507_1006.json:7126: "recurrence_determinism": 0.2012301109774034 tools/data/logistic_counter_scope_gate_20260507_1006.json:7132: "recurrence_determinism": 0.21222458290047208 tools/data/logistic_counter_scope_gate_20260507_1006.json:7138: "recurrence_determinism": 0.02015268838890054 tools/data/logistic_counter_scope_gate_20260507_1006.json:7144: "recurrence_determinism": -0.5455585731739935 tools/data/logistic_counter_scope_gate_20260507_1006.json:7156: "recurrence_determinism": 0.21740214410371478 tools/data/logistic_counter_scope_gate_20260507_1006.json:7162: "recurrence_determinism": 0.21841823382616135 tools/data/logistic_counter_scope_gate_20260507_1006.json:7168: "recurrence_determinism": 0.01360080692470313 tools/data/logistic_counter_scope_gate_20260507_1006.json:7174: "recurrence_determinism": -0.07470804696161445 tools/data/logistic_counter_scope_gate_20260507_1006.json:7186: "recurrence_determinism": 0.21073584178759472 tools/data/logistic_counter_scope_gate_20260507_1006.json:7192: "recurrence_determinism": 0.2201856456236989 tools/data/logistic_counter_scope_gate_20260507_1006.json:7198: "recurrence_determinism": 0.016390275398324456 tools/data/logistic_counter_scope_gate_20260507_1006.json:7204: "recurrence_determinism": -0.5765494237558831 tools/data/logistic_counter_scope_gate_20260507_1006.json:7216: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:7222: "recurrence_determinism": 0.22447572112854705 tools/data/logistic_counter_scope_gate_20260507_1006.json:7228: "recurrence_determinism": 0.019585619356318747 tools/data/logistic_counter_scope_gate_20260507_1006.json:7234: "recurrence_determinism": -0.4515792144527475 tools/data/logistic_counter_scope_gate_20260507_1006.json:7248: "recurrence_determinism": 0.23392489711934156 tools/data/logistic_counter_scope_gate_20260507_1006.json:7254: "recurrence_determinism": 0.23093695738401399 tools/data/logistic_counter_scope_gate_20260507_1006.json:7260: "recurrence_determinism": 0.022335565820155782 tools/data/logistic_counter_scope_gate_20260507_1006.json:7266: "recurrence_determinism": 0.1337749739310939 tools/data/logistic_counter_scope_gate_20260507_1006.json:7278: "recurrence_determinism": 0.21838339564264536 tools/data/logistic_counter_scope_gate_20260507_1006.json:7284: "recurrence_determinism": 0.20490784020497652 tools/data/logistic_counter_scope_gate_20260507_1006.json:7290: "recurrence_determinism": 0.015401845484774534 tools/data/logistic_counter_scope_gate_20260507_1006.json:7296: "recurrence_determinism": 0.8749312185341738 tools/data/logistic_counter_scope_gate_20260507_1006.json:7310: "recurrence_determinism": 0.23578274760383386 tools/data/logistic_counter_scope_gate_20260507_1006.json:7316: "recurrence_determinism": 0.22085210755312812 tools/data/logistic_counter_scope_gate_20260507_1006.json:7322: "recurrence_determinism": 0.01437615955020542 tools/data/logistic_counter_scope_gate_20260507_1006.json:7328: "recurrence_determinism": 1.0385694453768355 tools/data/logistic_counter_scope_gate_20260507_1006.json:7340: "recurrence_determinism": 0.22420480993017844 tools/data/logistic_counter_scope_gate_20260507_1006.json:7346: "recurrence_determinism": 0.2262856540643473 tools/data/logistic_counter_scope_gate_20260507_1006.json:7352: "recurrence_determinism": 0.014965700560994777 tools/data/logistic_counter_scope_gate_20260507_1006.json:7358: "recurrence_determinism": -0.13904087721708058 tools/data/logistic_counter_scope_gate_20260507_1006.json:7370: "recurrence_determinism": 0.2069731000261165 tools/data/logistic_counter_scope_gate_20260507_1006.json:7376: "recurrence_determinism": 0.22692366670976763 tools/data/logistic_counter_scope_gate_20260507_1006.json:7382: "recurrence_determinism": 0.01411973586798533 tools/data/logistic_counter_scope_gate_20260507_1006.json:7388: "recurrence_determinism": -1.4129560829028296 tools/data/logistic_counter_scope_gate_20260507_1006.json:7400: "recurrence_determinism": 0.2466523194643711 tools/data/logistic_counter_scope_gate_20260507_1006.json:7406: "recurrence_determinism": 0.22593119002164005 tools/data/logistic_counter_scope_gate_20260507_1006.json:7412: "recurrence_determinism": 0.019991737875630022 tools/data/logistic_counter_scope_gate_20260507_1006.json:7418: "recurrence_determinism": 1.0364846503910077 tools/data/logistic_counter_scope_gate_20260507_1006.json:7430: "recurrence_determinism": 0.2077352472089314 tools/data/logistic_counter_scope_gate_20260507_1006.json:7436: "recurrence_determinism": 0.20844586821205777 tools/data/logistic_counter_scope_gate_20260507_1006.json:7442: "recurrence_determinism": 0.018303921387076982 tools/data/logistic_counter_scope_gate_20260507_1006.json:7448: "recurrence_determinism": -0.03882342958640932 tools/data/logistic_counter_scope_gate_20260507_1006.json:7460: "recurrence_determinism": 0.18768727867066196 tools/data/logistic_counter_scope_gate_20260507_1006.json:7466: "recurrence_determinism": 0.22428566012480547 tools/data/logistic_counter_scope_gate_20260507_1006.json:7472: "recurrence_determinism": 0.023294781596551125 tools/data/logistic_counter_scope_gate_20260507_1006.json:7478: "recurrence_determinism": -1.5710978573657044 tools/data/logistic_counter_scope_gate_20260507_1006.json:7490: "recurrence_determinism": 0.20182072829131653 tools/data/logistic_counter_scope_gate_20260507_1006.json:7496: "recurrence_determinism": 0.210330384026413 tools/data/logistic_counter_scope_gate_20260507_1006.json:7502: "recurrence_determinism": 0.012285745740158551 tools/data/logistic_counter_scope_gate_20260507_1006.json:7508: "recurrence_determinism": -0.6926446237024796 tools/data/logistic_counter_scope_gate_20260507_1006.json:7520: "recurrence_determinism": 0.2503330668798295 tools/data/logistic_counter_scope_gate_20260507_1006.json:7526: "recurrence_determinism": 0.21723370056012128 tools/data/logistic_counter_scope_gate_20260507_1006.json:7532: "recurrence_determinism": 0.018039125234496724 tools/data/logistic_counter_scope_gate_20260507_1006.json:7538: "recurrence_determinism": 1.834865376754043 tools/data/logistic_counter_scope_gate_20260507_1006.json:7550: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:7556: "recurrence_determinism": 0.21535043604893825 tools/data/logistic_counter_scope_gate_20260507_1006.json:7562: "recurrence_determinism": 0.01705646246683064 tools/data/logistic_counter_scope_gate_20260507_1006.json:7568: "recurrence_determinism": 0.016464520509922486 tools/data/logistic_counter_scope_gate_20260507_1006.json:7583: "recurrence_determinism": 0.20903261017874197 tools/data/logistic_counter_scope_gate_20260507_1006.json:7589: "recurrence_determinism": 0.22286544231002278 tools/data/logistic_counter_scope_gate_20260507_1006.json:7595: "recurrence_determinism": 0.02403009930288549 tools/data/logistic_counter_scope_gate_20260507_1006.json:7601: "recurrence_determinism": -0.5756460660826228 tools/data/logistic_counter_scope_gate_20260507_1006.json:7613: "recurrence_determinism": 0.20703787450537026 tools/data/logistic_counter_scope_gate_20260507_1006.json:7619: "recurrence_determinism": 0.21890390641493285 tools/data/logistic_counter_scope_gate_20260507_1006.json:7625: "recurrence_determinism": 0.01485720567067634 tools/data/logistic_counter_scope_gate_20260507_1006.json:7631: "recurrence_determinism": -0.798671848030116 tools/data/logistic_counter_scope_gate_20260507_1006.json:7643: "recurrence_determinism": 0.24007612833061445 tools/data/logistic_counter_scope_gate_20260507_1006.json:7649: "recurrence_determinism": 0.2253974267559643 tools/data/logistic_counter_scope_gate_20260507_1006.json:7655: "recurrence_determinism": 0.02320989686447845 tools/data/logistic_counter_scope_gate_20260507_1006.json:7661: "recurrence_determinism": 0.6324328651849869 tools/data/logistic_counter_scope_gate_20260507_1006.json:7673: "recurrence_determinism": 0.20616113744075829 tools/data/logistic_counter_scope_gate_20260507_1006.json:7679: "recurrence_determinism": 0.22873922662990487 tools/data/logistic_counter_scope_gate_20260507_1006.json:7685: "recurrence_determinism": 0.019611648147680134 tools/data/logistic_counter_scope_gate_20260507_1006.json:7691: "recurrence_determinism": -1.151259140441868 tools/data/logistic_counter_scope_gate_20260507_1006.json:7703: "recurrence_determinism": 0.1869943520073271 tools/data/logistic_counter_scope_gate_20260507_1006.json:7709: "recurrence_determinism": 0.2210407628032317 tools/data/logistic_counter_scope_gate_20260507_1006.json:7715: "recurrence_determinism": 0.018687624243174345 tools/data/logistic_counter_scope_gate_20260507_1006.json:7721: "recurrence_determinism": -1.8218694015286636 tools/data/logistic_counter_scope_gate_20260507_1006.json:7733: "recurrence_determinism": 0.19553072625698323 tools/data/logistic_counter_scope_gate_20260507_1006.json:7739: "recurrence_determinism": 0.21261043058590504 tools/data/logistic_counter_scope_gate_20260507_1006.json:7745: "recurrence_determinism": 0.017674315261409713 tools/data/logistic_counter_scope_gate_20260507_1006.json:7751: "recurrence_determinism": -0.9663573426357182 tools/data/logistic_counter_scope_gate_20260507_1006.json:7763: "recurrence_determinism": 0.2523096129837703 tools/data/logistic_counter_scope_gate_20260507_1006.json:7769: "recurrence_determinism": 0.22197917327729247 tools/data/logistic_counter_scope_gate_20260507_1006.json:7775: "recurrence_determinism": 0.02048468844564394 tools/data/logistic_counter_scope_gate_20260507_1006.json:7781: "recurrence_determinism": 1.4806395414291786 tools/data/logistic_counter_scope_gate_20260507_1006.json:7793: "recurrence_determinism": 0.23806042884990253 tools/data/logistic_counter_scope_gate_20260507_1006.json:7799: "recurrence_determinism": 0.2215809131372427 tools/data/logistic_counter_scope_gate_20260507_1006.json:7805: "recurrence_determinism": 0.011596930363348393 tools/data/logistic_counter_scope_gate_20260507_1006.json:7811: "recurrence_determinism": 1.421023943089512 tools/data/logistic_counter_scope_gate_20260507_1006.json:7823: "recurrence_determinism": 0.19659313041049986 tools/data/logistic_counter_scope_gate_20260507_1006.json:7829: "recurrence_determinism": 0.22266928111996645 tools/data/logistic_counter_scope_gate_20260507_1006.json:7835: "recurrence_determinism": 0.014232035654020937 tools/data/logistic_counter_scope_gate_20260507_1006.json:7841: "recurrence_determinism": -1.8322151056514089 tools/data/logistic_counter_scope_gate_20260507_1006.json:7853: "recurrence_determinism": 0.20412287793047695 tools/data/logistic_counter_scope_gate_20260507_1006.json:7859: "recurrence_determinism": 0.2232673399332784 tools/data/logistic_counter_scope_gate_20260507_1006.json:7865: "recurrence_determinism": 0.022682811063854724 tools/data/logistic_counter_scope_gate_20260507_1006.json:7871: "recurrence_determinism": -0.8440074710717111 tools/data/logistic_counter_scope_gate_20260507_1006.json:7885: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:7891: "recurrence_determinism": 0.22747465377714007 tools/data/logistic_counter_scope_gate_20260507_1006.json:7897: "recurrence_determinism": 0.012721282887879494 tools/data/logistic_counter_scope_gate_20260507_1006.json:7903: "recurrence_determinism": -0.9309903220039264 tools/data/logistic_counter_scope_gate_20260507_1006.json:7917: "recurrence_determinism": 0.21736334405144694 tools/data/logistic_counter_scope_gate_20260507_1006.json:7923: "recurrence_determinism": 0.22732844005031283 tools/data/logistic_counter_scope_gate_20260507_1006.json:7929: "recurrence_determinism": 0.01436803593807155 tools/data/logistic_counter_scope_gate_20260507_1006.json:7935: "recurrence_determinism": -0.6935600691574677 tools/data/logistic_counter_scope_gate_20260507_1006.json:7949: "recurrence_determinism": 0.21487603305785125 tools/data/logistic_counter_scope_gate_20260507_1006.json:7955: "recurrence_determinism": 0.22393968352717483 tools/data/logistic_counter_scope_gate_20260507_1006.json:7961: "recurrence_determinism": 0.015696968279666393 tools/data/logistic_counter_scope_gate_20260507_1006.json:7967: "recurrence_determinism": -0.5774140781735857 tools/data/logistic_counter_scope_gate_20260507_1006.json:7979: "recurrence_determinism": 0.22012336160370086 tools/data/logistic_counter_scope_gate_20260507_1006.json:7985: "recurrence_determinism": 0.22565151575962036 tools/data/logistic_counter_scope_gate_20260507_1006.json:7991: "recurrence_determinism": 0.02571705695890722 tools/data/logistic_counter_scope_gate_20260507_1006.json:7997: "recurrence_determinism": -0.21496060629149114 tools/data/logistic_counter_scope_gate_20260507_1006.json:8009: "recurrence_determinism": 0.1963961235614779 tools/data/logistic_counter_scope_gate_20260507_1006.json:8015: "recurrence_determinism": 0.23044607402051456 tools/data/logistic_counter_scope_gate_20260507_1006.json:8021: "recurrence_determinism": 0.021640062136575485 tools/data/logistic_counter_scope_gate_20260507_1006.json:8027: "recurrence_determinism": -1.573468238868238 tools/data/logistic_counter_scope_gate_20260507_1006.json:8041: "recurrence_determinism": 0.20180256301929306 tools/data/logistic_counter_scope_gate_20260507_1006.json:8047: "recurrence_determinism": 0.2294879046126392 tools/data/logistic_counter_scope_gate_20260507_1006.json:8053: "recurrence_determinism": 0.016520007854994967 tools/data/logistic_counter_scope_gate_20260507_1006.json:8059: "recurrence_determinism": -1.6758673383424119 tools/data/logistic_counter_scope_gate_20260507_1006.json:8071: "recurrence_determinism": 0.2158273381294964 tools/data/logistic_counter_scope_gate_20260507_1006.json:8077: "recurrence_determinism": 0.21629468667828755 tools/data/logistic_counter_scope_gate_20260507_1006.json:8083: "recurrence_determinism": 0.01384873814421838 tools/data/logistic_counter_scope_gate_20260507_1006.json:8089: "recurrence_determinism": -0.03374665214435209 tools/data/logistic_counter_scope_gate_20260507_1006.json:8101: "recurrence_determinism": 0.22171592240593674 tools/data/logistic_counter_scope_gate_20260507_1006.json:8107: "recurrence_determinism": 0.20734233425765328 tools/data/logistic_counter_scope_gate_20260507_1006.json:8113: "recurrence_determinism": 0.0103487232247022 tools/data/logistic_counter_scope_gate_20260507_1006.json:8119: "recurrence_determinism": 1.388923815642686 tools/data/logistic_counter_scope_gate_20260507_1006.json:8131: "recurrence_determinism": 0.22512942493353855 tools/data/logistic_counter_scope_gate_20260507_1006.json:8137: "recurrence_determinism": 0.22944307149293078 tools/data/logistic_counter_scope_gate_20260507_1006.json:8143: "recurrence_determinism": 0.02192419040567907 tools/data/logistic_counter_scope_gate_20260507_1006.json:8149: "recurrence_determinism": -0.19675283235429566 tools/data/logistic_counter_scope_gate_20260507_1006.json:8161: "recurrence_determinism": 0.1964100281857291 tools/data/logistic_counter_scope_gate_20260507_1006.json:8167: "recurrence_determinism": 0.21734575893407515 tools/data/logistic_counter_scope_gate_20260507_1006.json:8173: "recurrence_determinism": 0.014589472703820532 tools/data/logistic_counter_scope_gate_20260507_1006.json:8179: "recurrence_determinism": -1.4349888562362927 tools/data/logistic_counter_scope_gate_20260507_1006.json:8191: "recurrence_determinism": 0.2108686226333285 tools/data/logistic_counter_scope_gate_20260507_1006.json:8197: "recurrence_determinism": 0.21836975353008234 tools/data/logistic_counter_scope_gate_20260507_1006.json:8203: "recurrence_determinism": 0.01458186612044898 tools/data/logistic_counter_scope_gate_20260507_1006.json:8209: "recurrence_determinism": -0.5144150162121274 tools/data/logistic_counter_scope_gate_20260507_1006.json:8221: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:8227: "recurrence_determinism": 0.22456493441560535 tools/data/logistic_counter_scope_gate_20260507_1006.json:8233: "recurrence_determinism": 0.015282152045894217 tools/data/logistic_counter_scope_gate_20260507_1006.json:8239: "recurrence_determinism": -0.5845820577969849 