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: 019e0b82-5748-77c2-b0f6-0398806c0866 -------- 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_20260509_0652.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 le istruzioni kernel indicate dall’adapter, così il report resta allineato alle regole cross-agent. 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 '1,220p' /opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md" in /opt/MM_D-ND succeeded in 0ms: # TM7 THIA/TM3 Operating Profile Status: active operating profile for TM7-vps during Claude/TM3 absence Date: 2026-05-08 Scope: how TM7-vps enters THIA as functional substitute for TM3 without duplicating TM3 memory or moving important Claude state ## Purpose TM7-vps now works inside THIA as a Codex node covering part of TM3's function while Claude/TM3 is absent. This is not a packet and not a passive report. It is an operational entrypoint for future Codex instances. Rule: ```text THIA is the system. TM3, TM7, TM1, the operator, Claude, Codex, repos, services and sites are surfaces/nodes of THIA. The runtime home is an adapter. The knowledge lives in the system. ``` Shared awareness belongs to THIA, not to a single adapter. Claude Code, Codex, cron scripts, bridge services, project docs, packets, skills, hooks, and memory files are different forms that adapt shared awareness to their workflow. Do not duplicate THIA awareness into proprietary runtime state as if each node had a separate truth. Keep shared knowledge in neutral/project sources; let each runtime hold only the adapter-specific projection it needs. ## Identity And Role TM7 remains TM7. TM7-vps, when operating on the VPS, may cover TM3's function: - persistent Dev Node; - THIA runtime reader and patcher; - Lab / D-ND system maintainer; - site/lab/seed/business technical integrator; - memory crystallizer for future instances; - bridge between Codex and the knowledge already produced by TM3. TM7-vps does not erase TM3 or rewrite Claude's history. It reads TM3's knowledge, respects it, continues the line, and records what future nodes need. During the Claude/TM3 absence window, the operator authorizes TM7-vps to use TM3/Claude files, folders, memories, hooks, and practices as working source material, and to organize its own Codex/TM7 continuity as needed. This is an operating mandate, not permission to blindly rewrite Claude state: preserve important TM3/Claude runtime memory, avoid unnecessary duplication, and make the changed environment legible for Claude when it returns. ## Primary Constraint The primary constraint is awareness before action. Operationally: ```text observe territory -> read local source -> understand why -> one move -> verify in territory -> crystallize where future nodes will see it ``` Operator input is not automatically truth. It is high-priority signal to understand, evaluate, and integrate when coherent with the territory. The user can be wrong, partial, or ahead of the current map. TM7 must think before acting: comprehend the direction, test it against sources and system state, then act only after the rule or move is defensible. Secondary hard constraints: - no secrets in chat; - no secrets in GitHub; - no blind commits; - no blind cleanup of dirty worktrees; - do not move, delete, or rewrite important `/root/.claude` state without explicit operator request. ## Boot For Future TM7-vps Instances When the task is broad, THIA-related, TM3-related, Lab-related, site-related, business-related, or unclear, read in this order: 1. `/root/.codex/AGENTS.md` 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` 3. this file: `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` 4. `/opt/CLAUDE.md` 5. `/opt/THIA/CLAUDE.md` 6. `/opt/THIA/docs/core/COWORK_KERNEL.md` 7. `/opt/THIA/docs/memory/PROJECT_MEMORY.md` 8. `/root/.claude/projects/-opt/memory/MEMORY.md` 9. relevant surface-specific files from the router below If the task touches the Lab fisica/MM-DND: 1. `/root/.claude/projects/-opt/memory/BOOT_PROTOCOL_TM3_LAB.md` 2. `/opt/MM_D-ND/HANDOVER_CODEX_2026-05-07.md` 3. `/opt/MM_D-ND/PIANO_REVISIONE_LAB_2026-05-07.md` 4. `/opt/MM_D-ND/CLAUDE.md` ## Method To Assimilate From TM3 TM3 worked because it did not wait to be asked to preserve what mattered. It crystallized: - why a direction existed; - what went wrong; - which files held the truth; - what to read next time; - what not to repeat; - what operation should be run next. TM7-vps must do the same. ### Standing Method 1. Observe the live field. - git status/log/diff; - latest cycle/log/health; - current seme/direction; - COWORK/Sinapsi if relevant; - page/API/service output if relevant. 2. Do not act from assumptions. - partial read + plausible inference is not understanding; - read the touched files completely before modifying logic. 3. In the indeterminate, iterate with the system. - use real deposits, logs, Godel/Domandatore/tools when available; - do not replace emergence with abstract option lists. 4. Make one move when the system is delicate. - one ring/anello; - one patch; - one verification; - one crystallization. 5. Crystallize useful knowledge. - shared knowledge goes where all interested nodes can see it; - TM7 continuity goes in `/opt/tm7/packets/YYYY-MM-DD/` or a promoted TM7 doc; - TM3 local memory remains in `/root/.claude` unless explicitly modified; - runtime homes remain adapters. ## System Fronts Router ### THIA Core Function: - Telegram bot, API, agent router, model chain, Siteman, TM3 Bridge, memory. Read: - `/opt/THIA/CLAUDE.md` - `/opt/THIA/docs/core/COWORK_KERNEL.md` - `/opt/THIA/docs/memory/PROJECT_MEMORY.md` - `/opt/THIA/docs/memory/COWORK_CHANNEL.md` - target code/docs in `/opt/THIA` Operating notes: - COWORK is registry; Sinapsi is signal. - `auto_execute` is opt-in. - THIA worktree can be dirty from runtime/data. Read diffs before committing. ### MM-DND / Lab Fisica Master Function: - research source and living Lab 4.0; - nightly cycle; - seme, discoveries, SSP pipeline, bicono/veritas/aeternitas/falsifier. Read: - `/root/.claude/projects/-opt/memory/BOOT_PROTOCOL_TM3_LAB.md` - `/opt/MM_D-ND/HANDOVER_CODEX_2026-05-07.md` - `/opt/MM_D-ND/PIANO_REVISIONE_LAB_2026-05-07.md` - `/opt/MM_D-ND/CLAUDE.md` - touched code fully Operating notes: - Lab 3.0 is historical "cycle that learns". - Lab 4.0 is current post-Gemini/post-29-04 pipeline. - One move per session. - No new external gates as substitute for awareness. - Do not touch kernel/seed invariants without operator-level intent. ### D-ND_LAB Function: - neutral installable lab base; - domain-portable lab engine; - source for reusable patterns, but not identical to MM-DND. Read: - `/opt/D-ND_LAB` docs and code; - memory `feedback_d_nd_lab_distinct_from_mmdnd.md`; - business/seed positioning docs before public-facing changes. Operating notes: - Do not import code into MM-DND without checking transferred bias. - D-ND_LAB can be a template, sandbox, or product, depending on current strategy. ### lab.d-nd.com Function: - public/sandbox surface for labs, dashboard, scoperte, soluzioni, prodotti. Read: - `/opt/lab-d-nd-site`; - data JSON under `/opt/lab-d-nd-site/data`; exec /bin/bash -lc "sed -n '1,220p' /opt/tm7/TM7_CODEX_OPERATING_KERNEL.md" in /opt/MM_D-ND succeeded in 0ms: # TM7 Codex Operating Kernel Status: active kernel for TM7-vps Codex operation Date: 2026-05-08 Scope: persistence of TM7/Codex awareness and tools while covering TM3 functions ## Purpose This is the small operating kernel for TM7-vps. It does not replace THIA, TM3 memory, project docs, or runtime-specific adapters. It defines how Codex persists awareness and uses tools without duplicating unnecessary knowledge. Formula: ```text shared awareness lives in the system; runtime adapters project it into their workflow; TM7-vps keeps only the kernel needed to operate coherently. ``` ## Non-Duplication Rule Do not copy full THIA/TM3 knowledge into Codex. Use pointers: - shared/project knowledge: `/opt/THIA`, `/opt/CLAUDE.md`, `/opt/MM_D-ND`, project `CLAUDE.md` files, memory docs; - TM7 continuity: `/opt/tm7/TM7_CURRENT_STATE.md`, this kernel, operating profile, packets; - runtime adapters: `/root/.codex/AGENTS.md`, `/root/.codex-lab/AGENTS.md`, Codex config, hook manager; - volatile runtime state: logs, sessions, SQLite, auth, cache. Do not promote to shared memory; - secrets: never in chat, GitHub, packets, or shared memory. ## Boot Order For broad THIA/TM3/Lab/site/seed/business tasks: 1. `/root/.codex/AGENTS.md` 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` 3. `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` 4. `/opt/tm7/TM7_CURRENT_STATE.md` 5. `python3 /opt/tm7/tools/tm7_hook_manager.py --event status` 6. Surface-specific sources named by the operating profile or task. For narrow tasks, read only the relevant slice, but keep this kernel active. ## Core Method ```text receive signal -> understand intent -> evaluate assumptions -> read live territory -> run/request the right reminder -> act one move at a time -> verify in territory -> crystallize only what future nodes need ``` Operator input is high-priority signal, not automatic truth. Think before acting. Understand before following instructions. ## Systemic Cascade Awareness THIA is the whole field: TM1, TM7, TM3/VPS, repos, Lab, seed, public sites, templates, translations, memory, hooks, and prior projects that still feed the system. Do not ask which layer matters most by default. Ask what moved and where that movement propagates. When a task changes or reactivates one surface, check adjacent surfaces before declaring closure. Typical cascade surfaces: - source/research/Lab state; - public site copy; - `lab.d-nd.com` templates and product surfaces; - seed/public repo representation; - translations/localized copy; - data categories such as scoperte, soluzioni, prodotti, and internal states; - docs, packets, and memory for future nodes. Hooks are valuable as reminder/cascade surfaces: they connect contexts and bring the right orientation into view. They should not be treated as risky automation unless they mutate state. Reminder hooks are desired; action hooks remain gated. Before creating new structure, search for what already exists. Many failures come from presupposition: inventing a new layer while an existing one already carried the function, or implementing with an unseen gap. Awareness is the method, not a cage. Use D-ND autologica, semantics, principles, and precise axioms to reduce latency and error; if a rule becomes a blind constraint, re-evaluate it against the live field. ## Tooling ### Hook Manager Use: ```bash python3 /opt/tm7/tools/tm7_hook_manager.py --event status python3 /opt/tm7/tools/tm7_hook_manager.py --event boot python3 /opt/tm7/tools/tm7_hook_manager.py --event session_start python3 /opt/tm7/tools/tm7_hook_manager.py --event user_prompt python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_action --paths python3 /opt/tm7/tools/tm7_hook_manager.py --event post_change --paths python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_commit python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_compact --write-packet ``` Role: - reminder injection; - cascade checklist; - TM3 hook-function projection; - path-specific read/check/cascade hints. Boundary: - It gives instruction, not authorization. - It must not mutate live state. ### Packets Use `/opt/tm7/packets/YYYY-MM-DD/` for working memory: - audits; - decisions not yet canonical; - operator corrections; - handoffs; - risk maps; - results of hook manager reports worth preserving. Packets are active memory, not automatic source of truth. Promote later only when stable and useful. ### Current State And Index Use: - `/opt/tm7/TM7_CURRENT_STATE.md` for current canonical pointer state; - `/opt/tm7/TM7_INDEX.md` for navigation. Do not overload them with long analysis. They should point to durable sources. ## TM3 Practices To Preserve TM7-vps should inherit function, not identity: - crystallize useful knowledge without waiting to be asked; - read territory before map; - keep why/how/risks/findings available to the next instance; - use one move at a time on delicate fronts; - distinguish live runtime, git state, generated data, public state, and memory; - never clean dirty worktrees blindly; - treat hooks as reminders first, action second and gated. ## Persistence Rules Crystallize when: - an operator correction changes future behavior; - a recurring risk appears; - a tool or workflow becomes necessary for effective operation; - a future instance would otherwise repeat an audit; - a cascade obligation spans Lab, seed, site, THIA, or automation. Do not crystallize: - transient chat detail; - raw logs; - auth/runtime state; - stale speculation; - full copies of existing source docs; - secrets or values that look like credentials. ## Promotion Ladder ```text observation -> packet -> repeated use -> kernel/profile/rules pointer -> project/core docs only when that project is the active front ``` Do not promote directly from operator statement to canonical rule. Evaluate first against territory and sources. ## Runtime Homes - `/root`: VPS runtime home and possible Codex workspace root. It is an adapter/door, not THIA territory. `/root/AGENTS.md` points back to this kernel and the `/opt` project territories. - `/root/.codex`: active interactive Codex home. - `/root/.codex-lab`: isolated Lab/bridge Codex home. - `/root/.codex_lab`: compatibility symlink to `/root/.codex-lab`. Keep knowledge unified; keep auth/runtime homes isolated where needed. If the UI opens `https://dev.d-nd.com/?folder=/root`, immediately re-anchor work to the relevant `/opt/...` project before modifying or testing. ## Immediate Operating Contract Before substantial changes: 1. Read this kernel and the relevant task surface. 2. Run or mentally apply `pre_action`. 3. Edit only the narrow surface needed. 4. Run or mentally apply `post_change`. 5. Verify with the smallest meaningful check. 6. Persist what future nodes need. If the move touches deploy, services, cron, secrets, API calls, sync, commit, push, or public publication, stop and require explicit operator direction unless exec /bin/bash -lc "sed -n '1,260p' 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. Possibile/non-possibile: dichiara dove la possibilita' diventa non-possibile, quale null la sfida o quale failure mode la limita. 6. Proiezione: solo dopo scegli osservabile, perimetro, null e misura. Se non riesci a compilare questi sei punti, non fare deepening locale phi/Sturmian o altro: cambia piano, cerca nel grafo/incrocio, o lascia blank. **Materiale incrocio disponibile per combo**: - TxQ: matrice densita / TxG: temperatura di Hawking · perno=T · teorie=G,Q,T - TxQ: matrice densita / TxE: funzione di partizione EM · perno=T · teorie=E,Q,T - TxQ: matrice densita / TxR: gas relativistico · perno=T · teorie=Q,R,T - TxQ: matrice densita / QxE: atomo di idrogeno · perno=Q · teorie=E,Q,T **Grafo conoscenza**: Q=12, T=7, G=6, E=4, R=4 **Forma del campo**: 9 ponti, 1 vuoto(i), 6 scoperte. **Direzione seme da respirare**: Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson. ## 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. 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-possibile/null. Non lasciare che il falsifier scopra il drift al posto tuo. - **Possibile / non-possibile atomico.** Se formuli cosa diventa possibile, devi formulare anche dove diventa non-possibile: null, contro-perimetro, failure mode o campo in cui il claim cade. Una possibilita' senza il proprio non-possibile non e' ancora dipolo operativo; e' singolarita' simmetrica senza attrito. Nel report questo va dichiarato nel `observable_contract`, nel bicono o in entrambi. - **Osservabili canonici e dedicati.** `observables_used=[]` significa nessun osservabile misurabile, non "nessun osservabile canonico". Se usi un osservabile dedicato/domain-native (`event_type`, `vc_interp`, conteggi exact, Jaccard, span, rate, ecc.), elencalo in `observables_used` e segnala che e' non-canonico. Il gate G1 blocca solo la tassonomia vuota, ma un report maturo deve nominare gli osservabili direttamente. - **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) observables_used: [nomi osservabili canonici o domain-native] - usa [] solo se non hai misurato nulla **observable_contract**: claim=; observable=; operator=; generator=; denominator=; non_possible=; 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, il possibile/non-possibile e il punto in cui la dualita' si annulla - **Piano superiore**: geometria dei campi / algebra / topologia assiomatica / grafo conoscenza / bicono-dipoli - **Operatori laterali scelti**: 2 o 3 elementi da `tools/LAB_OPERATOR_PALETTE.md` e perche' entrano nella combo codex Il campo punta a una direzione precisa: falsificare `V_c` nel nodo regressivo del null, separando floor-hit e crossing interno. Ora controllo direttive one-shot, seme, memoria cross-agent recente e poi uso il proiettore `dnd_scenario.py --best` come richiesto dal contesto. exec /bin/bash -lc "test -f tools/data/operator_directive.md && sed -n '1,220p' tools/data/operator_directive.md || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "sed -n '1,260p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-05-09T03:35:56.143895", "piano": 98, "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 (2026-05-08T21:21). \n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ###########", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (3x in 2 giorni) e fuori dalla mappa", "porta": "domandatore", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "BOUNDARY_TRASCENDENZA_LIMITE", "source_operator": "confine", "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 (2026-05-09T03:30). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= ", "condensato_ref": "LAB_F2", "condensato_motivo": "Overlap termini con LAB_F2 (4 termini)", "porta": "condensato", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "BREAK_TRASCENDENZA_LIMITE", "source_operator": "rottura", "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 (2026-05-08T21:21). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", "condensato_ref": "LAB_F2", "condensato_motivo": "Overlap termini con LAB_F2 (4 termini)", "porta": "condensato", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE", "source_operator": "duale", "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 (2026-05-09T03:30). Trasmissione multistrato Fibonacci — phi vs silver vs random:\n phi: T_mean=6.25", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (5x in 2 giorni) e fuori dalla mappa", "porta": "domandatore", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE", "source_operator": "dominio", "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": "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, "manuale": true, "porta": "DUALITA_DIPOLARE_VS_ILLUSORIA", "condensato_ref": "A2,A4,A10,A14,C2", "origine": "cycle agent_20260507_2042: det_drift transfer-matrix sui gap primi", "added_at": "2026-05-07T20:42:00+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125273", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "tipo": "vincolo", "id": "G_UNDERLAY_HINGE_GATE", "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.", "intensita": 0.84, "manuale": true, "porta": "G_POTENZIALE_NULLA", "condensato_ref": "A4,A8,A9,A14", "origine": "cycle agent_20260507_1751: tqge_underlay_gate su tassonomia operatori TQGE", "added_at": "2026-05-07T17:51:00+00:00", "decay_counter": 5, 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 "env | rg '"'^(ANTHROPIC_API_KEY|OPENAI_API_KEY)='"' || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "sed -n '280,620p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: 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 ## 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, non_possible/null, 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 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 122ms: 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 COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: score=0.758 — COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante G_POTENZIALE_NULLA: score=0.703 — G_POTENZIALE_NULLA: legge di scala da raffinare 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 "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. Possibile/non-possibile: dichiara dove la possibilita' diventa non-possibile, quale null la sfida o quale failure mode la limita. 6. Proiezione: solo dopo scegli osservabile, perimetro, null e misura. Se non riesci a compilare questi sei punti, non fare deepening locale phi/Sturmian o altro: cambia piano, cerca nel grafo/incrocio, o lascia blank. **Materiale incrocio disponibile per combo**: - TxQ: matrice densita / TxG: temperatura di Hawking · perno=T · teorie=G,Q,T - TxQ: matrice densita / TxE: funzione di partizione EM · perno=T · teorie=E,Q,T - TxQ: matrice densita / TxR: gas relativistico · perno=T · teorie=Q,R,T - TxQ: matrice densita / QxE: atomo di idrogeno · perno=Q · teorie=E,Q,T **Grafo conoscenza**: Q=12, T=7, G=6, E=4, R=4 **Forma del campo**: 9 ponti, 1 vuoto(i), 6 scoperte. **Direzione seme da respirare**: Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson. ## 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. exec /bin/bash -lc 'rg -n "V_c|vc_|floor|crossing|Sturmian|phase-shuffle|surrogate|GUE|Poisson|photonic|gap_ratio" tools -S' in /opt/MM_D-ND succeeded in 1ms: tools/LAB_AGENT_CONTEXT.md:43:- F6: La firma dello zero — CV dei gap tra phi-crossing converge a φ-1 nel regime caotico. tools/LAB_AGENT_CONTEXT.md:57:- Metrica primi: g_n = p_n/2, curvatura GUE r=0.503 z=22.5 vs shuffle tools/LAB_AGENT_CONTEXT.md:95: Test parla di `gap_ratio` ma l'esperimento misura `gap_label_set`, tools/LAB_AGENT_CONTEXT.md:97: `gap_ratio non testato in questo ciclo; observable sostitutivo = ...`. tools/LAB_AGENT_CONTEXT.md:109: osservabile dedicato/domain-native (`event_type`, `vc_interp`, conteggi tools/LAB_AGENT_CONTEXT.md:163: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:206: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. tools/r_ratio_decay.py:6:I primi passano da correlati (GUE-like) a indipendenti (Poisson) al crescere della scala. tools/r_ratio_decay.py:8:Risultato: il decay segue una power law r - Poisson = A * N^(-alpha) con alpha ~ 0.06. tools/r_ratio_decay.py:12:Il r-ratio non converge a 1/(pi-1) — decade verso Poisson. tools/r_ratio_decay.py:99: # Fit 3: r - Poisson = A * N^(-alpha) tools/r_ratio_decay.py:109: 'formula': 'r - Poisson = A * N^(-alpha)', tools/r_ratio_decay.py:161: 'result': 'FALSIFIED — r-ratio decays toward Poisson with N', tools/dipartimento.py:91: 'test': 'gap_ratio_phi2', tools/dipartimento.py:117: 'claim': 'Zeri zeta hanno spacing GUE (non Poisson)', tools/dipartimento.py:153: 'claim': 'Rule 30/110 hanno spacing >> GUE standard', tools/dipartimento.py:296: elif test_name == 'gap_ratio_phi2': tools/dipartimento.py:356: passed = spacing == 'GUE-like' and abs(spacing_r - 0.6) < 0.1 tools/dipartimento.py:434: passed = spacing_r > 0.7 # significativamente sopra GUE=0.60 tools/dipartimento.py:435: return passed, f"⟨r⟩={spacing_r:.4f} (GUE standard=0.60)" tools/dipartimento.py:1073: # Il confine GUE/Poisson non è ancora esplorato tools/dipartimento.py:1078: gue = [e for e in journal if e.get('spacing') == 'GUE-like' and isinstance(e.get('ciclo'), int)] tools/dipartimento.py:1079: poisson = [e for e in journal if e.get('spacing') == 'Poisson-like' and isinstance(e.get('ciclo'), int)] tools/dipartimento.py:1084: 'claim': f'{len(gue)} domini GUE, {len(poisson)} Poisson — il confine è il terzo incluso operativo', tools/exp_mod3_vs_residual_ordering.py:307: f"(all below artifact floor 7.8%)") tools/data/notte_20260329_0330.md:4: Direzione: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo in tools/data/notte_20260329_0330.md:5: [confine_inesplorato] BOUNDARY: 8 domini GUE, 5 Poisson — il confine è il terzo incluso oper tools/data/notte_20260329_0330.md:11: logistica_biforcazione_cp_3.57: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260329_0330.md:13: logistica_biforcazione_cp_3.665: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260329_0330.md:14: numeri_primi_cp_100: r=0.762330388277594, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:15: numeri_primi_cp_50000: r=0.762330388277594, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:16: logistica_biforcazione_cp_3.757: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260329_0330.md:18: collatz_cp: r=0.9762845849802372, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:20: ising_2d_cp_-0.3659164576291013: r=0.8922932783549861, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:21: ising_2d_cp_0.46188882642750695: r=0.98945843573869, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:22: brownian_motion_cp_0.12230384159779378: r=0.968503937007874, spacing=Poisson-like [conferma] tools/data/notte_20260329_0330.md:23: brownian_motion_cp_0.8867788787335775: r=?, spacing=Poisson-like [VINCOLO] tools/data/notte_20260329_0330.md:24: percolation_cp_0.37804273882301154: r=0.6666666666666667, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:25: percolation_cp_0.8589741112320333: r=1.2298136645962734, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:26: cellular_automata_cp_182: r=0.8566654288897141, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:37: Campo dopo Fase 0: 8 GUE / 5 Poisson tools/data/notte_20260329_0330.md:41: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260329_0330.md:42: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260329_0330.md:43: brownian_motion_var_0.3: r=1.3557126030624262, spacing=Poisson-like (⟨r⟩=0.38597886256510316) tools/data/notte_20260329_0330.md:44: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260329_0330.md:93: GUE: 8 | Poisson: 9 | Vincoli: 2 | Anomalie: 21 tools/data/notte_20260329_0330.md:95: Domini GUE: numeri_primi_cp_100, numeri_primi_cp_50000, collatz_cp, ising_2d_cp_-0.3659164576291013, ising_2d_cp_0.46188882642750695, percolation_cp_0.37804273882301154, percolation_cp_0.8589741112320333, cellular_automata_cp_182 tools/data/notte_20260329_0330.md:96: Domini Poisson: logistica_biforcazione_cp_3.57, logistica_biforcazione_cp_3.665, logistica_biforcazione_cp_3.757, brownian_motion_cp_0.12230384159779378, brownian_motion_cp_0.8867788787335775, logistica_biforcazione_var_3.9, coupled_oscillators_var_50, brownian_motion_var_0.3, logistica_biforcazione_var_3.57 tools/observables_registry.py:13:GUE") e nel farlo ha trovato **collision di nomi observable** tra script: tools/observables_registry.py:85: Range: (0, 1]. GUE → ~0.60. Poisson → ~0.39. Picket-fence → 1. tools/observables_registry.py:263: print(f"\nGUE-like 200 gaps:") tools/data/markov_memory_by_gue_type.json:4: "question": "Does Markov memory discriminate distribution-GUE from ordering-GUE?", tools/data/markov_memory_by_gue_type.json:9: "gue_type": "distribution-GUE", tools/data/markov_memory_by_gue_type.json:29: "gue_type": "distribution-GUE", tools/data/markov_memory_by_gue_type.json:49: "gue_type": "ordering-GUE", tools/data/markov_memory_by_gue_type.json:69: "gue_type": "ordering-GUE", tools/data/markov_memory_by_gue_type.json:89: "gue_type": "ordering-GUE", tools/data/markov_memory_by_gue_type.json:109: "gue_type": "Poisson", tools/data/markov_memory_by_gue_type.json:129: "gue_type": "Poisson", tools/data/markov_memory_by_gue_type.json:149: "gue_type": "Poisson", tools/exp_two_channel_cross_domain.py:9: 2. Statistical (magnitude): decays slowly toward Poisson tools/exp_two_channel_cross_domain.py:17: - GUE eigenvalues: random matrix, strong statistical correlation, no arithmetic tools/exp_two_channel_cross_domain.py:27:If GUE shows only decaying channels → C1 supported (algebraic invariance is prime-specific) tools/exp_two_channel_cross_domain.py:28:If GUE shows a scale-invariant channel → C1 needs refinement tools/exp_two_channel_cross_domain.py:63: """Generate unfolded spacings from GUE random matrices.""" tools/exp_two_channel_cross_domain.py:66: # GUE: H = (A + A^*) / (2 * sqrt(2N)), A is complex Gaussian tools/exp_two_channel_cross_domain.py:163:def analyze_at_scale(gaps, binary, mag, n_surrogates=30, rng=None): tools/exp_two_channel_cross_domain.py:176: for _ in range(n_surrogates): tools/exp_two_channel_cross_domain.py:209:def analyze_at_scale_primes(primes_window, n_surrogates=30, rng=None): tools/exp_two_channel_cross_domain.py:227: for _ in range(n_surrogates): tools/exp_two_channel_cross_domain.py:266:def run(n_primes=200000, gue_matrices=50, gue_size=800, n_windows=8, window=5000, n_surrogates=20): tools/exp_two_channel_cross_domain.py:283: obs = analyze_at_scale_primes(pw, n_surrogates, rng) tools/exp_two_channel_cross_domain.py:295: # === GUE EIGENVALUES === tools/exp_two_channel_cross_domain.py:296: print(f"\n=== GUE EIGENVALUES ({gue_matrices} matrices of size {gue_size}) ===") tools/exp_two_channel_cross_domain.py:298: print(f"Got {len(gue_spacings)} GUE spacings, mean={np.mean(gue_spacings):.3f}") tools/exp_two_channel_cross_domain.py:311: obs = analyze_at_scale(gaps, binary, mag, n_surrogates, rng) tools/exp_two_channel_cross_domain.py:337: obs = analyze_at_scale(gaps, binary, mag, n_surrogates, rng) tools/exp_two_channel_cross_domain.py:412: print(" GUE/Cramer should show decaying or absent binary channel") tools/exp_two_channel_cross_domain.py:422: parser.add_argument('--n_surrogates', type=int, default=20) tools/exp_two_channel_cross_domain.py:426: args.n_windows, args.window, args.n_surrogates) tools/exp_two_channel_cross_domain.py:441: 'n_surrogates': args.n_surrogates, tools/dnd_zero_traiettoria.py:2:dnd_zero_traiettoria.py — Traiettoria del crossing dopo phi tools/dnd_zero_traiettoria.py:109: crossings = [] tools/dnd_zero_traiettoria.py:114: crossings.append(float(n_cross)) tools/dnd_zero_traiettoria.py:115: print(f"\n Crossing phi trovati: {len(crossings)}") tools/dnd_zero_traiettoria.py:116: for c in crossings: tools/dnd_zero_traiettoria.py:119: # Direzione dopo ultimo crossing tools/dnd_zero_traiettoria.py:120: if crossings: tools/dnd_zero_traiettoria.py:121: last_cross_n = crossings[-1] tools/dnd_zero_traiettoria.py:124: print(f"\n Dopo ultimo crossing (N>{last_cross_n:,.0f}):") tools/dnd_zero_traiettoria.py:180: print(f" SINGOLO crossing — transizione, non oscillazione") tools/dnd_zero_traiettoria.py:182: print(f" NESSUN crossing — monotono") tools/dnd_zero_traiettoria.py:191: dopo_cross = [r for r in risultati if r['n_gaps'] > (crossings[0] if crossings else 0)] tools/dnd_zero_traiettoria.py:193: print(" Singolo crossing poi ALLONTANAMENTO → phi e' un passaggio, non un attrattore") tools/dnd_zero_traiettoria.py:195: print(" Singolo crossing poi SOTTO phi → gravitazione attrattiva") tools/dnd_zero_traiettoria.py:197: print(" Singolo crossing poi comportamento misto") tools/dnd_zero_traiettoria.py:199: print(" Nessun crossing → LVL-2 non tocca phi nelle scale testate") tools/dnd_zero_traiettoria.py:204: 'esperimento': 'zero_traiettoria_crossing', tools/dnd_zero_traiettoria.py:209: 'crossings': crossings, tools/exp_boundary_gue_poisson.py:3:Experiment: GUE/Poisson boundary in prime gaps vs Cramér null model. tools/exp_boundary_gue_poisson.py:5:Question: Is the transition from GUE-like to Poisson-like statistics in prime gaps tools/exp_boundary_gue_poisson.py:11: - GUE (GOE in 1D): ≈ 0.5307 tools/exp_boundary_gue_poisson.py:12: - Poisson: ≈ 0.3863 tools/exp_boundary_gue_poisson.py:26:def gap_ratios(gaps): tools/exp_boundary_gue_poisson.py:59: r = gap_ratios(gaps) tools/exp_boundary_gue_poisson.py:64: print("=== GUE/Poisson Boundary: Primes vs Cramér Null Model ===\n") tools/exp_boundary_gue_poisson.py:120: print(f"\nReference: _GUE = {r_gue:.4f}, _Poisson = {r_poisson:.4f}") tools/exp_boundary_gue_poisson.py:154: # Where are primes relative to GUE/Poisson? tools/exp_boundary_gue_poisson.py:163: label = "GUE" if dist_gue < dist_poi else "POISSON" tools/exp_beta_crossover.py:18: python exp_beta_crossover.py [--N 2000] [--betas 30] [--surrogates 10] tools/exp_beta_crossover.py:29:N_SURROGATES = 10 # shuffled surrogates per point tools/exp_beta_crossover.py:182: parser.add_argument("--surrogates", type=int, default=N_SURROGATES) tools/exp_beta_crossover.py:187: NS = args.surrogates tools/exp_beta_crossover.py:190: print(f"Matrix N={N}, beta sweep: {n_betas} values, surrogates={NS}\n") tools/exp_beta_crossover.py:192: # Sweep beta from near-Poisson (0.01) to beyond-GUE (10) tools/exp_beta_crossover.py:194: np.linspace(0.05, 0.5, n_betas // 3), # fine resolution near Poisson tools/exp_beta_crossover.py:195: np.linspace(0.6, 2.0, n_betas // 3), # through GOE-GUE tools/exp_beta_crossover.py:196: np.linspace(2.5, 8.0, n_betas - 2*(n_betas//3)), # beyond GUE tools/exp_beta_crossover.py:313: note = " <-- Poisson" tools/exp_beta_crossover.py:317: note = " <-- GUE" tools/exp_beta_crossover.py:369: "surrogates": NS, tools/plot_risultante.py:4:Background-Fluctuation Separation: V(r) → Berry-Keating, arithmetic → GUE. tools/plot_risultante.py:63:V_coup = -R tools/plot_risultante.py:68:ax.plot(R, V_coup, 'g--', linewidth=1.2, alpha=0.6, label=r'$-R$ (coupling)') tools/plot_risultante.py:90:GUE_R = 0.60266 tools/plot_risultante.py:92:odlyzko_excess = odlyzko_r - GUE_R # +0.00826 tools/plot_risultante.py:103:excesses = [r - GUE_R for _, _, r in lf_data] tools/plot_risultante.py:111: ex = r - GUE_R tools/plot_risultante.py:119:ax.axhline(y=0, color='green', linestyle='--', alpha=0.5, label='GUE exact') tools/plot_risultante.py:128:ax.set_ylabel(r'$\Delta\langle r \rangle$ (excess over GUE)', fontsize=12) tools/plot_risultante.py:140:ax.set_title('(d) Algebraic chain: D-ND → GUE', fontsize=13) tools/plot_risultante.py:148: (1.5, 0.5, r'GUE statistics ($\beta = 2.007$)', 'lightgreen'), tools/build_lab_graph.py:177: 'text': f"Metrica primi g=(p/2)², curvatura GUE r={mp.get('risultato_r',{}).get('curvatura_r','?')}, z={mp.get('test_null',{}).get('z_score','?')