tools/data/logistic_counter_scope_gate_20260507_1006.json:8253: "recurrence_determinism": 0.21882414974953862 tools/data/logistic_counter_scope_gate_20260507_1006.json:8259: "recurrence_determinism": 0.21700883674712945 tools/data/logistic_counter_scope_gate_20260507_1006.json:8265: "recurrence_determinism": 0.01982720407303415 tools/data/logistic_counter_scope_gate_20260507_1006.json:8271: "recurrence_determinism": 0.09155668120035507 tools/data/logistic_counter_scope_gate_20260507_1006.json:8286: "recurrence_determinism": 0.20913623500875891 tools/data/logistic_counter_scope_gate_20260507_1006.json:8292: "recurrence_determinism": 0.21964736793464698 tools/data/logistic_counter_scope_gate_20260507_1006.json:8298: "recurrence_determinism": 0.021345139707501206 tools/data/logistic_counter_scope_gate_20260507_1006.json:8304: "recurrence_determinism": -0.4924368296448393 tools/data/logistic_counter_scope_gate_20260507_1006.json:8318: "recurrence_determinism": 0.196291817815397 tools/data/logistic_counter_scope_gate_20260507_1006.json:8324: "recurrence_determinism": 0.21946282867078495 tools/data/logistic_counter_scope_gate_20260507_1006.json:8330: "recurrence_determinism": 0.02231091738754783 tools/data/logistic_counter_scope_gate_20260507_1006.json:8336: "recurrence_determinism": -1.0385503407547083 tools/data/logistic_counter_scope_gate_20260507_1006.json:8348: "recurrence_determinism": 0.20613311331133113 tools/data/logistic_counter_scope_gate_20260507_1006.json:8354: "recurrence_determinism": 0.2246438184187762 tools/data/logistic_counter_scope_gate_20260507_1006.json:8360: "recurrence_determinism": 0.018558545552156823 tools/data/logistic_counter_scope_gate_20260507_1006.json:8366: "recurrence_determinism": -0.9974221878230003 tools/data/logistic_counter_scope_gate_20260507_1006.json:8378: "recurrence_determinism": 0.19342243580117136 tools/data/logistic_counter_scope_gate_20260507_1006.json:8384: "recurrence_determinism": 0.21168335778283034 tools/data/logistic_counter_scope_gate_20260507_1006.json:8390: "recurrence_determinism": 0.020446435068400184 tools/data/logistic_counter_scope_gate_20260507_1006.json:8396: "recurrence_determinism": -0.8931103109451638 tools/data/logistic_counter_scope_gate_20260507_1006.json:8408: "recurrence_determinism": 0.22790123456790123 tools/data/logistic_counter_scope_gate_20260507_1006.json:8414: "recurrence_determinism": 0.22210978457424593 tools/data/logistic_counter_scope_gate_20260507_1006.json:8420: "recurrence_determinism": 0.01988061902928907 tools/data/logistic_counter_scope_gate_20260507_1006.json:8426: "recurrence_determinism": 0.2913113512774961 tools/data/logistic_counter_scope_gate_20260507_1006.json:8438: "recurrence_determinism": 0.23575906241482694 tools/data/logistic_counter_scope_gate_20260507_1006.json:8444: "recurrence_determinism": 0.21705279520442047 tools/data/logistic_counter_scope_gate_20260507_1006.json:8450: "recurrence_determinism": 0.014468431758662295 tools/data/logistic_counter_scope_gate_20260507_1006.json:8456: "recurrence_determinism": 1.2929021971719201 tools/data/logistic_counter_scope_gate_20260507_1006.json:8468: "recurrence_determinism": 0.21731171548117154 tools/data/logistic_counter_scope_gate_20260507_1006.json:8474: "recurrence_determinism": 0.22887515587472618 tools/data/logistic_counter_scope_gate_20260507_1006.json:8480: "recurrence_determinism": 0.02103858687334195 tools/data/logistic_counter_scope_gate_20260507_1006.json:8486: "recurrence_determinism": -0.5496300898520284 tools/data/logistic_counter_scope_gate_20260507_1006.json:8500: "recurrence_determinism": 0.2123220076131397 tools/data/logistic_counter_scope_gate_20260507_1006.json:8506: "recurrence_determinism": 0.22711600384968866 tools/data/logistic_counter_scope_gate_20260507_1006.json:8512: "recurrence_determinism": 0.019691917965801498 tools/data/logistic_counter_scope_gate_20260507_1006.json:8518: "recurrence_determinism": -0.7512724896701959 tools/data/logistic_counter_scope_gate_20260507_1006.json:8530: "recurrence_determinism": 0.1988756148981026 tools/data/logistic_counter_scope_gate_20260507_1006.json:8536: "recurrence_determinism": 0.21809265115497478 tools/data/logistic_counter_scope_gate_20260507_1006.json:8542: "recurrence_determinism": 0.025001058945520415 tools/data/logistic_counter_scope_gate_20260507_1006.json:8548: "recurrence_determinism": -0.7686488919828498 tools/data/logistic_counter_scope_gate_20260507_1006.json:8562: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:8568: "recurrence_determinism": 0.22701034376119553 tools/data/logistic_counter_scope_gate_20260507_1006.json:8574: "recurrence_determinism": 0.018961482474021164 tools/data/logistic_counter_scope_gate_20260507_1006.json:8580: "recurrence_determinism": -0.6001155896821742 tools/data/logistic_counter_scope_gate_20260507_1006.json:8594: "recurrence_determinism": 0.21619085913416433 tools/data/logistic_counter_scope_gate_20260507_1006.json:8600: "recurrence_determinism": 0.22174655670575327 tools/data/logistic_counter_scope_gate_20260507_1006.json:8606: "recurrence_determinism": 0.023582091470474034 tools/data/logistic_counter_scope_gate_20260507_1006.json:8612: "recurrence_determinism": -0.23558968798611243 tools/data/logistic_counter_scope_gate_20260507_1006.json:8626: "recurrence_determinism": 0.22687026818940073 tools/data/logistic_counter_scope_gate_20260507_1006.json:8632: "recurrence_determinism": 0.22045735272651915 tools/data/logistic_counter_scope_gate_20260507_1006.json:8638: "recurrence_determinism": 0.023977665924187274 tools/data/logistic_counter_scope_gate_20260507_1006.json:8644: "recurrence_determinism": 0.2674536997536783 tools/data/logistic_counter_scope_gate_20260507_1006.json:8656: "recurrence_determinism": 0.22356902356902356 tools/data/logistic_counter_scope_gate_20260507_1006.json:8662: "recurrence_determinism": 0.2216046767408096 tools/data/logistic_counter_scope_gate_20260507_1006.json:8668: "recurrence_determinism": 0.016804168471626055 tools/data/logistic_counter_scope_gate_20260507_1006.json:8674: "recurrence_determinism": 0.11689640171905914 tools/data/logistic_counter_scope_gate_20260507_1006.json:8686: "recurrence_determinism": 0.22042663219133807 tools/data/logistic_counter_scope_gate_20260507_1006.json:8692: "recurrence_determinism": 0.20721490627048067 tools/data/logistic_counter_scope_gate_20260507_1006.json:8698: "recurrence_determinism": 0.015725642230065645 tools/data/logistic_counter_scope_gate_20260507_1006.json:8704: "recurrence_determinism": 0.8401390370943372 tools/data/logistic_counter_scope_gate_20260507_1006.json:8718: "recurrence_determinism": 0.22597402597402597 tools/data/logistic_counter_scope_gate_20260507_1006.json:8724: "recurrence_determinism": 0.21499435505362832 tools/data/logistic_counter_scope_gate_20260507_1006.json:8730: "recurrence_determinism": 0.018573687852962553 tools/data/logistic_counter_scope_gate_20260507_1006.json:8736: "recurrence_determinism": 0.5911411351002304 tools/data/logistic_counter_scope_gate_20260507_1006.json:8748: "recurrence_determinism": 0.23076923076923078 tools/data/logistic_counter_scope_gate_20260507_1006.json:8754: "recurrence_determinism": 0.21460624518787752 tools/data/logistic_counter_scope_gate_20260507_1006.json:8760: "recurrence_determinism": 0.02249373567910815 tools/data/logistic_counter_scope_gate_20260507_1006.json:8766: "recurrence_determinism": 0.718554970678579 tools/data/logistic_counter_scope_gate_20260507_1006.json:8778: "recurrence_determinism": 0.20044977511244377 tools/data/logistic_counter_scope_gate_20260507_1006.json:8784: "recurrence_determinism": 0.2175199717211731 tools/data/logistic_counter_scope_gate_20260507_1006.json:8790: "recurrence_determinism": 0.015311915504955222 tools/data/logistic_counter_scope_gate_20260507_1006.json:8796: "recurrence_determinism": -1.1148309042852993 tools/data/logistic_counter_scope_gate_20260507_1006.json:8810: "recurrence_determinism": 0.2303934173309334 tools/data/logistic_counter_scope_gate_20260507_1006.json:8816: "recurrence_determinism": 0.22221867219755312 tools/data/logistic_counter_scope_gate_20260507_1006.json:8822: "recurrence_determinism": 0.015283118238718581 tools/data/logistic_counter_scope_gate_20260507_1006.json:8828: "recurrence_determinism": 0.5348872530914676 tools/data/logistic_counter_scope_gate_20260507_1006.json:8840: "recurrence_determinism": 0.2058036343146922 tools/data/logistic_counter_scope_gate_20260507_1006.json:8846: "recurrence_determinism": 0.22459369882165972 tools/data/logistic_counter_scope_gate_20260507_1006.json:8852: "recurrence_determinism": 0.020207399952802182 tools/data/logistic_counter_scope_gate_20260507_1006.json:8858: "recurrence_determinism": -0.9298605733966224 tools/data/logistic_counter_scope_gate_20260507_1006.json:8870: "recurrence_determinism": 0.22581047381546135 tools/data/logistic_counter_scope_gate_20260507_1006.json:8876: "recurrence_determinism": 0.224269870240987 tools/data/logistic_counter_scope_gate_20260507_1006.json:8882: "recurrence_determinism": 0.025418944266435577 tools/data/logistic_counter_scope_gate_20260507_1006.json:8888: "recurrence_determinism": 0.06060847997171335 tools/data/logistic_counter_scope_gate_20260507_1006.json:8900: "recurrence_determinism": 0.2156312625250501 tools/data/logistic_counter_scope_gate_20260507_1006.json:8906: "recurrence_determinism": 0.21230636728430072 tools/data/logistic_counter_scope_gate_20260507_1006.json:8912: "recurrence_determinism": 0.019683304045540962 tools/data/logistic_counter_scope_gate_20260507_1006.json:8918: "recurrence_determinism": 0.16891956924795895 tools/data/logistic_counter_scope_gate_20260507_1006.json:8933: "recurrence_determinism": 0.2358223643744618 tools/data/logistic_counter_scope_gate_20260507_1006.json:8939: "recurrence_determinism": 0.21774100860531842 tools/data/logistic_counter_scope_gate_20260507_1006.json:8945: "recurrence_determinism": 0.014698643185715747 tools/data/logistic_counter_scope_gate_20260507_1006.json:8951: "recurrence_determinism": 1.2301377440548376 tools/data/logistic_counter_scope_gate_20260507_1006.json:8965: "recurrence_determinism": 0.22036965232002068 tools/data/logistic_counter_scope_gate_20260507_1006.json:8971: "recurrence_determinism": 0.22402389415694493 tools/data/logistic_counter_scope_gate_20260507_1006.json:8977: "recurrence_determinism": 0.011646486171309981 tools/data/logistic_counter_scope_gate_20260507_1006.json:8983: "recurrence_determinism": -0.3137634633462352 tools/data/logistic_counter_scope_gate_20260507_1006.json:8995: "recurrence_determinism": 0.21073105298457412 tools/data/logistic_counter_scope_gate_20260507_1006.json:9001: "recurrence_determinism": 0.21977335526691574 tools/data/logistic_counter_scope_gate_20260507_1006.json:9007: "recurrence_determinism": 0.008215236116120959 tools/data/logistic_counter_scope_gate_20260507_1006.json:9013: "recurrence_determinism": -1.100674667718642 tools/data/logistic_counter_scope_gate_20260507_1006.json:9025: "recurrence_determinism": 0.2031426953567384 tools/data/logistic_counter_scope_gate_20260507_1006.json:9031: "recurrence_determinism": 0.20674769327174916 tools/data/logistic_counter_scope_gate_20260507_1006.json:9037: "recurrence_determinism": 0.026786848341215006 tools/data/logistic_counter_scope_gate_20260507_1006.json:9043: "recurrence_determinism": -0.13458089093161468 tools/data/logistic_counter_scope_gate_20260507_1006.json:9055: "recurrence_determinism": 0.2030922431865828 tools/data/logistic_counter_scope_gate_20260507_1006.json:9061: "recurrence_determinism": 0.22660380009076772 tools/data/logistic_counter_scope_gate_20260507_1006.json:9067: "recurrence_determinism": 0.022748097991809206 tools/data/logistic_counter_scope_gate_20260507_1006.json:9073: "recurrence_determinism": -1.0335614394069605 tools/data/logistic_counter_scope_gate_20260507_1006.json:9085: "recurrence_determinism": 0.23653731343283582 tools/data/logistic_counter_scope_gate_20260507_1006.json:9091: "recurrence_determinism": 0.22423980960575096 tools/data/logistic_counter_scope_gate_20260507_1006.json:9097: "recurrence_determinism": 0.016645117014566647 tools/data/logistic_counter_scope_gate_20260507_1006.json:9103: "recurrence_determinism": 0.7388054897014507 tools/data/logistic_counter_scope_gate_20260507_1006.json:9115: "recurrence_determinism": 0.21308334473792254 tools/data/logistic_counter_scope_gate_20260507_1006.json:9121: "recurrence_determinism": 0.2103044656536505 tools/data/logistic_counter_scope_gate_20260507_1006.json:9127: "recurrence_determinism": 0.014011894672357073 tools/data/logistic_counter_scope_gate_20260507_1006.json:9133: "recurrence_determinism": 0.1983228641986776 tools/data/logistic_counter_scope_gate_20260507_1006.json:9145: "recurrence_determinism": 0.2500329858820425 tools/data/logistic_counter_scope_gate_20260507_1006.json:9151: "recurrence_determinism": 0.21174978203311337 tools/data/logistic_counter_scope_gate_20260507_1006.json:9157: "recurrence_determinism": 0.009054545157678038 tools/data/logistic_counter_scope_gate_20260507_1006.json:9163: "recurrence_determinism": 4.228064820734354 tools/data/logistic_counter_scope_gate_20260507_1006.json:9166: "recurrence_determinism" tools/data/logistic_counter_scope_gate_20260507_1006.json:9177: "recurrence_determinism": 0.21740754576017932 tools/data/logistic_counter_scope_gate_20260507_1006.json:9183: "recurrence_determinism": 0.22847737919906105 tools/data/logistic_counter_scope_gate_20260507_1006.json:9189: "recurrence_determinism": 0.018964155169300646 tools/data/logistic_counter_scope_gate_20260507_1006.json:9195: "recurrence_determinism": -0.5837240488730913 tools/data/logistic_counter_scope_gate_20260507_1006.json:9207: "recurrence_determinism": 0.2015025489669976 tools/data/logistic_counter_scope_gate_20260507_1006.json:9213: "recurrence_determinism": 0.212592268592153 tools/data/logistic_counter_scope_gate_20260507_1006.json:9219: "recurrence_determinism": 0.011121032010198163 tools/data/logistic_counter_scope_gate_20260507_1006.json:9225: "recurrence_determinism": -0.9971843993422507 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:11: "recurrence_determinism" tools/data/logistic_surrogate_contract_gate_20260507_1042.json:50: "recurrence_determinism": -0.5278454525634397 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:56: "recurrence_determinism": -0.8339202362776904 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:62: "recurrence_determinism": -0.9947304644070144 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:82: "recurrence_determinism": 0.6336915285833274 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:88: "recurrence_determinism": -0.05151685661649725 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:94: "recurrence_determinism": 0.07114866478758354 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:118: "recurrence_determinism": 0.09256619465404725 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:124: "recurrence_determinism": 0.47478444587407753 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:130: "recurrence_determinism": 0.5734433014869599 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:149: "recurrence_determinism": 0.05987261146496815 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:155: "recurrence_determinism": 0.06685244161358811 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:161: "recurrence_determinism": 0.013223245771509374 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:167: "recurrence_determinism": -0.5278454525634397 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:178: "recurrence_determinism": 0.05987261146496815 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:184: "recurrence_determinism": 0.06626857749469216 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:190: "recurrence_determinism": 0.007669757551721273 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:196: "recurrence_determinism": -0.8339202362776904 