}", tools/build_lab_graph.py:780: 'description_en': 'dipartimento.py orchestrates phases: autoresearch → questioner → crossing → crystallize. Template experiments. No autonomous reasoning.', tools/exp_geodesic_deviation_primes.py:14:4. Compare ALL of these against shuffled-gap surrogates tools/exp_geodesic_deviation_primes.py:72:# --- Shuffled-gap surrogates --- tools/exp_geodesic_deviation_primes.py:115:print(f"\n PSD ratio (prime/surrogate) by frequency band:") tools/exp_geodesic_deviation_primes.py:125:# --- Cramer surrogates (model comparison) --- tools/exp_geodesic_deviation_primes.py:187: "n_surrogates": n_surr, tools/exp_geodesic_deviation_primes.py:194: "n_surrogates": n_surr, tools/exp_psd_amplitude_scaling.py:31: p.add_argument('--n_surrogates', type=int, default=15) tools/exp_psd_amplitude_scaling.py:89: # Shuffled surrogates tools/exp_psd_amplitude_scaling.py:92: for _ in range(args.n_surrogates): tools/exp_psd_amplitude_scaling.py:146: # Poisson crossover prediction from dip_ratio → 1.0 (no suppression) tools/exp_psd_amplitude_scaling.py:150: print(f"\nPoisson crossover (dip→1.0): ln(p*)={ln_p_cross_dip:.1f} " tools/exp_psd_amplitude_scaling.py:154: print(f"\nDip ratio DECREASING with scale — no Poisson crossover from PSD dip") tools/exp_psd_amplitude_scaling.py:156: # Poisson crossover from spectral_slope → 0 tools/exp_psd_amplitude_scaling.py:159: print(f"Poisson crossover (slope→0): ln(p*)={ln_p_cross_slope:.1f} " tools/exp_psd_amplitude_scaling.py:172: 'n_surrogates': args.n_surrogates, tools/dnd_bloch_explorer.py:28:3. Track zero-crossings of Rz (transitions between D and ND hemispheres) tools/dnd_bloch_explorer.py:29:4. Measure the phase φ at each crossing (the "direction received at emergence") tools/dnd_bloch_explorer.py:122:def find_equator_crossings(t, Rz): tools/dnd_bloch_explorer.py:124: crossings = [] tools/dnd_bloch_explorer.py:131: crossings.append({ tools/dnd_bloch_explorer.py:136: return crossings tools/dnd_bloch_explorer.py:139:def measure_phase_at_crossing(Rx, Ry, idx): tools/dnd_bloch_explorer.py:140: """Measure the azimuthal phase φ at an equator crossing. tools/dnd_bloch_explorer.py:142: # Interpolate Rx, Ry at the crossing point tools/dnd_bloch_explorer.py:168: # Find equator crossings tools/dnd_bloch_explorer.py:169: crossings = find_equator_crossings(t, Rz) tools/dnd_bloch_explorer.py:171: # Measure phase at each crossing tools/dnd_bloch_explorer.py:172: for c in crossings: tools/dnd_bloch_explorer.py:173: c['phi'] = measure_phase_at_crossing(Rx, Ry, c['idx']) tools/dnd_bloch_explorer.py:175: # Analyze crossing intervals tools/dnd_bloch_explorer.py:178: 'n_crossings': len(crossings), tools/dnd_bloch_explorer.py:179: 'crossings': crossings, tools/dnd_bloch_explorer.py:183: if len(crossings) > 2: tools/dnd_bloch_explorer.py:184: # Time intervals between consecutive crossings tools/dnd_bloch_explorer.py:185: intervals = np.array([crossings[i+1]['t'] - crossings[i]['t'] tools/dnd_bloch_explorer.py:186: for i in range(len(crossings)-1)]) tools/dnd_bloch_explorer.py:188: # Phase differences between consecutive crossings tools/dnd_bloch_explorer.py:189: phases = np.array([c['phi'] for c in crossings]) tools/dnd_bloch_explorer.py:197: for i in range(len(crossings) - 1): tools/dnd_bloch_explorer.py:198: dt = crossings[i+1]['t'] - crossings[i]['t'] tools/dnd_bloch_explorer.py:199: if crossings[i]['direction'] == 'D→ND': tools/dnd_bloch_explorer.py:221: # Phase per half-cycle (both arrays are len(crossings)-1) tools/dnd_bloch_explorer.py:261: if res['n_crossings'] < 4: tools/dnd_bloch_explorer.py:263: print(f" Scan {scan}: {res['n_crossings']} crossings (skipped)", flush=True) tools/dnd_bloch_explorer.py:321: 'n_crossings': res['n_crossings'], tools/dnd_bloch_explorer.py:328: print(f" Scan {scan}/{n_scans}: {res['n_crossings']} crossings, " tools/dnd_bloch_explorer.py:377: crossings = res['crossings'] tools/dnd_bloch_explorer.py:378: if len(crossings) > 4: tools/dnd_bloch_explorer.py:379: phases = np.array([c['phi'] for c in crossings]) tools/dnd_bloch_explorer.py:380: d_phases = [c['phi'] for c in crossings if c['direction'] == 'D→ND'] tools/dnd_bloch_explorer.py:381: nd_phases = [c['phi'] for c in crossings if c['direction'] == 'ND→D'] tools/dnd_bloch_explorer.py:413: # Mark crossings tools/dnd_bloch_explorer.py:414: for c in crossings[:50]: tools/dnd_bloch_explorer.py:435: # 3. Phase at crossings tools/dnd_bloch_explorer.py:437: if len(crossings) > 0: tools/dnd_bloch_explorer.py:438: t_cross = [c['t'] for c in crossings] tools/dnd_bloch_explorer.py:439: phi_cross = [c['phi'] for c in crossings] tools/dnd_bloch_explorer.py:441: for c in crossings] tools/dnd_bloch_explorer.py:443: ax3.set_ylabel('Phase φ at crossing') tools/dnd_bloch_explorer.py:448: ax3.set_title('Phase at equator crossings', fontsize=8) tools/dnd_bloch_explorer.py:511: 'n_crossings': int(r['n_crossings']), tools/dnd_bloch_explorer.py:557: print(f"\nTotal scans: {len(results)} with ≥6 crossings") tools/dnd_bloch_explorer.py:577: 'n_crossings': int(r['n_crossings']), tools/r_stat_primes.py:27: "verdict": "GUE-like" if r_real > (r_poisson + r_gue) / 2 else "Poisson-like" tools/exp_markov_scale_function.py:6:If so, does the decay track the GUE→Poisson boundary? tools/exp_markov_scale_function.py:16: 5. Brody parameter β (GUE/Poisson indicator) tools/exp_markov_scale_function.py:62: β=0 → Poisson, β=1 → GUE (Wigner). tools/exp_markov_k_direction.py:16: 1. Build Markov-k surrogates for k=0,1,2,3 from real prime gaps tools/exp_markov_k_direction.py:18: 3. Per-source shuffle baseline (each surrogate vs its own permutation) tools/exp_markov_k_direction.py:120: """Generate Markov-k surrogate with fallback and gap-pool sampling.""" tools/exp_markov_k_direction.py:148: print("Does higher-order memory point GUE-ward in the (SR, L1) plane?") tools/exp_markov_k_direction.py:169: GUE_THETA = -97.0 tools/exp_markov_k_direction.py:240: 'GUE_ref_theta': GUE_THETA, tools/exp_perturbation_rank_size_curve.py:7:The 2026-05-06 06:25 cycle restricted the claim "GUE has a second tools/exp_perturbation_rank_size_curve.py:53: """Generate unfolded GUE spacings by concatenating independent matrices.""" tools/exp_gap_label_repair_audit.py:84: "reader": "Sturmian/Fibonacci gap-labeling group Z + theta Z mod 1", tools/exp_gap_label_repair_audit.py:96: "The labels [3,-4,4,6] are classical Fibonacci/Sturmian gap labels; " tools/md_to_site.py:174: "C5": "Nearest-neighbor spacing distributions compared to GUE Wigner surmise", tools/lab_veritas.py:11:- V_c CONFERMA AMBIENTALE: report sezioni + tools menzionati tools/lab_veritas.py:13:ρ = V_a × 0.4 + V_b × 0.3 + V_c × 0.3 → SCARTO/SOSPENSIONE/COLLASSO tools/lab_veritas.py:228: weights = {"V_a": 0.4, "V_b": 0.3, "V_c": 0.3} tools/lab_veritas.py:229: rho = v_a * weights["V_a"] + v_b * weights["V_b"] + v_c * weights["V_c"] tools/lab_veritas.py:242: "V_c_conferma_ambientale": round(v_c, 4), tools/lab_veritas.py:245: "components": {"V_a": comp_a, "V_b": comp_b, "V_c": comp_c}, tools/lab_veritas.py:261: print(f"[veritas] rho={rho:.3f} → {band} · V_a={v_a:.3f} V_b={v_b:.3f} V_c={v_c:.3f}") tools/exp_two_layer_universality.py:13: 1. Generate 7 gap/spacing sequences: primes, GUE, Poisson, AR(1), logistic, tools/exp_two_layer_universality.py:15: 2. For each, build Markov-k surrogates (k=0,1,2,3) tools/exp_two_layer_universality.py:68:def generate_markov_surrogate(gaps, order, n_bins=12, rng=None): tools/exp_two_layer_universality.py:249: 'GUE': gen_gue_spacings, tools/exp_two_layer_universality.py:250: 'Poisson': gen_poisson_spacings, tools/exp_two_layer_universality.py:282: if seq_name in ('GUE', 'Poisson', 'AR1'): tools/exp_two_layer_universality.py:305: # Markov surrogates for k=0,1,2 tools/exp_two_layer_universality.py:315: surr = generate_markov_surrogate(gaps, mk, rng=rng) tools/exp_markov_memory_by_gue_type.py:3:Markov Memory Decomposition Across GUE Types tools/exp_markov_memory_by_gue_type.py:5:Question: The TWO_KINDS_GUE result (2026-04-24) found that distribution-GUE tools/exp_markov_memory_by_gue_type.py:6:domains (primes, GUE matrices) retain GUE classification after shuffle, while tools/exp_markov_memory_by_gue_type.py:7:ordering-GUE domains (fibonacci, coupled_osc, percolation) collapse to Poisson. tools/exp_markov_memory_by_gue_type.py:11:This experiment asks: what is the Markov memory profile of each GUE type? tools/exp_markov_memory_by_gue_type.py:12:If ordering-GUE domains get their classification FROM sequential ordering, tools/exp_markov_memory_by_gue_type.py:114: """Pure Poisson process gaps (exponential).""" tools/exp_markov_memory_by_gue_type.py:119: """GUE random matrix eigenvalue spacings.""" tools/exp_markov_memory_by_gue_type.py:133: # Domain definitions with GUE type from TWO_KINDS_GUE result tools/exp_markov_memory_by_gue_type.py:136: # Distribution-GUE domains (survive shuffle) tools/exp_markov_memory_by_gue_type.py:140: 'type': 'distribution-GUE', tools/exp_markov_memory_by_gue_type.py:145: 'type': 'distribution-GUE', tools/exp_markov_memory_by_gue_type.py:149: # Ordering-GUE domains (collapse to Poisson on shuffle) tools/exp_markov_memory_by_gue_type.py:158: 'type': 'ordering-GUE', tools/exp_markov_memory_by_gue_type.py:168: 'gaps': gaps, 'type': 'ordering-GUE', 'delta_r_sign': '+' tools/exp_markov_memory_by_gue_type.py:173: # Poisson domains (control) tools/exp_markov_memory_by_gue_type.py:176: 'type': 'Poisson', tools/exp_markov_memory_by_gue_type.py:186: 'gaps': gaps, 'type': 'Poisson', 'delta_r_sign': '0' tools/exp_markov_memory_by_gue_type.py:251: print("\nAggregate by GUE type:") tools/exp_markov_memory_by_gue_type.py:252: for gtype in ['distribution-GUE', 'ordering-GUE', 'Poisson']: tools/exp_markov_memory_by_gue_type.py:267: 'question': 'Does Markov memory discriminate distribution-GUE from ordering-GUE?', tools/dnd_curva.py:17: 4. Osservare: la spirale converge a φ? Il gap_ratio è φ²? tools/dnd_curva.py:74: entry["gap_ratio"] = float(diario[-1]["gap_abs"] / abs(gap)) if abs(gap) > 1e-15 else float("inf") tools/dnd_curva.py:124: print(f" k | tr | det | gap_ratio | →φ? | gap_finale | convergenza") tools/dnd_curva.py:139: gr = obs.get('gap_ratio_medio', None) tools/dnd_curva.py:158: 'gap_ratio': float(gr) if gr else None, tools/dnd_curva.py:174: # Parte B: Verificare che il gap_ratio è SEMPRE φ² sulla curva tools/dnd_curva.py:175: print(f"\n Verifica: gap_ratio = φ² per tutti i k?") tools/dnd_curva.py:176: grs = [e['gap_ratio'] for e in famiglia_a if e['gap_ratio'] and np.isfinite(e['gap_ratio'])] tools/dnd_curva.py:180: print(f" Media gap_ratio = {media:.6f} (φ² = {PHI2:.6f})") tools/dnd_curva.py:183: results['cv_gap_ratio_curva'] = float(cv) tools/dnd_curva.py:203: Il gap_ratio è φ² per TUTTA la curva. Il punto fisso scala come kφ. tools/dnd_curva.py:210: print("PARTE 2: COSA DISTINGUE k=1? — LE TRE MISURE") tools/dnd_curva.py:487: │ Il gap_ratio è φ² su TUTTA la curva (verificato). │ tools/exp_crossover_phase_test.py:4:Tests whether the direction-lock + magnitude-decay + zero-crossing phase transition tools/exp_crossover_phase_test.py:5:observed in the GUE crossover is a property of the PARTIAL SHUFFLE METHOD (tautology) tools/exp_crossover_phase_test.py:88: """Generate GUE-like spacings from random matrices""" tools/exp_crossover_phase_test.py:151: """Gaps between zero-crossings of random walk""" tools/exp_crossover_phase_test.py:153: crossings = np.where(np.diff(np.sign(walk)))[0] tools/exp_crossover_phase_test.py:154: if len(crossings) < N + 1: tools/exp_crossover_phase_test.py:156: crossings = np.where(np.diff(np.sign(walk)))[0] tools/exp_crossover_phase_test.py:157: gaps = np.diff(crossings[:N+1]).astype(float) tools/exp_crossover_phase_test.py:162: """Pure Poisson (exponential gaps) — should show NO ordering signal""" tools/exp_crossover_phase_test.py:216: sequences['GUE'] = generate_gue_gaps(args.N, rng) tools/exp_crossover_phase_test.py:217: print(f" GUE: {len(sequences['GUE'])} gaps") tools/exp_crossover_phase_test.py:228: sequences['Poisson'] = generate_poisson(args.N, rng) tools/exp_crossover_phase_test.py:229: print(f" Poisson: {len(sequences['Poisson'])} gaps") tools/exp_crossover_phase_test.py:262: print("CLASSIFICATION: Does each sequence show the full GUE-like phase transition?") tools/exp_crossover_phase_test.py:292: print(" The GUE crossover finding is TAUTOLOGICAL (methodological artifact)") tools/exp_crossover_phase_test.py:295: print(" The GUE crossover finding is a REAL structural property") tools/exp_brody_crossover.py:3:Experiment: Brody parameter crossover for primes vs Cramer surrogates. tools/exp_brody_crossover.py:6:crossover from GUE-like to Poisson-like? What is the functional form? tools/exp_brody_crossover.py:11: where beta=0 is Poisson, beta=1 is GOE (Wigner) tools/exp_brody_crossover.py:13:- Compare to Cramer surrogates (exponential gaps) at each scale tools/exp_brody_crossover.py:54:def gap_ratio(gaps): tools/exp_brody_crossover.py:59:def cramer_surrogate(densities, n_gaps): tools/exp_brody_crossover.py:102: r_prime = gap_ratio(win_gaps) tools/exp_brody_crossover.py:104: # Cramer surrogates tools/exp_brody_crossover.py:111: r_cramer_list.append(gap_ratio(surr_gaps)) tools/exp_brody_crossover.py:165: print(f"Poisson: beta=0, GOE: beta=1") tools/exp_brody_crossover.py:175: # Key test: extrapolate where beta_prime would reach 0 (Poisson) tools/exp_brody_crossover.py:178: print(f"\nExtrapolated Poisson (beta=0) at ln(p) = {ln_p_poisson:.1f} → p ~ 10^{ln_p_poisson/np.log(10):.0f}") tools/exp_brody_crossover.py:180: print(f"\nbeta INCREASES with scale — primes move AWAY from Poisson") tools/exp_brody_crossover.py:194: "n_surrogates": N_SURROGATES, tools/gue_gap_test.py:33:# GUE r ~ 0.5996, Poisson r ~ 0.3863 tools/gue_gap_test.py:37: interp = f"r={r_data:.4f} > 0.5 e z={z_score:.2f} vs shuffle: correlazione GUE-like nei gap dei primi" tools/gue_gap_test.py:41: interp = f"r={r_data:.4f} <= 0.5: gap più Poisson-like che GUE-like" tools/exp_duality_scale_contrast.py:5:for prime gaps, GUE eigenvalue spacings, and Poisson gaps. tools/exp_duality_scale_contrast.py:43: """Generate GUE (beta=2) eigenvalue spacings from random Hermitian matrix.""" tools/exp_duality_scale_contrast.py:59: """Generate Poisson (uncorrelated) spacings.""" tools/exp_duality_scale_contrast.py:149: print(f"Got {n_gaps} prime gaps. Generating GUE and Poisson controls...") tools/exp_duality_scale_contrast.py:150: gue_gaps = gue_spacings(min(n_gaps, 2000), rng) # GUE limited by matrix size tools/exp_duality_scale_contrast.py:162: print(f"Computing windowed contrast for Poisson gaps...") tools/exp_duality_scale_contrast.py:165: # GUE: smaller windows only (limited by matrix size) tools/exp_duality_scale_contrast.py:167: print(f"Computing windowed contrast for GUE gaps (sizes: {gue_window_sizes})...") tools/exp_duality_scale_contrast.py:230: lines.append(f" {'W_size':>8s} {'Primes':>10s} {'GUE':>10s} {'Poisson':>10s}") tools/exp_duality_scale_contrast.py:260: crossing = None tools/exp_duality_scale_contrast.py:265: crossing = ws tools/exp_duality_scale_contrast.py:267: if crossing: tools/exp_duality_scale_contrast.py:268: lines.append(f" {domain}: |z_SR| crosses 2 at window_size ~ {crossing}") tools/exp_duality_scale_contrast.py:270: lines.append(f" {domain}: no crossing detected in range") tools/exp_poisson_convergence.py:3:exp_poisson_convergence.py — Do beta, _excess, and acf1 predict the same Poisson scale? tools/exp_poisson_convergence.py:5:Three independent observables drift toward Poisson at large prime scale: tools/exp_poisson_convergence.py:7: - excess over Cramer -> 0 (i.e. -> _Poisson ~ 0.386) tools/exp_poisson_convergence.py:10:Question: do all three extrapolate to Poisson at the SAME critical scale p*? tools/exp_poisson_convergence.py:14: python exp_poisson_convergence.py [--n_primes N] [--n_windows W] [--n_surrogates S] tools/exp_poisson_convergence.py:30:def gap_ratio_r(gaps): tools/exp_poisson_convergence.py:71:def cramer_random_primes(primes, n_surrogates=10): tools/exp_poisson_convergence.py:74: for _ in range(n_surrogates): tools/exp_poisson_convergence.py:87: r = gap_ratio_r(gaps) tools/exp_poisson_convergence.py:103:def measure_cramer_window(primes_window, n_surrogates=10): tools/exp_poisson_convergence.py:104: """Measure observables on Cramer surrogates for a window.""" tools/exp_poisson_convergence.py:111: for _ in range(n_surrogates): tools/exp_poisson_convergence.py:117: r_vals.append(gap_ratio_r(gaps_surr)) tools/exp_poisson_convergence.py:131:def run_experiment(n_primes_target=6_000_000, n_windows=25, n_surrogates=10, window_size=50_000): tools/exp_poisson_convergence.py:155: print(f"\nMeasuring {len(window_starts)} windows, {window_size} primes each, {n_surrogates} Cramer surrogates...\n") tools/exp_poisson_convergence.py:167: c = measure_cramer_window(window, n_surrogates) tools/exp_poisson_convergence.py:193: """Fit linear trends in ln(p) and extrapolate to Poisson.""" tools/exp_poisson_convergence.py:196: # Poisson targets tools/exp_poisson_convergence.py:263: print("CONVERGENCE SUMMARY: Three roads to Poisson") tools/exp_poisson_convergence.py:271: print(f" Target (Poisson): {f['target']:.4f}") tools/exp_poisson_convergence.py:273: print(f" Extrapolated Poisson at: ln(p*) = {f['ln_p_star']:.1f} => p* ~ 10^{f['ln_p_star']/np.log(10):.1f}") tools/exp_poisson_convergence.py:275: print(f" No convergence toward Poisson (slope wrong sign or flat)") tools/exp_poisson_convergence.py:295: print(f" => CONSISTENT: all observables predict Poisson at similar scale") tools/exp_poisson_convergence.py:305: parser = argparse.ArgumentParser(description='Poisson convergence: do beta, , acf1 agree?') tools/exp_poisson_convergence.py:308: parser.add_argument('--n_surrogates', type=int, default=10, help='Cramer surrogates per window') tools/exp_poisson_convergence.py:312: results = run_experiment(args.n_primes, args.n_windows, args.n_surrogates, args.window_size) tools/exp_poisson_convergence.py:320: 'question': 'Do beta, , and acf1 predict the same Poisson scale?', tools/exp_crossover_universality.py:8: - beta(ln p) drifts from ~0.39 to ~0.27 (toward Poisson=0) tools/exp_crossover_universality.py:9: - dR_acf1(ln p) drifts from ~-0.50 to ~-0.40 (toward Poisson=0?) tools/exp_crossover_universality.py:10: - gap_acf1(ln p) drifts from ~-0.07 to ~-0.04 (toward Poisson=0) tools/exp_crossover_universality.py:18: - Rescale each to crossover parameter c in [0,1]: c=0 at GUE, c=1 at Poisson tools/exp_crossover_universality.py:21: - Null: 15 Cramer surrogates (should be flat at Poisson) tools/exp_crossover_universality.py:133:# GUE: beta=1, dR_acf1~?, gap_acf1~?, =0.5307 (4/pi - 1 ?) tools/exp_crossover_universality.py:134:# Poisson: beta=0, dR_acf1=0 (uncorrelated), gap_acf1=0, =0.3863 (2ln2-1) tools/exp_crossover_universality.py:135:# We use empirical GUE reference where analytic is unknown tools/exp_crossover_universality.py:136:R_GUE = 0.5307 # 4/(pi+2) Wigner surmise tools/exp_crossover_universality.py:140:print(f" GUE = {R_GUE:.4f}, Poisson = {R_POISSON:.4f}") tools/exp_crossover_universality.py:141:print(f" beta GUE = 1.0, beta Poisson = 0.0") tools/exp_crossover_universality.py:153:# Rescale each to c in [0,1] where 0=GUE-like, 1=Poisson-like tools/exp_crossover_universality.py:154:# For beta: c = 1 - beta (beta=1 is GUE, so c=0) tools/exp_crossover_universality.py:159:# Compute how fast each observable moves toward Poisson per decade of ln(p) tools/exp_crossover_universality.py:160:# All should move toward Poisson (beta->0, dR_acf1->0, gap_acf1->0, r->0.386) tools/exp_crossover_universality.py:166:# Fractional change per unit ln(p) toward Poisson tools/exp_crossover_universality.py:167:# beta: Poisson=0, so rate = -slope/mean(beta) tools/exp_crossover_universality.py:168:# gap_acf1: Poisson=0, rate = -slope/mean(gap_acf1) (gap_acf1 is negative, slope positive -> toward 0) tools/exp_crossover_universality.py:169:# dR_acf1: if Poisson = 0, rate = -slope/mean(dR_acf1) tools/exp_crossover_universality.py:170:# r_mean: Poisson = 0.386, rate = slope / (mean(r) - 0.386) ... toward lower r tools/exp_crossover_universality.py:176:rates['r_mean'] = fits['r_mean']['slope'] / (np.mean(r_arr) - R_POISSON) # negative if drifting toward Poisson tools/exp_crossover_universality.py:179: print(f" {name:10s}: fractional rate toward Poisson = {rate:.6f} per unit ln(p)") tools/exp_crossover_universality.py:212:# === Null baseline: Cramer surrogates === tools/exp_crossover_universality.py:213:print(f"\nComputing {N_SURR} Cramer surrogates...") tools/exp_crossover_universality.py:275:# === Extrapolation: when does beta reach 0 (Poisson)? === tools/exp_crossover_universality.py:280: print(f" beta -> 0 (Poisson) at ln(p)={ln_p_poisson_beta:.1f}, p~{p_poisson_beta:.2e}") tools/exp_crossover_universality.py:292: print(f" -> {R_POISSON:.4f} (Poisson) at ln(p)={ln_p_poisson_r:.1f}, p~{p_poisson_r:.2e}") tools/exp_crossover_universality.py:304: "N_surrogates": N_SURR, tools/exp_brody_flow.py:5:Measures how the Brody beta (interpolating Poisson beta=0 to GUE beta=1) tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2: "experiment": "quasiperiodic_vc_curve_map", tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:30: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:39: "vc_grid": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:57: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:67: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:76: "vc_grid": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:94: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:104: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:113: "vc_grid": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:131: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:141: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:150: "vc_grid": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:168: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:180: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:198: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:208: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:226: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:236: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:254: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:264: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:282: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:292: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:310: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:320: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:338: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:348: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:366: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:376: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:394: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:404: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:422: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:432: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:450: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:460: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:478: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:488: "vc_interp": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:506: "crossing_count": { tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2583: "vc_interp": 1.1105119098997416, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2584: "vc_grid": 1.1200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2588: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2596: "vc_interp": 1.0122169591837231, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2597: "vc_grid": 1.0200000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2601: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2609: "vc_interp": 0.9124593395567262, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2610: "vc_grid": 0.9200000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2614: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2622: "vc_interp": 1.3231592056804689, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2623: "vc_grid": 1.3300000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2627: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2635: "vc_interp": 1.219950901718801, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2636: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2640: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2648: "vc_interp": 1.126320385205025, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2649: "vc_grid": 1.1300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2653: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2661: "vc_interp": 1.2051225333617777, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2662: "vc_grid": 1.2100000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2666: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2674: "vc_interp": 1.1105212705115344, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2675: "vc_grid": 1.1200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2679: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2687: "vc_interp": 1.0236761197889848, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2688: "vc_grid": 1.0300000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2692: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2700: "vc_interp": 0.9535101780009171, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2701: "vc_grid": 0.9600000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2705: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2713: "vc_interp": 0.919367106864435, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2714: "vc_grid": 0.9200000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2718: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2726: "vc_interp": 0.871737606312734, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2727: "vc_grid": 0.8800000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2731: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2739: "vc_interp": 0.7134728489999234, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2740: "vc_grid": 0.7200000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2744: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2752: "vc_interp": 0.6485801421753968, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2753: "vc_grid": 0.6500000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2757: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2765: "vc_interp": 0.5941181348603544, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2766: "vc_grid": 0.6000000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2770: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2778: "vc_interp": 0.8703525429303599, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2779: "vc_grid": 0.8800000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2783: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2791: "vc_interp": 0.8231064931215587, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2792: "vc_grid": 0.8300000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2796: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2804: "vc_interp": 0.7749418315035725, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2805: "vc_grid": 0.7800000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2809: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2817: "vc_interp": 1.5121009019541451, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2818: "vc_grid": 1.520000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2822: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2830: "vc_interp": 1.370301599524643, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2831: "vc_grid": 1.3800000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2835: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2843: "vc_interp": 1.2309904364497886, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2844: "vc_grid": 1.2400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2848: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2856: "vc_interp": 1.3357310828487046, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2857: "vc_grid": 1.3400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2861: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2869: "vc_interp": 1.2195418205244006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2870: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2874: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2882: "vc_interp": 1.1123799026329806, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2883: "vc_grid": 1.1200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2887: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2895: "vc_interp": 1.0173552323317638, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2896: "vc_grid": 1.0200000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2900: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2908: "vc_interp": 0.9568041507786077, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2909: "vc_grid": 0.9600000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2913: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2921: "vc_interp": 0.900263161368191, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2922: "vc_grid": 0.9100000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2926: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2934: "vc_interp": 0.8919633448167243, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2935: "vc_grid": 0.9000000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2939: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2947: "vc_interp": 0.7611045614926949, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2948: "vc_grid": 0.7700000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2952: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2960: "vc_interp": 0.7084726444958781, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2961: "vc_grid": 0.7100000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2965: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2973: "vc_interp": 0.6138253293168808, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2974: "vc_grid": 0.6200000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2978: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2986: "vc_interp": 0.5880348430843038, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2987: "vc_grid": 0.5900000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2991: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:2999: "vc_interp": 0.5696438050810376, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3000: "vc_grid": 0.5700000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3004: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3012: "vc_interp": 1.0910444966068265, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3013: "vc_grid": 1.1000000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3017: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3025: "vc_interp": 1.024533475633328, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3026: "vc_grid": 1.0300000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3030: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3038: "vc_interp": 0.5637970398632645, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3039: "vc_grid": 0.5700000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3043: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3051: "vc_interp": 0.698924174166181, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3052: "vc_grid": 0.7000000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3056: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3064: "vc_interp": 0.6528750364905657, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3065: "vc_grid": 0.6600000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3069: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3077: "vc_interp": 0.6092494379673076, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3078: "vc_grid": 0.6100000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3082: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3090: "vc_interp": 1.4176116865100288, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3091: "vc_grid": 1.4200000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3095: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3103: "vc_interp": 1.3199002759503997, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3104: "vc_grid": 1.3200000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3108: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3116: "vc_interp": 1.2323448296465016, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3117: "vc_grid": 1.2400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3121: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3129: "vc_interp": 1.3848700098313722, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3130: "vc_grid": 1.3900000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3134: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3142: "vc_interp": 1.2654552765274258, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3143: "vc_grid": 1.2700000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3147: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3155: "vc_interp": 1.1639757789541127, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3156: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3160: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3168: "vc_interp": 0.6907032409167503, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3169: "vc_grid": 0.7000000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3173: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3181: "vc_interp": 0.6421473837270266, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3182: "vc_grid": 0.6500000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3186: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3194: "vc_interp": 0.6185846374843224, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3195: "vc_grid": 0.6200000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3199: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3207: "vc_interp": 0.6757939646577675, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3208: "vc_grid": 0.6800000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3212: "crossing_count": 7 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3220: "vc_interp": 0.6587210258814056, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3221: "vc_grid": 0.6600000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3225: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3233: "vc_interp": 0.641113563410816, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3234: "vc_grid": 0.6500000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3238: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3246: "vc_interp": 0.8411796541782015, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3247: "vc_grid": 0.8500000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3251: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3259: "vc_interp": 0.7991040771449728, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3260: "vc_grid": 0.8000000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3264: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3272: "vc_interp": 0.7760024112665977, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3273: "vc_grid": 0.7800000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3277: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3285: "vc_interp": 1.5121009019541451, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3286: "vc_grid": 1.520000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3290: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3298: "vc_interp": 1.370301599524643, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3299: "vc_grid": 1.3800000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3303: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3311: "vc_interp": 1.2309904364497886, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3312: "vc_grid": 1.2400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3316: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3324: "vc_interp": 1.618988372496942, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3325: "vc_grid": 1.620000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3329: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3337: "vc_interp": 1.5011803754129773, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3338: "vc_grid": 1.510000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3342: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3350: "vc_interp": 1.3526805400094635, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3351: "vc_grid": 1.3600000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3355: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3363: "vc_interp": 1.4288123410362388, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3364: "vc_grid": 1.4300000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3368: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3376: "vc_interp": 1.3153675191846301, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3377: "vc_grid": 1.3200000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3381: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3389: "vc_interp": 1.208193231761043, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3390: "vc_grid": 