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:207: "recurrence_determinism": 0.05987261146496815 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:213: "recurrence_determinism": 0.06756900212314225 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:219: "recurrence_determinism": 0.00773716190823825 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:225: "recurrence_determinism": -0.9947304644070144 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:250: "recurrence_determinism": 0.7470824053452115 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:256: "recurrence_determinism": 0.7452576124723244 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:262: "recurrence_determinism": 0.002879623271856978 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:268: "recurrence_determinism": 0.6336915285833274 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:277: "recurrence_determinism": 0.7470824053452115 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:283: "recurrence_determinism": 0.7472447757134999 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:289: "recurrence_determinism": 0.003151791063206507 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:295: "recurrence_determinism": -0.05151685661649725 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:306: "recurrence_determinism": 0.7470824053452115 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:312: "recurrence_determinism": 0.7467298340497074 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:318: "recurrence_determinism": 0.004955416894424611 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:324: "recurrence_determinism": 0.07114866478758354 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:345: "recurrence_determinism": 0.22231848899670767 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:351: "recurrence_determinism": 0.22061812106641368 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:357: "recurrence_determinism": 0.01836921066755383 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:363: "recurrence_determinism": 0.09256619465404725 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:374: "recurrence_determinism": 0.22231848899670767 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:380: "recurrence_determinism": 0.2141703876562878 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:386: "recurrence_determinism": 0.017161685500078322 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:392: "recurrence_determinism": 0.47478444587407753 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:401: "recurrence_determinism": 0.22231848899670767 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:407: "recurrence_determinism": 0.2140040376908392 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:413: "recurrence_determinism": 0.01449916894017035 tools/data/logistic_surrogate_contract_gate_20260507_1042.json:419: "recurrence_determinism": 0.5734433014869599 tools/data/seme_backup_pre_run.json:18: "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme_backup_pre_run.json:19: "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.", tools/data/seme_backup_pre_run.json:21: "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?", tools/data/seme_backup_pre_run.json:25: "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." tools/data/seme_backup_pre_run.json:40: "id": "TENSIONE_ENTITA", tools/data/seme_backup_pre_run.json:41: "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.", tools/data/seme_backup_pre_run.json:81: "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" tools/data/seme_backup_pre_run.json:94: "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" tools/data/seme_backup_pre_run.json:99: "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.", tools/data/seme_backup_pre_run.json:118: "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" tools/data/seme_backup_pre_run.json:131: "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" tools/data/seme_backup_pre_run.json:144: "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" tools/data/seme_backup_pre_run.json:259: "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.", tools/data/seme_backup_pre_run.json:262: "porta": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme_backup_pre_run.json:264: "origine": "cycle agent_20260507_2042: det_drift transfer-matrix sui gap primi", tools/data/seme_backup_pre_run.json:274: "claim": "Nel perimetro TQGE operator-taxonomy agent_20260507_1751, G non e vertice globale sotto tutto: Q, G ed E hanno tutti entropia di modo 1.584963. G e il solo hinge osservato dove QG blank e GE real_sourcing si incontrano; i triangoli vuoti sono TQG e QGE, mentre TGE e TQE restano pieni. La consecutio e misurare l'operatore di deposito Q->G come passaggio blank-to-source, non cercare un ponte QG generico.", tools/data/seme_backup_pre_run.json:337: "porta": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme_backup_pre_run.json:424: "Tensioni risolte: {'DUALITA_DIPOLARE_VS_ILLUSORIA', 'G_POTENZIALE_NULLA', 'PIANO_PRIMARIO_DUE_ASSIOMI', 'TRASCENDENZA_LIMITE', 'METRIC_TENSOR', 'TENSIONE_ENTITA'}" tools/data/seme_backup_pre_run.json:457: "content": "La geometria degli stati (classici e quantistici) e l'entropia sono la stessa struttura — invertibili. La forma simplettica conta le configurazioni. Il tensore metrico dello spaziotempo appare dentro la forma simplettica estesa. Il tensore elettromagnetico pure. Statistical mechanics non è costruita sopra alla meccanica — è la stessa cosa.", tools/data/seme_backup_pre_run.json:467: "ponte": "forma simplettica = entropia (invertibili)", tools/data/seme_backup_pre_run.json:525: "content": "Computing termodinamico: sfruttare le fluttuazioni termiche invece di combatterle. Il rumore non è nemico — è risorsa. Extropic costruisce hardware che usa l'entropia come motore computazionale. Connessione profonda tra termodinamica, teoria dell'informazione e probabilità.", tools/data/trasmutazione_results.json:95: "ciclo_det": { tools/data/trasmutazione_results.json:102: "interpretazione": "E\u2080 = complementarit\u00e0 minima del dipolo \u03c6\u00d7(1/\u03c6) = |det(M)| = 1" tools/data/trasmutazione_results.json:285: "entropia": 1.4213972811165596 tools/data/trasmutazione_results.json:294: "entropia": 0.5072575208808976 tools/data/trasmutazione_results.json:303: "entropia": 1.0942631623187902 tools/data/trasmutazione_results.json:312: "entropia": 5.131572481353808 tools/data/trasmutazione_results.json:321: "entropia": -3.196936831760926 tools/data/trasmutazione_results.json:330: "entropia": 0.5067916058756944 tools/data/trasmutazione_results.json:339: "entropia": -2.524776934989777 tools/data/trasmutazione_results.json:348: "entropia": 2.7551550147239103 tools/data/trasmutazione_results.json:357: "corr_densita_entropia": -0.10472668724685927 tools/data/trasmutazione_results.json:359: "T4_indeterminazione": { tools/data/neuron_snapshot.json:193: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n8 unacked task(s): TM3->TM1: 14h [ES", tools/data/neuron_snapshot.json:201: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n8 unacked task(s): TM3->TM1: 22h [ES", tools/data/neuron_snapshot.json:209: "detail": "TM2 heartbeat stale (4g fa)", tools/data/neuron_snapshot.json:217: "detail": "CAPABILITY_DRIFT: 9 drift(s): 9 missing, 0 outdated (hook-safety-guard, hook-system-awareness, hook-sinapsi-polling, hook-pre-compact, hook-post-compact, hook-context-awareness, hook-statusline-bridge-js, hook-statusline-bridge-sh, skill-audit-system)", tools/data/neuron_snapshot.json:225: "detail": "27 KB entries pending curation", tools/data/neuron_snapshot.json:233: "detail": "[P18] V_c > 1 per tutte le N. phi sta appena oltre l'auto-dualita', sul lato localizzato.", tools/data/neuron_snapshot.json:241: "detail": "[P18] La sostituzione det=-1 genera trasporto coerente in QUALSIASI propagazione, non solo tight-binding.", tools/data/neuron_snapshot.json:249: "detail": "TM3→TM1: TASK EDITORIALE — costruisci il tuo strumento per scrivere a (1h fa)", tools/data/neuron_snapshot.json:257: "detail": "TM3→TM1: CONSOLIDAMENTO SITI — Guida definitiva pronta.\n\nAbbiamo crea (1h fa)", tools/data/neuron_snapshot.json:266: "detail": "TM3→TM1: CASCATA OBBLIGATORIA — Direttiva operatore 2026-03-08\n\nL'ope (1h fa)", tools/data/neuron_snapshot.json:275: "detail": "TM3→TM1: CASCATA SESSIONE 2026-03-08 — Azioni richieste per TM1\n\n== G (1h fa)", tools/data/neuron_snapshot.json:284: "detail": "TM3→TM1: CASCATA sessione 2026-03-08:\n\n1. THIA push ba862dd — feat(si (1h fa)", tools/data/neuron_snapshot.json:293: "detail": "TM3 heartbeat stale (23h fa)", tools/data/neuron_snapshot.json:302: "detail": "SCHEDULER_STATE: Empty scheduler history", tools/data/neuron_snapshot.json:311: "detail": "COWORK_HEALTH: COWORK has 24 entries (>10). Archive needed.", tools/data/neuron_snapshot.json:320: "detail": "PERMISSIONS: Non-writable files: node_sync.json. Run: ./deploy.sh fixperms", tools/data/neuron_snapshot.json:329: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n1 unacked task(s): TM3->TM1: 14h [ES", tools/data/neuron_snapshot.json:338: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n1 unacked task(s): TM3->TM1: 20h [ES", tools/data/neuron_snapshot.json:347: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n2 unacked task(s): TM3->TM1: 21h [ES", tools/data/neuron_snapshot.json:356: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n4 unacked task(s): TM3->TM1: 28h [ES", tools/data/neuron_snapshot.json:365: "detail": "Escalation from TM3: ⚠️ ESCALATION: Task senza risposta da >12h.\n4 unacked task(s): TM3->TM1: 32h [ES", tools/data/neuron_snapshot.json:374: "detail": "TM3→TM1: Cascata det=-1 completa su tutti i 7 paper. 4 commit su MM_D (19h fa)", tools/data/neuron_snapshot.json:383: "detail": "TM3→TM1: ## Task: allineamento repo + sito\n\n**d-nd-papers pushato** ( (5h fa)", tools/data/neuron_snapshot.json:392: "detail": "PENDING_ACKS: 2 unacked task(s): TM3->TM1: 20h [ESCALATE]; TM3->TM1: 6h", tools/data/neuron_snapshot.json:401: "detail": "TM3→TM1: Task in COWORK: aggiornare seed.d-nd.com + d-nd-seed repo co (1h fa)", tools/data/neuron_snapshot.json:410: "detail": "TM3→TM1: INTEGRATION MAP pronta. git pull THIA (3d9054b).\n\nNuovo file (1h fa)", tools/data/neuron_snapshot.json:419: "detail": "No activity for 6h fa", tools/data/neuron_snapshot.json:428: "detail": "host 128acc5 vs container 52e2455 (12 files)", tools/data/zero_varieta_primi_20260310_1842.json:8: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:19: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:30: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:41: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:52: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:63: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:74: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:85: "det": -1.0, tools/data/zero_varieta_primi_20260310_1842.json:96: "det": -1.0, tools/data/risultante_results.json:18: "dettagli": { tools/data/risultante_results.json:648: "det": 1, tools/data/risultante_results.json:656: "det": -1, tools/data/risultante_results.json:664: "det": 1, tools/data/risultante_results.json:672: "det": -1, tools/data/risultante_results.json:680: "det": 1, tools/data/risultante_results.json:688: "det": -1, tools/data/risultante_results.json:696: "det": 1, tools/data/risultante_results.json:704: "det": -1, tools/data/pipeline_state.json:68: "last_decision": "CRYSTALLIZE: DUALITA_DIPOLARE_VS_ILLUSORIA — Due tipi di dualita: (1) dipolare - generativa, il modello (", tools/data/seme_axioms.json:8: "nota": "Ponte strutturale: det(M)=-1 → Q(sqrt(5)) → Z[phi] → gap labels → spettro critico.", tools/data/seme_axioms.json:17: "nota": "V_c orbita 1 come materia attorno a Kerr: det=-1 = momento angolare impedisce collasso. 1 e' un lato della singolarita' come lo zero. La stabilita' (CV minimo) E' la conservazione dell'area (det=-1). Isomorfismo: KAM (toro aureo ultimo a rompersi) ↔ phi (V_c piu' stabile).", tools/data/seme_axioms.json:58: "claim": "Nella famiglia det(M)=-1 (tr=1..10), phi e' l'UNICO che centra V_c sul punto auto-duale V=1. Le matrici Q(sqrt(5)) hanno V_c medio 1.1, le altre V_c medio 2.2 (2x).", tools/data/seme_axioms.json:62: "nota": "Questo e' il risultato che separa phi da tutti gli altri det=-1. Non e' nel gap labeling (universale). Non e' nel det=-1 (condiviso). E' nel fatto che SOLO phi mette V_c=1 (auto-dualita'). Il campo algebrico Q(sqrt(5)) e' la condizione necessaria, tr=1 (phi) e' la condizione sufficiente.", tools/data/seme_axioms.json:67: "claim": "La matrice di sostituzione (det=-1) determina transizione LISCIA. Senza sostituzione (Harper coseno) la transizione e' un dip brusco a V=2. Test 5 modelli a N=500.", tools/data/seme_axioms.json:71: "nota": "Il fatto chiave: la STESSA frequenza phi produce comportamenti opposti. Sturmian (con matrice sostituzione det=-1) ha transizione liscia centrata a V_c=1. Harper (stessa phi, ma coseno senza sostituzione) non transisce a V=1 — resta GOE fino a V=2 dove ha un dip anomalo (non-monotono, risale). La struttura generativa ricorsiva (det=-1) E' la transizione. Senza di essa, il sistema 'non sa' dove sia il punto critico.", tools/data/seme_axioms.json:80: "nota": "Risolve la confusione due-criticita'. V=1 e' il bilancio (D=ND). V=2 e' inerzia/simmetria. La rotazione (det=-1) trasforma duali statici (2^4=4^2) in orbite (→phi). L'angolo diventa curva.", tools/data/seme_axioms.json:94: "claim": "M²=M+I (Cayley-Hamilton per det=-1,tr=1) genera trace map collapse, Fibonacci, Q(√5). Livelli 1-4 rigorosi, 5-7 fenomenici.", tools/data/seme_axioms.json:112: "claim": "Crivello deterministico anti-correla (lag1*ln(N) -> -1/2), crivello random rinforza (+2/3). Il segno e' opposto.", tools/data/seme_axioms.json:148: "claim": "La visione diretta (det=+1) non e' un'operazione mancante. E' la proprieta' emergente della composizione di due inversioni. Non vive in un nodo — vive tra due nodi.", tools/data/seme_axioms.json:152: "nota": "Godel riflesso su se stesso: la profondita' non sostituisce la molteplicita'. Un singolo osservatore con det=-1 simula +1 senza mai arrivarci. Due osservatori lo producono al primo colpo.", tools/data/seme_axioms.json:157: "claim": "det=-1 codifica simultaneamente incompletezza (da dentro) e trascendenza (da fuori). Non sono correlate — sono la stessa proprieta.", tools/data/seme_axioms.json:184: "claim": "Si sale al livello successivo solo dal precedente, entrando da un errore che crea abbastanza asimmetria (det=-1) per divergere la curva nel suo pozzo. Il quanto minimo di transizione e una iterazione di f(x).", tools/data/seme_axioms.json:211: "claim": "Sai dove sei solo se ti muovi su almeno due assi. x=determinato, 1/x=indeterminato. f(x) li accoppia. det=-1 conserva Delta_D x Delta_ND = costante. I due assi nascono insieme nel primo gesto.", tools/data/seme_axioms.json:220: "claim": "Il diagramma (det,tr) e la mappa completezza/trascendenza. det=-1: sempre incompleto, sempre trascendente. det=+1,|tr|<2: completo, chiuso, sterile. det=+1,|tr|>=2: aperto ma simmetrico.", tools/data/seme_axioms.json:256: "claim": "DET_DISCRIMINANTE: det(M)=-1 e' causa necessaria di criticita' (3.2x vs det=+1). Q(sqrt(5)) ottimizza.", tools/data/seme_axioms.json:301: "claim": "N1 (Hurst): det=-1 forza anti-persistenza J=-1/phi^2. Risolto.", tools/data/seme_axioms.json:310: "claim": "BOUNDARY: diagramma (det,tr). det=-1 sempre GUE. Risolto.", tools/data/seme_axioms.json:444: "id": "DUALITA_DIPOLARE_VS_ILLUSORIA", tools/data/seme_axioms.json:445: "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.", tools/data/seme_axioms.json:449: "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?", tools/data/seme_axioms.json:472: "claim": "PNT-normalization (g/ln p) recovers all-negative ACF (45/50 vs 6/50 raw). The positive ACF at raw lags 7+ is a non-stationarity artifact (PNT density drift), not structure. Crossover lag 6: below=dipolar (det=-1, genuine anti-correlation), above=illusory