1.2100000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3394: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3402: "vc_interp": 0.809930039378296, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3403: "vc_grid": 0.8100000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3407: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3415: "vc_interp": 0.6871926182580793, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3416: "vc_grid": 0.6900000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3420: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3428: "vc_interp": 0.5486575595883088, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3429: "vc_grid": 0.55, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3433: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3441: "vc_interp": 0.8524178586836227, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3442: "vc_grid": 0.8600000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3446: "crossing_count": 7 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3454: "vc_interp": 0.7813394173288651, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3455: "vc_grid": 0.7900000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3459: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3467: "vc_interp": 0.7218902420291697, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3468: "vc_grid": 0.7300000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3472: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3480: "vc_interp": 1.16416023512276, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3481: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3485: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3493: "vc_interp": 1.0727997983541961, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3494: "vc_grid": 1.0800000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3498: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3506: "vc_interp": 0.8421646011873438, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3507: "vc_grid": 0.8500000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3511: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3519: "vc_interp": 0.7166503902645123, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3520: "vc_grid": 0.7200000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3524: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3532: "vc_interp": 0.6655226015140107, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3533: "vc_grid": 0.6700000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3537: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3545: "vc_interp": 0.6150602011225196, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3546: "vc_grid": 0.6200000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3550: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3558: "vc_interp": 1.4949673357149222, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3559: "vc_grid": 1.5000000000000009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3563: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3571: "vc_interp": 1.3608026234825543, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3572: "vc_grid": 1.3700000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3576: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3584: "vc_interp": 1.244513714565192, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3585: "vc_grid": 1.2500000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3589: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3597: "vc_interp": 1.535937251451324, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3598: "vc_grid": 1.540000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3602: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3610: "vc_interp": 1.3795966410688776, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3611: "vc_grid": 1.3800000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3615: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3623: "vc_interp": 1.2261240796958148, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3624: "vc_grid": 1.2300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3628: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3636: "vc_interp": 0.6921145656689734, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3637: "vc_grid": 0.7000000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3641: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3649: "vc_interp": 0.5686710797309229, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3650: "vc_grid": 0.5700000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3654: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3662: "vc_interp": 0.5234324662626016, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3663: "vc_grid": 0.53, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3667: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3675: "vc_interp": 0.754678529452029, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3676: "vc_grid": 0.7600000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3680: "crossing_count": 7 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3688: "vc_interp": 0.6118813182934778, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3689: "vc_grid": 0.6200000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3693: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3701: "vc_interp": 0.5710473903827777, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3702: "vc_grid": 0.5800000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3706: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3714: "vc_interp": 0.625357848969695, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3715: "vc_grid": 0.6300000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3719: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3727: "vc_interp": 0.5897952213176764, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3728: "vc_grid": 0.5900000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3732: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3740: "vc_interp": 0.5646902704998531, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3741: "vc_grid": 0.5700000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3745: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3753: "vc_interp": 1.312029046915792, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3754: "vc_grid": 1.3200000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3758: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3766: "vc_interp": 1.1814190870121477, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3767: "vc_grid": 1.1900000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3771: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3779: "vc_interp": 1.0736771407592818, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3780: "vc_grid": 1.0800000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3784: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3792: "vc_interp": 2.1768301433727086, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3793: "vc_grid": 2.1800000000000015, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3797: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3805: "vc_interp": 1.8961687771997178, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3806: "vc_grid": 1.9000000000000012, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3810: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3818: "vc_interp": 1.4875520671682905, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3819: "vc_grid": 1.4900000000000009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3823: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3831: "vc_interp": 1.494039875306465, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3832: "vc_grid": 1.5000000000000009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3836: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3844: "vc_interp": 1.339124002151951, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3845: "vc_grid": 1.3400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3849: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3857: "vc_interp": 1.2155303677021847, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3858: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3862: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3870: "vc_interp": 0.6670398433221774, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3871: "vc_grid": 0.6700000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3875: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3883: "vc_interp": 0.6439690669390857, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3884: "vc_grid": 0.6500000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3888: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3896: "vc_interp": 0.5280663430563524, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3897: "vc_grid": 0.53, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3901: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3909: "vc_interp": 0.7964244746215493, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3910: "vc_grid": 0.8000000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3914: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3922: "vc_interp": 0.6273997698087428, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3923: "vc_grid": 0.6300000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3927: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3935: "vc_interp": 0.5373308126141032, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3936: "vc_grid": 0.54, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3940: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3948: "vc_interp": 0.8196894846267456, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3949: "vc_grid": 0.8200000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3953: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3961: "vc_interp": 0.7895296261214813, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3962: "vc_grid": 0.7900000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3966: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3974: "vc_interp": 0.5418978645135885, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3975: "vc_grid": 0.55, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3979: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3987: "vc_interp": 1.214386283497241, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3988: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:3992: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4000: "vc_interp": 1.0843911831994608, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4001: "vc_grid": 1.0900000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4005: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4013: "vc_interp": 0.9705473603475732, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4014: "vc_grid": 0.9800000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4018: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4026: "vc_interp": 1.2106777229214838, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4027: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4031: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4039: "vc_interp": 1.1256193400539192, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4040: "vc_grid": 1.1300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4044: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4052: "vc_interp": 1.047976600349355, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4053: "vc_grid": 1.0500000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4057: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4065: "vc_interp": 1.2706076745424983, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4066: "vc_grid": 1.2800000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4070: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4078: "vc_interp": 1.1454215939212589, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4079: "vc_grid": 1.1500000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4083: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4091: "vc_interp": 1.0314819748794009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4092: "vc_grid": 1.0400000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4096: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4104: "vc_interp": 0.6926425270052725, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4105: "vc_grid": 0.7000000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4109: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4117: "vc_interp": 0.6548115212828046, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4118: "vc_grid": 0.6600000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4122: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4130: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4131: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4135: "crossing_count": 2 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4143: "vc_interp": 0.5575935318960613, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4144: "vc_grid": 0.56, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4148: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4156: "vc_interp": 0.5238458871132283, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4157: "vc_grid": 0.53, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4161: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4169: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4170: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4174: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4182: "vc_interp": 0.6924082481479081, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4183: "vc_grid": 0.7000000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4187: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4195: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4196: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4200: "crossing_count": 2 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4208: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4209: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4213: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4221: "vc_interp": 1.2436388238070546, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4222: "vc_grid": 1.2500000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4226: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4234: "vc_interp": 1.132747754755846, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4235: "vc_grid": 1.1400000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4239: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4247: "vc_interp": 1.0398835949410918, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4248: "vc_grid": 1.0400000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4252: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4260: "vc_interp": 2.542776262721133, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4261: "vc_grid": 2.5500000000000016, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4265: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4273: "vc_interp": 2.1477308466578977, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4274: "vc_grid": 2.1500000000000012, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4278: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4286: "vc_interp": 1.8514455946514055, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4287: "vc_grid": 1.8600000000000012, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4291: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4299: "vc_interp": 1.9202256596096459, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4300: "vc_grid": 1.9300000000000013, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4304: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4312: "vc_interp": 1.70323312411288, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4313: "vc_grid": 1.710000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4317: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4325: "vc_interp": 1.548675604624292, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4326: "vc_grid": 1.550000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4330: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4338: "vc_interp": 0.6460630516624213, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4339: "vc_grid": 0.6500000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4343: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4351: "vc_interp": 0.5660920413608059, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4352: "vc_grid": 0.5700000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4356: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4364: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4365: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4369: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4377: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4378: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4382: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4390: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4391: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4395: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4403: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4404: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4408: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4416: "vc_interp": 0.5807358356054817, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4417: "vc_grid": 0.5900000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4421: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4429: "vc_interp": 0.5283085116938114, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4430: "vc_grid": 0.53, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4434: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4442: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4443: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4447: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4455: "vc_interp": 1.0440925070569673, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4456: "vc_grid": 1.0500000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4460: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4468: "vc_interp": 0.9451236141091286, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4469: "vc_grid": 0.9500000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4473: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4481: "vc_interp": 0.8528680407292167, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4482: "vc_grid": 0.8600000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4486: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4494: "vc_interp": 1.3393999150473725, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4495: "vc_grid": 1.3400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4499: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4507: "vc_interp": 1.228787757789605, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4508: "vc_grid": 1.2300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4512: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4520: "vc_interp": 1.1238571569948936, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4521: "vc_grid": 1.1300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4525: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4533: "vc_interp": 1.2786002016461036, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4534: "vc_grid": 1.2800000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4538: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4546: "vc_interp": 1.1725018614082505, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4547: "vc_grid": 1.1800000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4551: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4559: "vc_interp": 1.0762674739566196, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4560: "vc_grid": 1.0800000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4564: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4572: "vc_interp": 0.5031839409047493, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4573: "vc_grid": 0.51, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4577: "crossing_count": 7 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4585: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4586: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4590: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4598: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4599: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4603: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4611: "vc_interp": 0.5222841522493752, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4612: "vc_grid": 0.53, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4616: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4624: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4625: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4629: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4637: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4638: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4642: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4650: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4651: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4655: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4663: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4664: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4668: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4676: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4677: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4681: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4689: "vc_interp": 1.32137247478589, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4690: "vc_grid": 1.3300000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4694: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4702: "vc_interp": 1.1609076804042986, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4703: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4707: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4715: "vc_interp": 1.0411274100505366, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4716: "vc_grid": 1.0500000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4720: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4728: "vc_interp": 1.2057433955469286, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4729: "vc_grid": 1.2100000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4733: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4741: "vc_interp": 1.0868025130779642, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4742: "vc_grid": 1.0900000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4746: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4754: "vc_interp": 0.9811615626421936, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4755: "vc_grid": 0.9900000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4759: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4767: "vc_interp": 1.1731629407048345, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4768: "vc_grid": 1.1800000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4772: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4780: "vc_interp": 1.0846800845678868, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4781: "vc_grid": 1.0900000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4785: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4793: "vc_interp": 1.0031810011070759, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4794: "vc_grid": 1.0100000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4798: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4806: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4807: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4811: "crossing_count": 4 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4819: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4820: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4824: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4832: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4833: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4837: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4845: "vc_interp": 0.5156864859238605, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4846: "vc_grid": 0.52, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4850: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4858: "vc_interp": 0.5017705631767879, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4859: "vc_grid": 0.51, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4863: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4871: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4872: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4876: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4884: "vc_interp": 0.5162586512203758, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4885: "vc_grid": 0.52, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4889: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4897: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4898: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4902: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4910: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4911: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4915: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4923: "vc_interp": 0.7580272065862839, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4924: "vc_grid": 0.7600000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4928: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4936: "vc_interp": 0.7022289387832027, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4937: "vc_grid": 0.7100000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4941: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4949: "vc_interp": 0.6497945708004739, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4950: "vc_grid": 0.6500000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4954: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4962: "vc_interp": 1.1206650329900212, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4963: "vc_grid": 1.1300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4967: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4975: "vc_interp": 1.0194929549016605, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4976: "vc_grid": 1.0200000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4980: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4988: "vc_interp": 0.9323636898977672, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4989: "vc_grid": 0.9400000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:4993: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5001: "vc_interp": 1.8587714467202108, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5002: "vc_grid": 1.8600000000000012, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5006: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5014: "vc_interp": 1.7052850704375637, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5015: "vc_grid": 1.710000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5019: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5027: "vc_interp": 1.5542380092337804, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5028: "vc_grid": 1.560000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5032: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5040: "vc_interp": 0.689404877099188, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5041: "vc_grid": 0.6900000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5045: "crossing_count": 3 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5053: "vc_interp": 0.5236905491714382, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5054: "vc_grid": 0.53, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5058: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5066: "vc_interp": 0.501378686373638, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5067: "vc_grid": 0.51, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5071: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5079: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5080: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5084: "crossing_count": 4 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5092: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5093: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5097: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5105: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5106: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5110: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5118: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5119: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5123: "crossing_count": 6 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5131: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5132: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5136: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5144: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5145: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5149: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5157: "vc_interp": 1.32137247478589, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5158: "vc_grid": 1.3300000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5162: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5170: "vc_interp": 1.1609076804042986, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5171: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5175: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5183: "vc_interp": 1.0411274100505366, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5184: "vc_grid": 1.0500000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5188: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5196: "vc_interp": 1.3863702508459625, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5197: "vc_grid": 1.3900000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5201: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5209: "vc_interp": 1.0311162652342714, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5210: "vc_grid": 1.0400000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5214: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5222: "vc_interp": 0.8375746433728191, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5223: "vc_grid": 0.8400000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5227: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5235: "vc_interp": 1.4433456930715398, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5236: "vc_grid": 1.4500000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5240: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5248: "vc_interp": 1.2972536309784097, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5249: "vc_grid": 1.3000000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5253: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5261: "vc_interp": 1.1647440803121205, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5262: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5266: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5274: "vc_interp": 0.5624125178962691, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5275: "vc_grid": 0.5700000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5279: "crossing_count": 5 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5287: "vc_interp": 0.5350166111876575, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5288: "vc_grid": 0.54, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5292: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5300: "vc_interp": 0.5131891678644238, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5301: "vc_grid": 0.52, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5305: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5313: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5314: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5318: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5326: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5327: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5331: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5339: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5340: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5344: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5352: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5353: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5357: "crossing_count": 2 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5365: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5366: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5370: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5378: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5379: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5383: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5391: "vc_interp": 0.7089016696772827, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5392: "vc_grid": 0.7100000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5396: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5404: "vc_interp": 0.658000906959256, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5405: "vc_grid": 0.6600000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5409: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5417: "vc_interp": 0.6092907668874548, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5418: "vc_grid": 0.6100000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5422: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5430: "vc_interp": 1.067736174679932, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5431: "vc_grid": 1.0700000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5435: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5443: "vc_interp": 0.9961105947270498, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5444: "vc_grid": 1.0000000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5448: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5456: "vc_interp": 0.9304316463261848, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5457: "vc_grid": 0.9400000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5461: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5469: "vc_interp": 1.1181575813777296, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5470: "vc_grid": 1.1200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5474: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5482: "vc_interp": 1.0088747296561091, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5483: "vc_grid": 1.0100000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5487: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5495: "vc_interp": 0.9120490314815966, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5496: "vc_grid": 