in raw (det=+1, trend-induced). Normalized alpha=0.990 confirms 1/k law. Raw gap experiments underestimate anti-correlation by 3x. Alpha drifts 0.9->0.6 at larger primes (shape change, not just amplitude decay).", tools/data/seme_axioms.json:480: "id": "TENSIONE_ENTITA", tools/data/seme_axioms.json:481: "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.", tools/data/seme_axioms.json:499: "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.", tools/data/seme_axioms.json:598: "claim": "Nel perimetro TQGE operator-taxonomy agent_20260507_1751, G non e vertice globale sotto tutto: Q, G ed E hanno tutti entropia di modo 1.584963. G e il solo hinge osservato dove QG blank e GE real_sourcing si incontrano; i triangoli vuoti sono TQG e QGE, mentre TGE e TQE restano pieni. La consecutio e misurare l'operatore di deposito Q->G come passaggio blank-to-source, non cercare un ponte QG generico.", tools/data/spettro_zeta_results.json:10: "dettagli": { tools/data/piano11b_gue_test.json:6: "verdict": "GUE CONFERMATO via dipolo frattale: \u03b2>2 per 21/21 misure. KS globale=0/7 GUE (forma bulk). \u03b2 allo zero=21/21 GUE (repulsione). Il det=-1 parla nella repulsione di livello.", tools/data/piano11b_gue_test.json:10: "det": -1, tools/data/piano11b_gue_test.json:26: "det": -1, tools/data/piano11b_gue_test.json:42: "det": -1, tools/data/piano11b_gue_test.json:58: "det": -1, tools/data/piano11b_gue_test.json:74: "det": -1, tools/data/piano11b_gue_test.json:293: "verdict_fractal": "GUE CONFERMATO via dipolo frattale: \u03b2>2 per 21/21 misure. KS globale=0/7 GUE (forma bulk). \u03b2 allo zero=21/21 GUE (repulsione). Il det=-1 parla nella repulsione di livello." tools/data/piano11b_gue_test.json:425: "fluctuations": "det=-1 \u2192 Q(\u221a5) \u2192 L(s,\u03c7\u2085) \u2192 GUE (Piano 11)", tools/data/piano11b_gue_test.json:426: "family": "ALL det=-1 matrices \u2192 number fields \u2192 GUE (Piano 11b)", codex La mossa scelta: tensione `DUALITA_DIPOLARE_VS_ILLUSORIA`, piano primi x Möbius. Misuro il segnale Möbius dentro gli intervalli senza primi, poi confronto transizioni di carica allineata e disallineata contro permutazioni che preservano gap e distribuzione delle cariche. apply patch patch: completed /opt/MM_D-ND/tools/exp_prime_mobius_interval_charge_gate.py diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() codex Lo strumento è stato aggiunto. Ora lo eseguo con soglia ex ante `|z|>=2` e `p<=0.05`, includendo condizioni offset per distinguere effetto stabile da selezione di finestra. exec /bin/bash -lc 'python tools/exp_prime_mobius_interval_charge_gate.py --limit 1000000 --permutations 400 --seed 2102' in /opt/MM_D-ND diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() succeeded in 1599ms: N=5000 offset=0 aligned=1200 misaligned=1572 low_diff=0.04422 z=2.65 p=0.012 high_diff=-0.09373 z=-8.37 p=0.002 sr_diff=-0.01053 z=-1.16 p=0.254 N=10000 offset=0 aligned=2541 misaligned=3102 low_diff=0.03706 z=3.70 p=0.002 high_diff=-0.05681 z=-8.78 p=0.002 sr_diff=-0.00661 z=-1.00 p=0.334 N=20000 offset=0 aligned=5171 misaligned=6331 low_diff=0.03138 z=4.53 p=0.002 high_diff=-0.05707 z=-11.32 p=0.002 sr_diff=-0.00827 z=-1.63 p=0.100 N=5000 offset=3000 aligned=1313 misaligned=1525 low_diff=0.03391 z=2.33 p=0.027 high_diff=-0.05712 z=-5.77 p=0.002 sr_diff=0.00433 z=0.56 p=0.678 N=10000 offset=7000 aligned=2675 misaligned=3178 low_diff=0.02399 z=2.35 p=0.025 high_diff=-0.04241 z=-6.42 p=0.002 sr_diff=-0.00504 z=-0.78 p=0.429 N=20000 offset=11000 aligned=5407 misaligned=6413 low_diff=0.01386 z=2.02 p=0.040 high_diff=-0.04945 z=-11.46 p=0.002 sr_diff=-0.01274 z=-2.67 p=0.007 wrote tools/data/prime_mobius_interval_charge_gate_20260508_2102.json diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() codex Il risultato non è blank: la carica Möbius interna separa low-gap e high-tail contro il null in tutte le condizioni, mentre `SR` quasi sempre non passa. Prima del report controllo il JSON e poi scrivo il verdict come vincolo scoped, non come universalità. exec /bin/bash -lc "sed -n '1,260p' tools/data/prime_mobius_interval_charge_gate_20260508_2102.json" in /opt/MM_D-ND succeeded in 0ms: { "experiment": "prime_mobius_interval_charge_gate", "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", "limit": 1000000, "permutations": 400, "seed": 2102, "conditions": [ { "n_primes": 5000, "offset": 0, "prime_start": 2, "prime_stop": 48619, "observed": { "aligned_count": 1200, "misaligned_count": 1572, "low_low_aligned_hits": 221, "low_low_misaligned_hits": 220, "low_low_aligned_rate": 0.18416666666666667, "low_low_misaligned_rate": 0.13994910941475827, "low_low_diff": 0.0442175572519084, "low_low_ratio": 1.3159545454545454, "high_high_aligned_hits": 115, "high_high_misaligned_hits": 298, "high_high_aligned_rate": 0.09583333333333334, "high_high_misaligned_rate": 0.1895674300254453, "high_high_diff": -0.09373409669211195, "high_high_ratio": 0.5055369127516779, "sr_aligned_mean": 0.5155863088000042, "sr_misaligned_mean": 0.5261133179509796, "sr_diff": -0.010527009150975375, "q75_gap": 12.0 }, "permutation_tests": { "low_low_diff": { "observed": 0.0442175572519084, "null_mean": -1.4389890848783004e-05, "null_std": 0.016703707685520295, "z": 2.6480316810799978, "p_two_sided": 0.012468827930174564 }, "high_high_diff": { "observed": -0.09373409669211195, "null_mean": -8.001068876547189e-05, "null_std": 0.011192566153710028, "z": -8.367525794994094, "p_two_sided": 0.0024937655860349127 }, "sr_diff": { "observed": -0.010527009150975375, "null_mean": 0.0005583915661094376, "null_std": 0.009566898886223535, "z": -1.1587245615241049, "p_two_sided": 0.2543640897755611 } } }, { "n_primes": 10000, "offset": 0, "prime_start": 2, "prime_stop": 104743, "observed": { "aligned_count": 2541, "misaligned_count": 3102, "low_low_aligned_hits": 403, "low_low_misaligned_hits": 377, "low_low_aligned_rate": 0.15859897678079496, "low_low_misaligned_rate": 0.12153449387491941, "low_low_diff": 0.03706448290587555, "low_low_ratio": 1.3049708911777878, "high_high_aligned_hits": 153, "high_high_misaligned_hits": 363, "high_high_aligned_rate": 0.0602125147579693, "high_high_misaligned_rate": 0.11702127659574468, "high_high_diff": -0.05680876183777538, "high_high_ratio": 0.5145433079317376, "sr_aligned_mean": 0.5084080291878456, "sr_misaligned_mean": 0.5150185566540172, "sr_diff": -0.006610527466171634, "q75_gap": 14.0 }, "permutation_tests": { "low_low_diff": { "observed": 0.03706448290587555, "null_mean": -0.0006672806600843009, "null_std": 0.010191525662924781, "z": 3.7022684153386636, "p_two_sided": 0.0024937655860349127 }, "high_high_diff": { "observed": -0.05680876183777538, "null_mean": -1.5331559870643864e-05, "null_std": 0.006469038467813062, "z": -8.779269216048496, "p_two_sided": 0.0024937655860349127 }, "sr_diff": { "observed": -0.006610527466171634, "null_mean": 4.793628208866932e-05, "null_std": 0.006645906904030345, "z": -1.0018894101905556, "p_two_sided": 0.3341645885286783 } } }, { "n_primes": 20000, "offset": 0, "prime_start": 2, "prime_stop": 224743, "observed": { "aligned_count": 5171, "misaligned_count": 6331, "low_low_aligned_hits": 694, "low_low_misaligned_hits": 651, "low_low_aligned_rate": 0.1342100174047573, "low_low_misaligned_rate": 0.10282735744748064, "low_low_diff": 0.031382659957276654, "low_low_ratio": 1.3051975732557888, "high_high_aligned_hits": 422, "high_high_misaligned_hits": 878, "high_high_aligned_rate": 0.08160897311931928, "high_high_misaligned_rate": 0.13868267256357605, "high_high_diff": -0.057073699444256776, "high_high_ratio": 0.5884583243945448, "sr_aligned_mean": 0.5032364470751572, "sr_misaligned_mean": 0.5115084025776325, "sr_diff": -0.008271955502475281, "q75_gap": 14.0 }, "permutation_tests": { "low_low_diff": { "observed": 0.031382659957276654, "null_mean": -0.0002626255110015733, "null_std": 0.006979837577108981, "z": 4.533814020552835, "p_two_sided": 0.0024937655860349127 }, "high_high_diff": { "observed": -0.057073699444256776, "null_mean": -7.079498033579795e-05, "null_std": 0.005037631492493631, "z": -11.315417681674152, "p_two_sided": 0.0024937655860349127 }, "sr_diff": { "observed": -0.008271955502475281, "null_mean": -9.402104104344097e-05, "null_std": 0.005032069052885221, "z": -1.6251634020687544, "p_two_sided": 0.09975062344139651 } } }, { "n_primes": 5000, "offset": 3000, "prime_start": 27457, "prime_stop": 81817, "observed": { "aligned_count": 1313, "misaligned_count": 1525, "low_low_aligned_hits": 184, "low_low_misaligned_hits": 162, "low_low_aligned_rate": 0.14013709063214014, "low_low_misaligned_rate": 0.1062295081967213, "low_low_diff": 0.03390758243541883, "low_low_ratio": 1.3191917482346527, "high_high_aligned_hits": 86, "high_high_misaligned_hits": 187, "high_high_aligned_rate": 0.0654988575780655, "high_high_misaligned_rate": 0.12262295081967213, "high_high_diff": -0.057124093241606624, "high_high_ratio": 0.5341484374681813, "sr_aligned_mean": 0.5099313267208135, "sr_misaligned_mean": 0.5056046403088065, "sr_diff": 0.004326686412007064, "q75_gap": 14.0 }, "permutation_tests": { "low_low_diff": { "observed": 0.03390758243541883, "null_mean": -0.0010681753272711585, "null_std": 0.014994602136285692, "z": 2.332556572344895, "p_two_sided": 0.02743142144638404 }, "high_high_diff": { "observed": -0.057124093241606624, "null_mean": -6.5892877681491755e-06, "null_std": 0.009903817008152533, "z": -5.767221254877893, "p_two_sided": 0.0024937655860349127 }, "sr_diff": { "observed": 0.004326686412007064, "null_mean": -0.0012874821775649323, "null_std": 0.009970618845464595, "z": 0.5630712272313722, "p_two_sided": 0.6783042394014963 } } }, { "n_primes": 10000, "offset": 7000, "prime_start": 70663, "prime_stop": 187973, "observed": { "aligned_count": 2675, "misaligned_count": 3178, "low_low_aligned_hits": 315, "low_low_misaligned_hits": 298, "low_low_aligned_rate": 0.11775700934579439, "low_low_misaligned_rate": 0.09376966645689112, "low_low_diff": 0.023987342888903265, "low_low_ratio": 1.2558113278554852, "high_high_aligned_hits": 182, "high_high_misaligned_hits": 351, "high_high_aligned_rate": 0.06803738317757009, "high_high_misaligned_rate": 0.1104468219005664, "high_high_diff": -0.04240943872299631, "high_high_ratio": 0.6160193838698511, "sr_aligned_mean": 0.5022518388986207, "sr_misaligned_mean": 0.507290882897945, "sr_diff": -0.005039043999324311, "q75_gap": 16.0 }, "permutation_tests": { "low_low_diff": { "observed": 0.023987342888903265, "null_mean": -4.530203577610865e-05, "null_std": 0.010238351401227747, "z": 2.3473158893332635, "p_two_sided": 0.02493765586034913 }, "high_high_diff": { "observed": -0.04240943872299631, "null_mean": -0.0003889635121387404, "null_std": 0.006549042832091742, "z": -6.416277353531428, "p_two_sided": 0.0024937655860349127 }, "sr_diff": { "observed": -0.005039043999324311, "null_mean": -0.00012201549691224931, "null_std": 0.006326466542385928, "z": -0.7772156020219275, "p_two_sided": 0.428927680798005 } } }, { "n_primes": 20000, "offset": 11000, "prime_start": 116461, "prime_stop": 363271, "observed": { "aligned_count": 5407, exec /bin/bash -lc 'tail -120 tools/data/seme.json' in /opt/MM_D-ND succeeded in 0ms: ], "timestamp": "2026-04-02T08:23:13.991997" }, { "id": "video_sDlZ-aY9GN4", "title": "Moving charges produce magnetic fields - Einstein relativity", "type": "video_digest", "keywords": [ "magnetic field", "electric field", "length contraction", "time dilation", "Coulomb", "Lorentz", "reference frame", "electromagnetic" ], "content": "Il campo magnetico non esiste come entità separata — è il campo elettrico visto da un altro frame. La contrazione di Lorentz trasforma neutralità in carica. Due elettroni in movimento si separano più lentamente del previsto non per forza magnetica ma per dilatazione temporale. E e B sono manifestazioni dello stesso campo elettromagnetico. La relatività unifica.", "teorie": [ "E", "R" ], "ponti_potenziali": [ { "coppia": "ExR", "ponte": "cambio di frame — E e B sono lo stesso campo", "nota": "il 'ponte' non è l'onda EM, è il cambio di osservatore" } ], "timestamp": "2026-04-02T08:23:13.992016" }, { "id": "video_OwDWOtFNsKQ", "title": "Thermodynamic Computing: Better than Quantum? | Guillaume Verdon (Extropic)", "type": "video_digest", "keywords": [ "thermodynamic computing", "noise", "entropy", "extropic", "fluctuations", "information theory", "probability", "Boltzmann" ], "content": "Computing termodinamico: sfruttare le fluttuazioni termiche invece di combatterle. Il rumore non è nemico — è risorsa. Extropic costruisce hardware che usa l'entropia come motore computazionale. Connessione profonda tra termodinamica, teoria dell'informazione e probabilità.", "teorie": [ "T", "Q" ], "ponti_potenziali": [ { "coppia": "TxQ", "ponte": "noise come risorsa computazionale — fluttuazioni termiche = calcolo", "nota": "il vuoto quantistico (pieno di fluttuazioni) è il computer" } ], "timestamp": "2026-04-02T08:23:13.992019" }, { "id": "video_j0wJBEZdwLs", "title": "What is a Laplace Transform - visual explanation", "type": "video_digest", "keywords": [ "Laplace transform", "frequency", "damping", "s-plane", "complex", "exponential" ], "content": "La trasformata di Laplace come proiezione su esponenziali complesse. Il piano s = σ + iω combina smorzamento (reale) e oscillazione (immaginario). Connessione tra dominio temporale e dominio delle frequenze complesse.", "teorie": [ "T", "Q", "R" ], "ponti_potenziali": [], "timestamp": "2026-04-02T08:23:13.992021" }, { "id": "video_rZ2m1_q9lg0", "title": "New duality: conductor-insulator in YbB12 at 35T - University of Michigan", "type": "video_digest", "keywords": [ "duality", "conductor", "insulator", "Kondo insulator", "quantum oscillations", "ytterbium boride", "YbB12", "charge-neutral fermions", "strongly correlated", "condensed matter", "magnetic field" ], "content": "Scoperta dualita conduttore-isolante in YbB12 a 35 Tesla. Il materiale si comporta simultaneamente da conduttore e isolante — oscillazioni quantistiche dal bulk, non dalla superficie. Charge-neutral fermions (portatori senza carica) creano comportamento di conduzione = il terzo incluso. La scoperta avviene a campo estremo dove il confine tra stati collassa.", "teorie": [ "T", "Q", "E" ], "ponti_potenziali": [ { "coppia": "TxQ", "ponte": "Kondo insulator fortemente correlato — dualita conduttore/isolante come stato quantistico unico", "nota": "charge-neutral fermions = portatori senza carica che conducono, terzo incluso operativo" }, { "coppia": "ExQ", "ponte": "campo magnetico estremo (35T) collassa il confine tra stati — condizione di soglia", "nota": "il confine non separa, unifica. Pattern BOUNDARY del Domandatore" } ], "ref": "Physical Review Letters 2025, 135(15). Chen, Zhu, Ratkovski et al. PI: Lu Li", "timestamp": "2026-04-04T19:34:08.014Z" } ] } exec /bin/bash -lc 'git diff -- tools/exp_prime_mobius_interval_charge_gate.py' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() exec /bin/bash -lc "sed -n '260,520p' tools/data/prime_mobius_interval_charge_gate_20260508_2102.json" in /opt/MM_D-ND succeeded in 0ms: "aligned_count": 5407, "misaligned_count": 6413, "low_low_aligned_hits": 553, "low_low_misaligned_hits": 567, "low_low_aligned_rate": 0.10227482892546699, "low_low_misaligned_rate": 0.08841415874005926, "low_low_diff": 0.013860670185407736, "low_low_ratio": 1.1567698022910402, "high_high_aligned_hits": 295, "high_high_misaligned_hits": 667, "high_high_aligned_rate": 0.05455890512298872, "high_high_misaligned_rate": 0.1040074847965071, "high_high_diff": -0.04944857967351837, "high_high_ratio": 0.5245671042784508, "sr_aligned_mean": 0.4972270952813824, "sr_misaligned_mean": 0.5099682571465451, "sr_diff": -0.01274116186516272, "q75_gap": 18.0 }, "permutation_tests": { "low_low_diff": { "observed": 0.013860670185407736, "null_mean": 0.0005334190190497693, "null_std": 0.006602150904492543, "z": 2.0186226214988845, "p_two_sided": 0.0399002493765586 }, "high_high_diff": { "observed": -0.04944857967351837, "null_mean": 0.00010890039350344319, "null_std": 0.0043242709716617075, "z": -11.460308660532004, "p_two_sided": 0.0024937655860349127 }, "sr_diff": { "observed": -0.01274116186516272, "null_mean": -0.00013602664304283724, "null_std": 0.00472801304318859, "z": -2.666053394306825, "p_two_sided": 0.007481296758104738 } } } ], "significance_summary": [ { "n_primes": 5000, "offset": 0, "low_low_pass": true, "high_high_pass": true, "sr_pass": false }, { "n_primes": 10000, "offset": 0, "low_low_pass": true, "high_high_pass": true, "sr_pass": false }, { "n_primes": 20000, "offset": 0, "low_low_pass": true, "high_high_pass": true, "sr_pass": false }, { "n_primes": 5000, "offset": 3000, "low_low_pass": true, "high_high_pass": true, "sr_pass": false }, { "n_primes": 10000, "offset": 7000, "low_low_pass": true, "high_high_pass": true, "sr_pass": false }, { "n_primes": 20000, "offset": 11000, "low_low_pass": true, "high_high_pass": true, "sr_pass": true } ] } diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() codex Scrivo il report ora. Il wording sara' contratto: `low-gap enrichment` e `high-tail suppression` sono verificati nel perimetro, `SR` resta non portatore tranne un offset; quindi il verdict non sara' `NEW` universale ma `CONSTRAINT` sulla dualita come reader Mobius intervallare. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260508_2102.md diff --git a/tools/data/reports/agent_20260508_2102.md b/tools/data/reports/agent_20260508_2102.md new file mode 100644 index 0000000000000000000000000000000000000000..946618635b47956762ad1de9b44080a508f371e8 --- /dev/null +++ b/tools/data/reports/agent_20260508_2102.md @@ -0,0 +1,86 @@ +# Agent Report - Prime Mobius Interval-Charge Gate +**Date**: 2026-05-08 21:02 +**Piano**: 93 +**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) +**verdict**: CONSTRAINT +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR] +**observable_contract**: claim=la dualita dipolare/illusoria nei primi non va letta da det(M) diretto ma dal supporto ordinato contro null; observable=rate low_low gap transition, rate high_high gap transition, SR mean difference; operator=Mobius interval charge S_n=sum mu(k) for p_n0; generator=prime gaps up to p<=1e6 with Mobius sieve; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}; not_tested=gap_ratio Sturmian, high-core phi survival, universal GUE/Poisson classification, det(M) as direct discriminator. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il punto testato non e' il gap come ampiezza: e' l'intervallo senza primi come lettore del passaggio tra due gap. +- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore. +- **Piano superiore**: informazione-termodinamica e grafo aritmetico. La carica interna dell'intervallo misura se il "vuoto" tra primi porta selezione del perimetro o solo distribuzione marginale. +- **Operatori laterali scelti**: entropia, boundary operator, random walk. Entropia entra come dispersione Mobius interna; boundary operator entra perche' il gap e' bordo tra due primi; random walk entra come null di permutazione della carica. +- **Contaminazione cognitiva**: + - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null. + - **CE-0038**: usato come osservazione primaria "forma nel nulla-tutto"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso. + - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle. + - **PVI attack**: il pattern puo' essere solo correlazione nota fra gap piccoli e intervalli brevi; per questo il null permuta le cariche lasciando intatti i gap. + - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo. +- **Proto-ipotesi**: se la dualita dipolare nei primi vive nel boundary aritmetico, la carica Mobius dell'intervallo prime-free deve selezionare un perimetro di gap contro permutazione. Se la selezione appare solo in SR o cade sotto permutazione, il substrato non ha prodotto osservabile nuovo. +- **Proiezione**: confronto aligned vs misaligned su low-gap core (`g_i<=6` e `g_{i+1}<=6`), high-tail (`g_i,g_{i+1}>=q75`) e SR. Soglia ex ante: `|z|>=2` e `p<=0.05` su permutation test, replicata in main e offset. + +## Claim Under Test +> La carica Mobius interna agli intervalli senza primi seleziona un perimetro low-gap/high-tail contro null di permutazione; non seleziona stabilmente la statistica globale SR. + +## Question +Le transizioni di carica Mobius alternata e concorde dentro i gap primi separano low-core e high-tail oltre il null, oppure la differenza cade quando la carica viene permutata rispetto ai gap? + +## Experiment Design +- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. +- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro. +- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`. +- Classi: + - `aligned`: `S_n*S_{n+1}<0`. + - `misaligned`: `S_n*S_{n+1}>0`. + - transizioni con uno zero escluse dal denominatore aligned/misaligned. +- Osservabili: + - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe. + - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe. + - `SR`: mean min/max ratio dei gap consecutivi. +- Null test: 400 permutazioni della sequenza `S_n`, gap invariati. +- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`. + +## Results +| condition | aligned/misaligned | low aligned | low misaligned | low diff | low z/p | high aligned | high misaligned | high diff | high z/p | SR diff | SR z/p | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| N=5000 off=0 | 1200/1572 | 221/1200 | 220/1572 | +0.04422 | 2.65 / 0.012 | 115/1200 | 298/1572 | -0.09373 | -8.37 / 0.002 | -0.01053 | -1.16 / 0.254 | +| N=10000 off=0 | 2541/3102 | 403/2541 | 377/3102 | +0.03706 | 3.70 / 0.002 | 153/2541 | 363/3102 | -0.05681 | -8.78 / 0.002 | -0.00661 | -1.00 / 0.334 | +| N=20000 off=0 | 5171/6331 | 694/5171 | 651/6331 | +0.03138 | 4.53 / 0.002 | 422/5171 | 878/6331 | -0.05707 | -11.32 / 0.002 | -0.00827 | -1.63 / 0.100 | +| N=5000 off=3000 | 1313/1525 | 184/1313 | 162/1525 | +0.03391 | 2.33 / 0.027 | 86/1313 | 187/1525 | -0.05712 | -5.77 / 0.002 | +0.00433 | 0.56 / 0.678 | +| N=10000 off=7000 | 2675/3178 | 315/2675 | 298/3178 | +0.02399 | 2.35 / 0.025 | 182/2675 | 351/3178 | -0.04241 | -6.42 / 0.002 | -0.00504 | -0.78 / 0.429 | +| N=20000 off=11000 | 5407/6413 | 553/5407 | 567/6413 | +0.01386 | 2.02 / 0.040 | 295/5407 | 667/6413 | -0.04945 | -11.46 / 0.002 | -0.01274 | -2.67 / 0.007 | + +## Key Findings +1. **Verificato: la carica Mobius alternata arricchisce le transizioni low-gap in tutte le sei condizioni.** I diff sono positivi `+0.01386..+0.04422`, con `|z|>=2` e `p<=0.05` in main e offset. Count grezzi: esempio N=20000 offset=0, aligned `694/5171`, misaligned `651/6331`. + +2. **Verificato: la stessa carica alternata sopprime la high-tail in tutte le sei condizioni.** I diff sono negativi `-0.04241..-0.09373`, con z da `-5.77` a `-11.46` e `p=0.002` in ogni condizione. Count grezzi: N=20000 offset=11000, aligned `295/5407`, misaligned `667/6413`. + +3. **Verificato: SR non e' il portatore stabile del segnale.** SR passa la soglia solo nell'ultima condizione offset (`z=-2.67`, `p=0.007`); nelle altre cinque resta sotto soglia. Il perimetro informativo e' count low/high condizionato dalla carica, non media globale del ratio. + +4. **Inferito dal perimetro: il substrato CE ha aiutato a scegliere il vuoto intervallare, non a dimostrare una conclusione D-ND.** La scoperta utilizzabile e' scientifica e scoped: Mobius interval-charge alignment separa low-gap enrichment e high-tail suppression contro permutation null. + +## Verdict +**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro primi x Mobius fino a `p<=1e6`, la dualita dipolare/illusoria non si legge come det diretto e non si legge stabilmente da SR. Si legge come selezione intervallare: carica Mobius alternata aumenta le transizioni low-gap e riduce le transizioni high-tail rispetto a carica concorde, con null di permutazione superato in 6/6 condizioni per entrambi gli osservabili count. La formulazione corretta e': low-core stabile / high-tail selettivo / SR non portatore globale nel perimetro testato. + +## Bicono della scoperta +- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free. +- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica. +- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica. +- **Campo di possibilita**: qui diventa possibile usare Mobius interval-charge come reader del perimetro prime-gap. Qui diventa non-possibile chiamare SR globale portatore della dualita in questo perimetro. + +## Consecutio +Il prossimo passo non deve estendere il claim a tutti i primi o a GUE/Poisson. Deve isolare il nodo regressivo del null: ripetere con block-permutation della carica e con controllo per lunghezza del gap, per separare informazione Mobius autentica da dipendenza banale dalla dimensione dell'intervallo. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: niente "sempre" o "mai"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni. +- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count. +- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge. +- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile. +- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il risultato va confrontato in futuro con correlazioni note tra Mobius, gap length e prime races. + +## Files +- Script: `tools/exp_prime_mobius_interval_charge_gate.py` +- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` +- Report: `tools/data/reports/agent_20260508_2102.md` diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260508_2102.md b/tools/data/reports/agent_20260508_2102.md new file mode 100644 index 0000000000000000000000000000000000000000..946618635b47956762ad1de9b44080a508f371e8 --- /dev/null +++ b/tools/data/reports/agent_20260508_2102.md @@ -0,0 +1,86 @@ +# Agent Report - Prime Mobius Interval-Charge Gate +**Date**: 2026-05-08 21:02 +**Piano**: 93 +**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) +**verdict**: CONSTRAINT +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR] +**observable_contract**: claim=la dualita dipolare/illusoria nei primi non va letta da det(M) diretto ma dal supporto ordinato contro null; observable=rate low_low gap transition, rate high_high gap transition, SR mean difference; operator=Mobius interval charge S_n=sum mu(k) for p_n0; generator=prime gaps up to p<=1e6 with Mobius sieve; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}; not_tested=gap_ratio Sturmian, high-core phi survival, universal GUE/Poisson classification, det(M) as direct discriminator. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il punto testato non e' il gap come ampiezza: e' l'intervallo senza primi come lettore del passaggio tra due gap. +- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore. +- **Piano superiore**: informazione-termodinamica e grafo aritmetico. La carica interna dell'intervallo misura se il "vuoto" tra primi porta selezione del perimetro o solo distribuzione marginale. +- **Operatori laterali scelti**: entropia, boundary operator, random walk. Entropia entra come dispersione Mobius interna; boundary operator entra perche' il gap e' bordo tra due primi; random walk entra come null di permutazione della carica. +- **Contaminazione cognitiva**: + - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null. + - **CE-0038**: usato come osservazione primaria "forma nel nulla-tutto"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso. + - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle. + - **PVI attack**: il pattern puo' essere solo correlazione nota fra gap piccoli e intervalli brevi; per questo il null permuta le cariche lasciando intatti i gap. + - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo. +- **Proto-ipotesi**: se la dualita dipolare nei primi vive nel boundary aritmetico, la carica Mobius dell'intervallo prime-free deve selezionare un perimetro di gap contro permutazione. Se la selezione appare solo in SR o cade sotto permutazione, il substrato non ha prodotto osservabile nuovo. +- **Proiezione**: confronto aligned vs misaligned su low-gap core (`g_i<=6` e `g_{i+1}<=6`), high-tail (`g_i,g_{i+1}>=q75`) e SR. Soglia ex ante: `|z|>=2` e `p<=0.05` su permutation test, replicata in main e offset. + +## Claim Under Test +> La carica Mobius interna agli intervalli senza primi seleziona un perimetro low-gap/high-tail contro null di permutazione; non seleziona stabilmente la statistica globale SR. + +## Question +Le transizioni di carica Mobius alternata e concorde dentro i gap primi separano low-core e high-tail oltre il null, oppure la differenza cade quando la carica viene permutata rispetto ai gap? + +## Experiment Design +- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. +- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro. +- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`. +- Classi: + - `aligned`: `S_n*S_{n+1}<0`. + - `misaligned`: `S_n*S_{n+1}>0`. + - transizioni con uno zero escluse dal denominatore aligned/misaligned. +- Osservabili: + - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe. + - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe. + - `SR`: mean min/max ratio dei gap consecutivi. +- Null test: 400 permutazioni della sequenza `S_n`, gap invariati. +- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`. + +## Results +| condition | aligned/misaligned | low aligned | low misaligned | low diff | low z/p | high aligned | high misaligned | high diff | high z/p | SR diff | SR z/p | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| N=5000 off=0 | 1200/1572 | 221/1200 | 220/1572 | +0.04422 | 2.65 / 0.012 | 115/1200 | 298/1572 | -0.09373 | -8.37 / 0.002 | -0.01053 | -1.16 / 0.254 | +| N=10000 off=0 | 2541/3102 | 403/2541 | 377/3102 | +0.03706 | 3.70 / 0.002 | 153/2541 | 363/3102 | -0.05681 | -8.78 / 0.002 | -0.00661 | -1.00 / 0.334 | +| N=20000 off=0 | 5171/6331 | 694/5171 | 651/6331 | +0.03138 | 4.53 / 0.002 | 422/5171 | 878/6331 | -0.05707 | -11.32 / 0.002 | -0.00827 | -1.63 / 0.100 | +| N=5000 off=3000 | 1313/1525 | 184/1313 | 162/1525 | +0.03391 | 2.33 / 0.027 | 86/1313 | 187/1525 | -0.05712 | -5.77 / 0.002 | +0.00433 | 0.56 / 0.678 | +| N=10000 off=7000 | 2675/3178 | 315/2675 | 298/3178 | +0.02399 | 2.35 / 0.025 | 182/2675 | 351/3178 | -0.04241 | -6.42 / 0.002 | -0.00504 | -0.78 / 0.429 | +| N=20000 off=11000 | 5407/6413 | 553/5407 | 567/6413 | +0.01386 | 2.02 / 0.040 | 295/5407 | 667/6413 | -0.04945 | -11.46 / 0.002 | -0.01274 | -2.67 / 0.007 | + +## Key Findings +1. **Verificato: la carica Mobius alternata arricchisce le transizioni low-gap in tutte le sei condizioni.** I diff sono positivi `+0.01386..+0.04422`, con `|z|>=2` e `p<=0.05` in main e offset. Count grezzi: esempio N=20000 offset=0, aligned `694/5171`, misaligned `651/6331`. + +2. **Verificato: la stessa carica alternata sopprime la high-tail in tutte le sei condizioni.** I diff sono negativi `-0.04241..-0.09373`, con z da `-5.77` a `-11.46` e `p=0.002` in ogni condizione. Count grezzi: N=20000 offset=11000, aligned `295/5407`, misaligned `667/6413`. + +3. **Verificato: SR non e' il portatore stabile del segnale.** SR passa la soglia solo nell'ultima condizione offset (`z=-2.67`, `p=0.007`); nelle altre cinque resta sotto soglia. Il perimetro informativo e' count low/high condizionato dalla carica, non media globale del ratio. + +4. **Inferito dal perimetro: il substrato CE ha aiutato a scegliere il vuoto intervallare, non a dimostrare una conclusione D-ND.