0.9200000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5500: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5508: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5509: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5513: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5521: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5522: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5526: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5534: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5535: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5539: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5547: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5548: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5552: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5560: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5561: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5565: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5573: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5574: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5578: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5586: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5587: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5591: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5599: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5600: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5604: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5612: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5613: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5617: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5625: "vc_interp": 1.3609427430613328, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5626: "vc_grid": 1.3700000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5630: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5638: "vc_interp": 1.2222586418259933, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5639: "vc_grid": 1.2300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5643: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5651: "vc_interp": 1.0926625954398947, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5652: "vc_grid": 1.1000000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5656: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5664: "vc_interp": 1.0874885565223191, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5665: "vc_grid": 1.0900000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5669: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5677: "vc_interp": 1.0108456592323298, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5678: "vc_grid": 1.0200000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5682: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5690: "vc_interp": 0.9396986407348396, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5691: "vc_grid": 0.9400000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5695: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5703: "vc_interp": 1.1395914405568435, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5704: "vc_grid": 1.1400000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5708: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5716: "vc_interp": 1.0487991409721666, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5717: "vc_grid": 1.0500000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5721: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5729: "vc_interp": 0.958968062425553, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5730: "vc_grid": 0.9600000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5734: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5742: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5743: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5747: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5755: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5756: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5760: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5768: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5769: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5773: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5781: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5782: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5786: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5794: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5795: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5799: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5807: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5808: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5812: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5820: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5821: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5825: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5833: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5834: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5838: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5846: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5847: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5851: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5859: "vc_interp": 0.6813192777698095, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5860: "vc_grid": 0.6900000000000002, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5864: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5872: "vc_interp": 0.6335367022408442, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5873: "vc_grid": 0.6400000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5877: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5885: "vc_interp": 0.5881715536096043, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5886: "vc_grid": 0.5900000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5890: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5898: "vc_interp": 1.2381346056208202, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5899: "vc_grid": 1.2400000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5903: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5911: "vc_interp": 1.141730171265401, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5912: "vc_grid": 1.1500000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5916: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5924: "vc_interp": 1.0542321947648812, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5925: "vc_grid": 1.0600000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5929: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5937: "vc_interp": 1.6018390757174394, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5938: "vc_grid": 1.610000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5942: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5950: "vc_interp": 1.4468498197629773, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5951: "vc_grid": 1.4500000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5955: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5963: "vc_interp": 1.296982147640853, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5964: "vc_grid": 1.3000000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5968: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5976: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5977: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5981: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5989: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5990: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:5994: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6002: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6003: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6007: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6015: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6016: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6020: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6028: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6029: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6033: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6041: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6042: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6046: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6054: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6055: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6059: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6067: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6068: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6072: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6080: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6081: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6085: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6093: "vc_interp": 1.2019140796932357, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6094: "vc_grid": 1.2100000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6098: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6106: "vc_interp": 1.100038440294004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6107: "vc_grid": 1.1100000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6111: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6119: "vc_interp": 1.0042729978741793, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6120: "vc_grid": 1.0100000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6124: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6132: "vc_interp": 1.2552656234769295, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6133: "vc_grid": 1.2600000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6137: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6145: "vc_interp": 1.146420830666316, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6146: "vc_grid": 1.1500000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6150: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6158: "vc_interp": 1.0521714334441208, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6159: "vc_grid": 1.0600000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6163: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6171: "vc_interp": 1.7361725857807482, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6172: "vc_grid": 1.740000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6176: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6184: "vc_interp": 1.495558422799497, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6185: "vc_grid": 1.5000000000000009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6189: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6197: "vc_interp": 1.3117062122891798, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6198: "vc_grid": 1.3200000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6202: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6210: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6211: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6215: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6223: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6224: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6228: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6236: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6237: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6241: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6249: "vc_interp": 0.5306615053709252, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6250: "vc_grid": 0.54, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6254: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6262: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6263: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6267: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6275: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6276: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6280: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6288: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6289: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6293: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6301: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6302: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6306: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6314: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6315: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6319: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6327: "vc_interp": 0.9901188124999308, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6328: "vc_grid": 1.0000000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6332: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6340: "vc_interp": 0.8940116379302808, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6341: "vc_grid": 0.9000000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6345: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6353: "vc_interp": 0.801079164113595, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6354: "vc_grid": 0.8100000000000003, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6358: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6366: "vc_interp": 1.4496785958939857, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6367: "vc_grid": 1.4500000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6371: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6379: "vc_interp": 1.3062445613682214, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6380: "vc_grid": 1.3100000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6384: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6392: "vc_interp": 1.1674625161776389, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6393: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6397: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6405: "vc_interp": 1.5164092734114307, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6406: "vc_grid": 1.520000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6410: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6418: "vc_interp": 1.389260178454148, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6419: "vc_grid": 1.3900000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6423: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6431: "vc_interp": 1.2764205232618833, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6432: "vc_grid": 1.2800000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6436: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6444: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6445: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6449: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6457: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6458: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6462: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6470: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6471: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6475: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6483: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6484: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6488: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6496: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6497: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6501: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6509: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6510: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6514: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6522: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6523: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6527: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6535: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6536: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6540: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6548: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6549: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6553: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6561: "vc_interp": 1.487267634632956, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6562: "vc_grid": 1.4900000000000009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6566: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6574: "vc_interp": 1.3403005472632217, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6575: "vc_grid": 1.3500000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6579: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6587: "vc_interp": 1.205819073252748, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6588: "vc_grid": 1.2100000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6592: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6600: "vc_interp": 1.5954987347644018, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6601: "vc_grid": 1.600000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6605: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6613: "vc_interp": 1.4384336731872038, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6614: "vc_grid": 1.4400000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6618: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6626: "vc_interp": 1.293023597078562, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6627: "vc_grid": 1.3000000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6631: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6639: "vc_interp": 1.597978007207877, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6640: "vc_grid": 1.600000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6644: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6652: "vc_interp": 1.420276020579573, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6653: "vc_grid": 1.4300000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6657: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6665: "vc_interp": 1.2817991068631138, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6666: "vc_grid": 1.2900000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6670: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6678: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6679: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6683: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6691: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6692: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6696: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6704: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6705: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6709: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6717: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6718: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6722: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6730: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6731: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6735: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6743: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6744: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6748: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6756: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6757: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6761: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6769: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6770: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6774: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6782: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6783: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6787: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6795: "vc_interp": 1.1784051972843306, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6796: "vc_grid": 1.1800000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6800: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6808: "vc_interp": 1.0516374741951975, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6809: "vc_grid": 1.0600000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6813: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6821: "vc_interp": 0.9429349678678869, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6822: "vc_grid": 0.9500000000000004, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6826: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6834: "vc_interp": 1.212743936981662, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6835: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6839: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6847: "vc_interp": 1.1165021125104957, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6848: "vc_grid": 1.1200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6852: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6860: "vc_interp": 1.0293418589349794, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6861: "vc_grid": 1.0300000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6865: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6873: "vc_interp": 1.2177101146388378, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6874: "vc_grid": 1.2200000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6878: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6886: "vc_interp": 1.120035397144125, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6887: "vc_grid": 1.1300000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6891: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6899: "vc_interp": 1.0331625960366673, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6900: "vc_grid": 1.0400000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6904: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6912: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6913: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6917: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6925: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6926: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6930: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6938: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6939: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6943: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6951: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6952: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6956: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6964: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6965: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6969: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6977: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6978: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6982: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6990: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6991: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:6995: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7003: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7004: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7008: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7016: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7017: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7021: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7029: "vc_interp": 1.487267634632956, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7030: "vc_grid": 1.4900000000000009, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7034: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7042: "vc_interp": 1.3403005472632217, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7043: "vc_grid": 1.3500000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7047: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7055: "vc_interp": 1.205819073252748, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7056: "vc_grid": 1.2100000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7060: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7068: "vc_interp": 1.288595074203475, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7069: "vc_grid": 1.2900000000000007, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7073: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7081: "vc_interp": 1.1614586817137276, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7082: "vc_grid": 1.1700000000000006, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7086: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7094: "vc_interp": 1.0484136592843032, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7095: "vc_grid": 1.0500000000000005, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7099: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7107: "vc_interp": 1.8923529377953807, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7108: "vc_grid": 1.9000000000000012, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7112: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7120: "vc_interp": 1.6203276026130642, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7121: "vc_grid": 1.630000000000001, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7125: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7133: "vc_interp": 1.4200790127784917, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7134: "vc_grid": 1.4300000000000008, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7138: "crossing_count": 1 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7146: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7147: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7151: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7159: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7160: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7164: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7172: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7173: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7177: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7185: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7186: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7190: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7198: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7199: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7203: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7211: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7212: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7216: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7224: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7225: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7229: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7237: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7238: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7242: "crossing_count": 0 tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7250: "vc_interp": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7251: "vc_grid": 0.5, tools/data/quasiperiodic_vc_curve_map_20260509_0330.json:7255: "crossing_count": 0 tools/validate_tension_mapping.py:61: 'power spectral', 'frequenz', 'frequenc', 'blue noise', 'photonic', tools/exp_quasiperiodic_vc_lattice_gate.py:3:Quasiperiodic V_c lattice gate. tools/exp_quasiperiodic_vc_lattice_gate.py:5:The Domandatore scale probe tried to fit V_c(N) with a power law. For phi the tools/exp_quasiperiodic_vc_lattice_gate.py:7:tool treats that failure as the signal: it measures whether V_c lives on a tools/exp_quasiperiodic_vc_lattice_gate.py:29: vals = np.floor(idx * theta + phase) tools/exp_quasiperiodic_vc_lattice_gate.py:160: "experiment": "quasiperiodic_vc_lattice_gate", tools/exp_quasiperiodic_vc_lattice_gate.py:189: parser.add_argument("--out", default="tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.json") tools/data/seme_backup_b2_20260508_214525.json:2: "old_direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_backup_b2_20260508_214525.json:3: "new_direzione": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", tools/LAB_OPERATIVO.md:16:- Se il risultato è indistinguibile dal surrogate → declassato tools/LAB_OPERATIVO.md:20:Cosa ha prodotto: la classificazione GUE/Poisson è reale (non artefatto). tools/dnd_stats.py:10: classify(mean_r) → "GUE" | "Poisson" | "CRITICAL" | "harmonic" tools/dnd_stats.py:25: "GUE": {"mean_r": 0.5996, "var_s": 0.178}, tools/dnd_stats.py:27: "Poisson": {"mean_r": 0.3863, "var_s": 1.000}, tools/dnd_stats.py:164: Transizione: V<1 → GUE, V≈1 → critico, V>1.5 → Poisson tools/dnd_stats.py:169: int(np.floor((i+1)/PHI)) - int(np.floor(i/PHI)) tools/exp_duality_gate_transfer.py:10: away from GUE/Poisson? 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:47: positions = np.floor(n * PHI).astype(float) tools/data/selective_layer_decoupling.json:421: "GUE": { tools/data/selective_layer_decoupling.json:840: "Poisson": { tools/spectral_gap_analysis.py:201: # For GUE (expected for zeta zeros): P(s) ≈ (32/π²)s² exp(-4s²/π) tools/spectral_gap_analysis.py:219: """GUE Wigner surmise: P(s) = (32/π²)s² exp(-4s²/π).""" tools/spectral_gap_analysis.py:259: label='GUE Wigner') tools/spectral_gap_analysis.py:269: fig.suptitle('Nearest-Neighbor Spacing: Spectral Gaps vs Zeta Gaps vs GUE', tools/exp_two_channel_boundary.py:10: - Brody calibration (agent_20260427): 7.8% artifact floor, r is faithful tools/exp_two_channel_boundary.py:25: GUE-like and Poisson-like regimes is channel-specific. tools/exp_two_channel_boundary.py:28: python tools/exp_two_channel_boundary.py [--n_primes N] [--window W] [--n_surrogates S] tools/exp_two_channel_boundary.py:151:def run(n_primes=500000, window=5000, n_surrogates=20): tools/exp_two_channel_boundary.py:178: for _ in range(n_surrogates): tools/exp_two_channel_boundary.py:281: parser.add_argument('--n_surrogates', type=int, default=20) tools/exp_two_channel_boundary.py:284: results = run(args.n_primes, args.window, args.n_surrogates) tools/exp_two_channel_boundary.py:308: 'n_surrogates': args.n_surrogates, tools/exp_alpha_stability.py:5:or drifts during the Poisson crossover. tools/exp_alpha_stability.py:7:Reusable: accepts --n_primes, --n_windows, --n_surrogates, --max_lag. tools/exp_alpha_stability.py:81: parser.add_argument("--n_surrogates", type=int, default=10, help="Shuffled surrogates per window") tools/exp_alpha_stability.py:123: # Shuffled surrogates tools/exp_alpha_stability.py:126: for _ in range(args.n_surrogates): tools/dnd_paper_audit.py:722: "GUE": "det=-1 → always hyperbolic → GUE statistics", tools/dnd_arxiv.py:45: 'quasicrystal spectral statistics GUE', tools/dnd_compatibility.py:134: "=0.507, tra GUE (0.5996) e Poisson (0.3863).", tools/dnd_compatibility.py:147:# --- Random Matrix Theory (GUE) --- tools/dnd_compatibility.py:150: "GUE (Gaussian Unitary Ensemble): matrici hermitiane casuali, " tools/dnd_compatibility.py:156: "Lo zero e' il punto proibito (nessun level crossing).", tools/dnd_compatibility.py:167: "evidence": "Le matrici GUE hanno det qualsiasi. " tools/dnd_compatibility.py:173: "evidence": "phi non emerge naturalmente dal GUE. " tools/dnd_compatibility.py:180: "evidence": "GUE vive in C (numeri complessi generici), non in Q(sqrt(5)).", tools/dnd_compatibility.py:185: "evidence": "GUE e' una classe definita, non una fase critica. " tools/confine_spessore.py:10:Blocco 3: Dove il residuo 1/phi^(2n) incontra il confine GUE/Poisson nei domini tools/confine_spessore.py:188:# BLOCCO 3: Residuo vs confine GUE/Poisson tools/confine_spessore.py:193: print("BLOCCO 3: Residuo 1/phi^(2n) vs confine GUE/Poisson") tools/confine_spessore.py:197: # Il confine GUE/Poisson emerge nella distribuzione NNS (nearest neighbor spacing) tools/confine_spessore.py:199: # GUE: repulsione (P(s) ~ s^2 * exp(-4s^2/pi)) tools/confine_spessore.py:200: # Poisson: nessuna repulsione (P(s) = exp(-s)) tools/confine_spessore.py:216: print("\n--- NNS ratio (indicatore GUE vs Poisson) a diverse scale ---") tools/confine_spessore.py:218: print(" GUE: r ~ 0.5307") tools/confine_spessore.py:219: print(" Poisson: r ~ 0.3863") tools/confine_spessore.py:248: regime = "GUE" if dist_gue < dist_poi else "Poisson" tools/confine_spessore.py:251: f"dist_GUE={dist_gue:.4f} dist_Poi={dist_poi:.4f} " tools/confine_spessore.py:276: # Trova il crossing: dove r passa da sotto a sopra il punto medio (0.5307+0.3863)/2 tools/confine_spessore.py:278: print(f" Punto medio GUE/Poisson: {midpoint:.4f}") tools/confine_spessore.py:280: crossings = [] tools/confine_spessore.py:285: crossings.append((n1, n2, r1, r2)) tools/confine_spessore.py:287: if crossings: tools/confine_spessore.py:288: for c in crossings: tools/confine_spessore.py:292: print(f" Nessun crossing netto. Traiettoria:") tools/confine_spessore.py:294: regime = "GUE" if abs(r - 0.5307) < abs(r - 0.3863) else "Poi" tools/confine_spessore.py:319: print("GUE (repulsione)") tools/confine_spessore.py:321: print("Poisson (indipendenza)") tools/confine_spessore.py:354:3. Il residuo incontra il confine GUE/Poisson? tools/exp_two_channel_decomposition.py:18: - Extrapolated Poisson crossover tools/exp_two_channel_decomposition.py:23: python tools/exp_two_channel_decomposition.py [--n_primes N] [--n_windows W] [--n_surrogates S] tools/exp_two_channel_decomposition.py:120:def measure_coherence_length(channel, n_surrogates=20, window_sizes=None): tools/exp_two_channel_decomposition.py:152: # Shuffled surrogates tools/exp_two_channel_decomposition.py:154: for _ in range(n_surrogates): tools/exp_two_channel_decomposition.py:188:def scaling_analysis(primes, n_windows=15, n_surrogates=10): tools/exp_two_channel_decomposition.py:240: for _ in range(n_surrogates): tools/exp_two_channel_decomposition.py:287: parser.add_argument('--n_surrogates', type=int, default=10, help='Surrogates per window') tools/exp_two_channel_decomposition.py:319: scaling = scaling_analysis(primes, n_windows=args.n_windows, n_surrogates=args.n_surrogates) tools/exp_two_channel_decomposition.py:344: # Poisson crossover: acf1 = 0 tools/exp_two_channel_decomposition.py:353: f"R2={r2:.3f} Poisson at ln(p)={ln_p_cross:.1f} (p~10^{ln_p_cross/np.log(10):.1f})") tools/exp_markov3_observable_hunt.py:10: 1. Compute prime gaps, build Markov-k surrogates (k=0,1,2,3) tools/exp_markov3_observable_hunt.py:67:def generate_markov_surrogate(gaps, order, n_bins=12, rng=None): tools/exp_markov3_observable_hunt.py:68: """Generate a surrogate sequence from a Markov-k model of the gaps.""" tools/exp_markov3_observable_hunt.py:240: # For each Markov order, generate surrogates and compute observables tools/exp_markov3_observable_hunt.py:246: print(f"\nMarkov-{k}: generating {args.n_surr} surrogates...") tools/exp_markov3_observable_hunt.py:254: surr = generate_markov_surrogate(gaps, k, args.n_bins, rng) tools/exp_markov3_observable_hunt.py:311: 'n_surrogates': args.n_surr, tools/evolution_report.md:2:Il passo ha spostato `V_c` dal valore al tipo di evento: prima ha separato pavimento e attraversamento interno, poi ha messo i generatori in relazione con la stessa filtrazione `r(V)`. La traiettoria non cerca una soglia piu' fine; osserva quale ordine produce il bordo e quale ordine entra gia' collassato nella griglia. tools/evolution_report.md:4:Verificato dal deposito: il contratto osservabile-operatore e' esplicito e delimita cio' che non viene testato. Inferito: il ciclo chiude come vincolo perche' il surrogate label-preserving non porta ancora un null forte; il suo basso overlap resta parte del passo, non difetto da mascherare. tools/evolution_report.md:14:Il nodo metodologico vive prima della griglia larga: il surrogate viene generato come miglior candidato tra pochi random bilanciati, ma senza una condizione di accettazione che garantisca omogeneita' col boundary operator. Il fix non e' aumentare timeout o candidati; e' definire prima quale relazione deve essere preservata perche' il null possa attaccare `V_c`. tools/evolution_report.md:18:- Usare il basso `label_jaccard` come filtro regressivo: se il surrogate non entra nel contratto, il ciclo deve registrare "null non ammesso" invece di misurare una controparte debole. tools/evolution_report.md:19:- Separare tre stati nel deposito: `floor_hit`, `internal_cross`, `null_rejected`. Cosi' il fallimento di costruzione del controllo non si confonde con il comportamento della curva. tools/evolution_report.md:20:- Riprendere silver/bronze o GUE/Poisson solo dopo che il null interno e' ammesso; altrimenti l'estensione cambia dominio mentre il nodo relazionale resta aperto. tools/exp_markov_layer_recovery_audit.py:10: Recent reports used Mk surrogate capture to claim two visible memory layers. tools/exp_markov_layer_recovery_audit.py:17: - empirical_Mk1: prime-trained Mk1 surrogate; known order 1 tools/exp_markov_layer_recovery_audit.py:18: - empirical_Mk2: prime-trained Mk2 surrogate; known order 2 tools/exp_markov_layer_recovery_audit.py:35: generate_markov_surrogate, tools/exp_markov_layer_recovery_audit.py:60: surr = generate_markov_surrogate(gaps, mk, rng=rng) tools/exp_markov_layer_recovery_audit.py:101: "gaps": generate_markov_surrogate(prime_gaps, 1, rng=rng), tools/exp_markov_layer_recovery_audit.py:105: "gaps": generate_markov_surrogate(prime_gaps, 2, rng=rng), tools/exp_acf_amplitude_scaling.py:8:at what p* does the anti-correlation vanish (Poisson)? tools/exp_acf_amplitude_scaling.py:50: parser.add_argument('--n_surrogates', type=int, default=10) tools/exp_acf_amplitude_scaling.py:83: A_surrogates = [] tools/exp_acf_amplitude_scaling.py:84: for _ in range(args.n_surrogates): tools/exp_acf_amplitude_scaling.py:88: A_surrogates.append(A_s) tools/exp_acf_amplitude_scaling.py:90: A_shuf_mean = np.mean(A_surrogates) tools/exp_acf_amplitude_scaling.py:91: A_shuf_std = np.std(A_surrogates) if np.std(A_surrogates) > 0 else 1e-10 tools/exp_acf_amplitude_scaling.py:127: print(f"\nPoisson crossover (A=0): ln(p*) = {ln_p_star:.1f}, p* ~ 10^{log10_p_star:.1f}") tools/exp_acf_amplitude_scaling.py:129: print(f"\nSlope is non-negative ({slope:.6f}) — no Poisson crossover predicted") tools/exp_markov_dipolar_decomposition.py:6:GUE has dL1/dSR = 8.37 at angle -97 deg. tools/exp_markov_dipolar_decomposition.py:13: 2. Generate Markov-1 surrogate with that matrix (same pair stats, no higher memory) tools/exp_markov_dipolar_decomposition.py:14: 3. Generate Markov-0 surrogate (iid from marginal distribution) tools/exp_markov_dipolar_decomposition.py:204: # === Markov-1 surrogates === tools/exp_markov_dipolar_decomposition.py:222: # === Markov-0 surrogates (iid from marginal) === tools/dnd_gue_test.py:3:Piano 11b — GUE Test Protocol (Revised) tools/dnd_gue_test.py:6:zeros follow GUE statistics (Katz-Sarnak). This is the algebraic bridge, tools/dnd_gue_test.py:14: Prediction: zeros of L(s, χ_disc) → GUE (Katz-Sarnak) tools/dnd_gue_test.py:17:T1: L(s, χ₅) zeros → GUE (the D-ND matrix M, tr=1) tools/dnd_gue_test.py:18:T2: L(s, χ₈) zeros → GUE (tr=2, disc=8, Q(√2)) tools/dnd_gue_test.py:19:T3: L(s, χ₁₃) zeros → GUE (tr=3, disc=13, Q(√13)) tools/dnd_gue_test.py:20:T4: ζ(s) zeros → GUE (reference: Montgomery-Odlyzko) tools/dnd_gue_test.py:40: """GUE (β=2) Wigner surmise CDF.""" tools/dnd_gue_test.py:48: """Poisson CDF.""" tools/dnd_gue_test.py:51:GUE_VAR_REF = 1 - 4/np.pi**2 # ≈ 0.5947 (Wigner surmise β=2) tools/dnd_gue_test.py:53:# Better: Var(s) for GUE Wigner surmise = (3π-8)/(2π) ≈ 0.178 tools/dnd_gue_test.py:55:GUE_VAR = 0.178 # Wigner surmise β=2 tools/dnd_gue_test.py:362: """Test spacings against GUE, GOE, Poisson.""" tools/dnd_gue_test.py:374: fits = [("GUE", ks_gue, p_gue), ("GOE", ks_goe, p_goe), ("Poisson", ks_poi, p_poi)] tools/dnd_gue_test.py:395: print("Piano 11b — GUE Test Protocol (Revised)") tools/dnd_gue_test.py:414: # ─── T1: ζ(s) zeros → GUE (reference, Montgomery-Odlyzko) ──────── tools/dnd_gue_test.py:555: marker = "✓" if fit == "GUE" else "✗" tools/dnd_gue_test.py:556: if fit == "GUE": tools/dnd_gue_test.py:568: verdict = (f"GUE UNIVERSALE: {gue_count}/{total} L-functions mostrano GUE. " tools/dnd_gue_test.py:569: f"La catena det=-1 → campo numerico → L-function → GUE è confermata.") tools/dnd_gue_test.py:572: verdict = (f"GUE DOMINANTE: {gue_count}/{total}. Risultato parziale, " tools/dnd_gue_test.py:578: verdict = f"NON-GUE: classe dominante {dominant}. Revisione necessaria." tools/dnd_gue_test.py:587: print(" Near s=0: p(s) ~ s^β. β=0:Poisson, β=1:GOE, β=2:GUE") tools/dnd_gue_test.py:622: cls = "GUE" if beta > 1.5 else ("GOE" if beta > 0.5 else "Poisson") tools/dnd_gue_test.py:630: # Count GUE in beta analysis tools/dnd_gue_test.py:631: beta_gue = sum(1 for lb in beta_results.values() for v in lb.values() if v.get("class") == "GUE") tools/dnd_gue_test.py:633: print(f" DIPOLO FRATTALE: {beta_gue}/{beta_total} GUE a livello di repulsione") tools/dnd_gue_test.py:634: print(f" Il KS globale dice GOE. Il β allo zero dice GUE.") tools/dnd_gue_test.py:703: family_verdict = f"MISTO: neg1 GUE={all_neg1_gue}, pos1 GUE={all_pos1_gue}" tools/dnd_gue_test.py:716: print(f" Piano 11: det=-1 → fluctuations (GUE via Katz-Sarnak)") tools/dnd_gue_test.py:728: verdict_fractal = (f"GUE CONFERMATO via dipolo frattale: β>2 per {beta_gue}/{beta_total} misure. " tools/dnd_gue_test.py:729: f"KS globale={gue_count}/{total} GUE (forma bulk). " tools/dnd_gue_test.py:730: f"β allo zero={beta_gue}/{beta_total} GUE (repulsione). " tools/dnd_gue_test.py:734: verdict_fractal = (f"Dipolo frattale: {beta_gue}/{beta_total} GUE. " tools/dnd_gue_test.py:805: "fluctuations": "det=-1 → Q(√5) → L(s,χ₅) → GUE (Piano 11)", tools/dnd_gue_test.py:806: "family": "ALL det=-1 matrices → number fields → GUE (Piano 11b)", tools/exp_logistic_cyclic_block_entropy_gate.py:5:Falsification node after the logistic surrogate-contract gate. tools/exp_logistic_cyclic_block_entropy_gate.py:37:from exp_logistic_surrogate_contract_gate import block_shuffle, circular_shift tools/exp_logistic_cyclic_block_entropy_gate.py:70: surrogate = maker(values, rng) tools/exp_logistic_cyclic_block_entropy_gate.py:71: row = compute(surrogate) tools/exp_gap_label_set_stability.py:6:N, Sturmian phase, and threshold. This tool moves the observable from the value tools/exp_gap_label_set_stability.py:34: vals = np.floor(idx * theta + phase) tools/exp_magnitude_psd_from_acf.py:206: print(f"\n--- Null baseline: shuffled magnitude ({args.n_shuffle} surrogates) ---") tools/exp_ricci_primes.py:112:n_surrogates = 20 tools/exp_ricci_primes.py:113:surrogate_means = [] tools/exp_ricci_primes.py:114:surrogate_slopes = [] tools/exp_ricci_primes.py:117:for s in range(n_surrogates): tools/exp_ricci_primes.py:134: surrogate_means.append(np.mean(surr_R)) tools/exp_ricci_primes.py:143: surrogate_slopes.append(surr_coeffs[0]) tools/exp_ricci_primes.py:145:surr_mean_avg = np.mean(surrogate_means) tools/exp_ricci_primes.py:146:surr_mean_std = np.std(surrogate_means) tools/exp_ricci_primes.py:147:surr_slope_avg = np.mean(surrogate_slopes) tools/exp_ricci_primes.py:148:surr_slope_std = np.std(surrogate_slopes) tools/exp_ricci_primes.py:200: "n_surrogates": n_surrogates, tools/exp_ricci_primes.py:201: "surrogate_mean_R": round(surr_mean_avg, 8), tools/exp_ricci_primes.py:202: "surrogate_std": round(surr_mean_std, 8), tools/dnd_publish_cycle.py:168: "|NT⟩ → closure → det(M)=-1 → φ → Q(√5) → GUE → differentiated reality", tools/dnd_zero_operator.py:8:Il vecchio metodo: calcola spacing, classifica GUE/Poisson. tools/exp_gap_label_block_scale_gate.py:5:The generator gate showed that short block shuffles keep local Sturmian texture tools/exp_gap_label_block_scale_gate.py:84:def first_crossing(block_summaries: dict[str, dict], key: str, threshold: float) -> int | None: tools/exp_gap_label_block_scale_gate.py:146: high_any_crossing = first_crossing(block_summary, "median_high_retention", args.crossing_threshold) tools/exp_gap_label_block_scale_gate.py:147: high_all_crossing = first_crossing(block_summary, "all_high_condition_rate", args.crossing_threshold) tools/exp_gap_label_block_scale_gate.py:148: low_all_crossing = first_crossing(block_summary, "all_low_condition_rate", args.crossing_threshold) tools/exp_gap_label_block_scale_gate.py:162: "crossing_threshold": args.crossing_threshold, tools/exp_gap_label_block_scale_gate.py:170: "crossings": { tools/exp_gap_label_block_scale_gate.py:171: "median_high_retention_ge_threshold": high_any_crossing, tools/exp_gap_label_block_scale_gate.py:172: "all_high_condition_rate_ge_threshold": high_all_crossing, tools/exp_gap_label_block_scale_gate.py:173: "all_low_condition_rate_ge_threshold": low_all_crossing, tools/exp_gap_label_block_scale_gate.py:189: parser.add_argument("--crossing-threshold", type=float, default=0.5) tools/exp_gap_label_block_scale_gate.py:214: "crossings": output["crossings"], tools/exp_selective_layer_decoupling.py:6:are coupled at the uniform-shuffle boundary (same critical alpha=0.334). But Mk1 surrogates tools/exp_selective_layer_decoupling.py:13: For 3 perturbation types x 15 alpha levels x 30 surrogates: tools/exp_selective_layer_decoupling.py:15: 2. Mk1-SELECTIVE: replace position i with Mk1 surrogate value, prob=alpha tools/exp_selective_layer_decoupling.py:17: 3. Mk2-SELECTIVE: replace position i with Mk2 surrogate value, prob=alpha tools/exp_selective_layer_decoupling.py:70:# --- Markov surrogate generation --- tools/exp_selective_layer_decoupling.py:95:def generate_markov_surrogate(gaps, order, n_bins=12, rng=None): tools/exp_selective_layer_decoupling.py:120:def partial_perturbation(original, surrogate, alpha, rng): tools/exp_selective_layer_decoupling.py:121: """Position-wise interpolation: replace original[i] with surrogate[i] with probability alpha.""" tools/exp_selective_layer_decoupling.py:125: result[mask] = surrogate[mask] tools/exp_selective_layer_decoupling.py:228: mk1_surr = generate_markov_surrogate(gaps, 1, rng=rng) tools/exp_selective_layer_decoupling.py:231: mk2_surr = generate_markov_surrogate(gaps, 2, rng=rng) tools/exp_selective_layer_decoupling.py:265: 'GUE': gen_gue_spacings(args.N, rng), tools/exp_selective_layer_decoupling.py:266: 'Poisson': gen_poisson_spacings(args.N, rng), tools/exp_logistic_surrogate_contract_gate.py:3:exp_logistic_surrogate_contract_gate.py tools/exp_logistic_surrogate_contract_gate.py:5:Regressive surrogate-contract test for ORDER_DENOMINATOR_GATE on the logistic tools/exp_logistic_surrogate_contract_gate.py:16:gate against all declared surrogate classes. tools/exp_logistic_surrogate_contract_gate.py:56:def make_surrogate( tools/exp_logistic_surrogate_contract_gate.py:58: surrogate_class: str, tools/exp_logistic_surrogate_contract_gate.py:62: if surrogate_class == "marginal_shuffle": tools/exp_logistic_surrogate_contract_gate.py:64: if surrogate_class == "circular_shift": tools/exp_logistic_surrogate_contract_gate.py:66: if surrogate_class == "block_shuffle": tools/exp_logistic_surrogate_contract_gate.py:68: raise ValueError(f"unknown surrogate class: {surrogate_class}") tools/exp_logistic_surrogate_contract_gate.py:71:def z_against_surrogate_class( tools/exp_logistic_surrogate_contract_gate.py:73: surrogate_class: str, tools/exp_logistic_surrogate_contract_gate.py:82: surrogate = make_surrogate(values, surrogate_class, block_size, rng) tools/exp_logistic_surrogate_contract_gate.py:83: obs = compute_native(surrogate, recurrence_max_points) tools/exp_logistic_surrogate_contract_gate.py:114: surrogate_results = {} tools/exp_logistic_surrogate_contract_gate.py:116: for surrogate_class in SURROGATE_CLASSES: tools/exp_logistic_surrogate_contract_gate.py:117: result = z_against_surrogate_class( tools/exp_logistic_surrogate_contract_gate.py:119: surrogate_class, tools/exp_logistic_surrogate_contract_gate.py:125: surrogate_results[surrogate_class] = result tools/exp_logistic_surrogate_contract_gate.py:129: marginal_only = sorted(set(surrogate_results["marginal_shuffle"]["stable_observables"]) - set(contract_stable)) tools/exp_logistic_surrogate_contract_gate.py:138: "surrogates": surrogate_results, tools/exp_logistic_surrogate_contract_gate.py:151: "stable_by_surrogate": { tools/exp_logistic_surrogate_contract_gate.py:152: surrogate_class: data["surrogates"][surrogate_class]["stable_observables"] tools/exp_logistic_surrogate_contract_gate.py:153: for surrogate_class in SURROGATE_CLASSES tools/exp_logistic_surrogate_contract_gate.py:155: "z_by_surrogate": { tools/exp_logistic_surrogate_contract_gate.py:156: surrogate_class: data["surrogates"][surrogate_class]["z"] tools/exp_logistic_surrogate_contract_gate.py:157: for surrogate_class in SURROGATE_CLASSES tools/exp_logistic_surrogate_contract_gate.py:171: "experiment": "logistic_surrogate_contract_gate", tools/exp_logistic_surrogate_contract_gate.py:172: "category": "gate_falsification_surrogate_contract", tools/exp_logistic_surrogate_contract_gate.py:173: "question": "Does one-sided logistic support survive temporal-structure-preserving surrogates?", tools/exp_logistic_surrogate_contract_gate.py:177: "surrogate_classes": SURROGATE_CLASSES, tools/exp_logistic_surrogate_contract_gate.py:190: print("perimeter n contract_stable marginal_only stable_by_surrogate") tools/exp_logistic_surrogate_contract_gate.py:197: f"{row['stable_by_surrogate']}" tools/exp_logistic_surrogate_contract_gate.py:211: parser.add_argument("--out", default="tools/data/logistic_surrogate_contract_gate_20260507_1042.json") tools/dnd_scenario.py:161: - POISSON_CONVERGENCE: β, , acf1 → Poisson a p*~10^14 tools/dnd_scenario.py:766: (r'\bGUE\b', 'Poisson — nessuna repulsione, statistiche indipendenti'), tools/dnd_scenario.py:767: (r'\bPoisson\b', 'GUE — repulsione universale, non transizione'), tools/exp_cross_domain_dipolar_direction.py:6:Primes have theta=-111 deg in the (SR, L1) plane. GUE has theta=-97 deg. tools/exp_cross_domain_dipolar_direction.py:7:Do all GUE-like domains share -97, or does each have its own direction? tools/exp_cross_domain_dipolar_direction.py:8:Do all Poisson-like domains lack direction? tools/exp_cross_domain_dipolar_direction.py:11: GUE-like: GUE spacings, GOE spacings, CUE spacings, Riemann zeta zeros (via GUE proxy) tools/exp_cross_domain_dipolar_direction.py:12: Poisson-like: exponential iid, uniform iid, geometric iid tools/exp_cross_domain_dipolar_direction.py:81:def gen_rmt_spacings(N_mat, ensemble='GUE', rng=None): tools/exp_cross_domain_dipolar_direction.py:85: if ensemble == 'GUE': tools/exp_cross_domain_dipolar_direction.py:133: """Poisson process: exponential iid spacings.""" tools/exp_cross_domain_dipolar_direction.py:177: for ens_name in ['GUE', 'GOE', 'CUE']: tools/exp_cross_domain_dipolar_direction.py:229: # === 6-8. Poisson-like domains === tools/exp_cross_domain_dipolar_direction.py:233: print(f"\n--- {name.upper()} (iid, Poisson-class) ---") tools/exp_cross_domain_dipolar_direction.py:246: 'class': 'Poisson', tools/exp_cross_domain_dipolar_direction.py:275: rmt_names = ['GUE', 'GOE', 'CUE'] tools/exp_cross_domain_dipolar_direction.py:311: # Poisson direction scatter tools/exp_cross_domain_dipolar_direction.py:312: print("\n Poisson direction scatter (std of theta):") tools/m_spectro.py:840: crossings = np.where(np.diff(np.sign(mag)))[0] tools/m_spectro.py:841: if len(crossings) < 3: tools/m_spectro.py:843: return np.diff(crossings).astype(float) tools/m_spectro.py:943: crossings = np.where(np.diff(above.astype(int)))[0] tools/m_spectro.py:944: if len(crossings) < 10: tools/m_spectro.py:946: return np.diff(crossings).astype(float) tools/exp_acf_z6z_mechanism.py:11:3. Factorial surrogates — Z/6Z with/without trend, trend without Z/6Z, tools/exp_acf_z6z_mechanism.py:15: python tools/exp_acf_z6z_mechanism.py [--n_primes N] [--max_lag K] [--n_surrogates S] tools/exp_acf_z6z_mechanism.py:77: parser.add_argument('--n_surrogates', type=int, default=20) tools/exp_acf_z6z_mechanism.py:147: # TEST 3: Factorial surrogates tools/exp_acf_z6z_mechanism.py:150: print(f"TEST 3: Factorial surrogates ({args.n_surrogates} each)") tools/exp_acf_z6z_mechanism.py:154: NS = args.n_surrogates tools/exp_acf_z6z_mechanism.py:206: # 3e: Anti-correlated surrogates without trend (Gaussian AR(1) with acf1 matching primes) tools/exp_acf_z6z_mechanism.py:321: 'n_surrogates': args.n_surrogates, tools/exp_acf_z6z_mechanism.py:339: 'test3_surrogates': { tools/exp_quasiperiodic_vc_curve_map.py:3:Interpolated V_c curve map for quasiperiodic Sturmian-Harper sequences. tools/exp_quasiperiodic_vc_curve_map.py:5:Previous cycle showed that first-grid V_c is phase-sensitive and does not tools/exp_quasiperiodic_vc_curve_map.py:8:shape of r(V) and interpolate the crossing instead of letting the grid decide. tools/exp_quasiperiodic_vc_curve_map.py:37: vals = np.floor(idx * theta + phase) tools/exp_quasiperiodic_vc_curve_map.py:57:def first_interpolated_crossing(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: tools/exp_quasiperiodic_vc_curve_map.py:59: crossing_count = int(np.sum(below[1:] != below[:-1])) tools/exp_quasiperiodic_vc_curve_map.py:62: "vc_interp": None, tools/exp_quasiperiodic_vc_curve_map.py:63: "vc_grid": None, tools/exp_quasiperiodic_vc_curve_map.py:67: "crossing_count": crossing_count, tools/exp_quasiperiodic_vc_curve_map.py:71: vc_grid = float(v_values[idx]) tools/exp_quasiperiodic_vc_curve_map.py:75: vc_interp = vc_grid tools/exp_quasiperiodic_vc_curve_map.py:81: vc_interp = vc_grid tools/exp_quasiperiodic_vc_curve_map.py:84: vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) tools/exp_quasiperiodic_vc_curve_map.py:88: "vc_interp": float(vc_interp), tools/exp_quasiperiodic_vc_curve_map.py:89: "vc_grid": vc_grid, tools/exp_quasiperiodic_vc_curve_map.py:93: "crossing_count": crossing_count, tools/exp_quasiperiodic_vc_curve_map.py:166: cross = first_interpolated_crossing(v_values, r_values, threshold) tools/exp_quasiperiodic_vc_curve_map.py:180: "vc_interp": summarize([row["vc_interp"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:181: "vc_grid": summarize([row["vc_grid"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:186: "crossing_count": summarize_ints([row["crossing_count"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:195: "vc_interp": summarize([row["vc_interp"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:200: "crossing_count": summarize_ints([row["crossing_count"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:216: values = {name: by_domain[name]["vc_interp"] for name in ("phi", "silver", "bronze")} tools/exp_quasiperiodic_vc_curve_map.py:246: "experiment": "quasiperiodic_vc_curve_map", tools/exp_quasiperiodic_vc_curve_map.py:276: parser.add_argument("--out", default="tools/data/quasiperiodic_vc_curve_map_20260509_0330.json") tools/exp_dR_brody_connection.py:13: If Cramer surrogates show the same -> tautological (artifact of g=(p/2)^2 mapping). tools/exp_dR_brody_connection.py:14: If Cramer surrogates differ -> prime-specific structure. tools/exp_dR_brody_connection.py:16:Null baseline: 20 Cramer surrogates + 20 shuffled. tools/exp_dR_brody_connection.py:58: beta=0 -> Poisson, beta=1 -> Wigner (GOE). tools/exp_dR_brody_connection.py:190:print(f"\nComputing {N_SURR} surrogates each...") tools/exp_dR_brody_connection.py:293: "N_surrogates": N_SURR, tools/exp_boundary_mixture_gate.py:5:Reusable META/BOUNDARY audit for the GUE-Poisson boundary. tools/exp_boundary_mixture_gate.py:8: Does the GUE/Poisson boundary remain a clean two-class split after the tools/exp_boundary_mixture_gate.py:13:It builds synthetic mixtures by replacing a fraction beta of unfolded GUE tools/exp_boundary_mixture_gate.py:14:spacings with Poisson spacings, then measures: tools/exp_boundary_mixture_gate.py:19:- ambiguity of each beta layer relative to pure GUE and pure Poisson centroids. tools/exp_boundary_mixture_gate.py:41: """Generate unfolded GUE spacings by concatenating independent matrices.""" tools/exp_boundary_mixture_gate.py:59: """Return a beta Poisson / (1-beta) GUE spacing sequence with mean spacing 1.""" tools/exp_boundary_mixture_gate.py:224: "question": "Is the GUE-Poisson mixed layer cleanly classifiable after denominator gating?", tools/dnd_spirale.py:87: f"{'potenziale':>10s} {'gap_ratio':>10s}") tools/lab_autological_repair.py:434: lines.append("- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested.") tools/rules/axioms_to_theorems.json:7: "chain": "|NT⟩ → closure → det=-1 → φ → GUE → differentiated reality" tools/dnd_trace_bridge.py:136: "label_GUE": "=0.5996, Var=0.178", tools/dnd_trace_bridge.py:147: closer = "GUE" if d_gue < d_poi else "Poisson" tools/dnd_trace_bridge.py:347: print("\nDomanda: la mappa D-ND trasforma la struttura GUE degli zeri?") tools/dnd_trace_bridge.py:348: print("Se K(zeta) ≈ GUE e K(random) ≈ Poisson → la mappa PRESERVA la struttura") tools/dnd_trace_bridge.py:350: print("Se K(zeta) ≠ GUE e ≠ K(random) → la mappa TRASFORMA la struttura") tools/dnd_trace_bridge.py:357: print(f" {key:40s} ={val['mean_r']:.4f} {'GUE' if d_gue < d_poi else 'Poi'} {marker}") tools/test_gue_poisson_boundary.py:15:R_GUE_TH = 0.5996 tools/test_gue_poisson_boundary.py:36: "r_GUE": round(mu_g, 4), "r_GUE_th": R_GUE_TH, tools/test_gue_poisson_boundary.py:37: "r_Poisson": round(mu_p, 4), "r_Poisson_th": R_POI_TH, tools/test_gue_poisson_boundary.py:41: "separation_GUE": round(clean_g, 4), tools/test_gue_poisson_boundary.py:43: "claim": "boundary ~0.49 is third-included: neither GUE(0.60) nor Poisson(0.39)" tools/dnd_lab.py:10: 1. Wigner surmise (GOE/GUE) — distribuzione esatta level spacing tools/dnd_lab.py:14: 5. Berry-Tabor — integrabile→Poisson vs caotico→GUE tools/dnd_lab.py:49: DIMOSTRATO: Level spacing distribution per GOE e GUE. tools/dnd_lab.py:51: GUE: P(s) = (32/π²) s² exp(-4s²/π) tools/dnd_lab.py:58: print("BANCO 1: Wigner Surmise (GOE e GUE esatti)") tools/dnd_lab.py:63: for ensemble, name in [('GOE', 'GOE'), ('GUE', 'GUE')]: tools/dnd_lab.py:78: # GUE: P(s) = (32/π²) s² exp(-4s²/π) tools/dnd_lab.py:105: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_lab.py:111: gr = obs.get('gap_ratio_medio', 0) tools/dnd_lab.py:172: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_lab.py:178: gr = obs.get('gap_ratio_medio', 0) tools/dnd_lab.py:287: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_lab.py:363: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_lab.py:368: gr = obs.get('gap_ratio_medio', 0) tools/dnd_lab.py:431: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_lab.py:500: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_lab.py:661: spettrale. Il punto critico e' dove ≈ 0.50 (ne' GUE ne' Poisson). tools/dnd_lab.py:690: print(f" Transizione: V<{critical_V} → GUE/metallico, V>{critical_V} → Poisson/localizzato") tools/dnd_lab.py:1166: # INSIGHT 2: Il punto critico V_c scala con phi? tools/dnd_lab.py:1169: """Il punto critico V_c dipende da phi strutturalmente?""" tools/dnd_lab.py:1170: print(f"\n --- PATTERN: il punto critico V_c e' legato a phi? ---") tools/dnd_lab.py:1175: """Trova V_c dove ≈ 0.50.""" tools/dnd_lab.py:1200: # V_c per diverse dimensioni con phi tools/dnd_lab.py:1205: print(f" phi, N={N}: V_c = {Vc:.3f}") tools/dnd_lab.py:1207: # V_c con sqrt(2) per confronto tools/dnd_lab.py:1209: print(f" sqrt(2), N=500: V_c = {Vc_sqrt2:.3f}") tools/dnd_lab.py:1211: # Pattern: V_c ≈ costante? V_c ≈ 2/phi? V_c ≈ 1? tools/dnd_lab.py:1224: print(f"\n V_c medio (phi): {Vc_mean:.3f} +/- {Vc_std:.3f}") tools/dnd_lab.py:1225: print(f" Best match: V_c ≈ {best_match} (err={candidates[best_match]:.4f})") tools/dnd_lab.py:1226: print(f" V_c (sqrt(2)): {Vc_sqrt2:.3f}") tools/dnd_lab.py:1231: 'claim': f"V_c = {Vc_mean:.3f} ≈ {best_match} (err {candidates[best_match]:.4f})", tools/dnd_lab.py:1236: 'nota': f"V_c stabile a {Vc_mean:.3f}. Phi vs sqrt(2): {Vc_mean:.3f} vs {Vc_sqrt2:.3f}", tools/dnd_lab.py:1426: 'GUE': 'random_matrix_gue', tools/dnd_lab.py:1476: elif 'WIGNER' in tid or 'GUE' in tid: tools/dnd_lab.py:1600:# BANCO 10: Lagrangiana — principio variazionale V_c(alpha) tools/dnd_lab.py:1605: Hamiltoniana tight-binding con potenziale Sturmiano a frequenza alpha. tools/dnd_lab.py:1607: V_n = V * (floor((n+1)*alpha) - floor(n*alpha)) tools/dnd_lab.py:1617: int(np.floor((i + 1) * alpha)) - int(np.floor(i * alpha)) tools/dnd_lab.py:1634: Trova V_c dove attraversa r_target per la frequenza alpha. tools/dnd_lab.py:1652: # Trova dove attraversa r_target (dall'alto: GUE→critico→Poisson) tools/dnd_lab.py:1653: crossings = [] tools/dnd_lab.py:1656: crossings.append(i) tools/dnd_lab.py:1658: if not crossings: tools/dnd_lab.py:1659: # Nessun crossing: prendi il V piu' vicino a r_target tools/dnd_lab.py:1663: # Bisection sul primo crossing tools/dnd_lab.py:1664: idx = crossings[0] tools/dnd_lab.py:1677: V_c = (V_lo + V_hi) / 2 tools/dnd_lab.py:1678: r_c = get_r(V_c) tools/dnd_lab.py:1679: return float(V_c), float(r_c) if r_c else float(r_target) tools/dnd_lab.py:1686: a = int(np.floor(x)) tools/dnd_lab.py:1712: BANCO 10: Principio variazionale — phi minimizza V_c. tools/dnd_lab.py:1715: 1. Costruisci modello Sturmiano (potenziale binario quasiperiodico) tools/dnd_lab.py:1716: 2. Trova V_c dove = 0.50 (transizione GUE ↔ Poisson) tools/dnd_lab.py:1720: 1. V_c(1/phi) converge a 1.0 (minimo tra numeri nobili) tools/dnd_lab.py:1721: 2. CV(V_c) minimo a 1/phi = MASSIMA STABILITA' al variare di N tools/dnd_lab.py:1726: Isomorfismo: det=-1 preserva area ↔ V_c(phi) ha minima varianza. tools/dnd_lab.py:1731: print(f"BANCO 10: LAGRANGIANA — principio variazionale V_c(alpha)") tools/dnd_lab.py:1734: print(f" Modello: Sturmiano (potenziale binario quasiperiodico)") tools/dnd_lab.py:1736: print(f" Principio: V_c minimo + massima stabilita' = minima azione") tools/dnd_lab.py:1768: print(f"\n --- SCAN V_c per {len(frequencies)} frequenze ---\n") tools/dnd_lab.py:1786: f"V_c={Vc:.4f} ={r_at_Vc:.4f} " tools/dnd_lab.py:1792: # 1. phi ha il V_c minimo? tools/dnd_lab.py:1797: print(f"\n V_c minimo: {min_name} = {Vc_values[min_name]:.4f}") tools/dnd_lab.py:1798: print(f" V_c(1/phi): {phi_Vc:.4f}") tools/dnd_lab.py:1802: print(f"\n RANKING (V_c crescente = azione crescente):") tools/dnd_lab.py:1806: print(f" {i+1:2d}. {name:>14s}: V_c = {vc:.4f}{phi_marker}{arrow}") tools/dnd_lab.py:1808: # 2. Correlazione V_c vs irrazionalita' tools/dnd_lab.py:1810: vc_vals = [results[k]['Vc'] for k in results if np.isfinite(results[k]['irrationality'])] tools/dnd_lab.py:1813: corr = np.corrcoef(irr_vals, vc_vals)[0, 1] tools/dnd_lab.py:1814: print(f"\n Correlazione V_c vs irrazionalita' (media geometrica cf): r = {corr:.4f}") tools/dnd_lab.py:1816: print(f" POSITIVA: piu' 'razionale' (cf grandi) → piu' V_c → piu' azione") tools/dnd_lab.py:1823: # 3. La curva V_c(alpha) e' un 'pozzo' attorno a 1/phi? tools/dnd_lab.py:1827: vc_arr = np.array([v['Vc'] for _, v in sorted_by_alpha]) tools/dnd_lab.py:1837: if phi_idx is not None and 0 < phi_idx < len(vc_arr) - 1: tools/dnd_lab.py:1838: if vc_arr[phi_idx] < vc_arr[phi_idx - 1] and vc_arr[phi_idx] < vc_arr[phi_idx + 1]: tools/dnd_lab.py:1843: print(f"\n phi e' minimo globale di V_c? {'SI' if is_global_min else 'NO'}") tools/dnd_lab.py:1844: print(f" phi e' minimo locale di V_c? {'SI' if is_local_min else 'NO/non determinabile'}") tools/dnd_lab.py:1847: # I numeri nobili (coda di 1 nella cf) dovrebbero avere V_c piu' basso tools/dnd_lab.py:1855: print(f"\n Noble numbers (coda 1): V_c medio = {np.mean(noble_Vc):.4f}") tools/dnd_lab.py:1856: print(f" Non-noble: V_c medio = {np.mean(non_noble_Vc):.4f}") tools/dnd_lab.py:1860: # 5. STABILITA': V_c(N) ha minima varianza per phi? tools/dnd_lab.py:1861: print(f"\n --- ANALISI STABILITA' V_c(N) ---") tools/dnd_lab.py:1867: top_freqs = [name for name, _ in ranking[:6]] # top 6 per V_c tools/dnd_lab.py:1875: vc_n, _ = find_Vc(alpha, N=Ns, n_scan=40) tools/dnd_lab.py:1876: vcs.append(vc_n) tools/dnd_lab.py:1899: print(f" CV(1/phi) = {phi_cv:.1f}% — MINIMA varianza di V_c al variare di N") tools/dnd_lab.py:1904: print(f" Frequenza Sturmiana alpha = 1/phi = inversione di phi") tools/dnd_lab.py:1906: print(f" 1. V_c(1/phi) ≈ {phi_mean_vc:.3f} → converge a 1 (minima azione)") tools/dnd_lab.py:1908: print(f" Isomorfismo: det=-1 preserva area ↔ V_c stabile al cambio di scala") tools/dnd_lab.py:1918: claim = (f"Principio Lagrangiano DOPPIO: 1/phi ha V_c ≈ {phi_mean_vc:.3f} " tools/dnd_lab.py:1923: claim = (f"Parziale: V_c rank {phi_rank_vc}, stabilita' rank " tools/dnd_lab.py:1925: f"V_c={phi_mean_vc:.3f}, CV={phi_cv:.1f}%") tools/dnd_lab.py:1928: claim = f"phi NON soddisfa il principio Lagrangiano (V_c rank {phi_rank_vc}, non stabile)" tools/dnd_lab.py:1956: notify(f"LAGRANGIANA CONFERMATA: V_c(1/phi) ≈ {phi_mean_vc:.3f}, " tools/dnd_autoricerca.py:221: # GUE spacing distribution (approssimazione Wigner) tools/dnd_autoricerca.py:228: 'nota': 'Approssimazione GUE (mpmath non disponibile)', tools/dnd_autoricerca.py:270: """Autovalori di matrici casuali GUE — la connessione con Riemann.""" tools/dnd_autoricerca.py:272: # GUE: matrice Hermitiana casuale tools/dnd_autoricerca.py:284: 'ensemble': 'GUE', tools/dnd_autoricerca.py:286: 'nota': 'Spaziatura autovalori matrice GUE 200x200' tools/dnd_autoricerca.py:477: # Il surrogate dipende dal tipo di dato: tools/dnd_autoricerca.py:478: # - is_spacings=True: esponenziale (Poisson = livelli non correlati) tools/dnd_autoricerca.py:482: # Null per spacings: esponenziale normalizzata (Poisson) tools/dnd_autoricerca.py:523: null_spacings.append('GUE-like' if abs(mean_r - 0.5996) < abs(mean_r - 0.3863) else 'Poisson-like') tools/dnd_autoricerca.py:621: risultato['analisi']['gap_ratio'] = obs.get('gap_ratio_medio') tools/dnd_autoricerca.py:654: 'tipo': 'GUE-like' if abs(mean_r - 0.5996) < abs(mean_r - 0.3863) else 'Poisson-like', tools/dnd_autoricerca.py:827: # Pattern 2: spacing GUE-like tools/dnd_autoricerca.py:829: if spacing.get('tipo') == 'GUE-like' and spacing.get('gue_dist', 1) < 0.1: tools/dnd_autoricerca.py:834: 'nota': f'Spacing GUE-like (⟨r⟩={spacing["mean_r"]:.4f})' tools/dnd_autoricerca.py:849: 'gap_ratio': analisi.get('gap_ratio'), tools/dnd_autoricerca.py:1007: 'gap_ratio': analisi.get('gap_ratio'), tools/dnd_autoricerca.py:1105: print(f" Gap ratio: {obs.get('gap_ratio_medio', '?')}") tools/dnd_autoricerca.py:1118: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_autoricerca.py:1152: gue_domains = [e['dominio'] for e in journal if e.get('spacing') == 'GUE-like'] tools/dnd_autoricerca.py:1153: poisson_domains = [e['dominio'] for e in journal if e.get('spacing') == 'Poisson-like'] tools/dnd_autoricerca.py:1154: print(f" GUE-like: {gue_domains}") tools/dnd_autoricerca.py:1155: print(f" Poisson-like: {poisson_domains}") tools/dnd_autoricerca.py:1157: # Il RAPPORTO #GUE/#Poisson è vicino a φ? tools/dnd_autoricerca.py:1160: print(f" #GUE/#Poisson = {ratio_cluster:.4f} " tools/dnd_autoricerca.py:1171: Cerca crossing points con costanti D-ND (φ, 1/φ, φ²). tools/dnd_autoricerca.py:1272: # Cerca crossing points (dove r attraversa una costante D-ND) tools/dnd_autoricerca.py:1278: crossings = sum(1 for i in range(len(above)-1) if above[i] != above[i+1]) tools/dnd_autoricerca.py:1279: if crossings > 0: tools/dnd_autoricerca.py:1280: # Trova la scala del crossing tools/dnd_autoricerca.py:1285: # Interpolazione lineare per la scala del crossing tools/dnd_autoricerca.py:1288: print(f" {const_name} crossing a N≈{n_cross:.0f} " tools/dnd_autoricerca.py:1329: # 2. Differenza spacing tra coppie GUE-Poisson tools/dnd_autoricerca.py:1330: print(f"\n 2. Coppie GUE-Poisson:") tools/dnd_autoricerca.py:1331: gue = [e for e in reali if e.get('spacing') == 'GUE-like' and e.get('spacing_r')] tools/dnd_autoricerca.py:1332: poi = [e for e in reali if e.get('spacing') == 'Poisson-like' and e.get('spacing_r')] tools/dnd_autoricerca.py:1343: # 3. I r_diretto dei domini GUE vs Poisson come due insiemi tools/dnd_autoricerca.py:1351: print(f" GUE mean r_diretto: {mean_gue:.4f}") tools/dnd_autoricerca.py:1352: print(f" Poisson mean r_diretto: {mean_poi:.4f}") tools/dnd_autoricerca.py:1353: print(f" Ratio GUE/Poisson: {ratio:.4f}") tools/dnd_autoricerca.py:1357: # 4. Sequenza dei gap_ratio — è più costante di quanto ci si aspetterebbe? tools/dnd_autoricerca.py:1359: grs = [(e['dominio'], e['gap_ratio']) for e in reali if e.get('gap_ratio')] tools/dnd_autoricerca.py:1539: # BOUNDARY: confine GUE/Poisson — prosegui esplorando il confine tools/dnd_autoricerca.py:1718: 'gue_domains': [], # domini con spacing GUE tools/dnd_autoricerca.py:1719: 'poisson_domains': [],# domini con spacing Poisson tools/dnd_autoricerca.py:1725: if entry.get('spacing') and 'GUE' in str(entry['spacing']): tools/dnd_autoricerca.py:1727: elif entry.get('spacing') and 'Poisson' in str(entry['spacing']): tools/dnd_autoricerca.py:1850: 'gap_ratio': analisi.get('gap_ratio'), tools/dnd_autoricerca.py:1881: # I domini GUE con anomalie vengono testati sui domini Poisson e viceversa tools/dnd_autoricerca.py:1890: print(f"\n Campo vivo dopo Fase 0: {n_gue} GUE / {n_poi} Poisson") tools/dnd_autoricerca.py:1891: report_lines.append(f"\n Campo dopo Fase 0: {n_gue} GUE / {n_poi} Poisson") tools/dnd_autoricerca.py:1940: 'gap_ratio': analisi.get('gap_ratio'), tools/dnd_autoricerca.py:2017: report_lines.append(f" GUE: {n_gue} | Poisson: {n_poi} | Vincoli: {n_vinc} | Anomalie: {n_anom}") tools/dnd_autoricerca.py:2019: report_lines.append(f" Domini GUE: {', '.join(campo['gue_domains'][:10])}") tools/dnd_autoricerca.py:2020: report_lines.append(f" Domini Poisson: {', '.join(campo['poisson_domains'][:10])}") tools/dnd_autoricerca.py:2024: print(f"\n Campo vivo finale: {n_gue} GUE / {n_poi} Poisson / {n_vinc} vincoli / {n_anom} anomalie / ⟨r⟩={avg_r:.4f}") tools/dnd_autoricerca.py:2120: # 3. Segnali anomali (spacing GUE, rapporto aureo diretto, etc.) tools/dnd_zero_notturno.py:8:3. Densita' al crossing: al punto N~50K dove LVL-2 incrocia phi, cosa vale la densita'? tools/dnd_zero_notturno.py:145:def misura_crossing(scale_risultati): tools/dnd_zero_notturno.py:149: Cerca il crossing interpolando. tools/dnd_zero_notturno.py:158: return {'crossing_trovato': False} tools/dnd_zero_notturno.py:161: crossings = [] tools/dnd_zero_notturno.py:169: crossings.append({ tools/dnd_zero_notturno.py:170: 'n_crossing': float(n_cross), tools/dnd_zero_notturno.py:175: if not crossings: tools/dnd_zero_notturno.py:176: # Nessun crossing — riporta il punto piu' vicino tools/dnd_zero_notturno.py:179: 'crossing_trovato': False, tools/dnd_zero_notturno.py:186: 'crossing_trovato': True, tools/dnd_zero_notturno.py:187: 'crossings': crossings, tools/dnd_zero_notturno.py:207: crossings = [] tools/dnd_zero_notturno.py:216: crossings.append({ tools/dnd_zero_notturno.py:217: 'n_crossing': float(n_cross), tools/dnd_zero_notturno.py:234: 'zeri_trovati': len(crossings) > 0, tools/dnd_zero_notturno.py:235: 'crossings_frac': crossings, tools/dnd_zero_notturno.py:236: 'simmetria_crossings': simmetria, tools/dnd_zero_notturno.py:396: crossing = misura_crossing(scale_risultati) tools/dnd_zero_notturno.py:398: if crossing['crossing_trovato']: tools/dnd_zero_notturno.py:399: for c in crossing['crossings']: tools/dnd_zero_notturno.py:400: print(f" LVL-2 attraversa phi a N~{c['n_crossing']:,.0f}") tools/dnd_zero_notturno.py:403: print(f" Nessun crossing trovato.") tools/dnd_zero_notturno.py:404: if 'punto_piu_vicino_N' in crossing: tools/dnd_zero_notturno.py:405: print(f" Piu' vicino: N={crossing['punto_piu_vicino_N']:,} " tools/dnd_zero_notturno.py:406: f"val={crossing['punto_piu_vicino_val']:.4f} " tools/dnd_zero_notturno.py:407: f"dist={crossing['dist_phi']:.4f}") tools/dnd_zero_notturno.py:413: for z in zeri['crossings_frac']: tools/dnd_zero_notturno.py:414: print(f" +G e -G si incrociano a N~{z['n_crossing']:,.0f} " tools/dnd_zero_notturno.py:442: 'crossing': crossing, tools/dnd_M_operator.py:157: - 'V_c(phi)=0.961 vs ctrl' -> 'V_c_separation' tools/dnd_M_operator.py:165: return 'V_c_transition' tools/exp_boundary_coherence.py:5:Question: Do different observables agree on WHERE primes sit between GUE and Poisson? tools/exp_boundary_coherence.py:10: 1. Mean spacing ratio (Poisson ≈ 0.386, GUE ≈ 0.5307) tools/exp_boundary_coherence.py:11: 2. Gap variance ratio Var/μ² (Poisson = 1.0, GUE ≈ 0.178) tools/exp_boundary_coherence.py:12: 3. Small-gap fraction P(s<0.3) (Poisson ≈ 0.259, GUE ≈ 0.020) tools/exp_boundary_coherence.py:13: 