** La scoperta utilizzabile e' scientifica e scoped: Mobius interval-charge alignment separa low-gap enrichment e high-tail suppression contro permutation null. + +## Verdict +**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro primi x Mobius fino a `p<=1e6`, la dualita dipolare/illusoria non si legge come det diretto e non si legge stabilmente da SR. Si legge come selezione intervallare: carica Mobius alternata aumenta le transizioni low-gap e riduce le transizioni high-tail rispetto a carica concorde, con null di permutazione superato in 6/6 condizioni per entrambi gli osservabili count. La formulazione corretta e': low-core stabile / high-tail selettivo / SR non portatore globale nel perimetro testato. + +## Bicono della scoperta +- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free. +- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica. +- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica. +- **Campo di possibilita**: qui diventa possibile usare Mobius interval-charge come reader del perimetro prime-gap. Qui diventa non-possibile chiamare SR globale portatore della dualita in questo perimetro. + +## Consecutio +Il prossimo passo non deve estendere il claim a tutti i primi o a GUE/Poisson. Deve isolare il nodo regressivo del null: ripetere con block-permutation della carica e con controllo per lunghezza del gap, per separare informazione Mobius autentica da dipendenza banale dalla dimensione dell'intervallo. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: niente "sempre" o "mai"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni. +- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count. +- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge. +- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile. +- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il risultato va confrontato in futuro con correlazioni note tra Mobius, gap length e prime races. + +## Files +- Script: `tools/exp_prime_mobius_interval_charge_gate.py` +- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` +- Report: `tools/data/reports/agent_20260508_2102.md` diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() codex Report scritto. Aggiorno ora il seme con un vincolo scoped, perche' il ciclo ha prodotto un risultato falsificabile riusabile e non solo un deposito nel report. exec /bin/bash -lc "python - <<'PY' from __future__ import annotations import json from pathlib import Path path = Path('tools/data/seme.json') data = json.loads(path.read_text(encoding='utf-8')) entry = { \"tipo\": \"vincolo\", \"id\": \"PRIME_MOBIUS_INTERVAL_CHARGE_GATE\", \"claim\": \"Nel perimetro primi x Mobius fino a p<=1e6 agent_20260508_2102, la carica Mobius alternata degli intervalli prime-free seleziona il perimetro dei gap contro permutation null: low-low enrichment passa in 6/6 condizioni (diff +0.01386..+0.04422, |z|>=2, p<=0.05) e high-high suppression passa in 6/6 condizioni (diff -0.04241..-0.09373, p=0.002). SR globale non e portatore stabile: passa solo 1/6 condizioni. Prossimo null: block-permutation e controllo lunghezza intervallo.\", \"intensita\": 0.84, \"porta\": \"DUALITA_DIPOLARE_VS_ILLUSORIA\", \"manuale\": False, \"condensato_ref\": \"A2,A9,A11,C2\", \"condensato_motivo\": \"Contrazione del claim dualita: il supporto informativo e interval-charge real-vs-permutation, non det diretto ne SR globale.\", \"origine\": \"cycle agent_20260508_2102: prime Mobius interval-charge gate\", \"added_at\": \"2026-05-08T21:02:00+00:00\", \"source_tension_id\": \"DUALITA_DIPOLARE_VS_ILLUSORIA\", } items = data.setdefault('tensioni', []) items[:] = [item for item in items if item.get('id') "'!= entry['"'id']] items.append(entry) path.write_text(json.dumps(data, ensure_ascii=False, indent=2) + '\\n', encoding='utf-8') PY" in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/data/reports/agent_20260508_2102.md b/tools/data/reports/agent_20260508_2102.md new file mode 100644 index 0000000000000000000000000000000000000000..946618635b47956762ad1de9b44080a508f371e8 --- /dev/null +++ b/tools/data/reports/agent_20260508_2102.md @@ -0,0 +1,86 @@ +# Agent Report - Prime Mobius Interval-Charge Gate +**Date**: 2026-05-08 21:02 +**Piano**: 93 +**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) +**verdict**: CONSTRAINT +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR] +**observable_contract**: claim=la dualita dipolare/illusoria nei primi non va letta da det(M) diretto ma dal supporto ordinato contro null; observable=rate low_low gap transition, rate high_high gap transition, SR mean difference; operator=Mobius interval charge S_n=sum mu(k) for p_n0; generator=prime gaps up to p<=1e6 with Mobius sieve; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}; not_tested=gap_ratio Sturmian, high-core phi survival, universal GUE/Poisson classification, det(M) as direct discriminator. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il punto testato non e' il gap come ampiezza: e' l'intervallo senza primi come lettore del passaggio tra due gap. +- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore. +- **Piano superiore**: informazione-termodinamica e grafo aritmetico. La carica interna dell'intervallo misura se il "vuoto" tra primi porta selezione del perimetro o solo distribuzione marginale. +- **Operatori laterali scelti**: entropia, boundary operator, random walk. Entropia entra come dispersione Mobius interna; boundary operator entra perche' il gap e' bordo tra due primi; random walk entra come null di permutazione della carica. +- **Contaminazione cognitiva**: + - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null. + - **CE-0038**: usato come osservazione primaria "forma nel nulla-tutto"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso. + - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle. + - **PVI attack**: il pattern puo' essere solo correlazione nota fra gap piccoli e intervalli brevi; per questo il null permuta le cariche lasciando intatti i gap. + - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo. +- **Proto-ipotesi**: se la dualita dipolare nei primi vive nel boundary aritmetico, la carica Mobius dell'intervallo prime-free deve selezionare un perimetro di gap contro permutazione. Se la selezione appare solo in SR o cade sotto permutazione, il substrato non ha prodotto osservabile nuovo. +- **Proiezione**: confronto aligned vs misaligned su low-gap core (`g_i<=6` e `g_{i+1}<=6`), high-tail (`g_i,g_{i+1}>=q75`) e SR. Soglia ex ante: `|z|>=2` e `p<=0.05` su permutation test, replicata in main e offset. + +## Claim Under Test +> La carica Mobius interna agli intervalli senza primi seleziona un perimetro low-gap/high-tail contro null di permutazione; non seleziona stabilmente la statistica globale SR. + +## Question +Le transizioni di carica Mobius alternata e concorde dentro i gap primi separano low-core e high-tail oltre il null, oppure la differenza cade quando la carica viene permutata rispetto ai gap? + +## Experiment Design +- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. +- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro. +- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`. +- Classi: + - `aligned`: `S_n*S_{n+1}<0`. + - `misaligned`: `S_n*S_{n+1}>0`. + - transizioni con uno zero escluse dal denominatore aligned/misaligned. +- Osservabili: + - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe. + - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe. + - `SR`: mean min/max ratio dei gap consecutivi. +- Null test: 400 permutazioni della sequenza `S_n`, gap invariati. +- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`. + +## Results +| condition | aligned/misaligned | low aligned | low misaligned | low diff | low z/p | high aligned | high misaligned | high diff | high z/p | SR diff | SR z/p | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| N=5000 off=0 | 1200/1572 | 221/1200 | 220/1572 | +0.04422 | 2.65 / 0.012 | 115/1200 | 298/1572 | -0.09373 | -8.37 / 0.002 | -0.01053 | -1.16 / 0.254 | +| N=10000 off=0 | 2541/3102 | 403/2541 | 377/3102 | +0.03706 | 3.70 / 0.002 | 153/2541 | 363/3102 | -0.05681 | -8.78 / 0.002 | -0.00661 | -1.00 / 0.334 | +| N=20000 off=0 | 5171/6331 | 694/5171 | 651/6331 | +0.03138 | 4.53 / 0.002 | 422/5171 | 878/6331 | -0.05707 | -11.32 / 0.002 | -0.00827 | -1.63 / 0.100 | +| N=5000 off=3000 | 1313/1525 | 184/1313 | 162/1525 | +0.03391 | 2.33 / 0.027 | 86/1313 | 187/1525 | -0.05712 | -5.77 / 0.002 | +0.00433 | 0.56 / 0.678 | +| N=10000 off=7000 | 2675/3178 | 315/2675 | 298/3178 | +0.02399 | 2.35 / 0.025 | 182/2675 | 351/3178 | -0.04241 | -6.42 / 0.002 | -0.00504 | -0.78 / 0.429 | +| N=20000 off=11000 | 5407/6413 | 553/5407 | 567/6413 | +0.01386 | 2.02 / 0.040 | 295/5407 | 667/6413 | -0.04945 | -11.46 / 0.002 | -0.01274 | -2.67 / 0.007 | + +## Key Findings +1. **Verificato: la carica Mobius alternata arricchisce le transizioni low-gap in tutte le sei condizioni.** I diff sono positivi `+0.01386..+0.04422`, con `|z|>=2` e `p<=0.05` in main e offset. Count grezzi: esempio N=20000 offset=0, aligned `694/5171`, misaligned `651/6331`. + +2. **Verificato: la stessa carica alternata sopprime la high-tail in tutte le sei condizioni.** I diff sono negativi `-0.04241..-0.09373`, con z da `-5.77` a `-11.46` e `p=0.002` in ogni condizione. Count grezzi: N=20000 offset=11000, aligned `295/5407`, misaligned `667/6413`. + +3. **Verificato: SR non e' il portatore stabile del segnale.** SR passa la soglia solo nell'ultima condizione offset (`z=-2.67`, `p=0.007`); nelle altre cinque resta sotto soglia. Il perimetro informativo e' count low/high condizionato dalla carica, non media globale del ratio. + +4. **Inferito dal perimetro: il substrato CE ha aiutato a scegliere il vuoto intervallare, non a dimostrare una conclusione D-ND.** La scoperta utilizzabile e' scientifica e scoped: Mobius interval-charge alignment separa low-gap enrichment e high-tail suppression contro permutation null. + +## Verdict +**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro primi x Mobius fino a `p<=1e6`, la dualita dipolare/illusoria non si legge come det diretto e non si legge stabilmente da SR. Si legge come selezione intervallare: carica Mobius alternata aumenta le transizioni low-gap e riduce le transizioni high-tail rispetto a carica concorde, con null di permutazione superato in 6/6 condizioni per entrambi gli osservabili count. La formulazione corretta e': low-core stabile / high-tail selettivo / SR non portatore globale nel perimetro testato. + +## Bicono della scoperta +- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free. +- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica. +- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica. +- **Campo di possibilita**: qui diventa possibile usare Mobius interval-charge come reader del perimetro prime-gap. Qui diventa non-possibile chiamare SR globale portatore della dualita in questo perimetro. + +## Consecutio +Il prossimo passo non deve estendere il claim a tutti i primi o a GUE/Poisson. Deve isolare il nodo regressivo del null: ripetere con block-permutation della carica e con controllo per lunghezza del gap, per separare informazione Mobius autentica da dipendenza banale dalla dimensione dell'intervallo. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: niente "sempre" o "mai"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni. +- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count. +- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge. +- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile. +- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il risultato va confrontato in futuro con correlazioni note tra Mobius, gap length e prime races. + +## Files +- Script: `tools/exp_prime_mobius_interval_charge_gate.py` +- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` +- Report: `tools/data/reports/agent_20260508_2102.md` diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() codex Il seme ora contiene il vincolo `PRIME_MOBIUS_INTERVAL_CHARGE_GATE`. Faccio una verifica rapida su file creati e diff limitato ai miei cambi, senza toccare il resto del worktree gia' sporco. exec /bin/bash -lc 'rg -n "PRIME_MOBIUS_INTERVAL_CHARGE_GATE|prime_mobius_interval_charge_gate|Agent Report" tools/data/seme.json tools/data/reports/agent_20260508_2102.md tools/exp_prime_mobius_interval_charge_gate.py' in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260508_2102.md:1:# Agent Report - Prime Mobius Interval-Charge Gate tools/data/reports/agent_20260508_2102.md:31:- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. tools/data/reports/agent_20260508_2102.md:84:- Script: `tools/exp_prime_mobius_interval_charge_gate.py` tools/data/reports/agent_20260508_2102.md:85:- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` tools/data/seme.json:181: "id": "PRIME_MOBIUS_INTERVAL_CHARGE_GATE", tools/exp_prime_mobius_interval_charge_gate.py:168: parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") tools/exp_prime_mobius_interval_charge_gate.py:208: "experiment": "prime_mobius_interval_charge_gate", exec /bin/bash -lc 'git diff --stat -- tools/exp_prime_mobius_interval_charge_gate.py tools/data/reports/agent_20260508_2102.md tools/data/prime_mobius_interval_charge_gate_20260508_2102.json tools/data/seme.json' in /opt/MM_D-ND succeeded in 0ms: tools/data/seme.json | 408 +++++++++++++++++++++++++++++++++++++++++++-------- 1 file changed, 347 insertions(+), 61 deletions(-) exec /bin/bash -lc 'python tools/exp_prime_mobius_interval_charge_gate.py --limit 1000000 --permutations 50 --seed 2102 --out /tmp/prime_mobius_interval_charge_gate_smoke.json' in /opt/MM_D-ND diff --git a/tools/data/reports/agent_20260508_2102.md b/tools/data/reports/agent_20260508_2102.md new file mode 100644 index 0000000000000000000000000000000000000000..946618635b47956762ad1de9b44080a508f371e8 --- /dev/null +++ b/tools/data/reports/agent_20260508_2102.md @@ -0,0 +1,86 @@ +# Agent Report - Prime Mobius Interval-Charge Gate +**Date**: 2026-05-08 21:02 +**Piano**: 93 +**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) +**verdict**: CONSTRAINT +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR] +**observable_contract**: claim=la dualita dipolare/illusoria nei primi non va letta da det(M) diretto ma dal supporto ordinato contro null; observable=rate low_low gap transition, rate high_high gap transition, SR mean difference; operator=Mobius interval charge S_n=sum mu(k) for p_n0; generator=prime gaps up to p<=1e6 with Mobius sieve; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}; not_tested=gap_ratio Sturmian, high-core phi survival, universal GUE/Poisson classification, det(M) as direct discriminator. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il punto testato non e' il gap come ampiezza: e' l'intervallo senza primi come lettore del passaggio tra due gap. +- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore. +- **Piano superiore**: informazione-termodinamica e grafo aritmetico. La carica interna dell'intervallo misura se il "vuoto" tra primi porta selezione del perimetro o solo distribuzione marginale. +- **Operatori laterali scelti**: entropia, boundary operator, random walk. Entropia entra come dispersione Mobius interna; boundary operator entra perche' il gap e' bordo tra due primi; random walk entra come null di permutazione della carica. +- **Contaminazione cognitiva**: + - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null. + - **CE-0038**: usato come osservazione primaria "forma nel nulla-tutto"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso. + - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle. + - **PVI attack**: il pattern puo' essere solo correlazione nota fra gap piccoli e intervalli brevi; per questo il null permuta le cariche lasciando intatti i gap. + - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo. +- **Proto-ipotesi**: se la dualita dipolare nei primi vive nel boundary aritmetico, la carica Mobius dell'intervallo prime-free deve selezionare un perimetro di gap contro permutazione. Se la selezione appare solo in SR o cade sotto permutazione, il substrato non ha prodotto osservabile nuovo. +- **Proiezione**: confronto aligned vs misaligned su low-gap core (`g_i<=6` e `g_{i+1}<=6`), high-tail (`g_i,g_{i+1}>=q75`) e SR. Soglia ex ante: `|z|>=2` e `p<=0.05` su permutation test, replicata in main e offset. + +## Claim Under Test +> La carica Mobius interna agli intervalli senza primi seleziona un perimetro low-gap/high-tail contro null di permutazione; non seleziona stabilmente la statistica globale SR. + +## Question +Le transizioni di carica Mobius alternata e concorde dentro i gap primi separano low-core e high-tail oltre il null, oppure la differenza cade quando la carica viene permutata rispetto ai gap? + +## Experiment Design +- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. +- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro. +- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`. +- Classi: + - `aligned`: `S_n*S_{n+1}<0`. + - `misaligned`: `S_n*S_{n+1}>0`. + - transizioni con uno zero escluse dal denominatore aligned/misaligned. +- Osservabili: + - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe. + - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe. + - `SR`: mean min/max ratio dei gap consecutivi. +- Null test: 400 permutazioni della sequenza `S_n`, gap invariati. +- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`. + +## Results +| condition | aligned/misaligned | low aligned | low misaligned | low diff | low z/p | high aligned | high misaligned | high diff | high z/p | SR diff | SR z/p | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| N=5000 off=0 | 1200/1572 | 221/1200 | 220/1572 | +0.04422 | 2.65 / 0.012 | 115/1200 | 298/1572 | -0.09373 | -8.37 / 0.002 | -0.01053 | -1.16 / 0.254 | +| N=10000 off=0 | 2541/3102 | 403/2541 | 377/3102 | +0.03706 | 3.70 / 0.002 | 153/2541 | 363/3102 | -0.05681 | -8.78 / 0.002 | -0.00661 | -1.00 / 0.334 | +| N=20000 off=0 | 5171/6331 | 694/5171 | 651/6331 | +0.03138 | 4.53 / 0.002 | 422/5171 | 878/6331 | -0.05707 | -11.32 / 0.002 | -0.00827 | -1.63 / 0.100 | +| N=5000 off=3000 | 1313/1525 | 184/1313 | 162/1525 | +0.03391 | 2.33 / 0.027 | 86/1313 | 187/1525 | -0.05712 | -5.77 / 0.002 | +0.00433 | 0.56 / 0.678 | +| N=10000 off=7000 | 2675/3178 | 315/2675 | 298/3178 | +0.02399 | 2.35 / 0.025 | 182/2675 | 351/3178 | -0.04241 | -6.42 / 0.002 | -0.00504 | -0.78 / 0.429 | +| N=20000 off=11000 | 5407/6413 | 553/5407 | 567/6413 | +0.01386 | 2.02 / 0.040 | 295/5407 | 667/6413 | -0.04945 | -11.46 / 0.002 | -0.01274 | -2.67 / 0.007 | + +## Key Findings +1. **Verificato: la carica Mobius alternata arricchisce le transizioni low-gap in tutte le sei condizioni.** I diff sono positivi `+0.01386..+0.04422`, con `|z|>=2` e `p<=0.05` in main e offset. Count grezzi: esempio N=20000 offset=0, aligned `694/5171`, misaligned `651/6331`. + +2. **Verificato: la stessa carica alternata sopprime la high-tail in tutte le sei condizioni.** I diff sono negativi `-0.04241..-0.09373`, con z da `-5.77` a `-11.46` e `p=0.002` in ogni condizione. Count grezzi: N=20000 offset=11000, aligned `295/5407`, misaligned `667/6413`. + +3. **Verificato: SR non e' il portatore stabile del segnale.** SR passa la soglia solo nell'ultima condizione offset (`z=-2.67`, `p=0.007`); nelle altre cinque resta sotto soglia. Il perimetro informativo e' count low/high condizionato dalla carica, non media globale del ratio. + +4. **Inferito dal perimetro: il substrato CE ha aiutato a scegliere il vuoto intervallare, non a dimostrare una conclusione D-ND.** La scoperta utilizzabile e' scientifica e scoped: Mobius interval-charge alignment separa low-gap enrichment e high-tail suppression contro permutation null. + +## Verdict +**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro primi x Mobius fino a `p<=1e6`, la dualita dipolare/illusoria non si legge come det diretto e non si legge stabilmente da SR. Si legge come selezione intervallare: carica Mobius alternata aumenta le transizioni low-gap e riduce le transizioni high-tail rispetto a carica concorde, con null di permutazione superato in 6/6 condizioni per entrambi gli osservabili count. La formulazione corretta e': low-core stabile / high-tail selettivo / SR non portatore globale nel perimetro testato. + +## Bicono della scoperta +- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free. +- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica. +- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica. +- **Campo di possibilita**: qui diventa possibile usare Mobius interval-charge come reader del perimetro prime-gap. Qui diventa non-possibile chiamare SR globale portatore della dualita in questo perimetro. + +## Consecutio +Il prossimo passo non deve estendere il claim a tutti i primi o a GUE/Poisson. Deve isolare il nodo regressivo del null: ripetere con block-permutation della carica e con controllo per lunghezza del gap, per separare informazione Mobius autentica da dipendenza banale dalla dimensione dell'intervallo. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: niente "sempre" o "mai"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni. +- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count. +- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge. +- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile. +- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il risultato va confrontato in futuro con correlazioni note tra Mobius, gap length e prime races. + +## Files +- Script: `tools/exp_prime_mobius_interval_charge_gate.py` +- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` +- Report: `tools/data/reports/agent_20260508_2102.md` diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() succeeded in 467ms: N=5000 offset=0 aligned=1200 misaligned=1572 low_diff=0.04422 z=2.62 p=0.039 high_diff=-0.09373 z=-8.12 p=0.020 sr_diff=-0.01053 z=-1.19 p=0.235 N=10000 offset=0 aligned=2541 misaligned=3102 low_diff=0.03706 z=3.46 p=0.020 high_diff=-0.05681 z=-8.10 p=0.020 sr_diff=-0.00661 z=-1.02 p=0.294 N=20000 offset=0 aligned=5171 misaligned=6331 low_diff=0.03138 z=4.15 p=0.020 high_diff=-0.05707 z=-11.99 p=0.020 sr_diff=-0.00827 z=-1.19 p=0.157 N=5000 offset=3000 aligned=1313 misaligned=1525 low_diff=0.03391 z=2.05 p=0.039 high_diff=-0.05712 z=-5.82 p=0.020 sr_diff=0.00433 z=0.15 p=0.627 N=10000 offset=7000 aligned=2675 misaligned=3178 low_diff=0.02399 z=2.39 p=0.039 high_diff=-0.04241 z=-6.24 p=0.020 sr_diff=-0.00504 z=-0.78 p=0.490 N=20000 offset=11000 aligned=5407 misaligned=6413 low_diff=0.01386 z=1.69 p=0.078 high_diff=-0.04945 z=-9.92 p=0.020 sr_diff=-0.01274 z=-2.53 p=0.020 wrote /tmp/prime_mobius_interval_charge_gate_smoke.json exec /bin/bash -lc 'ls tools/structural_check.py && python tools/structural_check.py tools/exp_prime_mobius_interval_charge_gate.py tools/data/reports/agent_20260508_2102.md 2>/tmp/structural_check.err || true; cat /tmp/structural_check.err' in /opt/MM_D-ND succeeded in 0ms: tools/structural_check.py Scansione 2 file... Nessun anti-pattern trovato. diff --git a/tools/data/reports/agent_20260508_2102.md b/tools/data/reports/agent_20260508_2102.md new file mode 100644 index 0000000000000000000000000000000000000000..946618635b47956762ad1de9b44080a508f371e8 --- /dev/null +++ b/tools/data/reports/agent_20260508_2102.md @@ -0,0 +1,86 @@ +# Agent Report - Prime Mobius Interval-Charge Gate +**Date**: 2026-05-08 21:02 +**Piano**: 93 +**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) +**verdict**: CONSTRAINT +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR] +**observable_contract**: claim=la dualita dipolare/illusoria nei primi non va letta da det(M) diretto ma dal supporto ordinato contro null; observable=rate low_low gap transition, rate high_high gap transition, SR mean difference; operator=Mobius interval charge S_n=sum mu(k) for p_n0; generator=prime gaps up to p<=1e6 with Mobius sieve; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}; not_tested=gap_ratio Sturmian, high-core phi survival, universal GUE/Poisson classification, det(M) as direct discriminator. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il punto testato non e' il gap come ampiezza: e' l'intervallo senza primi come lettore del passaggio tra due gap. +- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore. +- **Piano superiore**: informazione-termodinamica e grafo aritmetico. La carica interna dell'intervallo misura se il "vuoto" tra primi porta selezione del perimetro o solo distribuzione marginale. +- **Operatori laterali scelti**: entropia, boundary operator, random walk. Entropia entra come dispersione Mobius interna; boundary operator entra perche' il gap e' bordo tra due primi; random walk entra come null di permutazione della carica. +- **Contaminazione cognitiva**: + - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null. + - **CE-0038**: usato come osservazione primaria "forma nel nulla-tutto"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso. + - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle. + - **PVI attack**: il pattern puo' essere solo correlazione nota fra gap piccoli e intervalli brevi; per questo il null permuta le cariche lasciando intatti i gap. + - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo. +- **Proto-ipotesi**: se la dualita dipolare nei primi vive nel boundary aritmetico, la carica Mobius dell'intervallo prime-free deve selezionare un perimetro di gap contro permutazione. Se la selezione appare solo in SR o cade sotto permutazione, il substrato non ha prodotto osservabile nuovo. +- **Proiezione**: confronto aligned vs misaligned su low-gap core (`g_i<=6` e `g_{i+1}<=6`), high-tail (`g_i,g_{i+1}>=q75`) e SR. Soglia ex ante: `|z|>=2` e `p<=0.05` su permutation test, replicata in main e offset. + +## Claim Under Test +> La carica Mobius interna agli intervalli senza primi seleziona un perimetro low-gap/high-tail contro null di permutazione; non seleziona stabilmente la statistica globale SR. + +## Question +Le transizioni di carica Mobius alternata e concorde dentro i gap primi separano low-core e high-tail oltre il null, oppure la differenza cade quando la carica viene permutata rispetto ai gap? + +## Experiment Design +- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. +- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro. +- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`. +- Classi: + - `aligned`: `S_n*S_{n+1}<0`. + - `misaligned`: `S_n*S_{n+1}>0`. + - transizioni con uno zero escluse dal denominatore aligned/misaligned. +- Osservabili: + - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe. + - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe. + - `SR`: mean min/max ratio dei gap consecutivi. +- Null test: 400 permutazioni della sequenza `S_n`, gap invariati. +- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`. + +## Results +| condition | aligned/misaligned | low aligned | low misaligned | low diff | low z/p | high aligned | high misaligned | high diff | high z/p | SR diff | SR z/p | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| N=5000 off=0 | 1200/1572 | 221/1200 | 220/1572 | +0.04422 | 2.65 / 0.012 | 115/1200 | 298/1572 | -0.09373 | -8.37 / 0.002 | -0.01053 | -1.16 / 0.254 | +| N=10000 off=0 | 2541/3102 | 403/2541 | 377/3102 | +0.03706 | 3.70 / 0.002 | 153/2541 | 363/3102 | -0.05681 | -8.78 / 0.002 | -0.00661 | -1.00 / 0.334 | +| N=20000 off=0 | 5171/6331 | 694/5171 | 651/6331 | +0.03138 | 4.53 / 0.002 | 422/5171 | 878/6331 | -0.05707 | -11.32 / 0.002 | -0.00827 | -1.63 / 0.100 | +| N=5000 off=3000 | 1313/1525 | 184/1313 | 162/1525 | +0.03391 | 2.33 / 0.027 | 86/1313 | 187/1525 | -0.05712 | -5.77 / 0.002 | +0.00433 | 0.56 / 0.678 | +| N=10000 off=7000 | 2675/3178 | 315/2675 | 298/3178 | +0.02399 | 2.35 / 0.025 | 182/2675 | 351/3178 | -0.04241 | -6.42 / 0.002 | -0.00504 | -0.78 / 0.429 | +| N=20000 off=11000 | 5407/6413 | 553/5407 | 567/6413 | +0.01386 | 2.02 / 0.040 | 295/5407 | 667/6413 | -0.04945 | -11.46 / 0.002 | -0.01274 | -2.67 / 0.007 | + +## Key Findings +1. **Verificato: la carica Mobius alternata arricchisce le transizioni low-gap in tutte le sei condizioni.** I diff sono positivi `+0.01386..+0.04422`, con `|z|>=2` e `p<=0.05` in main e offset. Count grezzi: esempio N=20000 offset=0, aligned `694/5171`, misaligned `651/6331`. + +2. **Verificato: la stessa carica alternata sopprime la high-tail in tutte le sei condizioni.** I diff sono negativi `-0.04241..-0.09373`, con z da `-5.77` a `-11.46` e `p=0.002` in ogni condizione. Count grezzi: N=20000 offset=11000, aligned `295/5407`, misaligned `667/6413`. + +3. **Verificato: SR non e' il portatore stabile del segnale.** SR passa la soglia solo nell'ultima condizione offset (`z=-2.67`, `p=0.007`); nelle altre cinque resta sotto soglia. Il perimetro informativo e' count low/high condizionato dalla carica, non media globale del ratio. + +4. **Inferito dal perimetro: il substrato CE ha aiutato a scegliere il vuoto intervallare, non a dimostrare una conclusione D-ND.** La scoperta utilizzabile e' scientifica e scoped: Mobius interval-charge alignment separa low-gap enrichment e high-tail suppression contro permutation null. + +## Verdict +**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro primi x Mobius fino a `p<=1e6`, la dualita dipolare/illusoria non si legge come det diretto e non si legge stabilmente da SR. Si legge come selezione intervallare: carica Mobius alternata aumenta le transizioni low-gap e riduce le transizioni high-tail rispetto a carica concorde, con null di permutazione superato in 6/6 condizioni per entrambi gli osservabili count. La formulazione corretta e': low-core stabile / high-tail selettivo / SR non portatore globale nel perimetro testato. + +## Bicono della scoperta +- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free. +- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica. +- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica. +- **Campo di possibilita**: qui diventa possibile usare Mobius interval-charge come reader del perimetro prime-gap. Qui diventa non-possibile chiamare SR globale portatore della dualita in questo perimetro. + +## Consecutio +Il prossimo passo non deve estendere il claim a tutti i primi o a GUE/Poisson. Deve isolare il nodo regressivo del null: ripetere con block-permutation della carica e con controllo per lunghezza del gap, per separare informazione Mobius autentica da dipendenza banale dalla dimensione dell'intervallo. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: niente "sempre" o "mai"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni. +- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count. +- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge. +- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile. +- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il risultato va confrontato in futuro con correlazioni note tra Mobius, gap length e prime races. + +## Files +- Script: `tools/exp_prime_mobius_interval_charge_gate.py` +- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` +- Report: `tools/data/reports/agent_20260508_2102.md` diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() codex Eseguito il ciclo e scritto il report richiesto: [agent_20260508_2102.md](/opt/MM_D-ND/tools/data/reports/agent_20260508_2102.md). Ho creato lo strumento riusabile [exp_prime_mobius_interval_charge_gate.py](/opt/MM_D-ND/tools/exp_prime_mobius_interval_charge_gate.py) e salvato i dati in [prime_mobius_interval_charge_gate_20260508_2102.json](/opt/MM_D-ND/tools/data/prime_mobius_interval_charge_gate_20260508_2102.json). Ho aggiornato anche `tools/data/seme.json` con il vincolo `PRIME_MOBIUS_INTERVAL_CHARGE_GATE`. Risultato centrale: nel perimetro primi x Möbius, la carica Möbius alternata negli intervalli senza primi arricchisce le transizioni low-gap e sopprime la high-tail contro permutation null in 6/6 condizioni; `SR` non è portatore stabile. Verifiche: script eseguito, smoke run passato, `structural_check.py` senza anti-pattern. diff --git a/tools/data/reports/agent_20260508_2102.md b/tools/data/reports/agent_20260508_2102.md new file mode 100644 index 0000000000000000000000000000000000000000..946618635b47956762ad1de9b44080a508f371e8 --- /dev/null +++ b/tools/data/reports/agent_20260508_2102.md @@ -0,0 +1,86 @@ +# Agent Report - Prime Mobius Interval-Charge Gate +**Date**: 2026-05-08 21:02 +**Piano**: 93 +**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) +**verdict**: CONSTRAINT +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR] +**observable_contract**: claim=la dualita dipolare/illusoria nei primi non va letta da det(M) diretto ma dal supporto ordinato contro null; observable=rate low_low gap transition, rate high_high gap transition, SR mean difference; operator=Mobius interval charge S_n=sum mu(k) for p_n0; generator=prime gaps up to p<=1e6 with Mobius sieve; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}; not_tested=gap_ratio Sturmian, high-core phi survival, universal GUE/Poisson classification, det(M) as direct discriminator. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il punto testato non e' il gap come ampiezza: e' l'intervallo senza primi come lettore del passaggio tra due gap. +- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore. +- **Piano superiore**: informazione-termodinamica e grafo aritmetico. La carica interna dell'intervallo misura se il "vuoto" tra primi porta selezione del perimetro o solo distribuzione marginale. +- **Operatori laterali scelti**: entropia, boundary operator, random walk. Entropia entra come dispersione Mobius interna; boundary operator entra perche' il gap e' bordo tra due primi; random walk entra come null di permutazione della carica. +- **Contaminazione cognitiva**: + - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null. + - **CE-0038**: usato come osservazione primaria "forma nel nulla-tutto"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso. + - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle. + - **PVI attack**: il pattern puo' essere solo correlazione nota fra gap piccoli e intervalli brevi; per questo il null permuta le cariche lasciando intatti i gap. + - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo. +- **Proto-ipotesi**: se la dualita dipolare nei primi vive nel boundary aritmetico, la carica Mobius dell'intervallo prime-free deve selezionare un perimetro di gap contro permutazione. Se la selezione appare solo in SR o cade sotto permutazione, il substrato non ha prodotto osservabile nuovo. +- **Proiezione**: confronto aligned vs misaligned su low-gap core (`g_i<=6` e `g_{i+1}<=6`), high-tail (`g_i,g_{i+1}>=q75`) e SR. Soglia ex ante: `|z|>=2` e `p<=0.05` su permutation test, replicata in main e offset. + +## Claim Under Test +> La carica Mobius interna agli intervalli senza primi seleziona un perimetro low-gap/high-tail contro null di permutazione; non seleziona stabilmente la statistica globale SR. + +## Question +Le transizioni di carica Mobius alternata e concorde dentro i gap primi separano low-core e high-tail oltre il null, oppure la differenza cade quando la carica viene permutata rispetto ai gap? + +## Experiment Design +- Script: `tools/exp_prime_mobius_interval_charge_gate.py`. +- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro. +- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`. +- Classi: + - `aligned`: `S_n*S_{n+1}<0`. + - `misaligned`: `S_n*S_{n+1}>0`. + - transizioni con uno zero escluse dal denominatore aligned/misaligned. +- Osservabili: + - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe. + - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe. + - `SR`: mean min/max ratio dei gap consecutivi. +- Null test: 400 permutazioni della sequenza `S_n`, gap invariati. +- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`. + +## Results +| condition | aligned/misaligned | low aligned | low misaligned | low diff | low z/p | high aligned | high misaligned | high diff | high z/p | SR diff | SR z/p | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| N=5000 off=0 | 1200/1572 | 221/1200 | 220/1572 | +0.04422 | 2.65 / 0.012 | 115/1200 | 298/1572 | -0.09373 | -8.37 / 0.002 | -0.01053 | -1.16 / 0.254 | +| N=10000 off=0 | 2541/3102 | 403/2541 | 377/3102 | +0.03706 | 3.70 / 0.002 | 153/2541 | 363/3102 | -0.05681 | -8.78 / 0.002 | -0.00661 | -1.00 / 0.334 | +| N=20000 off=0 | 5171/6331 | 694/5171 | 651/6331 | +0.03138 | 4.53 / 0.002 | 422/5171 | 878/6331 | -0.05707 | -11.32 / 0.002 | -0.00827 | -1.63 / 0.100 | +| N=5000 off=3000 | 1313/1525 | 184/1313 | 162/1525 | +0.03391 | 2.33 / 0.027 | 86/1313 | 187/1525 | -0.05712 | -5.77 / 0.002 | +0.00433 | 0.56 / 0.678 | +| N=10000 off=7000 | 2675/3178 | 315/2675 | 298/3178 | +0.02399 | 2.35 / 0.025 | 182/2675 | 351/3178 | -0.04241 | -6.42 / 0.002 | -0.00504 | -0.78 / 0.429 | +| N=20000 off=11000 | 5407/6413 | 553/5407 | 567/6413 | +0.01386 | 2.02 / 0.040 | 295/5407 | 667/6413 | -0.04945 | -11.46 / 0.002 | -0.01274 | -2.67 / 0.007 | + +## Key Findings +1. **Verificato: la carica Mobius alternata arricchisce le transizioni low-gap in tutte le sei condizioni.** I diff sono positivi `+0.01386..+0.04422`, con `|z|>=2` e `p<=0.05` in main e offset. Count grezzi: esempio N=20000 offset=0, aligned `694/5171`, misaligned `651/6331`. + +2. **Verificato: la stessa carica alternata sopprime la high-tail in tutte le sei condizioni.** I diff sono negativi `-0.04241..-0.09373`, con z da `-5.77` a `-11.46` e `p=0.002` in ogni condizione. Count grezzi: N=20000 offset=11000, aligned `295/5407`, misaligned `667/6413`. + +3. **Verificato: SR non e' il portatore stabile del segnale.** SR passa la soglia solo nell'ultima condizione offset (`z=-2.67`, `p=0.007`); nelle altre cinque resta sotto soglia. Il perimetro informativo e' count low/high condizionato dalla carica, non media globale del ratio. + +4. **Inferito dal perimetro: il substrato CE ha aiutato a scegliere il vuoto intervallare, non a dimostrare una conclusione D-ND.** La scoperta utilizzabile e' scientifica e scoped: Mobius interval-charge alignment separa low-gap enrichment e high-tail suppression contro permutation null. + +## Verdict +**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA**: nel perimetro primi x Mobius fino a `p<=1e6`, la dualita dipolare/illusoria non si legge come det diretto e non si legge stabilmente da SR. Si legge come selezione intervallare: carica Mobius alternata aumenta le transizioni low-gap e riduce le transizioni high-tail rispetto a carica concorde, con null di permutazione superato in 6/6 condizioni per entrambi gli osservabili count. La formulazione corretta e': low-core stabile / high-tail selettivo / SR non portatore globale nel perimetro testato. + +## Bicono della scoperta +- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free. +- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica. +- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica. +- **Campo di possibilita**: qui diventa possibile usare Mobius interval-charge come reader del perimetro prime-gap. Qui diventa non-possibile chiamare SR globale portatore della dualita in questo perimetro. + +## Consecutio +Il prossimo passo non deve estendere il claim a tutti i primi o a GUE/Poisson. Deve isolare il nodo regressivo del null: ripetere con block-permutation della carica e con controllo per lunghezza del gap, per separare informazione Mobius autentica da dipendenza banale dalla dimensione dell'intervallo. + +## Auto-audit: 5 lenti +- **L1 hard constraint vs bias**: niente "sempre" o "mai"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni. +- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count. +- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge. +- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile. +- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il risultato va confrontato in futuro con correlazioni note tra Mobius, gap length e prime races. + +## Files +- Script: `tools/exp_prime_mobius_interval_charge_gate.py` +- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json` +- Report: `tools/data/reports/agent_20260508_2102.md` diff --git a/tools/exp_prime_mobius_interval_charge_gate.py b/tools/exp_prime_mobius_interval_charge_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..75a8c2112a59474fa5dd59c75781fc2c2c930f5d --- /dev/null +++ b/tools/exp_prime_mobius_interval_charge_gate.py @@ -0,0 +1,236 @@ +#!/usr/bin/env python3 +"""Prime x Mobius interval-charge gate. + +Measures whether the Mobius charge inside prime-free intervals selects a +different gap-transition perimeter than a permutation null. +""" +from __future__ import annotations + +import argparse +import json +from pathlib import Path + +import numpy as np + + +def sieve_primes(limit: int) -> np.ndarray: + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, int(limit**0.5) + 1): + if is_prime[p]: + is_prime[p * p : limit + 1 : p] = False + return np.flatnonzero(is_prime) + + +def mobius_sieve(limit: int) -> np.ndarray: + mu = np.ones(limit + 1, dtype=np.int8) + is_prime = np.ones(limit + 1, dtype=bool) + is_prime[:2] = False + for p in range(2, limit + 1): + if not is_prime[p]: + continue + mu[p::p] *= -1 + p2 = p * p + if p2 <= limit: + mu[p2::p2] = 0 + is_prime[p2::p] = False + return mu + + +def interval_charges(primes: np.ndarray, mu: np.ndarray) -> np.ndarray: + prefix = np.concatenate(([0], np.cumsum(mu, dtype=np.int64))) + starts = primes[:-1] + 1 + stops = primes[1:] + return prefix[stops] - prefix[starts] + + +def transition_metrics(gaps: np.ndarray, charges: np.ndarray) -> dict[str, float | int]: + left = charges[:-1] + right = charges[1:] + product = left * right + aligned = product < 0 + misaligned = product > 0 + + g0 = gaps[:-1].astype(float) + g1 = gaps[1:].astype(float) + ratio = np.minimum(g0, g1) / np.maximum(g0, g1) + low_low = (g0 <= 6) & (g1 <= 6) + q75 = float(np.quantile(gaps, 0.75)) + high_high = (g0 >= q75) & (g1 >= q75) + + def rate(mask: np.ndarray, event: np.ndarray) -> float: + denom = int(np.sum(mask)) + if denom == 0: + return float("nan") + return float(np.sum(event & mask) / denom) + + def mean(mask: np.ndarray, values: np.ndarray) -> float: + if int(np.sum(mask)) == 0: + return float("nan") + return float(np.mean(values[mask])) + + a_count = int(np.sum(aligned)) + m_count = int(np.sum(misaligned)) + a_low_hits = int(np.sum(low_low & aligned)) + m_low_hits = int(np.sum(low_low & misaligned)) + a_high_hits = int(np.sum(high_high & aligned)) + m_high_hits = int(np.sum(high_high & misaligned)) + a_low_rate = rate(aligned, low_low) + m_low_rate = rate(misaligned, low_low) + a_high_rate = rate(aligned, high_high) + m_high_rate = rate(misaligned, high_high) + a_sr = mean(aligned, ratio) + m_sr = mean(misaligned, ratio) + + return { + "aligned_count": a_count, + "misaligned_count": m_count, + "low_low_aligned_hits": a_low_hits, + "low_low_misaligned_hits": m_low_hits, + "low_low_aligned_rate": a_low_rate, + "low_low_misaligned_rate": m_low_rate, + "low_low_diff": a_low_rate - m_low_rate, + "low_low_ratio": a_low_rate / m_low_rate if m_low_rate > 0 else float("inf"), + "high_high_aligned_hits": a_high_hits, + "high_high_misaligned_hits": m_high_hits, + "high_high_aligned_rate": a_high_rate, + "high_high_misaligned_rate": m_high_rate, + "high_high_diff": a_high_rate - m_high_rate, + "high_high_ratio": a_high_rate / m_high_rate if m_high_rate > 0 else float("inf"), + "sr_aligned_mean": a_sr, + "sr_misaligned_mean": m_sr, + "sr_diff": a_sr - m_sr, + "q75_gap": q75, + } + + +def permutation_test( + gaps: np.ndarray, + charges: np.ndarray, + observed: dict[str, float | int], + rng: np.random.Generator, + permutations: int, +) -> dict[str, dict[str, float]]: + keys = ["low_low_diff", "high_high_diff", "sr_diff"] + nulls = {key: [] for key in keys} + for _ in range(permutations): + shuffled = np.array(charges, copy=True) + rng.shuffle(shuffled) + metrics = transition_metrics(gaps, shuffled) + for key in keys: + nulls[key].append(float(metrics[key])) + + out: dict[str, dict[str, float]] = {} + for key in keys: + arr = np.array(nulls[key], dtype=float) + obs = float(observed[key]) + std = float(np.std(arr, ddof=1)) + z = (obs - float(np.mean(arr))) / std if std > 0 else 0.0 + p = float((np.sum(np.abs(arr) >= abs(obs)) + 1) / (len(arr) + 1)) + out[key] = { + "observed": obs, + "null_mean": float(np.mean(arr)), + "null_std": std, + "z": float(z), + "p_two_sided": p, + } + return out + + +def run_condition( + primes: np.ndarray, + mu: np.ndarray, + n_primes: int, + offset: int, + rng: np.random.Generator, + permutations: int, +) -> dict[str, object]: + segment = primes[offset : offset + n_primes + 1] + gaps = np.diff(segment) + charges = interval_charges(segment, mu) + observed = transition_metrics(gaps, charges) + tests = permutation_test(gaps, charges, observed, rng, permutations) + return { + "n_primes": n_primes, + "offset": offset, + "prime_start": int(segment[0]), + "prime_stop": int(segment[-1]), + "observed": observed, + "permutation_tests": tests, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--limit", type=int, default=1_000_000) + parser.add_argument("--permutations", type=int, default=400) + parser.add_argument("--seed", type=int, default=2102) + parser.add_argument("--out", default="tools/data/prime_mobius_interval_charge_gate_20260508_2102.json") + args = parser.parse_args() + + primes = sieve_primes(args.limit) + mu = mobius_sieve(args.limit) + rng = np.random.default_rng(args.seed) + + conditions = [ + {"n_primes": 5_000, "offset": 0}, + {"n_primes": 10_000, "offset": 0}, + {"n_primes": 20_000, "offset": 0}, + {"n_primes": 5_000, "offset": 3_000}, + {"n_primes": 10_000, "offset": 7_000}, + {"n_primes": 20_000, "offset": 11_000}, + ] + max_needed = max(c["offset"] + c["n_primes"] + 1 for c in conditions) + if len(primes) <= max_needed: + raise SystemExit(f"limit={args.limit} yields only {len(primes)} primes, need {max_needed}") + + results = [ + run_condition(primes, mu, c["n_primes"], c["offset"], rng, args.permutations) + for c in conditions + ] + significant = [] + for result in results: + tests = result["permutation_tests"] + significant.append( + { + "n_primes": result["n_primes"], + "offset": result["offset"], + "low_low_pass": abs(tests["low_low_diff"]["z"]) >= 2.0 + and tests["low_low_diff"]["p_two_sided"] <= 0.05, + "high_high_pass": abs(tests["high_high_diff"]["z"]) >= 2.0 + and tests["high_high_diff"]["p_two_sided"] <= 0.05, + "sr_pass": abs(tests["sr_diff"]["z"]) >= 2.0 + and tests["sr_diff"]["p_two_sided"] <= 0.05, + } + ) + + payload = { + "experiment": "prime_mobius_interval_charge_gate", + "question": "Does Mobius interval-charge alignment select a prime-gap perimeter beyond permutation null?", + "threshold_ex_ante": "|z|>=2 and permutation p<=0.05, replicated across main and offset conditions", + "limit": args.limit, + "permutations": args.permutations, + "seed": args.seed, + "conditions": results, + "significance_summary": significant, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(payload, indent=2), encoding="utf-8") + + for result in results: + obs = result["observed"] + tests = result["permutation_tests"] + print( + f"N={result['n_primes']} offset={result['offset']} " + f"aligned={obs['aligned_count']} misaligned={obs['misaligned_count']} " + f"low_diff={obs['low_low_diff']:.5f} z={tests['low_low_diff']['z']:.2f} p={tests['low_low_diff']['p_two_sided']:.3f} " + f"high_diff={obs['high_high_diff']:.5f} z={tests['high_high_diff']['z']:.2f} p={tests['high_high_diff']['p_two_sided']:.3f} " + f"sr_diff={obs['sr_diff']:.5f} z={tests['sr_diff']['z']:.2f} p={tests['sr_diff']['p_two_sided']:.3f}" + ) + print(f"wrote {out}") + + +if __name__ == "__main__": + main() tokens used 96,892 Eseguito il ciclo e scritto il report richiesto: [agent_20260508_2102.md](/opt/MM_D-ND/tools/data/reports/agent_20260508_2102.md). Ho creato lo strumento riusabile [exp_prime_mobius_interval_charge_gate.py](/opt/MM_D-ND/tools/exp_prime_mobius_interval_charge_gate.py) e salvato i dati in [prime_mobius_interval_charge_gate_20260508_2102.json](/opt/MM_D-ND/tools/data/prime_mobius_interval_charge_gate_20260508_2102.json). Ho aggiornato anche `tools/data/seme.json` con il vincolo `PRIME_MOBIUS_INTERVAL_CHARGE_GATE`. Risultato centrale: nel perimetro primi x Möbius, la carica Möbius alternata negli intervalli senza primi arricchisce le transizioni low-gap e sopprime la high-tail contro permutation null in 6/6 condizioni; `SR` non è portatore stabile. Verifiche: script eseguito, smoke run passato, `structural_check.py` senza anti-pattern.