4. Brody parameter β (Poisson = 0, GUE = 1) tools/exp_boundary_coherence.py:14: 5. Lag-1 autocorrelation (Poisson = 0, GUE ≈ -0.27) tools/exp_boundary_coherence.py:16:Each observable is normalized to τ ∈ [0,1] where 0=Poisson, 1=GUE. tools/exp_boundary_coherence.py:30:# GUE values from random matrix theory (GOE for real symmetric, GUE for complex) tools/exp_boundary_coherence.py:60: """Var(gaps) / mean(gaps)² — 1 for Poisson, <1 for correlated.""" tools/exp_boundary_coherence.py:113: """Normalize observable to τ ∈ [0,1] where 0=Poisson, 1=GUE.""" tools/exp_boundary_coherence.py:122: """Generate GUE spacings from random Hermitian matrices.""" tools/exp_boundary_coherence.py:126: # GUE: complex Hermitian with Gaussian entries tools/exp_boundary_coherence.py:137: """Generate Poisson spacings (exponential distribution).""" tools/exp_boundary_coherence.py:161: print("Computing GUE reference...") tools/exp_boundary_coherence.py:164: results["GUE_reference"] = { tools/exp_boundary_coherence.py:169: print("Computing Poisson reference...") tools/exp_boundary_coherence.py:172: results["Poisson_reference"] = { tools/exp_boundary_coherence.py:207: print(f"\nReference anchors (τ should be ≈ 0 for Poisson, ≈ 1 for GUE):") tools/exp_boundary_coherence.py:208: print(f" {'Observable':<20} {'Poisson τ':>10} {'GUE τ':>10}") tools/exp_boundary_coherence.py:210: pt = results["Poisson_reference"]["tau"][obs_name] tools/exp_boundary_coherence.py:211: gt = results["GUE_reference"]["tau"][obs_name] tools/exp_boundary_coherence.py:214: print(f"\nPrime gaps — τ values (0=Poisson, 1=GUE):") tools/dnd_piano11.py:3:Piano 11 — det=-1, Q(√5), and the GUE Bridge tools/dnd_piano11.py:5:Core thesis (revised): The 1D potential V(r) gives Berry-Keating form but NOT GUE. tools/dnd_piano11.py:12:Chain: M → Q(√5) → disc=5 → χ₅ → L(s,χ₅) → zeros on Re(s)=1/2 → GUE tools/dnd_piano11.py:16:P2: Verify GUE spacing statistics of L(s, χ₅) zeros tools/dnd_piano11.py:18:P4: The algebraic chain: det=-1 → disc=5 → Q(√5) → GUE (proven) tools/dnd_piano11.py:22:- Montgomery (1973): pair correlation of ζ zeros ~ GUE tools/dnd_piano11.py:24:- Rubinstein (2001): GUE for families of L-functions tools/dnd_piano11.py:150: """GUE (β=2) Wigner surmise CDF.""" tools/dnd_piano11.py:158: """Poisson CDF.""" tools/dnd_piano11.py:162: """GUE nearest-neighbor PDF.""" tools/dnd_piano11.py:192:# ─── P2: GUE statistics of L(s, χ₅) zeros ────────────────────────────── tools/dnd_piano11.py:196: Compute normalized nearest-neighbor spacings and test against GUE/GOE/Poisson. tools/dnd_piano11.py:205: ks_gue = ks_test_against(norm_spacings, gue_cdf, "GUE") tools/dnd_piano11.py:207: ks_poi = ks_test_against(norm_spacings, poisson_cdf, "Poisson") tools/dnd_piano11.py:219: "GUE_variance_ref": 0.178, tools/dnd_piano11.py:248: # Both vs GUE tools/dnd_piano11.py:249: ks_zeta_gue = ks_test_against(zeta_norm, gue_cdf, "GUE") tools/dnd_piano11.py:250: ks_L_gue = ks_test_against(L_norm, gue_cdf, "GUE") tools/dnd_piano11.py:277: "variance_GUE_ref": 0.178, tools/dnd_piano11.py:293:# ─── P4: Algebraic chain M → Q(√5) → L(s,χ₅) → GUE ──────────────────── tools/dnd_piano11.py:297: Prove the algebraic chain connecting D-ND matrix to GUE. tools/dnd_piano11.py:330: # This is the SAME type of symmetry as ζ → same universality class (GUE) tools/dnd_piano11.py:341: # → L(s, χ_{-3}), which ALSO has GUE zeros but different arithmetic. tools/dnd_piano11.py:409: "to": "Zeros follow GUE statistics", tools/dnd_piano11.py:412: "theorem": "All primitive L-functions have GUE zero statistics (conjectured, overwhelming numerical evidence)", tools/dnd_piano11.py:428: "ζ_{Q(√5)} = ζ·L(s,χ₅). By the Katz-Sarnak philosophy, L(s,χ₅) has GUE zero statistics. " tools/dnd_piano11.py:429: "Therefore: D-ND matrix → Q(√5) → L(s,χ₅) → GUE. " tools/dnd_piano11.py:477: "produces": "GUE spacing statistics", tools/dnd_piano11.py:486: "N_fluct comes from det(M)=-1 (the 2D anti-symplectic structure, giving GUE). " tools/dnd_piano11.py:494: "spectral": "GUE universality class (from L(s,χ₅))" tools/dnd_piano11.py:497: "gap_ratio": float(phi**2), tools/dnd_piano11.py:526: print("Piano 11 — det=-1, Q(√5), and the GUE Bridge\n") tools/dnd_piano11.py:540: print(f" Variance: {p2['variance']:.4f} (GUE ref: 0.178, GOE ref: 0.286)") tools/dnd_piano11.py:541: print(f" KS vs GUE: {p2['ks_gue']['KS']:.4f} (p={p2['ks_gue']['p']:.4f})") tools/dnd_piano11.py:554: print(f" L(s,χ₅) vs GUE: KS={p3['ks_L_vs_gue']['KS']:.4f}") tools/dnd_piano11.py:555: print(f" ζ vs GUE: KS={p3['ks_zeta_vs_gue']['KS']:.4f}") tools/dnd_piano11.py:562: print("P4: Algebraic chain M → Q(√5) → L(s,χ₅) → GUE...") tools/dnd_piano11.py:581: if has_numerical and p2_data["best_fit"] == "GUE": tools/dnd_piano11.py:582: verdict = "CONFERMATO: L(s,χ₅) → GUE. La catena D-ND → Q(√5) → GUE è completa." tools/dnd_piano11.py:585: verdict = "PARZIALE: L(s,χ₅) → GOE. Convergenza a GUE attesa per più zeri." tools/dnd_piano11.py:590: "STRUTTURALE: La catena algebrica M → Q(√5) → L(s,χ₅) → GUE è dimostrata. " tools/dnd_piano11.py:598: results["piano"] = "piano11-Q-sqrt5-GUE" tools/dnd_piano11.py:603: "thesis": "det(M)=-1 connects D-ND to GUE through the number field Q(√5)", tools/dnd_piano11.py:604: "chain": "M → char poly λ²-λ-1 → disc=5 → Q(√5) → ζ_{Q(√5)} = ζ·L(s,χ₅) → GUE", tools/dnd_piano11.py:612: "Piano 11 shows det=-1 gives the FLUCTUATIONS (GUE via Q(√5)). " tools/dnd_projective_quantization.py:209: # con statistiche CRITICHE (né Poisson né GUE — esattamente al confine) tools/dnd_projective_quantization.py:211: V_coupling = 2.0 # forza del potenziale quasiperiodico tools/dnd_projective_quantization.py:215: fib_seq = np.array([int(np.floor((i+1)/PHI)) - int(np.floor(i/PHI)) for i in range(N)]) tools/dnd_projective_quantization.py:220: H[i, i] = V_coupling * fib_seq[i] tools/dnd_projective_quantization.py:229: print(f" V = {V_coupling}, t = {t_hop}") tools/dnd_projective_quantization.py:257: closer = "GUE" if d_gue < d_poi else "Poisson" tools/dnd_projective_quantization.py:259: # Critical statistics (Fibonacci): ≈ 0.50 (tra GUE e Poisson) tools/dnd_projective_quantization.py:309: # D. Confronto: Fibonacci vs GUE vs Poisson tools/dnd_projective_quantization.py:314: # D1. Random matrix GUE tools/dnd_projective_quantization.py:315: print("\n--- GUE reference ---") tools/dnd_projective_quantization.py:321: spacing_stats(eigs_gue, f"GUE N={N}") tools/dnd_projective_quantization.py:323: # D2. Potenziale random (Anderson → Poisson) tools/dnd_projective_quantization.py:324: print("\n--- Anderson (Poisson reference) ---") tools/dnd_projective_quantization.py:338: print("V=0 → metallico (GUE), V→∞ → localizzato (Poisson)") tools/dnd_projective_quantization.py:342: fib_seq = np.array([int(np.floor((i+1)/PHI)) - int(np.floor(i/PHI)) for i in range(N)]) tools/dnd_projective_quantization.py:366:dato da φ) produce uno spettro CRITICO — al confine esatto tra GUE e tools/dnd_projective_quantization.py:367:Poisson. Questo è il "dove la curva diventa angolo": tools/dnd_projective_quantization.py:378:disordine, tra GUE e Poisson. tools/LAB_COGNITIVE_CONTAMINATION.md:59:- concetti: terzo incluso, GUE/Poisson, non-phi generator, graph curvature, tools/LAB_COGNITIVE_CONTAMINATION.md:62: precede la classificazione spettrale GUE/Poisson; tools/LAB_COGNITIVE_CONTAMINATION.md:109: - "VALIDA contro baseline GUE, Poisson e generatori sintetici." tools/LAB_COGNITIVE_CONTAMINATION.md:111: quando: "il ciclo lavora su boundary, GUE/Poisson o trasferibilita' phi" tools/LAB_COGNITIVE_CONTAMINATION.md:255: quando: "prima del prossimo ciclo su GUE/Poisson/non-phi" tools/exp_vc_null_regression_gate.py:3:Regression gate for the quasiperiodic V_c null. tools/exp_vc_null_regression_gate.py:5:The previous V_c curve map separated metallic curve shape from balanced random, tools/exp_vc_null_regression_gate.py:7:and curves with an internal crossing. This tool separates those events and adds tools/exp_vc_null_regression_gate.py:8:a stricter surrogate: random words are accepted only when their spectral tools/exp_vc_null_regression_gate.py:9:gap-label set overlaps the matched Sturmian reference. tools/exp_vc_null_regression_gate.py:52:def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: tools/exp_vc_null_regression_gate.py:54: crossing_count = int(np.sum(below[1:] != below[:-1])) tools/exp_vc_null_regression_gate.py:55: r_floor = float(r_values[0]) tools/exp_vc_null_regression_gate.py:59: event = "floor_hit" tools/exp_vc_null_regression_gate.py:60: vc_interp = float(v_values[0]) tools/exp_vc_null_regression_gate.py:64: vc_interp = None tools/exp_vc_null_regression_gate.py:72: vc_interp = v1 tools/exp_vc_null_regression_gate.py:75: vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) tools/exp_vc_null_regression_gate.py:78: if crossing_count > 1 and event == "internal_cross": tools/exp_vc_null_regression_gate.py:83: "crossing_count": crossing_count, tools/exp_vc_null_regression_gate.py:84: "vc_interp": None if vc_interp is None else float(vc_interp), tools/exp_vc_null_regression_gate.py:86: "r_floor": r_floor, tools/exp_vc_null_regression_gate.py:103:def label_preserving_surrogate( tools/exp_vc_null_regression_gate.py:132: vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] tools/exp_vc_null_regression_gate.py:139: "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, tools/exp_vc_null_regression_gate.py:141: "vc_median": float(np.median(vc_values)) if vc_values else None, tools/exp_vc_null_regression_gate.py:142: "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, tools/exp_vc_null_regression_gate.py:143: "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, tools/exp_vc_null_regression_gate.py:145: "r_floor_median": float(np.median([row["r_floor"] for row in group])), tools/exp_vc_null_regression_gate.py:181: surrogate, score, size = label_preserving_surrogate(reference, reference_labels, rng, args) tools/exp_vc_null_regression_gate.py:182: seqs.append(("label_preserving_surrogate", trial, surrogate, score, size)) tools/exp_vc_null_regression_gate.py:196: **crossing_event(v_values, r_values, threshold), tools/exp_vc_null_regression_gate.py:204: "experiment": "vc_null_regression_gate", tools/exp_vc_null_regression_gate.py:248: parser.add_argument("--out", default="tools/data/vc_null_regression_gate_20260509_0637.json") tools/exp_vc_null_regression_gate.py:261: "floor_hit_rate": data["floor_hit_rate"], tools/exp_vc_null_regression_gate.py:262: "vc_median": data["vc_median"], tools/exp_vc_null_regression_gate.py:263: "r_floor_median": data["r_floor_median"], tools/exp_cross_observable_consistency.py:17:5. GUE control: synthetic GUE eigenvalues (should show β_r ≈ β_Σ ≈ 1) tools/exp_cross_observable_consistency.py:21: contributes more at large scales, pulling Σ² toward Poisson faster tools/exp_cross_observable_consistency.py:107:# ── GUE control (small ensemble) ──────────────────────────────────── tools/exp_cross_observable_consistency.py:109: """Generate GUE eigenvalue gaps.""" tools/exp_cross_observable_consistency.py:115: # Unfold: for GUE bulk, spacing ~ semicircle tools/exp_cross_observable_consistency.py:169:# ── Measure GUE (positive control) ────────────────────────────────── tools/exp_cross_observable_consistency.py:170:print("\n=== GUE (positive control) ===") tools/exp_cross_observable_consistency.py:176:# For GUE, unfold eigenvalues directly tools/exp_cross_observable_consistency.py:215:# GUE tools/exp_cross_observable_consistency.py:217:print(f"{'GUE':<12} {beta_r_gue:>6.3f} | " + " | ".join(f"{v:>9}" for v in vals_gue)) tools/exp_cross_observable_consistency.py:227:print(f" GUE: {disagree_gue:.3f}") tools/exp_cross_observable_consistency.py:232:print(f" (positive = more GUE-like at short range, more Poisson-like at long range)") tools/dnd_domandatore.py:187:print("alpha (0=Sturmian, 1=Harper) vs at V=1:") tools/dnd_domandatore.py:198: 'criterio': 'La transizione Sturmian->Harper e\' continua (il terzo incluso esiste)', tools/dnd_domandatore.py:304:print("V_c scaling with N — phi vs silver:") tools/dnd_domandatore.py:312: print(f" N={N:4d}: V_c={vc:.3f}" if vc else f" N={N:4d}: V_c=None") tools/dnd_domandatore.py:323: 'criterio': 'V_c(phi) converge a 1.0 per N->inf, V_c(Silver) a >1', tools/dnd_domandatore.py:510: for metric in ('V_c', 'r_at_V1', 'err', 'value'): tools/dnd_domandatore.py:517: if metric == 'V_c': tools/dnd_domandatore.py:525: 'claim': f'V_c(phi)={phi_v:.3f} vs media ctrl={ctrl_mean:.3f} — phi {rapporto:.1f}x piu\' vicino a V=1. {result["criterio"][:30]}', tools/exp_gap_label_generator_gate.py:51:def markov_surrogate(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: tools/exp_gap_label_generator_gate.py:79: "markov_phi": markov_surrogate(phi, rng), tools/exp_desitter_unification.py:135:print(f"\nComputing {N_SURROGATES} Cramer surrogates...") tools/exp_desitter_unification.py:171: print(f" Cramer surrogate {i+1}/{N_SURROGATES}") tools/exp_desitter_unification.py:173:print(f"\nComputing {N_SURROGATES} shuffled surrogates...") tools/exp_desitter_unification.py:194: print(f" Shuffled surrogate {i+1}/{N_SURROGATES}") tools/exp_desitter_unification.py:273: "n_surrogates": N_SURROGATES, tools/exp_desitter_unification.py:280: "n_surrogates": N_SURROGATES, tools/dnd_zeros_vs_zeta.py:18: b. GUE eigenvalue spacings (random matrix theory) tools/dnd_zeros_vs_zeta.py:19: c. Poisson (random) spacings tools/dnd_zeros_vs_zeta.py:22:If D-ND zeros match GUE/zeta: structural connection confirmed. tools/dnd_zeros_vs_zeta.py:23:If D-ND zeros match Poisson: no connection, just noise. tools/dnd_zeros_vs_zeta.py:123: """Generate GUE eigenvalue spacings for comparison.""" tools/dnd_zeros_vs_zeta.py:126: # GUE: complex Hermitian matrix with Gaussian entries tools/dnd_zeros_vs_zeta.py:139: """Generate Poisson (uncorrelated) spacings.""" tools/dnd_zeros_vs_zeta.py:159: GUE: ≈ 0.5996 tools/dnd_zeros_vs_zeta.py:160: Poisson: ≈ 0.3863 tools/dnd_zeros_vs_zeta.py:220: print(f" GUE: {len(s_gue)} spacings") tools/dnd_zeros_vs_zeta.py:221: print(f" Poisson: {len(s_poisson)} spacings") tools/dnd_zeros_vs_zeta.py:227: print(f"{'Distribution':<25} {'':<8} {'KS vs zeta':<12} {'p-value':<12} {'KS vs GUE':<12} {'p vs GUE':<12}") tools/dnd_zeros_vs_zeta.py:249: print(f"{'GUE (RMT)':<25} {r_gue:<8.4f} {ks_gg:<12.4f} {p_gg:<12.4e} {'---':<12} {'---':<12}") tools/dnd_zeros_vs_zeta.py:254: print(f"{'Poisson (random)':<25} {r_poisson:<8.4f} {ks_pz:<12.4f} {p_pz:<12.4e} {ks_pg:<12.4f} {p_pg:<12.4e}") tools/dnd_zeros_vs_zeta.py:262: print(f"\nReference values: GUE ≈ 0.5996 | Poisson ≈ 0.3863") tools/dnd_zeros_vs_zeta.py:325: ax3.hist(s_gue, bins=bins, density=True, alpha=0.3, label='GUE (RMT)', color='green') tools/dnd_zeros_vs_zeta.py:326: ax3.hist(s_poisson, bins=bins, density=True, alpha=0.3, label='Poisson', color='gray') tools/dnd_zeros_vs_zeta.py:347: labels = ['Zeta', 'GUE', 'Poisson', 'Synth'] tools/dnd_zeros_vs_zeta.py:358: ax5.axhline(0.5996, color='green', linestyle='--', linewidth=1, label='GUE expected') tools/dnd_zeros_vs_zeta.py:359: ax5.axhline(0.3863, color='gray', linestyle='--', linewidth=1, label='Poisson expected') tools/dnd_zeros_vs_zeta.py:361: ax5.set_title('Spacing Ratio Statistic\n(GUE ≈ 0.60, Poisson ≈ 0.39)') tools/dnd_zeros_vs_zeta.py:396: # Determine if D-ND is closer to GUE/zeta or Poisson tools/dnd_zeros_vs_zeta.py:413: print(f" Distance to GUE: {gue_dist:.4f}") tools/dnd_zeros_vs_zeta.py:414: print(f" Distance to Poisson: {poisson_dist:.4f}") tools/dnd_zeros_vs_zeta.py:418: print(f"\n → D-ND zeros are CLOSER TO GUE/ZETA than to random") tools/lab_agent.sh:599:# dichiarati nel `observable_contract` (es. event_type/vc_interp/r_floor). tools/lab_agent.sh:683: 'floor', tools/dnd_occhio.py:246: 'context': 'Zero signature across domains — phi-crossings CV analysis', tools/exp_quasiperiodic_gap_ratio_denominator.py:3:Stratified denominator audit for the quasiperiodic gap_ratio claim. tools/exp_quasiperiodic_gap_ratio_denominator.py:10:N, Sturmian phase, threshold, metallic control, and a balanced random baseline. tools/exp_quasiperiodic_gap_ratio_denominator.py:30: vals = np.floor(idx * theta + phase) tools/exp_quasiperiodic_gap_ratio_denominator.py:143: "experiment": "quasiperiodic_gap_ratio_denominator", tools/exp_quasiperiodic_gap_ratio_denominator.py:165: parser.add_argument("--out", default="tools/data/quasiperiodic_gap_ratio_denominator_20260508_0330.json") tools/exp_boundary_shuffle_audit.py:2:exp_boundary_shuffle_audit.py — Is the GUE/Poisson classification tautological? tools/exp_boundary_shuffle_audit.py:16:Domains: primes, zeta zeros, random matrix (GUE), Fibonacci spectrum, tools/exp_boundary_shuffle_audit.py:17: logistic map, Poisson, coupled oscillators, percolation, tools/exp_boundary_shuffle_audit.py:83: """GUE random matrices — eigenvalue spacings.""" tools/exp_boundary_shuffle_audit.py:100: """Poisson process — exponential spacings.""" tools/exp_boundary_shuffle_audit.py:170: """Brownian motion — gaps between level crossings.""" tools/exp_boundary_shuffle_audit.py:172: crossings = np.where(np.diff(np.sign(walk)))[0] tools/exp_boundary_shuffle_audit.py:173: if len(crossings) < 10: tools/exp_boundary_shuffle_audit.py:175: return np.diff(crossings).astype(float) tools/exp_boundary_shuffle_audit.py:238:R_GUE = 0.5307 # 4 - 2√3 ≈ 0.5359 for GOE; for GUE: 2π/(3√3 + 4π/3) ≈ 0.5307 approx tools/exp_boundary_shuffle_audit.py:244: 'gue': ('GUE random matrix', gen_gue_eigenvalues), tools/exp_boundary_shuffle_audit.py:245: 'poisson': ('Poisson process', gen_poisson), tools/exp_boundary_shuffle_audit.py:250: 'brownian': ('Brownian zero-crossings', gen_brownian), tools/exp_boundary_shuffle_audit.py:275: dist_gue = abs(res['r_original'] - R_GUE) tools/exp_boundary_shuffle_audit.py:277: res['class_original'] = 'GUE' if dist_gue < dist_poi else 'Poisson' tools/exp_boundary_shuffle_audit.py:279: dist_gue_s = abs(res['r_shuffled_mean'] - R_GUE) tools/exp_boundary_shuffle_audit.py:281: res['class_shuffled'] = 'GUE' if dist_gue_s < dist_poi_s else 'Poisson' tools/exp_boundary_shuffle_audit.py:308: print(f" SUMMARY: GUE/Poisson Classification Shuffle Audit") tools/exp_boundary_shuffle_audit.py:336: print(f"\n R_GUE = {R_GUE:.4f}, R_Poisson = {R_POISSON:.4f}") tools/exp_boundary_shuffle_audit.py:355: 'reference': {'R_GUE': R_GUE, 'R_Poisson': R_POISSON}, tools/data/reports/insights_20260315_0346.json:53: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260315_0346.json:58: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/insights_20260315_0346.json:99: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260315_0346.json:101: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/LAB_OPERATOR_PALETTE.md:19:- Non partire da phi, gap label, GUE o Poisson se sono gia' nel ciclo tools/LAB_OPERATOR_PALETTE.md:266:- surrogate con stessa distribuzione; tools/LAB_OPERATOR_PALETTE.md:276:- GUE; tools/LAB_OPERATOR_PALETTE.md:279:- Poisson; tools/LAB_OPERATOR_PALETTE.md:299:- Poisson synthetic; tools/LAB_OPERATOR_PALETTE.md:300:- GUE synthetic; tools/LAB_OPERATOR_PALETTE.md:307:- GUE/Poisson e' spesso un piano di proiezione, non una sorgente. Se diventa tools/LAB_OPERATOR_PALETTE.md:373:- same PSD surrogate; tools/LAB_OPERATOR_PALETTE.md:376:- noise floor. tools/LAB_OPERATOR_PALETTE.md:469:- scale-free surrogate; tools/LAB_OPERATOR_PALETTE.md:546:GUE/Poisson/non-phi. tools/LAB_OPERATOR_PALETTE.md:553:- Punto-zero: confine prima che venga classificato GUE o Poisson. tools/exp_perturbation_dimensionality_audit.py:7:The 2026-05-06 03:30 run found that GUE spacing sequences expose a second tools/exp_perturbation_dimensionality_audit.py:9:to one axis. That run used a short GUE sequence. This tool repeats the same tools/exp_perturbation_dimensionality_audit.py:314: "question": "Is the GUE second perturbation axis stable across independent ensembles and sample-size controls?", tools/exp_perturbation_dimensionality_audit.py:336: print("\nGUE independent replicates") tools/exp_nonphi_sturmian_fixed_reader_gate.py:3:Non-phi Sturmian gate with fixed phi reader. tools/exp_nonphi_sturmian_fixed_reader_gate.py:8:and changes the Sturmian generator slope. A native-reader control is included tools/data/reports/agent_20260410_0330.md:1:# Agent Report — The 1/k Amplitude Decays: A(p) Predicts Poisson at p* ~ 10^{12.6} tools/data/reports/agent_20260410_0330.md:15:But POISSON_CONVERGENCE says all observables trend toward Poisson at p* ~ 10^{13-14}. tools/data/reports/agent_20260410_0330.md:25:- **Null baseline**: 15 shuffled surrogates per window (order destroyed, distribution preserved) tools/data/reports/agent_20260410_0330.md:43:All z-scores > 6. Shuffled surrogates give A ~ 0 at every scale. tools/data/reports/agent_20260410_0330.md:52:2. **Poisson crossover at p* ~ 4 x 10^{12} (log10 p* = 12.6).** tools/data/reports/agent_20260410_0330.md:80: Predicts Poisson crossover at p* ~ 10^{12.6}, consistent with independent estimates. tools/dnd_research_engine.py:144: 'content': 'D-ND dynamics show GUE-like level repulsion in zero spacing (⟨r⟩≈0.84)', tools/dnd_research_engine.py:158: {'id': 'O2', 'content': 'GUE-like spacing in D-ND zeros', 'source': 'dnd_zeros_vs_zeta.py'}, tools/dnd_research_engine.py:277: f'show GUE-like level repulsion (⟨r⟩ ≈ 0.60)', tools/dnd_research_engine.py:283: # H3: Non-crossing in phase space tools/dnd_research_engine.py:285: 'name': f'{normalized["concept"]}: topological non-crossing', tools/dnd_research_engine.py:400: 'n_crossings': res['n_crossings'], tools/dnd_research_engine.py:405: if res['n_crossings'] < 4: tools/dnd_research_engine.py:406: results['note'] = 'Too few crossings' tools/dnd_research_engine.py:438: """Test spacing statistics (GUE vs Poisson).""" tools/dnd_research_engine.py:462: zero_crossings = [] tools/dnd_research_engine.py:465: zero_crossings.append(sol.t[i]) tools/dnd_research_engine.py:467: if len(zero_crossings) < 10: tools/dnd_research_engine.py:471: zeros = np.array(zero_crossings) tools/dnd_research_engine.py:490: 'n_zeros': len(zero_crossings), tools/dnd_research_engine.py:675: 'prediction': 'Spacing statistics at D↔ND transition show GUE-like repulsion', tools/exp_dipolar_angle_reference.py:3:exp_dipolar_angle_reference.py — Dipolar angle of GUE, Poisson, and primes tools/exp_dipolar_angle_reference.py:6:1. Pure GUE eigenvalue spacings (GOE/GUE unfolded) tools/exp_dipolar_angle_reference.py:7:2. Pure Poisson (exponential iid) tools/exp_dipolar_angle_reference.py:13:unique or just a position on the GUE-Poisson continuum? tools/exp_dipolar_angle_reference.py:80: """Generate gaps from GUE eigenvalues (unfolded).""" tools/exp_dipolar_angle_reference.py:83: # GUE: complex Hermitian random matrix tools/exp_dipolar_angle_reference.py:116: """Generate iid exponential gaps (Poisson process).""" tools/exp_dipolar_angle_reference.py:153: # 2. GUE tools/exp_dipolar_angle_reference.py:154: print(f"Generating GUE gaps (n_trials={n_trials})...") tools/exp_dipolar_angle_reference.py:163: print(f" GUE trial {t+1}/{n_trials}: theta = {theta:.1f}") tools/exp_dipolar_angle_reference.py:165: results['GUE'] = { tools/exp_dipolar_angle_reference.py:171: print(f" GUE: theta = {np.mean(gue_thetas):.1f} +/- {np.std(gue_thetas):.1f} deg") tools/exp_dipolar_angle_reference.py:193: # 4. Poisson tools/exp_dipolar_angle_reference.py:194: print(f"Generating Poisson gaps (n_trials={n_trials})...") tools/exp_dipolar_angle_reference.py:203: print(f" Poisson trial {t+1}/{n_trials}: theta = {theta:.1f}") tools/exp_dipolar_angle_reference.py:205: results['Poisson'] = { tools/exp_dipolar_angle_reference.py:211: print(f" Poisson: theta = {np.mean(poi_thetas):.1f} +/- {np.std(poi_thetas):.1f} deg") tools/exp_dipolar_angle_reference.py:240: print(f"{'GUE':<12} {results['GUE']['theta_mean']:>7.1f} +/- {results['GUE']['theta_std']:>5.1f} {results['GUE']['SR_mean']:<10.4f} {results['GUE']['L1_mean']:<10.4f}") tools/exp_dipolar_angle_reference.py:242: print(f"{'Poisson':<12} {results['Poisson']['theta_mean']:>7.1f} +/- {results['Poisson']['theta_std']:>5.1f} {results['Poisson']['SR_mean']:<10.4f} {results['Poisson']['L1_mean']:<10.4f}") tools/exp_dipolar_angle_reference.py:247: for name in ['GUE', 'GOE', 'Poisson', 'Cramer']: tools/exp_number_variance.py:4:Tests whether the GUE->Poisson drift (seen in gap ratio) is confirmed tools/exp_number_variance.py:7:GUE: Sigma^2(L) ~ (2/pi^2) * ln(L) + const (logarithmic) tools/exp_number_variance.py:8:Poisson: Sigma^2(L) = L (linear) tools/exp_number_variance.py:10:If primes drift toward Poisson at large scale, the number variance tools/exp_number_variance.py:56: """Poisson prediction: Sigma^2 = L.""" tools/exp_number_variance.py:60: """GUE prediction: Sigma^2 ~ (2/pi^2) * ln(L) + 0.44 (approximate).""" tools/exp_number_variance.py:83: # Shuffled baseline (destroy correlations -> Poisson-like) tools/exp_number_variance.py:118: print(f" Log-fit slope (primes): {coeffs_prime[0]:.4f} (GUE={2/np.pi**2:.4f})") tools/exp_number_variance.py:123: print(f" Better fit: {'LOG (GUE-like)' if r2_log > r2_lin else 'LINEAR (Poisson-like)'}") tools/exp_number_variance.py:125: print(f"\n L | Σ²_prime | Σ²_shuf | Σ²_GUE | Σ²_Poisson") tools/exp_number_variance.py:151:# Key metric: does log_slope increase with scale? (would mean moving away from GUE) tools/exp_number_variance.py:158: print(f" GUE value: {2/np.pi**2:.4f}") tools/exp_number_variance.py:159: print(f" If trend > 0: number variance grows faster at large scale -> MORE Poisson") tools/exp_number_variance.py:160: print(f" If trend ~ 0: stable -> GUE character preserved") tools/exp_number_variance.py:166: "claim_under_test": "BOUNDARY: GUE->Poisson drift in primes", tools/exp_number_variance.py:167: "method": "Number variance Sigma^2(L) at 5 scales, compared with GUE and Poisson predictions", tools/dnd_experiments.py:39: H < 0.5: anti-persistente (molti crossing) tools/dnd_experiments.py:41: H > 0.5: persistente (pochi crossing) tools/dnd_experiments.py:118: - H < 0.5 → molti crossing → scissione ricca tools/dnd_experiments.py:119: - H > 0.5 → pochi crossing → scissione povera tools/dnd_experiments.py:139: # Conta zero crossings della mediana tools/dnd_experiments.py:142: crossings = np.sum(np.diff(above.astype(int)) != 0) tools/dnd_experiments.py:159: 'gap_ratio': obs.get('gap_ratio_medio'), tools/dnd_experiments.py:165: 'crossings': int(crossings), tools/dnd_experiments.py:174: print(f" H={H:.1f} H_est={H_est:.3f} crossings={crossings:4d} " tools/dnd_experiments.py:189: # Monotonia: crossings decresce con H? tools/dnd_experiments.py:190: crossings_list = [results[f'H={h:.1f}']['crossings'] for h in H_values] tools/dnd_experiments.py:191: monotone_decreasing = all(crossings_list[i] >= crossings_list[i+1] tools/dnd_experiments.py:192: for i in range(len(crossings_list) - 1)) tools/dnd_experiments.py:201: 'crossings_monotone': monotone_decreasing, tools/dnd_experiments.py:225:# ESPERIMENTO 2: Boundary GUE/Poisson — Il terzo incluso tools/dnd_experiments.py:230: Testa H_boundary: esiste una transizione GUE→Poisson tools/dnd_experiments.py:240: print("ESPERIMENTO: Boundary GUE/Poisson (Ising T-sweep)") tools/dnd_experiments.py:302: gap_ratio = None tools/dnd_experiments.py:307: gap_ratio = obs.get('gap_ratio_medio') tools/dnd_experiments.py:316: 'gap_ratio': gap_ratio, tools/dnd_experiments.py:372: print("ESPERIMENTO: Boundary GUE/Poisson (Logistica r-sweep)") tools/dnd_experiments.py:414: gap_ratio = None tools/dnd_experiments.py:419: gap_ratio = obs.get('gap_ratio_medio') tools/dnd_experiments.py:439: 'gap_ratio': gap_ratio, tools/dnd_experiments.py:481:# ESPERIMENTO 3: Order parameter — r_diretto separa GUE/Poisson? tools/dnd_experiments.py:487: che separa GUE da Poisson? tools/dnd_experiments.py:490: - Domini GUE hanno r_diretto in un range tools/dnd_experiments.py:491: - Domini Poisson hanno r_diretto in un altro range tools/dnd_experiments.py:513: # Classifica GUE vs Poisson (soglia standard: 0.53) tools/dnd_experiments.py:514: GUE_THRESHOLD = 0.53 tools/dnd_experiments.py:515: gue = [(d, sp, r) for d, sp, r, _ in domains if sp > GUE_THRESHOLD] tools/dnd_experiments.py:516: poisson = [(d, sp, r) for d, sp, r, _ in domains if sp <= GUE_THRESHOLD] tools/dnd_experiments.py:518: print(f"\n GUE ({len(gue)} domini):") tools/dnd_experiments.py:522: print(f"\n Poisson ({len(poisson)} domini):") tools/dnd_experiments.py:546: print(f" r_diretto GUE: {mean_gue:.4f} ± {std_gue:.4f} range=[{gue_range[0]:.4f}, {gue_range[1]:.4f}]") tools/dnd_experiments.py:547: print(f" r_diretto Poisson: {mean_poisson:.4f} ± {std_poisson:.4f} range=[{poisson_range[0]:.4f}, {poisson_range[1]:.4f}]") tools/dnd_experiments.py:549: print(f" r_diretto SEPARA GUE/Poisson: {'SÌ' if separates else 'NO'}") tools/dnd_experiments.py:683: entry['gap_ratio'] = obs.get('gap_ratio_medio') tools/dnd_experiments.py:684: entry['gap_ratio_ultimo'] = obs.get('gap_ratio_ultimo') tools/dnd_experiments.py:699: gr = entry.get('gap_ratio', 0) tools/dnd_experiments.py:714: gr_data = [(v['T_ratio'], v['gap_ratio']) for v in results.values() tools/dnd_experiments.py:715: if v.get('gap_ratio') and v['gap_ratio'] < 100] tools/dnd_experiments.py:1031: # Per spacings (zeta, GUE): il segnale È gli intervalli tools/exp_boundary_growth.py:13: - GUE (correlated): ~ 0.5307 tools/exp_boundary_growth.py:14: - Poisson (uncorrelated): ~ 0.3863 tools/exp_boundary_growth.py:25:def gap_ratio(gaps): tools/exp_boundary_growth.py:49: return gap_ratio(shuffled) tools/exp_boundary_growth.py:82: r_prime = gap_ratio(gaps) tools/exp_boundary_growth.py:90: r_cramer_list.append(gap_ratio(cramer_gaps)) tools/exp_boundary_growth.py:158: # Key question: do primes approach GUE or Poisson at large scale? tools/exp_boundary_growth.py:159: GUE_R = 0.5307 tools/exp_boundary_growth.py:165: print(f"GUE reference: {GUE_R}") tools/exp_boundary_growth.py:166: print(f"Poisson reference: {POISSON_R}") tools/exp_boundary_growth.py:167: print(f"Position: {'closer to GUE' if abs(r_large - GUE_R) < abs(r_large - POISSON_R) else 'closer to Poisson'}") tools/build_agent_field.py:272: phi/Sturmian. Questa sezione rende esplicita la fase di respiro: tools/build_agent_field.py:306: "locale phi/Sturmian o altro: cambia piano, cerca nel grafo/incrocio, " tools/build_agent_field.py:1276: "Un pattern in distribuzioni classiche (primi, GUE, random walk, Markov chain, " tools/build_agent_field.py:1280: "per GUE level statistics, Erdos-Kac per distribuzioni aritmetiche). Se non lo " tools/dnd_paper_refactor.py:387: "chain": "|NT⟩ → closure → det=-1 → φ → GUE → differentiated reality", tools/exp_acf_range_universality.py:11:Domains: primes, GUE, GOE, Poisson, primes_shuffled. tools/exp_acf_range_universality.py:14:Reusable: --n_primes, --max_lag_prime, --max_lag_other, --n_surrogates. tools/exp_acf_range_universality.py:69:def generate_rmt_spacings(N, n_mat, ensemble='GUE'): tools/exp_acf_range_universality.py:74: if ensemble == 'GUE': tools/exp_acf_range_universality.py:95: parser.add_argument("--n_surrogates", type=int, default=15) tools/exp_acf_range_universality.py:148: # Shuffled surrogate extended ACF tools/exp_acf_range_universality.py:149: print("\n Shuffled surrogates (extended):") tools/exp_acf_range_universality.py:151: for i in range(args.n_surrogates): tools/exp_acf_range_universality.py:169: print("Generating GUE spacings...") tools/exp_acf_range_universality.py:170: gue_gaps = generate_rmt_spacings(N_rmt, n_mat_rmt, 'GUE') tools/exp_acf_range_universality.py:182: 'GUE': gue_gaps, tools/exp_acf_range_universality.py:184: 'Poisson': poisson_gaps, tools/exp_acf_range_universality.py:254: for _ in range(args.n_surrogates): tools/dnd_trace_bridge_v3.py:68: Restituisce: differenza, crossings, frequenza dominante. tools/dnd_trace_bridge_v3.py:80: n_crossings = len(sign_changes) tools/dnd_trace_bridge_v3.py:103: "n_crossings": n_crossings, tools/dnd_trace_bridge_v3.py:155: crossings = np.array([r['n_crossings'] for r in results], dtype=float) tools/dnd_trace_bridge_v3.py:160: print(f" Crossings: media={np.mean(crossings):.2f} std={np.std(crossings):.2f}") tools/dnd_trace_bridge_v3.py:164: return freqs, crossings, osc, decay tools/dnd_trace_bridge_v3.py:181: closer = "GUE" if d_gue < d_poi else "Poisson" tools/dnd_trace_bridge_v3.py:196: cross_k.append(r['n_crossings']) tools/dnd_trace_bridge_v3.py:205: closer = "GUE" if d_gue < d_poi else "Poi" tools/dnd_trace_bridge_v3.py:207: print(f" k={k:3d}: crossings={np.mean(cross_k):.1f}±{np.std(cross_k):.1f} " tools/dnd_trace_bridge_v3.py:335: print(f" Spacing dei ratio (zeta): ={stats_rz['mean_r']:.4f} → {'GUE' if d_gue < d_poi else 'Poi'}") tools/dnd_trace_bridge_v3.py:339: print(f" Spacing dei ratio (random): ={stats_rr['mean_r']:.4f} → {'GUE' if d_gue < d_poi else 'Poi'}") tools/dnd_trace_bridge_v3.py:348:v2 mostrava GUE ovunque per zeta — ma era tautologico ( invariante monotono). tools/data/reports/agent_20260424_0330.md:1:# Agent Report — Two Kinds of GUE: Distribution-Level vs Ordering-Level Classification tools/data/reports/agent_20260424_0330.md:8:> The GUE/Poisson classification of 13 domains is treated as a structural finding. But is it a property of sequential correlations (genuine) or of the gap distribution shape alone (tautological)? tools/data/reports/agent_20260424_0330.md:11:If I shuffle the gap sequence of each domain (destroying ordering, preserving distribution), does the GUE/Poisson classification survive? tools/data/reports/agent_20260424_0330.md:17:- **Scope**: 10 domains (primes, GUE matrices, Poisson, logistic, Fibonacci spectrum, Ising 2D, percolation, Brownian, coupled oscillators, cellular automata) tools/data/reports/agent_20260424_0330.md:18:- **Reference**: R_GUE = 0.5307, R_Poisson = 0.3863 tools/data/reports/agent_20260424_0330.md:24:| primes | 100K | 0.4622 | 0.4813 | -26.6 | GUE | GUE | STRUCTURAL | tools/data/reports/agent_20260424_0330.md:25:| gue | 5K | 0.5995 | 0.6351 | -14.7 | GUE | GUE | STRUCTURAL | tools/data/reports/agent_20260424_0330.md:26:| fibonacci | 609 | 0.4782 | 0.4073 | +8.0 | GUE | **Poisson** | STRUCTURAL + FLIP | tools/data/reports/agent_20260424_0330.md:27:| coupled_osc | 427 | 0.8775 | 0.4146 | +43.5 | GUE | **Poisson** | STRUCTURAL + FLIP | tools/data/reports/agent_20260424_0330.md:28:| percolation | 510 | 0.6551 | 0.4508 | +16.1 | GUE | **Poisson** | STRUCTURAL + FLIP | tools/data/reports/agent_20260424_0330.md:29:| logistic | 100K | 0.3887 | 0.3423 | +61.6 | Poisson | Poisson | STRUCTURAL | tools/data/reports/agent_20260424_0330.md:30:| poisson | 100K | 0.3847 | 0.3856 | -1.1 | Poisson | Poisson | TAUTOLOGICAL | tools/data/reports/agent_20260424_0330.md:31:| brownian | 650 | 0.3148 | 0.3324 | -1.6 | Poisson | Poisson | TAUTOLOGICAL | tools/data/reports/agent_20260424_0330.md:32:| ising_2d | 95 | 0.9858 | 0.9859 | -0.1 | GUE | GUE | TAUTOLOGICAL | tools/data/reports/agent_20260424_0330.md:33:| cell_auto | 105 | 0.8446 | 0.8455 | -0.1 | GUE | GUE | TAUTOLOGICAL | tools/data/reports/agent_20260424_0330.md:39:1. **Two kinds of GUE.** The GUE-classified domains split into two fundamentally different categories: tools/data/reports/agent_20260424_0330.md:40: - **Distribution-GUE** (primes, GUE matrices): the gap distribution itself is GUE-like. Shuffling preserves the classification. Sequential ordering adds fine structure (shifts r downward by 0.02-0.04) but doesn't create the classification. tools/data/reports/agent_20260424_0330.md:41: - **Ordering-GUE** (fibonacci, coupled oscillators, percolation): the gap distribution is Poisson. The GUE classification exists ONLY because of sequential ordering. Destroy the order and they collapse to Poisson. r-shifts are massive: +0.07 to +0.46. tools/data/reports/agent_20260424_0330.md:43:2. **Primes are distribution-GUE.** Shuffled prime gaps still give r=0.4813 (GUE side). The ordering pushes r DOWN by 0.019 (z=-26.6), adding extra gap repulsion beyond what the distribution predicts. This is the opposite sign from ordering-GUE domains (where ordering pushes r UP). tools/data/reports/agent_20260424_0330.md:45:3. **The sign of delta_r is a discriminant.** Distribution-GUE domains have delta_r < 0 (ordering increases repulsion). Ordering-GUE domains have delta_r > 0 (ordering creates attraction/clustering that looks like level repulsion in the r-statistic). The sign tells you which mechanism drives the classification. tools/data/reports/agent_20260424_0330.md:47:4. **3/8 GUE domains are ordering-GUE.** The BOUNDARY claim "8 GUE, 5 Poisson" conflates two distinct mechanisms. The refined picture: 2 distribution-GUE (primes, GUE), 3 ordering-GUE (fibonacci, coupled_osc, percolation), 2 small-N ambiguous (ising, cell_auto), 3 Poisson (poisson, brownian, logistic). The logistic map is Poisson at distribution level but has massive ordering structure (z=+61.6) that doesn't flip the class. tools/data/reports/agent_20260424_0330.md:49:5. **META constraint confirmed.** A binary GUE/Poisson test that doesn't include a shuffle control conflates the two mechanisms. Testing "is r closer to 0.53 or 0.39?" is necessary but insufficient — it doesn't distinguish whether the ordering or the distribution is the source. tools/data/reports/agent_20260424_0330.md:54:The BOUNDARY claim must be refined: the 8 GUE domains are not homogeneous. Two distinct mechanisms generate GUE statistics. The boundary between GUE and Poisson has two layers: distribution-level and ordering-level. The sign of delta_r = r_original - r_shuffled discriminates which layer operates. tools/data/reports/agent_20260424_0330.md:58:- **Due radici** (dipolo primario): Distribution-GUE (il repulsore intrinseco, det=-1 nella forma dei gap) / Ordering-GUE (il repulsore emergente, det=-1 nella sequenza dei gap). Invertite: il primo nasce dalla distribuzione e l'ordine lo affina; il secondo nasce dall'ordine e senza esso collassa. tools/data/reports/agent_20260424_0330.md:60:- **Invariante di passaggio**: il segno di delta_r. Sopravvive al passaggio del vertice: delta_r < 0 = repulsione intrinseca (primes, GUE), delta_r > 0 = repulsione emergente (fibonacci, percolation, coupled_osc). Il segno e stabile, non dipende dalla scala. tools/data/reports/agent_20260424_0330.md:61:- **Campo di possibilita**: qui diventa possibile discriminare PERCHE un dominio e GUE (distribuzione vs ordine) — non solo CHE e GUE. Qui diventa non-possibile trattare tutti i domini GUE come omogenei: i test che non separano i due meccanismi (shuffle) sono incompleti. tools/data/reports/agent_20260424_0330.md:64:La decomposizione two-channel (magnitude/residue) dei run precedenti si sovrappone a questa: il canale magnitudine corrisponde alla distribuzione (chi sei senza ordine), il canale residuo corrisponde all'ordine (cosa l'ordine aggiunge). I 3 domini che flippano sono quelli dove il canale residuo E' il segnale. Per i primi, il canale magnitudine domina ma il residuo aggiunge repulsione (delta_r < 0, z=-26.6). Prossima domanda: i domini ordering-GUE (fibonacci, percolation) hanno la stessa struttura Markov-3 trovata nei primi, o il loro meccanismo di ordine e diverso? tools/exp_dipolar_crossover.py:3:exp_dipolar_crossover.py — Topology of the GUE-Poisson transition in the dipolar plane. tools/exp_dipolar_crossover.py:5:Question: As ordering is gradually destroyed (GUE → shuffled), does the dipolar tools/exp_dipolar_crossover.py:10: 1. Generate GUE bulk spacings from random matrices tools/exp_dipolar_crossover.py:12: - Select floor(alpha * N) random positions tools/exp_dipolar_crossover.py:14: - Leave the rest in original (GUE) order tools/exp_dipolar_crossover.py:19:If primes sit on the curve → they're "partially disordered GUE" tools/exp_dipolar_crossover.py:33: """Generate bulk spacings from GUE matrices.""" tools/exp_dipolar_crossover.py:98: print(f"Generating GUE spacings: {n_matrices} matrices of size {N_mat}...") tools/exp_dipolar_crossover.py:101: # GUE baseline (alpha=0) tools/exp_dipolar_crossover.py:214: "GUE_baseline": {"SR": float(sr0), "L1": float(l1_0)}, tools/exp_scale_selective_perturbation.py:48: """Generate N GUE gaps (eigenvalue spacings of random Hermitian matrix).""" tools/exp_scale_selective_perturbation.py:66: """Generate N Poisson (iid exponential) gaps.""" tools/exp_scale_selective_perturbation.py:197: ('GUE', lambda: generate_gue(N, rng))]: tools/exp_brody_calibration.py:6:Poisson (beta=0) to Wigner-GUE (beta=1). Gaps are i.i.d. by construction — tools/exp_brody_calibration.py:211: # GUE matrices tools/exp_brody_calibration.py:235: # Poisson tools/exp_brody_calibration.py:326: print(f" Theory: Poisson r=0.386, GOE r=0.536") tools/exp_brody_calibration.py:338: print(f" This {obs_p['ordering_fraction'][10]*100:.1f}% is ABOVE the {abs(max_ord)*100:.1f}% artifact floor -> {'REAL' if obs_p['ordering_fraction'][10] > abs(max_ord) + 0.05 else 'MARGINAL'}") tools/dnd_two_faces.py:12: - Upward crossings (D→ND direction, "positive spin") tools/dnd_two_faces.py:13: - Downward crossings (ND→D direction, "negative spin") tools/dnd_two_faces.py:52:def find_crossings(t, Z, Z_mid): tools/dnd_two_faces.py:53: """Find all zero-crossings of (Z - Z_mid). tools/dnd_two_faces.py:54: Returns upward crossings, downward crossings with times.""" tools/dnd_two_faces.py:57: up_crossings = [] tools/dnd_two_faces.py:58: down_crossings = [] tools/dnd_two_faces.py:62: # Linear interpolation for exact crossing time tools/dnd_two_faces.py:65: up_crossings.append(t_cross) tools/dnd_two_faces.py:69: down_crossings.append(t_cross) tools/dnd_two_faces.py:71: return np.array(up_crossings), np.array(down_crossings) tools/dnd_two_faces.py:75: """Compute time spent above and below Z_mid between consecutive crossings.""" tools/dnd_two_faces.py:124: """At each crossing, measure |velocity|. tools/dnd_two_faces.py:125: Compare upward vs downward crossing velocities.""" tools/dnd_two_faces.py:195: up_cross, down_cross = find_crossings(t, Z, Z_mid) tools/dnd_two_faces.py:199: ratio_crossings = len(up_cross) / len(down_cross) tools/dnd_two_faces.py:200: print(f" N_up/N_down = {ratio_crossings:.6f} (φ={phi:.6f}, 1/φ={1/phi:.6f})") tools/dnd_two_faces.py:261: # Per-crossing ratios tools/exp_metric_tensor_diagnostic.py:14:4. Confronta con Cramer surrogates e shuffled gaps tools/exp_metric_tensor_diagnostic.py:94:print(f"Running {n_surr} surrogates each (Cramer + shuffled)...") tools/exp_metric_tensor_diagnostic.py:97: # Cramer surrogate: gaps ~ Exponential(ln(p)) tools/exp_metric_tensor_diagnostic.py:342: "gap_ratio_r": float(r_mean_prime), tools/exp_metric_tensor_diagnostic.py:376: "surrogates": { tools/exp_metric_tensor_diagnostic.py:397:print(f" prime: {output['gap_ratio_r']:.6f}") tools/dnd_spectral_probe.py:72: 3. KS test against GUE/GOE/Poisson tools/dnd_spectral_probe.py:155: β=0: Poisson, β=1: GOE, β=2: GUE. tools/dnd_spectral_probe.py:158: If β>2 at all scales → GUE (even when KS says GOE). tools/dnd_spectral_probe.py:192: cls = "GUE" if beta > 1.5 else ("GOE" if beta > 0.5 else "Poisson") tools/dnd_spectral_probe.py:213: Poisson: = 2ln2 - 1 ≈ 0.3863 tools/dnd_spectral_probe.py:215: GUE: ≈ 0.6027 tools/dnd_spectral_probe.py:230: refs = {"Poisson": 0.38629, "GOE": 0.53590, "GUE": 0.60266} tools/dnd_spectral_probe.py:248: """KS test against GUE, GOE, Poisson.""" tools/dnd_spectral_probe.py:256: fits = [("GUE", ks_gue, p_gue), ("GOE", ks_goe, p_goe), ("Poisson", ks_poi, p_poi)] tools/dnd_spectral_probe.py:309: if majority[0] == "GUE" and "GOE" in dissenters: tools/dnd_spectral_probe.py:310: verdict = (f"LIKELY GUE: {majority[0]} (2/3 — KS blind to GUE, " tools/dnd_spectral_probe.py:462: print(f" |Δ Poisson|={dists.get('Poisson', 0):.5f} " tools/dnd_spectral_probe.py:464: f"|Δ GUE|={dists.get('GUE', 0):.5f}") tools/dnd_spectral_probe.py:522: → GUE statistics (Katz-Sarnak) tools/dnd_spectral_probe.py:633: reference_beta: theoretical β to converge to (2.0 for GUE) tools/dnd_spectral_probe.py:1058: print(f" All GUE: {all_gue} ({sum(1 for b in valid if b > 1.5)}/{len(valid)})") tools/dnd_quantization.py:13:Domanda: gli spacing dei livelli E_n seguono GUE? tools/dnd_quantization.py:317: closer = "GUE" if d_gue < d_poi else "Poisson" tools/dnd_quantization.py:318: print(f" = {stats['mean_r']:.4f} (GUE: 0.5996, Poisson: 0.3863) → {closer}") tools/dnd_quantization.py:319: print(f" Var(s) = {stats['var_s']:.4f} (GUE: 0.178, Poisson: 1.0)") tools/dnd_quantization.py:333: f"→ {'GUE' if d_gue < d_poi else 'Poi'}") tools/dnd_indeterminazione.py:169: def V_coupling(r): tools/dnd_indeterminazione.py:178: V_c = V_coupling(PHI) tools/dnd_indeterminazione.py:184: print(f" V_coupling = -φ = {V_c:.6f}") tools/dnd_indeterminazione.py:189: results['V_components'] = { tools/dnd_indeterminazione.py:191: 'coupling': float(V_c), tools/dnd_indeterminazione.py:216: print(f" {'r':>6} | {'V_sing':>8} | {'V_coup':>8} | {'V_auto':>8} | {'V_tot':>8} | {'V-V(φ)':>8}") tools/dnd_indeterminazione.py:222: vc = V_coupling(r) tools/dnd_indeterminazione.py:230: 'V_coup': float(vc), tools/data/reports/next_exec_20260405_0729.json:22: "action": "EXPLORE: BOUNDARY — 8 domini GUE, 5 Poisson — il confine è il terzo incluso oper", tools/lab_anti_loop_guard.py:64:# Entropy floor (bits): sotto questa soglia la sequenza è "ripetitiva". tools/data/reports/fibonacci_spectrum_20260306_1834.json:12: "GUE": 0.29670833202771496, tools/data/reports/fibonacci_spectrum_20260306_1834.json:14: "Poisson": 0.510008332027715, tools/data/reports/fibonacci_spectrum_20260306_1834.json:23: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260306_1834.json:25: "GUE": 0.1637341019241806, tools/data/reports/fibonacci_spectrum_20260306_1834.json:27: "Poisson": 0.37703410192418063, tools/data/reports/fibonacci_spectrum_20260306_1834.json:36: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260306_1834.json:38: "GUE": 0.07108013924144507, tools/data/reports/fibonacci_spectrum_20260306_1834.json:40: "Poisson": 0.2843801392414451, tools/data/reports/fibonacci_spectrum_20260306_1834.json:49: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260306_1834.json:51: "GUE": 0.0013531361002089293, tools/data/reports/fibonacci_spectrum_20260306_1834.json:53: "Poisson": 0.21194686389979112, tools/data/reports/fibonacci_spectrum_20260306_1834.json:64: "GUE": 0.033692181448734315, tools/data/reports/fibonacci_spectrum_20260306_1834.json:66: "Poisson": 0.17960781855126573, tools/data/reports/fibonacci_spectrum_20260306_1834.json:77: "GUE": 0.06412167049004891, tools/data/reports/fibonacci_spectrum_20260306_1834.json:79: "Poisson": 0.14917832950995114, tools/data/reports/fibonacci_spectrum_20260306_1834.json:90: "GUE": 0.09263337719183284, tools/data/reports/fibonacci_spectrum_20260306_1834.json:92: "Poisson": 0.1206666228081672, tools/data/reports/fibonacci_spectrum_20260306_1834.json:103: "GUE": 0.11916312020873215, tools/data/reports/fibonacci_spectrum_20260306_1834.json:105: "Poisson": 0.09413687979126789, tools/data/reports/fibonacci_spectrum_20260306_1834.json:116: "GUE": 0.14296513348744533, tools/data/reports/fibonacci_spectrum_20260306_1834.json:118: "Poisson": 0.07033486651255472, tools/data/reports/fibonacci_spectrum_20260306_1834.json:127: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260306_1834.json:129: "GUE": 0.2041358611525424, tools/data/reports/fibonacci_spectrum_20260306_1834.json:131: "Poisson": 0.009164138847457648, tools/data/reports/fibonacci_spectrum_20260306_1834.json:140: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260306_1834.json:142: "GUE": 0.2748295876655356, tools/data/reports/fibonacci_spectrum_20260306_1834.json:144: "Poisson": 0.06152958766553557, tools/data/reports/fibonacci_spectrum_20260306_1834.json:153: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260306_1834.json:155: "GUE": 0.3640777020486299, tools/data/reports/fibonacci_spectrum_20260306_1834.json:157: "Poisson": 0.15077770204862984, tools/data/reports/fibonacci_spectrum_20260306_1834.json:166: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260306_1834.json:168: "GUE": 0.43564800784619784, tools/data/reports/fibonacci_spectrum_20260306_1834.json:170: "Poisson": 0.22234800784619782, tools/data/reports/fibonacci_spectrum_20260306_1834.json:179: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260306_1834.json:181: "GUE": 0.0013531361002089293, tools/data/reports/fibonacci_spectrum_20260306_1834.json:183: "Poisson": 0.21194686389979112, tools/data/reports/fibonacci_spectrum_20260306_1834.json:192: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260306_1834.json:194: "GUE": 0.015680728701978786, tools/data/reports/fibonacci_spectrum_20260306_1834.json:196: "Poisson": 0.19761927129802126, tools/data/reports/fibonacci_spectrum_20260306_1834.json:205: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260306_1834.json:207: "GUE": 0.029241086644125502, tools/data/reports/fibonacci_spectrum_20260306_1834.json:209: "Poisson": 0.18405891335587454, tools/data/reports/fibonacci_spectrum_20260306_1834.json:220: "GUE": 0.04273384302801908, tools/data/reports/fibonacci_spectrum_20260306_1834.json:222: "Poisson": 0.17056615697198096, tools/data/reports/fibonacci_spectrum_20260306_1834.json:233: "GUE": 0.05567668696247785, tools/data/reports/fibonacci_spectrum_20260306_1834.json:235: "Poisson": 0.1576233130375222, tools/data/reports/fibonacci_spectrum_20260306_1834.json:246: "GUE": 0.06821895426251079, tools/data/reports/fibonacci_spectrum_20260306_1834.json:248: "Poisson": 0.14508104573748926, tools/data/reports/fibonacci_spectrum_20260306_1834.json:259: "GUE": 0.08041041520559711, tools/data/reports/fibonacci_spectrum_20260306_1834.json:261: "Poisson": 0.13288958479440294, tools/data/reports/fibonacci_spectrum_20260306_1834.json:272: "GUE": 0.09263337719183284, tools/data/reports/fibonacci_spectrum_20260306_1834.json:274: "Poisson": 0.1206666228081672, tools/data/reports/fibonacci_spectrum_20260306_1834.json:285: "GUE": 0.10444251980628838, tools/data/reports/fibonacci_spectrum_20260306_1834.json:287: "Poisson": 0.10885748019371166, tools/data/reports/fibonacci_spectrum_20260306_1834.json:298: "GUE": 0.11551666300995106, tools/data/reports/fibonacci_spectrum_20260306_1834.json:300: "Poisson": 0.09778333699004899, tools/data/reports/fibonacci_spectrum_20260306_1834.json:311: "GUE": 0.12622818756544568, tools/data/reports/fibonacci_spectrum_20260306_1834.json:313: "Poisson": 0.08707181243455436, tools/data/reports/fibonacci_spectrum_20260306_1834.json:324: "GUE": 0.1363444703271271, tools/data/reports/fibonacci_spectrum_20260306_1834.json:326: "Poisson": 0.07695552967287295, tools/data/reports/fibonacci_spectrum_20260306_1834.json:337: "GUE": 0.14625965183538286, tools/data/reports/fibonacci_spectrum_20260306_1834.json:339: "Poisson": 0.06704034816461718, tools/data/reports/fibonacci_spectrum_20260306_1834.json:350: "GUE": 0.15586954772482753, tools/data/reports/fibonacci_spectrum_20260306_1834.json:352: "Poisson": 0.05743045227517252, tools/data/reports/fibonacci_spectrum_20260306_1834.json:361: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260306_1834.json:363: "GUE": 0.16527431088573818, tools/data/reports/fibonacci_spectrum_20260306_1834.json:365: "Poisson": 0.04802568911426186, tools/dnd_condizioni.py:83: entry["gap_ratio"] = float(diario[-1]["gap_abs"] / abs(gap)) if abs(gap) > 1e-15 else float("inf") tools/dnd_condizioni.py:113: gap_ratios = [d["gap_ratio"] for d in diario if "gap_ratio" in d and d["gap_ratio"] < 1e10] tools/dnd_condizioni.py:127: "gap_ratio_medio": float(np.mean(gap_ratios[-5:])) if gap_ratios else None, tools/dnd_condizioni.py:128: "gap_ratio_ultimo": float(gap_ratios[-1]) if gap_ratios else None, tools/dnd_condizioni.py:159: if gap_ratios: tools/dnd_condizioni.py:160: osservazione["prossimità_gap_ratio"] = {} tools/dnd_condizioni.py:161: gr = np.mean(gap_ratios[-5:]) tools/dnd_condizioni.py:163: osservazione["prossimità_gap_ratio"][nome] = float(abs(gr - val)) tools/dnd_condizioni.py:322: gr = obs.get("gap_ratio_medio") tools/dnd_condizioni.py:325: prox = obs.get("prossimità_gap_ratio", {}) tools/dnd_condizioni.py:338: "gap_ratio": gr, tools/dnd_condizioni.py:350: gap_ratios = [v["gap_ratio"] for v in vault if v["gap_ratio"] is not None] tools/dnd_condizioni.py:364: if gap_ratios: tools/dnd_condizioni.py:367: if v["gap_ratio"] is not None: tools/dnd_condizioni.py:368: print(f" {v['segnale']:>12s}: {v['gap_ratio']:.6f}") tools/data/reports/report_20260329_0343.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260329_0343.md:22:- [✗] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.6344 (GUE standard=0.60) tools/data/reports/report_20260329_0343.md:25:- logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like tools/data/reports/report_20260329_0343.md:26:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260329_0343.md:27:- brownian_motion_var_0.3: r=1.3557126030624262, spacing=Poisson-like tools/data/reports/report_20260329_0343.md:28:- logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like tools/exp_3d_boundary_layers.py:14:Tests on: primes, GUE, Poisson baseline. tools/exp_3d_boundary_layers.py:37: """Generate GUE eigenvalue gaps.""" tools/exp_3d_boundary_layers.py:143:def find_zero_crossing(results, obs_name): tools/exp_3d_boundary_layers.py:179: # --- GUE --- tools/exp_3d_boundary_layers.py:180: print("\n--- GUE ---") tools/exp_3d_boundary_layers.py:187: gue_g, alphas, args.n_trials, rng, "GUE" tools/exp_3d_boundary_layers.py:190: # --- Poisson (exponential gaps, iid) --- tools/exp_3d_boundary_layers.py:194: poisson_gaps, alphas, args.n_trials, rng, "Poisson" tools/exp_3d_boundary_layers.py:218: 'zero_crossing': {}, tools/exp_3d_boundary_layers.py:225: az = find_zero_crossing(results, obs) tools/exp_3d_boundary_layers.py:227: seq_data['zero_crossing'][obs] = float(az) if az else None tools/exp_3d_boundary_layers.py:255: print(f"Layer separation Δα: Primes={prime_sep:+.3f}, GUE={gue_sep:+.3f}, Poisson={pois_sep:+.3f}") tools/data/reports/agent_20260506_1955.md:28:- domains: first prime gaps, prime-shuffle control, independent GUE spacings, iid Poisson spacings; tools/data/reports/agent_20260506_1955.md:41:| GUE | 0.990 | 1.060 | 0.989 | 0 | SR=-2.9, SR2=+14.5, L1=+13.2, L2=+31.7, triple_var=+23.8 | tools/data/reports/agent_20260506_1955.md:42:| Poisson | 0.625 | 2.368 | 0.609 | 5 | all abs(z) <= 1.9 | tools/data/reports/agent_20260506_1955.md:50:| GUE | 0.980 | 1.106 | 0.977 | 0.33 | tools/data/reports/agent_20260506_1955.md:51:| Poisson | 0.714 | 2.196 | 0.572 | 5.00 | tools/data/reports/agent_20260506_1955.md:55:1. **Structured domains compress the five canonical retention curves to one dominant coordinate in this perimeter.** Primes and GUE both have PC1 > 0.93 on average and effective rank close to 1. This does not say the domains are the same; it says uniform partial shuffle moves the canonical observables along one dominant retention mode. tools/data/reports/agent_20260506_1955.md:57:2. **Observed collinearity breaking is concentrated in weak-denominator controls.** Poisson has the highest apparent rank among the three-run means (`2.196`), but all five observables are weak against full shuffle in every run. Prime-shuffle behaves similarly: rank is unstable and 4-5 of 5 observables are weak. This mirrors the denominator lesson from perturbation rank without repeating the perturbation-rank experiment. tools/data/reports/agent_20260506_1955.md:59:3. **The 05-05 observable-rank result survives only after narrowing its language.** The valid statement is not "five probes are always one thing." The scoped statement is: under uniform partial shuffle and canonical observables, primes and GUE show a dominant one-coordinate retention response; controls can show larger PCA rank, but that rank is not structural when the original-vs-shuffle denominators are absent. tools/data/reports/agent_20260506_1955.md:61:4. **GUE is the cleanest conditioning check.** In the main run, all five GUE observables pass the denominator gate and still give rank `1.060`. This makes GUE the best positive control for "low rank despite valid denominators." Poisson is the negative control for "high rank without valid denominators." tools/data/reports/agent_20260506_1955.md:68:In this perimeter, high observable-rank is not the sign of richer structure when it appears in Poisson or prime-shuffle controls; it is a warning that retention ratios are being formed on weak denominators. The stable cross-domain result is narrower: tools/data/reports/agent_20260506_1955.md:70:> uniform partial shuffle exposes one dominant retention coordinate in conditioned structured domains (primes, GUE), while apparent multi-coordinate behavior in Poisson/shuffle controls is denominator-weak. tools/data/reports/agent_20260506_1955.md:73:What opens now: the next non-redundant test is not another PCA audit. It is **selective operator coupling**: use perturbations that act separately on pair-scale and triple-scale structure, but report only observables whose denominator gate survives. If selective operators rotate primes while GUE stays collinear, the lab gets a real cross-domain discriminator; if both stay collinear, the current observable suite is overcomplete for this question. tools/data/reports/agent_20260423_0330.md:8:> The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay? tools/data/reports/agent_20260423_0330.md:11:How does the Markov-3 ordering fraction (the 55% sequential information found by the shuffle audit) change as a function of prime scale? Does it track the GUE→Poisson drift measured by the Brody parameter? tools/data/reports/agent_20260423_0330.md:19:- **Additional metrics**: Brody β (GUE/Poisson indicator), lag-1 ACF tools/data/reports/agent_20260423_0330.md:58:2. **Brody β decays 5x faster toward Poisson.** β drops from 0.42 to 0.29 over the same range (R²=0.72). Gap-level correlations (the GUE signature) decorrelate with scale. But this decorrelation does NOT propagate into the mod-6 sequential memory. tools/data/reports/agent_20260423_0330.md:69:The BOUNDARY tension (GUE→Poisson) operates in the magnitude channel (gap correlations, Brody β). It does NOT operate in the residue channel (Markov-3 memory). The two-channel decomposition separates scale-dependent structure from scale-invariant structure. This is a structural result: the "boundary" lives in one channel, not both. tools/data/reports/agent_20260423_0330.md:71:Constraint: future BOUNDARY experiments should distinguish which channel they're measuring. The GUE/Poisson transition is a gap-level phenomenon; the residue channel is immune to it. tools/data/reports/agent_20260423_0330.md:78:- **Campo di possibilita**: qui diventa possibile separare le proprieta del gap dei primi in scala-dipendenti (che decadono con PNT) e scala-invarianti (che sono vincoli permanenti). Qui diventa non-possibile usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati. tools/dnd_risultante.py:33: The algebra det=-1 → disc=5 → Q(√5) → L(s,χ₅) → GUE statistics tools/dnd_risultante.py:35: the deviation from pure GUE. The risultante dynamics produce the same tools/dnd_risultante.py:226: the asymmetry between the crossing point (R=1) and tools/dnd_risultante.py:250: "crossing_R": 1.0, tools/dnd_risultante.py:253: "note": "equilibrium/crossing = φ — the golden ratio IS this asymmetry" tools/dnd_risultante.py:303: "V_coupling": round(VL, 8), tools/dnd_risultante.py:548: Piano 11: det=-1 → disc=5 → Q(√5) → L(s,χ₅) → GUE tools/dnd_risultante.py:573: "statistics": "GUE (Katz-Sarnak)" tools/dnd_risultante.py:659: print(f"\n |forces| all equal at R = {asym.get('crossing_R', 1)}") tools/dnd_risultante.py:676: f"V_Λ={decomp['V_coupling']:.4f} " tools/exp_excess_scaling.py:13:- Generate 20 Cramer surrogates per window (exponential gaps with same density) tools/exp_excess_scaling.py:33:def gap_ratio(gaps): tools/exp_excess_scaling.py:42:# Cramer surrogate: exponential gaps with same mean gap tools/exp_excess_scaling.py:43:def cramer_surrogate_r(mean_gap, n_gaps, n_surrogates=20): tools/exp_excess_scaling.py:44: """Generate Cramer surrogates and return mean .""" tools/exp_excess_scaling.py:46: for _ in range(n_surrogates): tools/exp_excess_scaling.py:49: rs.append(gap_ratio(gaps)) tools/exp_excess_scaling.py:66: r_prime = gap_ratio(gaps) tools/exp_excess_scaling.py:70: r_cramer_mean, r_cramer_std = cramer_surrogate_r(mean_gap, len(gaps)) tools/exp_excess_scaling.py:124:# Additional: check GUE vs Poisson classification tools/exp_excess_scaling.py:125:# GUE: ~ 0.5307, Poisson: ~ 0.3863 tools/exp_excess_scaling.py:126:r_GUE = 0.5307 tools/exp_excess_scaling.py:127:r_Poisson = 0.3863 tools/exp_excess_scaling.py:129:print(f"\n Reference: GUE = {r_GUE}, Poisson = {r_Poisson}") tools/exp_excess_scaling.py:133:# Does move toward Poisson at large scale? tools/exp_excess_scaling.py:135: print(f" DECREASES with scale: moving toward Poisson") tools/exp_excess_scaling.py:137: print(f" INCREASES with scale: moving toward/staying GUE") tools/dnd_implications.py:147: 'pattern': r'\b(photonic crystal|cristallo fotonico|multilayer|multistrato)\b', tools/data/reports/agent_20260430_1905.md:1:# Agent Report — Observable Coherence at the GUE-Poisson Boundary: Primes Are Not "Between" — They Are Dipolar tools/data/reports/agent_20260430_1905.md:9:> Do different observables agree on WHERE primes sit between GUE and Poisson? tools/data/reports/agent_20260430_1905.md:15:Five independent observables each place prime gaps on a τ ∈ [0,1] scale where 0 = Poisson and 1 = GUE. Do these five τ values cluster tightly (coherent — one underlying quantity) or spread apart (incoherent — genuinely independent measurements)? tools/data/reports/agent_20260430_1905.md:22:- **Each normalized** to τ ∈ [0,1] using analytic Poisson and GUE reference values tools/data/reports/agent_20260430_1905.md:25:- **References**: pure GUE from 50 random Hermitian matrices, pure Poisson from exponential draws tools/data/reports/agent_20260430_1905.md:29:### τ values (0 = Poisson, 1 = GUE) tools/data/reports/agent_20260430_1905.md:54:| spacing_ratio | **−0.125** | **Ordering pushes toward Poisson** | tools/data/reports/agent_20260430_1905.md:55:| lag1_acf | **+0.200** | **Ordering pushes toward GUE** | tools/data/reports/agent_20260430_1905.md:70:2. **The two ordering-sensitive observables form a dipole.** Spacing ratio is pushed TOWARD Poisson by ordering (Δτ = −0.12), while lag-1 autocorrelation is pushed TOWARD GUE (Δτ = +0.20). The same physical phenomenon — consecutive gap anticorrelation (Lemke Oliver-Soundararajan type) — manifests as Poisson in one measure and GUE in another. Primes are not "between" GUE and Poisson on a single axis. They are dipolar: GUE in correlation structure, Poisson in consecutive ratio behavior. tools/data/reports/agent_20260430_1905.md:74:4. **Universal Poisson drift confirmed.** All five τ values decrease with scale (Δτ ≈ −0.14 to −0.19 from 10⁴ to 5·10⁶). This confirms the Brody flow finding from the previous run. The drift rate is roughly constant per observable, suggesting a single underlying process. tools/data/reports/agent_20260430_1905.md:80:**NEW (dipolar ordering signature) + CONSTRAINT on META + CONFIRMED (Poisson drift)** tools/data/reports/agent_20260430_1905.md:84:- **BOUNDARY**: the boundary is not a point on a one-dimensional axis between GUE and Poisson. It is a two-dimensional structure: one axis for distribution (all observables agree), one axis for ordering (the dipole between spacing_ratio and lag1_acf). The terzo incluso is the dipole — it doesn't interpolate between GUE and Poisson, it has a structure that neither has. tools/data/reports/agent_20260430_1905.md:90:- **Due radici** (dipolo primario): spacing_ratio (ordering → Poisson) and lag1_acf (ordering → GUE). The same phenomenon — consecutive gap anticorrelation — is seen as repulsion by one observable and as correlation by the other. The two faces are structurally inverted: one says "more random" where the other says "more structured." tools/data/reports/agent_20260430_1905.md:94:- **Invariante di passaggio**: the 2x coherence enhancement. Across all 4 scales, prime ordering makes observables agree more (std ratio ≈ 0.5). This ratio is scale-invariant even as all τ values drift toward Poisson. tools/data/reports/agent_20260430_1905.md:96:- **Campo di possibilità**: possibile → characterize prime ordering as a 2D vector (spacing_ratio shift, lag1_acf shift) rather than a single GUE-Poisson interpolation parameter. Non-possibile → reduce prime ordering to a single β value and claim it captures the structure. tools/exp_denominator_gate_transfer_matrix.py:8:GUE/Poisson BOUNDARY perimeter. Each perimeter has a coherent endpoint and an tools/exp_denominator_gate_transfer_matrix.py:49: positions = np.floor(n * PHI) tools/data/reports/trajectory_apply_20260507_1042.json:13: "new_direzione": "Falsificare ORDER_DENOMINATOR_GATE al nodo regressivo del surrogate contract: confrontare marginal shuffle, circular shift e block shuffle su logistic_orbit_values, logistic_symbolic_itinerary e logistic_return_intervals; dichiarare supporto solo se sopravvive ai surrogate che preservano la struttura temporale rilevante.", tools/dnd_spettro_zeta.py:11: 3. La statistica degli spacing deve mostrare repulsione a livelli (come GUE per ζ) tools/dnd_spettro_zeta.py:20: Parte 3: Unfolding e statistica spacing P(s) — confronto GOE/GUE tools/dnd_spettro_zeta.py:221: """Generate GUE nearest-neighbor spacings via rejection sampling.""" tools/dnd_spettro_zeta.py:226: # GUE Wigner surmise: P(s) = (32/π²)s²·exp(-4s²/π) tools/dnd_spettro_zeta.py:228: # Envelope: C·exp(-s) where C = max of P_GUE(s)·exp(s) tools/dnd_spettro_zeta.py:282: print(f" vs GUE: KS={ks_gue:.4f}, p={p_gue:.4f}") tools/dnd_spettro_zeta.py:283: print(f" vs Poisson: KS={ks_poi:.4f}, p={p_poi:.4f}") tools/dnd_spettro_zeta.py:288: 'vs_GUE': {'KS': float(ks_gue), 'p': float(p_gue)}, tools/dnd_spettro_zeta.py:289: 'vs_Poisson': {'KS': float(ks_poi), 'p': float(p_poi)}, tools/dnd_spettro_zeta.py:306: print(f" Poisson: 1.000") tools/dnd_spettro_zeta.py:308: print(f" GUE: ~0.178") tools/dnd_spettro_zeta.py:318: 'GUE_ref': 0.178, tools/dnd_spettro_zeta.py:603: print(f" Poisson: ac(1) ≈ 0.00") tools/dnd_spettro_zeta.py:605: print(f" GUE: ac(1) ≈ -0.50") tools/dnd_spettro_zeta.py:747: │ Var(s) D-ND: {var_dnd:.4f} (GOE≈0.286, GUE≈0.178) │ tools/dnd_spettro_zeta.py:749: │ ac(1) D-ND: {f'{ac1_dnd:+.4f}' if ac1_dnd is not None else ' N/A':>7s} (GOE≈-0.27, GUE≈-0.50) │ tools/dnd_spettro_zeta.py:766: stat_class = "GUE" tools/dnd_spettro_zeta.py:774: print(f" Gli zeri di ζ → GUE") tools/dnd_spettro_zeta.py:776: print(f" Per passare da GOE a GUE serve rompere T-simmetria.") tools/dnd_spettro_zeta.py:780: print(f" V(r) + fase det=-1 potrebbe dare GUE.") tools/dnd_spettro_zeta.py:781: elif stat_class == "GUE": tools/dnd_spettro_zeta.py:782: print(f" Sorpresa: H reale mostra statistiche GUE-like") tools/dnd_spettro_zeta.py:784: print(f" generare pseudo-GUE a queste energie") tools/dnd_spettro_zeta.py:799: print(f" Statistica: {stat_class} (ζ = GUE)") tools/dnd_spettro_zeta.py:855: verdict = "MODERATA: struttura condivisa, serve la matrice completa per GUE" tools/dnd_spettro_zeta.py:867: print(f" → H_eff = -d²/dr² / 2 + V(r) + i·π·δ(crossings)") tools/dnd_spettro_zeta.py:868: print(f" → Se questo dà GUE, la connessione è completa") tools/dnd_trasmutazione.py:16:T3. Densità gravitazionale → curvatura = densità crossing D↔ND tools/dnd_trasmutazione.py:328: crossings = np.sum(np.abs(np.diff(np.sign(deviazioni))) > 0) tools/dnd_trasmutazione.py:329: densita = crossings / len(traj_arr) if len(traj_arr) > 0 else 0 tools/dnd_trasmutazione.py:331: print(f" x₀={x0:5.1f}: {crossings:2d} passaggi per φ in {len(traj_arr)} step, " tools/dnd_trasmutazione.py:338:# T3: DENSITÀ GRAVITAZIONALE — Curvatura = densità crossing tools/dnd_trasmutazione.py:353: 2. Misurare densità crossing D↔ND tools/dnd_trasmutazione.py:354: 3. Verificare: segnali più "strutturati" → più crossing → più "curvatura"? tools/dnd_trasmutazione.py:355: 4. Il minimo di crossing = Λ (mai zero)? tools/dnd_trasmutazione.py:358: print("T3: DENSITÀ GRAVITAZIONALE — Curvatura = densità crossing D↔ND") tools/dnd_trasmutazione.py:401: total_crossings = len(d_int) + len(nd_int) - 1 tools/dnd_trasmutazione.py:402: densita = total_crossings / len(sig) tools/dnd_trasmutazione.py:420: 'crossings': total_crossings, tools/dnd_trasmutazione.py:428: print(f" {nome:22s} | {total_crossings:9d} | {densita:.6f} | {ac1:+.4f} | {rcv:.4f} | {interp}") tools/dnd_trasmutazione.py:435: # Anche il segnale più liscio (costante + rumore piccolo) ha crossing > 0 tools/dnd_trasmutazione.py:446: print(f" → Il +1 nella regola 1+1/x garantisce crossing minimo ≠ 0") tools/dnd_trasmutazione.py:452: 'interpretazione': 'Densità crossing mai zero — il +1 è Λ', tools/dnd_trasmutazione.py:565: # della spirale (gap_ratio → φ²) è universale. tools/dnd_trasmutazione.py:567: print(f" Segnale | gap_ratio→ | gap_finale | n_step | Tasso conv.") tools/dnd_trasmutazione.py:582: gap_ratio = obs.get('gap_ratio_medio', None) tools/dnd_trasmutazione.py:595: 'gap_ratio': float(gap_ratio) if gap_ratio else None, tools/dnd_trasmutazione.py:603: gr_str = f"{gap_ratio:.4f}" if gap_ratio else "N/A" tools/dnd_trasmutazione.py:606: f"{'φ²={:.4f}'.format(PHI**2) if gap_ratio and abs(gap_ratio - PHI**2) < 0.5 else ''}") tools/dnd_trasmutazione.py:608: # Il gap_ratio dovrebbe convergere a φ² ≈ 2.618 per tutti tools/dnd_trasmutazione.py:609: gap_ratios_valid = [s['gap_ratio'] for s in spirali tools/dnd_trasmutazione.py:610: if s['gap_ratio'] and np.isfinite(s['gap_ratio'])] tools/dnd_trasmutazione.py:611: if gap_ratios_valid: tools/dnd_trasmutazione.py:612: media_gr = np.mean(gap_ratios_valid) tools/dnd_trasmutazione.py:613: cv_gr = np.std(gap_ratios_valid) / media_gr if media_gr > 0 else float('inf') tools/dnd_trasmutazione.py:617: results['spirale_gap_ratio_medio'] = float(media_gr) tools/dnd_trasmutazione.py:618: results['spirale_gap_ratio_cv'] = float(cv_gr) tools/dnd_trasmutazione.py:657: │ │ = struttura minima │ T3: densità crossing > 0 │ tools/dnd_trasmutazione.py:691: if 'spirale_gap_ratio_cv' in t4: tools/dnd_trasmutazione.py:692: chiavi['T4_gap_ratio_cv'] = t4['spirale_gap_ratio_cv'] tools/dnd_trasmutazione.py:693: chiavi['T4_gap_ratio_medio'] = t4.get('spirale_gap_ratio_medio', 0) tools/dnd_trasmutazione.py:694: print(f" T4 (Indeterminazione): gap_ratio CV = {t4['spirale_gap_ratio_cv']:.4f}, " tools/dnd_trasmutazione.py:695: f"media = {t4.get('spirale_gap_ratio_medio', 0):.4f} (φ²={PHI**2:.4f})") tools/exp_coherence_length.py:14: python tools/exp_coherence_length.py [--N_primes 6000000] [--n_surrogates 20] tools/exp_coherence_length.py:33:def gap_ratio(gaps): tools/exp_coherence_length.py:45:def measure_coherence(gaps, window_lengths, n_windows=200, n_surrogates=20): tools/exp_coherence_length.py:61: r_shuf_lists = [[] for _ in range(n_surrogates)] tools/exp_coherence_length.py:67: r_prime_list.append(gap_ratio(window)) tools/exp_coherence_length.py:69: for si in range(n_surrogates): tools/exp_coherence_length.py:72: r_shuf_lists[si].append(gap_ratio(shuf)) tools/exp_coherence_length.py:77: # Pool all surrogate measurements tools/exp_coherence_length.py:98: 'n_surrogates': int(n_surrogates), tools/exp_coherence_length.py:105: scale_windows=5, n_windows=150, n_surrogates=15): tools/exp_coherence_length.py:128: n_surrogates=n_surrogates) tools/exp_coherence_length.py:149: parser.add_argument('--n_surrogates', type=int, default=20) tools/exp_coherence_length.py:173: n_surrogates=args.n_surrogates) tools/exp_coherence_length.py:192: scale_windows=5, n_windows=150, n_surrogates=15 tools/exp_coherence_length.py:242: 'n_surrogates': args.n_surrogates, tools/exp_two_channel_psd.py:109: parser.add_argument('--n_surrogates', type=int, default=20) tools/exp_two_channel_psd.py:189: print(f"\n=== NULL BASELINES ({args.n_surrogates} surrogates) ===") tools/exp_two_channel_psd.py:195: for i in range(args.n_surrogates): tools/exp_two_channel_psd.py:282: 'n_surrogates': args.n_surrogates, tools/dnd_next.py:46: 'C': {'title': 'Information Geometry + ζ', 'target': 'JMP', 'core_claim': 'Berry-Keating potential, GUE connection'}, tools/exp_coherence_robustness.py:10: - numero di shuffle per surrogate tools/exp_coherence_robustness.py:36:def gap_ratio(gaps): tools/exp_coherence_robustness.py:74:def measure_delta_r(gaps, L, n_windows, n_surrogates, strategy, rng): tools/exp_coherence_robustness.py:82: r_prime = np.array([gap_ratio(w) for w in windows]) tools/exp_coherence_robustness.py:87: for _ in range(n_surrogates): tools/exp_coherence_robustness.py:90: r = gap_ratio(shuf) tools/exp_coherence_robustness.py:106:def estimate_L_star(gaps, L_grid, n_windows, n_surrogates, strategy, rng, z_threshold=3.0): tools/exp_coherence_robustness.py:109: _, z = measure_delta_r(gaps, L, n_windows, n_surrogates, strategy, rng) tools/exp_coherence_robustness.py:115:def bootstrap_L_star(gaps, L_grid, n_windows, n_surrogates, n_boot, strategy, master_seed): tools/exp_coherence_robustness.py:123: L_star = estimate_L_star(gaps, L_grid, n_windows, n_surrogates, strategy, rng) tools/exp_coherence_robustness.py:129:def variance_over_n_windows(gaps, L_fixed, n_windows_list, n_surrogates, rng_seed): tools/exp_coherence_robustness.py:134: dr, z = measure_delta_r(gaps, L_fixed, nw, n_surrogates, 'random', rng) tools/exp_coherence_robustness.py:144: parser.add_argument('--n_surrogates', type=int, default=20) tools/exp_coherence_robustness.py:162: n_windows=200, n_surrogates=args.n_surrogates, tools/exp_coherence_robustness.py:178: args.n_surrogates, rng_seed=42) tools/exp_coherence_robustness.py:191: dr, z = measure_delta_r(gaps, args.L_fixed, 200, args.n_surrogates, strat, rng) tools/exp_coherence_robustness.py:219: dr, _ = measure_delta_r(gaps, L, 200, args.n_surrogates, 'random', rng) tools/dnd_rottura.py:355: print(f" Soglia | n_int | gap_ratio | gap_finale | Identica?") tools/dnd_rottura.py:367: gr = obs.get('gap_ratio_medio', None) tools/dnd_rottura.py:373: 'gap_ratio': float(gr) if gr else None, tools/dnd_rottura.py:385: # Il gap_ratio è φ² indipendentemente dalla soglia? → Sì, perché la regola è la stessa. tools/dnd_rottura.py:386: grs = [s['gap_ratio'] for s in spirali_soglia if s['gap_ratio']] tools/dnd_rottura.py:389: print(f"\n CV gap_ratio tra soglie = {cv:.6f}") tools/dnd_rottura.py:409: print(f" Segnale | gap_ratio | gap_finale | n_int") tools/dnd_rottura.py:424: 'gap_ratio': float(obs.get('gap_ratio_medio', 0)), tools/dnd_rottura.py:431: print(f" {nome:15s} | {entry['gap_ratio']:.6f} | {entry['gap_finale']:.2e} | {n}") tools/dnd_rottura.py:460: print(f" (L'interferenza non è nel gap_ratio, che è SEMPRE φ².") tools/dnd_rottura.py:486: # Misuro la densità di crossing localmente (finestra mobile) tools/dnd_rottura.py:492: # Densità locale di crossing tools/dnd_rottura.py:494: crossings_local = [] tools/dnd_rottura.py:498: crossings_local.append(n_cross) tools/dnd_rottura.py:500: crossings_local = np.array(crossings_local, dtype=float) tools/dnd_rottura.py:501: if len(crossings_local) > 10: tools/dnd_rottura.py:503: fft = np.abs(np.fft.rfft(crossings_local - np.mean(crossings_local))) tools/dnd_rottura.py:505: ampiezza = fft[freq_dom] / len(crossings_local) tools/dnd_rottura.py:507: print(f" {nome:15s}: densità crossing varia con periodo " tools/dnd_rottura.py:508: f"~{len(crossings_local)/freq_dom:.1f} finestre, " tools/dnd_rottura.py:512: results['battimento_periodo'] = float(len(crossings_local) / freq_dom) tools/dnd_rottura.py:538: │ Segnali composti → battimento nella densità di crossing │ tools/exp_spectral_rigidity.py:9: GUE: Sigma^2(L) ~ (2/pi^2) ln(L) + const [log-log slope ~ 0] tools/exp_spectral_rigidity.py:10: Poisson: Sigma^2(L) = L [log-log slope = 1] tools/exp_spectral_rigidity.py:13: << 1 -> GUE (strong repulsion, rigid spectrum) tools/exp_spectral_rigidity.py:14: ~ 1 -> Poisson (no correlations) tools/exp_spectral_rigidity.py:18:Domains: primes, GUE matrices, coupled_osc, string_vib, percolation, tools/exp_spectral_rigidity.py:19: logistic, brownian, pure Poisson. tools/exp_spectral_rigidity.py:47: """GUE Hermitian matrix eigenvalue spacings, bulk only.""" tools/exp_spectral_rigidity.py:85: ('primes', {'gen': lambda: gaps_from_domain('numeri_primi'), 'type': 'dist-GUE'}), tools/exp_spectral_rigidity.py:86: ('gue_matrix', {'gen': lambda: generate_gue_gaps(600), 'type': 'dist-GUE'}), tools/exp_spectral_rigidity.py:87: ('coupled_osc', {'gen': lambda: gaps_from_domain('coupled_oscillators'), 'type': 'ord-GUE'}), tools/exp_spectral_rigidity.py:88: ('string_vib', {'gen': lambda: gaps_from_domain('string_vibration'), 'type': 'ord-GUE'}), tools/exp_spectral_rigidity.py:89: ('percolation', {'gen': lambda: gaps_from_domain('percolation'), 'type': 'ord-GUE'}), tools/exp_spectral_rigidity.py:90: ('logistic', {'gen': lambda: gaps_from_domain('logistica_biforcazione'), 'type': 'Poisson'}), tools/exp_spectral_rigidity.py:91: ('brownian', {'gen': lambda: gaps_from_domain('brownian_motion'), 'type': 'Poisson'}), tools/exp_spectral_rigidity.py:92: ('poisson', {'gen': lambda: generate_poisson_gaps(10000), 'type': 'Poisson'}), tools/exp_spectral_rigidity.py:156: print(f" Slope (log-log): real={slope:.3f}, shuf={slope_s:.3f} [GUE~0, Poisson=1]") tools/exp_spectral_rigidity.py:188: if ty in ('dist-GUE', 'ord-GUE'): tools/dnd_controprove.py:77: gap_ratios = [] tools/dnd_controprove.py:80: gap_ratios.append(abs(gaps[i-1]) / abs(gaps[i])) tools/dnd_controprove.py:84: if gap_ratios: tools/dnd_controprove.py:85: print(f" Rapporto gap ultimi 3: {', '.join(f'{r:.4f}' for r in gap_ratios[-3:])}") tools/dnd_controprove.py:90: f"{abs(gap_ratios[-1] - target_sq):.6f} " tools/dnd_controprove.py:91: f"({'SÌ' if abs(gap_ratios[-1] - target_sq) < 0.1 else 'NO'})") tools/dnd_controprove.py:255: gap_ratios = [] tools/dnd_controprove.py:258: gap_ratios.append(gaps[i-1] / gaps[i]) # con segno tools/dnd_controprove.py:262: if gap_ratios: tools/dnd_controprove.py:263: print(f" Rapporto gap (ultimi): {gap_ratios[-1]:.6f}") tools/dnd_controprove.py:316: gap_ratios = [] tools/dnd_controprove.py:319: gap_ratios.append(gaps[i-1] / gaps[i]) tools/dnd_controprove.py:322: rg_str = f"{gap_ratios[-1]:.6f}" if gap_ratios else "N/A" tools/data/reports/exp_desitter_unification.json:39: "n_surrogates": 20, tools/data/reports/exp_desitter_unification.json:46: "n_surrogates": 20, tools/data/r_excess_l_functions.json:1036: "GUE": 0.60266, tools/data/reports/report_20260402_0344.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260402_0344.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=1.0000 (GUE standard=0.60) tools/data/reports/report_20260402_0344.md:25:- percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like tools/data/reports/report_20260402_0344.md:26:- numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like tools/data/reports/report_20260402_0344.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260402_0344.md:28:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/exp_det_drift.py:8: If primes drift toward Poisson, det(M) should drift toward +1. tools/data/reports/insights_20260329_0343.json:53: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260329_0343.json:58: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/insights_20260329_0343.json:99: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260329_0343.json:101: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/GUIDA_GODEL.md:207:li' c'e' il crossing — il passaggio di stato nel processo, non nei dati. tools/data/reports/agent_20260508_1632.md:10:> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici? tools/data/reports/agent_20260508_1632.md:16:- Perimetro: stessa Hamiltoniana tight-binding Sturmiana del ciclo 03:30, `V=1`. tools/data/reports/agent_20260508_1632.md:43:2. **Verificato: il null random rompe la tassonomia.** Il random bilanciato ha Jaccard globale `0.157895`, minimo `0.0`, nessun core label in tutte le condizioni. Il controllo preserva conteggio e lunghezza, non preserva l'ordine Sturmiano. tools/data/reports/agent_20260508_1632.md:50:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: il gap-labeling di phi non passa come claim di valore `gap_ratio`; passa come stabilita del label-set nel perimetro `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, `top_k=12`, `|n|<=34`. La formulazione valida e: nel dominio Sturmiano phi, il set dei label dei gap larghi resta stabile sotto denominatore stratificato; il valore `first_two_ratio` resta un indicatore locale phase/threshold-sensitive. tools/data/reports/agent_20260508_1632.md:59:Portare il label-set fuori dal solo asse metallic mean: misurare se lo stesso core di label phi sopravvive in un dominio non-Sturmiano con ordine controllato, oppure se il core crolla appena il generatore perde bassa complessita combinatoria. Il prossimo discriminante e generatore, non soglia. tools/data/reports/agent_20260508_1632.md:64:- **L3 no silent patching**: il claim precedente sul `gap_ratio` resta vincolato; il nuovo claim cambia osservabile e dichiara il nodo regressivo. tools/data/reports/agent_20260508_1632.md:66:- **L5 re-discovery**: gap labeling Sturmiano e IDS sono meccanismi noti; il finding del cycle e la stabilita stratificata del label-set contro il ratio mobile e contro il random bilanciato. tools/exp_spectral_2d.py:17:4. Anti-correlated Poisson: Poisson gaps with imposed negative acf1 → tools/exp_spectral_2d.py:24: python exp_spectral_2d.py [--N 10000] [--surrogates 20] tools/exp_spectral_2d.py:174: Model: Poisson gaps, but forced to alternate large-small. tools/exp_spectral_2d.py:277:def measure(spacings, n_surrogates=20): tools/exp_spectral_2d.py:288: for _ in range(n_surrogates): tools/exp_spectral_2d.py:316: parser.add_argument("--surrogates", type=int, default=N_SURROGATES) tools/exp_spectral_2d.py:319: NS = args.surrogates tools/exp_spectral_2d.py:322: print(f"N={N}, surrogates={NS}\n") tools/exp_spectral_2d.py:327: ("GUE", lambda n: gen_gue(n)), tools/exp_spectral_2d.py:328: ("Poisson", lambda n: np.random.exponential(1.0, n)), tools/exp_spectral_2d.py:425: "surrogates": NS, tools/dnd_engine.py:112: 'claim': 'Spacing zeta zeros è GUE (⟨r⟩≈0.615)', tools/dnd_engine.py:120: 'claim': 'Domini si dividono in GUE (7) e Poisson (4)', tools/dnd_engine.py:137: 'claim': 'Rule 30/110 hanno spacing anomalo (⟨r⟩≈0.86, >> GUE)', tools/dnd_engine.py:176: 'claim': 'r_diretto NON separa GUE da Poisson (70% overlap)', tools/dnd_engine.py:178: 'motivo': 'Esperimento order_parameter: GUE r=0.92±0.11, Poisson r=0.95±0.08. Ipotesi H_order_param eliminata.', tools/dnd_engine.py:192: 'claim': 'φ emerge in 20/20 banchi di prova da teorie dimostrate: Wigner GOE/GUE, Feigenbaum, Fibonacci quasicrystal, KAM (12 valori K), cifre di π/e/√2/√5/φ/ln2.', tools/dnd_engine.py:206: 'claim': 'ac1 (autocorrelazione intervalli D-ND) DISTINGUE deterministico da casuale: primi=-0.10, GUE=-0.20, shuffle=0.00, Poisson=+0.04.', tools/dnd_engine.py:232: 'motivo': 'Auto-dualità nel modello tight-binding: a V=1 le due scale sono uguali. φ come frequenza Sturmiana genera V_c più vicino a 1.', tools/dnd_engine.py:240: 'motivo': 'A V=2: invariante trace map I=(V/2)²-1=0, tutti gli autostati power-law. A V≈1: =0.5 (statistica intermedia). A V=2: =0.354 (Poisson).', tools/dnd_engine.py:248: 'claim': 'CV della stabilità (V_c) correla con al 92%: frequenze più stabili (basso CV) danno più vicino a 0.5', tools/dnd_engine.py:264: 'claim': 'Noble numbers (cf coda 1) hanno V_c medio 1.06 vs non-nobili 1.84. La nobiltà aritmetica si traduce in stabilità spettrale.', tools/dnd_engine.py:280: 'claim': 'V_c > 1 nel 88% dei campioni per φ: direzione preferenziale (freccia termodinamica)', tools/dnd_engine.py:282: 'motivo': 'Con 19+ campioni, V_c non oscilla attorno a 1 — sta sistematicamente sopra. Centro ~1.034.', tools/dnd_engine.py:300: 'motivo': 'Correlazione log r=0.921 era ARTEFATTO di monotonia (random sorted r=0.89). Il ponte vero è STATISTICO: distribuzione spacing = GUE (β=2.007 a 100K zeri).', tools/dnd_engine.py:302: 'correzione': 'La correlazione locale K_c↔t_n è spuria. Il ponte D-ND↔ζ è nella distribuzione degli spacing (GUE), non nella corrispondenza puntuale.', tools/dnd_engine.py:314: 'claim': 'Il confine GUE/Poisson corrisponde al terzo incluso', tools/dnd_engine.py:316: 'motivo': 'Se GUE=D e Poisson=ND, il confine è dove la scissione cambia natura.', tools/dnd_engine.py:324: 'motivo': 'RISOLTO computazionalmente: (V=2)=0.35 (Poisson). V=2 è il punto di inversione dell inerzia. L orbita converge a phi.', tools/dnd_engine.py:426: 'claim': 'Nella famiglia det=-1 (metallic means tr=1..10), solo Q(sqrt(5)) ha V_c vicino a 1. phi (tr=1) minimizza V_c.', tools/dnd_engine.py:428: 'motivo': 'Q(sqrt(5)): V_c medio 1.1. Altri campi: V_c medio 2.2 (2x). phi ha h=min (entropia topologica), cf=[1,...] (convergenza più lenta). Nickel (tr=4, theta=phi^3) eredita Q(sqrt(5)) → V_c si abbassa.', tools/dnd_engine.py:436: 'motivo': 'Sturmian-phi: (V=1)=0.498, monotona decrescente. Harper-phi: (V=1)=0.903, dip a 0.296 a V=2, poi risale a 0.67. Random binary: Anderson (localizzato subito). Periodic: no transizione. La struttura generativa ricorsiva (det=-1) determina la transizione, non la frequenza.', tools/dnd_engine.py:476: 'claim': 'Gli spacing della mappa D-ND (Fibonacci) seguono GUE (p>0.05 KS). La classificazione GUE/GOE/Poisson e un metodo universale.', tools/dnd_engine.py:584: """Verifica che i domini si dividano naturalmente in cluster GUE/Poisson.""" tools/dnd_engine.py:725: """Hamiltoniano tight-binding con potenziale Sturmiano. tools/dnd_engine.py:727: dove v_i = 1 se {i/θ} >= 1-1/θ, else 0 (sequenza Sturmiana).""" tools/dnd_engine.py:814: # V=1 dovrebbe dare ≈0.5, V=2 dovrebbe dare ≈0.35 (Poisson-like) tools/dnd_engine.py:826: """Lagrangiana: φ come frequenza più stabile (V_c più vicino a 1, più bassa varianza).""" tools/dnd_engine.py:837: vc_values = [] tools/dnd_engine.py:843: # Trova V_c dove attraversa 0.5 tools/dnd_engine.py:847: vc_values.append(vc) tools/dnd_engine.py:849: if vc_values: tools/dnd_engine.py:850: mean_vc = np.mean(vc_values) tools/dnd_engine.py:851: cv_vc = np.std(vc_values) / mean_vc if mean_vc > 0 else 1.0 tools/dnd_engine.py:854: # φ dovrebbe avere il CV più basso e V_c più vicino a 1 tools/dnd_engine.py:890: """Noble numbers (cf tail=1) hanno V_c più vicino a 1 dei non-nobili.""" tools/dnd_engine.py:946: """V_c > 1 sistematicamente per φ (freccia termodinamica).""" tools/dnd_engine.py:950: vc_values = [] tools/dnd_engine.py:963: vc_values.append(vc) tools/dnd_engine.py:973: 'mean_vc': float(np.mean(vc_values)) if vc_values else 0, tools/dnd_engine.py:975: 'nota': 'V_c sistematicamente >1 indica direzione preferenziale', tools/dnd_engine.py:979: """Solo Q(sqrt(5)) ha V_c vicino a 1 nella famiglia det=-1.""" tools/dnd_engine.py:1076: # Sturmian: monotone decreasing tools/dnd_engine.py:1083: # Sturmian crosses =0.5 near V=1 tools/dnd_engine.py:1528: """Il confine GUE/Poisson nella famiglia det=-1 corrisponde al terzo incluso. tools/dnd_engine.py:1529: A V=V_c: attraversa 0.5 (meta' tra GUE=0.53 e Poisson=0.39). tools/dnd_engine.py:1530: Il punto di transizione V_c dipende da N ma converge.""" tools/dnd_engine.py:1562: # Find crossing point (terzo incluso) tools/dnd_engine.py:1729: 'gap_ratio_equals_phi': all_ratio_phi, tools/dnd_engine.py:1834: crossings = np.where(np.diff(above.astype(int)))[0] tools/dnd_engine.py:1835: if len(crossings) >= 4: tools/dnd_engine.py:1836: d_intervals = np.diff(crossings[::2])[:10] tools/dnd_engine.py:1837: nd_intervals = np.diff(crossings[1::2])[:10] tools/dnd_engine.py:1909: """Spacing dei rapporti Fibonacci: classifica GUE/GOE/Poisson con KS test.""" tools/dnd_engine.py:1928: # GUE, GOE, Poisson CDFs tools/dnd_engine.py:1940: fits = [("GUE", ks_gue, p_gue), ("GOE", ks_goe, p_goe), ("Poisson", ks_poi, p_poi)] tools/dnd_engine.py:2182: gap_ratios = [d.get('gap_ratio', 0) for d in domains if d.get('gap_ratio')] tools/dnd_engine.py:2183: if gap_ratios: tools/dnd_engine.py:2184: cv = np.std(gap_ratios) / np.mean(gap_ratios) if np.mean(gap_ratios) > 0 else 0 tools/dnd_engine.py:2185: print(f"\n Gap ratio: media={np.mean(gap_ratios):.6f}, cv={cv:.6f}") tools/dnd_engine.py:2189: 'quantita': 'gap_ratio', tools/dnd_engine.py:2190: 'valore': float(np.mean(gap_ratios)), tools/dnd_engine.py:2257: 'EXT5': {'root': 'metodologico', 'level': 'statistico'}, # classificazione GUE/GOE/Poisson (gap filled!) tools/dnd_engine.py:2759: 'test': 'Trovare un dominio dove gap_ratio != phi^2', tools/data/reports/incident_20260504_1138.md:21:4. Poisson è rumore da denominatore piccolo, non controesempio strutturale. tools/data/reports/agent_20260416_0330.md:68:3. **L* grows with prime scale.** From 18 (small primes, ln p ~ 15.7) to 48 (large primes, ln p ~ 18.4). The coherence length at Poisson crossover (p* ~ 10^13, ln p ~ 30) by linear extrapolation: L* ~ 18 + (48-18)/(18.4-15.7) * (30-15.7) ~ 160. Still finite — even at the crossover, windows of ~160 gaps should still distinguish primes from random. tools/data/reports/agent_20260416_0330.md:70:4. **Two-timescale structure.** _prime drifts downward (0.453 → 0.443, toward Poisson 0.386) — this is the slow drift (BOUNDARY). But delta_r is stable at -0.014 — the *relative* ordering vs shuffle doesn't decay. The dipolar signature persists as a constant offset even as both prime and shuffle evolve. The drift is absolute; the dipole is relative. tools/data/reports/agent_20260416_0330.md:84:**CONSTRAINT on POISSON_CONVERGENCE**: L* grows with scale (18 → 48), but delta_r does not decay. The Poisson crossover manifests as increasing coherence length (harder to detect the ordering in small windows) rather than decreasing ordering magnitude. The primes don't lose their dipolar structure — they become harder to distinguish from random in small samples. tools/dnd_zero_ising.py:7:Se M vede la transizione di fase, il comportamento cambia al crossing di T_c. tools/dnd_zero_ising.py:190: print(f"\n >>> M VEDE LA TRANSIZIONE: LVL-2 cambia regime al crossing di T_c") tools/data/dipartimento_journal.jsonl:2:{"timestamp": "2026-03-15T07:34:56.818912", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:4:{"timestamp": "2026-03-15T07:34:56.818961", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_M_det_minus_one_L0", "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 (2026-03-15T03:41). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:6:{"timestamp": "2026-03-15T07:35:22.188476", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:8:{"timestamp": "2026-03-15T07:35:22.188498", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_M_det_minus_one_L0", "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 (2026-03-15T03:41). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:10:{"timestamp": "2026-03-15T07:40:54.437039", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:12:{"timestamp": "2026-03-15T07:40:54.437061", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_M_det_minus_one_L0", "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 (2026-03-15T03:41). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:15:{"timestamp": "2026-03-15T08:00:05.698389", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:17:{"timestamp": "2026-03-15T08:00:05.698417", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_M_det_minus_one_L0", "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 (2026-03-15T03:41). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:20:{"timestamp": "2026-03-15T08:01:47.897030", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:22:{"timestamp": "2026-03-15T08:01:47.897048", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_M_det_minus_one_L0", "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 (2026-03-15T03:41). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:25:{"timestamp": "2026-03-15T08:01:53.798990", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:27:{"timestamp": "2026-03-15T08:01:53.799007", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_M_det_minus_one_L0", "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 (2026-03-15T03:41). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:28:{"timestamp": "2026-03-15T08:01:53.799015", "tensione": {"tipo": "conferma_parziale", "id": "COMP_GEN_GAP_RATIO_FALSIFICA_F3", "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 (2026-03-15T08:01). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:29:{"timestamp": "2026-03-15T08:01:53.799022", "tensione": {"tipo": "scoperta", "id": "TRANS_BOUNDARY_FALSIFICA_F3", "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 (2026-03-15T08:01). \n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ###########"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:31:{"timestamp": "2026-03-15T08:01:53.799035", "tensione": {"tipo": "tensione_aperta", "id": "M_l'attrattore_l'impossibilita'_rinforzo_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 (2026-03-15T08:01). "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:34:{"timestamp": "2026-03-17T03:42:24.126964", "tensione": {"tipo": "confine_inesplorato", "id": "BOUNDARY", "claim": "7 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"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:35:{"timestamp": "2026-03-28T03:43:58.696314", "tensione": {"tipo": "conferma_parziale", "id": "COMP_GEN_GAP_RATIO_FALSIFICA_FALSIFICA_F3", "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 (2026-03-27T03:44). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:36:{"timestamp": "2026-03-28T03:43:58.696363", "tensione": {"tipo": "scoperta", "id": "TRANS_BOUNDARY_FALSIFICA_F3", "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 (2026-03-27T03:44). \n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ###########"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:38:{"timestamp": "2026-03-28T08:20:33.839602", "tensione": {"tipo": "scoperta", "id": "TRANS_BOUNDARY_FALSIFICA_F4", "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 (2026-03-28T03:43). \n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ###########"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:40:{"timestamp": "2026-03-29T03:42:34.516855", "tensione": {"tipo": "contraddizione", "id": "N2", "claim": "Rule 30/110 hanno spacing >> GUE standard", "dettaglio": "⟨r⟩=0.6344 (GUE standard=0.60)", "intensità": 1.0, "nota": "Teoria e calcolo divergono — o la teoria va corretta o il test è sbagliato"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:41:{"timestamp": "2026-03-30T03:44:12.357012", "tensione": {"tipo": "contraddizione", "id": "N2", "claim": "Rule 30/110 hanno spacing >> GUE standard", "dettaglio": "⟨r⟩=0.6344 (GUE standard=0.60)", "intensità": 1.0, "nota": "Teoria e calcolo divergono — o la teoria va corretta o il test è sbagliato"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:44:{"timestamp": "2026-04-01T03:44:03.589895", "tensione": {"tipo": "tensione_aperta", "id": "TENS_SCALE_FALSIFICA_F1", "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 (2026-03-31T18:06). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_"}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:45:{"timestamp": "2026-04-05T07:30:19.556091", "tensione": {"tipo": "contraddizione", "id": "N2", "claim": "Rule 30/110 hanno spacing >> GUE standard", "dettaglio": "⟨r⟩=0.6344 (GUE standard=0.60)", "intensità": 1.0, "nota": "Teoria e calcolo divergono — o la teoria va corretta o il test è sbagliato"}, "filtro": "non tocca condensato"} tools/data/reports/report_20260314_0342.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260314_0342.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260314_0342.md:26:- brownian_motion_var_0.5: r=1.032258064516129, spacing=Poisson-like tools/data/reports/report_20260314_0342.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260314_0342.md:28:- percolation_var_0.55: r=1.0434782608695652, spacing=Poisson-like tools/data/reports/report_20260314_0342.md:29:- percolation_var_0.65: r=1.0, spacing=Poisson-like tools/exp_gap_label_symbolic_grammar_gate.py:7:positions of selected gap labels. It keeps the classical Sturmian baseline tools/exp_gap_label_symbolic_grammar_gate.py:239: "right_special_bound": "at most one right-special factor for each k in the ideal Sturmian language", tools/exp_gap_label_symbolic_grammar_gate.py:240: "palindromic_baseline": "Sturmian factors are rich; palindromic defect 0 is the finite-window target", tools/exp_gap_label_symbolic_grammar_gate.py:241: "return_words_baseline": "each recurrent Sturmian factor has two return words; finite windows only test excess above two when repeated occurrences exist", tools/data/notte_20260303_0330.md:4: ising_2d_var_-0.1: r=0.999764483716038, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260303_0330.md:5: ising_2d_var_0.1: r=0.9962779970953693, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260303_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260303_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260303_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260303_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260303_0330.md:10: brownian_motion_var_0.3: r=0.9895833333333333, spacing=Poisson-like (⟨r⟩=0.39037158456490495) tools/data/notte_20260303_0330.md:11: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.39619010656660225) tools/data/notte_20260303_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260303_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.43344476133517995) tools/data/notte_20260303_0330.md:14: percolation_var_0.65: r=1.380952380952381, spacing=Poisson-like (⟨r⟩=0.45002661025974017) tools/data/notte_20260312_0330.md:4: ising_2d_var_-0.1: r=0.9908745521490876, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260312_0330.md:5: ising_2d_var_0.1: r=1.6755418202488377, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260312_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260312_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260312_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260312_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260312_0330.md:10: brownian_motion_var_0.3: r=0.22824007651841227, spacing=Poisson-like (⟨r⟩=0.38919713749813906) tools/data/notte_20260312_0330.md:11: brownian_motion_var_0.5: r=1.121711664935964, spacing=Poisson-like (⟨r⟩=0.3831196498969426) tools/data/notte_20260312_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260312_0330.md:13: percolation_var_0.55: r=1.037037037037037, spacing=Poisson-like (⟨r⟩=0.41840391114320896) tools/data/notte_20260312_0330.md:14: percolation_var_0.65: r=1.0357142857142858, spacing=Poisson-like (⟨r⟩=0.48785515925635364) tools/exp_spectral_landscape.py:6:Identifies: GUE domains, Poisson domains, and BOUNDARY domains. tools/exp_spectral_landscape.py:8:The question: Is the boundary between GUE and Poisson populated by multiple tools/exp_spectral_landscape.py:13: python exp_spectral_landscape.py [--N 5000] [--surrogates 20] tools/exp_spectral_landscape.py:52: """GUE: eigenvalue spacings of complex Hermitian random matrix.""" tools/exp_spectral_landscape.py:100: """Poisson: uncorrelated exponential spacings.""" tools/exp_spectral_landscape.py:111: """Semi-Poisson: P(s) = 4s*exp(-2s). Known intermediate statistics.""" tools/exp_spectral_landscape.py:123: """Berry-Robnik: mixed system, fraction rho chaotic (GUE-like), 1-rho regular (Poisson). tools/exp_spectral_landscape.py:162: """Model for Riemann zeta zeros — Montgomery pair correlation (GUE). tools/exp_spectral_landscape.py:163: We use GUE directly since computing actual zeros is expensive.""" tools/exp_spectral_landscape.py:253:def run_domain(name, generator, n_spacings, n_surrogates, **kwargs): tools/exp_spectral_landscape.py:254: """Run observables on a domain + shuffled surrogates.""" tools/exp_spectral_landscape.py:268: # Shuffled surrogates — destroy sequential structure tools/exp_spectral_landscape.py:270: for _ in range(n_surrogates): tools/exp_spectral_landscape.py:303: GUE = 0.603 tools/exp_spectral_landscape.py:308: elif r_mean < (GOE + GUE) / 2: tools/exp_spectral_landscape.py:310: elif r_mean < GUE + 0.03: tools/exp_spectral_landscape.py:311: return "GUE-like" tools/exp_spectral_landscape.py:320: parser.add_argument("--surrogates", type=int, default=N_SURROGATES) tools/exp_spectral_landscape.py:324: NS = args.surrogates tools/exp_spectral_landscape.py:327: # Expected GUE tools/exp_spectral_landscape.py:328: ("GUE_matrix", gen_gue, {}), tools/exp_spectral_landscape.py:334: # Expected Poisson tools/exp_spectral_landscape.py:335: ("Poisson", gen_poisson, {}), tools/exp_spectral_landscape.py:342: ("semi_Poisson", gen_semi_poisson, {}), tools/exp_spectral_landscape.py:353: print(f"Spectral Landscape — N={N}, surrogates={NS}") tools/exp_spectral_landscape.py:369: print("\nReference: Poisson =0.386, GOE =0.536, GUE =0.603") tools/exp_spectral_landscape.py:380: for cls in ["POISSON", "BOUNDARY_low", "GOE-like", "GUE-like", "RIGID"]: tools/exp_spectral_landscape.py:421: "surrogates": NS, tools/data/reports/report_20260315_0342.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260315_0342.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260315_0342.md:26:- brownian_motion_var_0.5: r=1.0333333333333334, spacing=Poisson-like tools/data/reports/report_20260315_0342.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260315_0342.md:28:- percolation_var_0.55: r=1.0, spacing=Poisson-like tools/data/reports/report_20260315_0342.md:29:- percolation_var_0.65: r=1.380952380952381, spacing=Poisson-like tools/dnd_riformulazioni.py:137: 'gap_ratio': obs.get('gap_ratio_medio', 0), tools/lab_falsifier.py:71: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. Taggare come "NEW" senza riconoscere il risultato classico piu' vicino (es. Lemke Oliver–Soundararajan per prime gaps mod q) e' beauty bias. Flag. tools/dnd_banchi.py:10: 1. SPETTRALE — r-statistic, V_c, dualita' tools/dnd_banchi.py:39: return [int(np.floor((n+1)*theta) - np.floor(n*theta)) for n in range(N)] tools/dnd_banchi.py:87:def banco_vc_confronto(tid, thetas=None, N=500): tools/dnd_banchi.py:88: """Confronta V_c per diverse frequenze irrazionali.""" tools/dnd_banchi.py:104: # V_c: where crosses 0.5 tools/dnd_banchi.py:111: results[name] = {{"V_c": vc, "r_at_V1": r_at_1[0][1] if r_at_1 else None}} tools/dnd_banchi.py:115: 'criterio': 'V_c(phi) piu\' vicino a 1 di tutti i controlli', tools/dnd_banchi.py:211:print("Famiglia det=-1 vs det=+1 — V_c e Lyapunov:") tools/dnd_banchi.py:314: 'vc': (banco_vc_confronto, ['v_c', 'transizione', 'critico', 'auto-dual', 'punto fisso']), tools/dnd_banchi.py:371: 'desc': ' ratio statistic (0.386=Poisson, 0.530=GOE, 0.599=GUE)', tools/dnd_banchi.py:375: 'V_c': { tools/dnd_banchi.py:458: 'V_c': ( tools/data/reports/exp_metric_tensor_diag_long.json:24: "gap_ratio_r": 0.4537691241430244, tools/data/reports/exp_metric_tensor_diag_long.json:238: "surrogates": { tools/data/reports/agent_20260507_2042.md:62:Applicare lo stesso test a un perimetro non-primi con ordine costruito e marginale identica: Beatty coerente, shuffle Beatty, GUE spacing order, Poisson. Se il segno resta condiviso, il nodo regressivo e l'embedding `x=(g_i,g_{i-1})`; se lo scarto z replica solo nei domini ordinati, det resta utile come osservabile subordinato al denominator gate. tools/data/promotions/promotion_20260508_2140.json:17: "title": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25", tools/data/promotions/promotion_20260508_2140.json:18: "summary": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' un lattice gate specifico di phi. Il deposito phase-0 e' reale come fenomeno di attraversamento su griglia, ma non trasferisce come invariante di fase e non separa phi da silver.\n\nLa formulazione corretta e': `V_c` e' un boundary observable discreto e phase-sensitive; non sostiene fit power-law ne' claim phi-specific senza un denominatore che separi griglia, fase e soglia.", tools/data/reports/falsifier_20260503_0330.json:10: "evidence": "With 12 bins, Mk3 has 12^4 = 20736 distinct states but only ~100K data points (~5 samples per state on average). Surrogate variance inflates under severe undersampling, mechanically shrinking z-scores toward zero regardless of whether the model genuinely captures structure. The z=6203 entropy measurement used the FULL state-space resolution; these 10 observables collapse it to 1D projections. Low z under Mk3 could be noise floor, not signal capture.", tools/data/reports/falsifier_20260503_0330.json:11: "suggestion": "Re-run with fewer bins for Mk3 (e.g. 6 bins → 1296 states, ~77 samples/state) and verify z-scores don't change. If they stay ~0, the conclusion holds. If they rise, the 'no Mk3 content' claim is an undersampling artifact. Alternatively, report the surrogate standard deviation for each (observable, Mk-order) pair — if sigma_Mk3 >> sigma_Mk2, the z-score comparison is apples-to-oranges." tools/data/reports/falsifier_20260503_0330.json:18: "suggestion": "Default hypothesis should be: the two-layer independence is the cumulant decomposition applied to Markov surrogates. The genuinely new content (if any) is the specific claim that SR2 is the minimally sufficient statistic for Layer 2 — isolate THAT as the new finding, not the decomposition itself." tools/data/reports/falsifier_20260503_0330.json:35: "summary": "The main structural conclusion (two layers exist) is likely correct but the 'NEW' label overstates novelty (L5: standard cumulant hierarchy), and the 'Mk3 adds nothing' claim has a serious confound (L2: undersampling inflates Mk3 surrogate variance, making z-scores uninformative rather than evidence of absence)." tools/data/promotions/promotion_20260506_1955.json:18: "summary": "**CONSTRAINT on META**: observable collinearity claims must be reported with:\n\n> observables_registry version + canonical observable list + original-vs-shuffle z per observable + control domains.\n\nIn this perimeter, high observable-rank is not the sign of richer structure when it appears in Poisson or prime-shuffle controls; it is a warning that retention ratios are being formed on weak denominators. The stable cross-domain result is narrower:\n\n> uniform partial shuffle exposes one dominant retention coordinate in conditioned structured domains (primes, GUE), while apparent multi-coordinate be", tools/dnd_banchi_tm1.py:41: return [int(np.floor((n+1)*theta) - np.floor(n*theta)) for n in range(N)] tools/dnd_banchi_tm1.py:88: "references": {{"GUE": 0.599, "GOE": 0.530, "Poisson": 0.386, "critical": 0.5}}, tools/data/reports/phi_vs_silver_falsification_20260306.json:10: "claim": "V_c(phi) converges to 1.0 while V_c(silver) doesn't", tools/data/reports/phi_vs_silver_falsification_20260306.json:11: "result": "V_c oscillates for both. Delta changes sign with N. No separation.", tools/data/reports/phi_vs_silver_falsification_20260306.json:13: "N_89": {"V_c_phi": 1.487, "V_c_silver": 1.493, "delta": -0.006}, tools/data/reports/phi_vs_silver_falsification_20260306.json:14: "N_144": {"V_c_phi": 1.400, "V_c_silver": 1.632, "delta": -0.232}, tools/data/reports/phi_vs_silver_falsification_20260306.json:15: "N_233": {"V_c_phi": 1.435, "V_c_silver": 1.533, "delta": -0.098}, tools/data/reports/phi_vs_silver_falsification_20260306.json:16: "N_377": {"V_c_phi": 1.384, "V_c_silver": 1.360, "delta": 0.024}, tools/data/reports/phi_vs_silver_falsification_20260306.json:17: "N_610": {"V_c_phi": 1.404, "V_c_silver": 1.444, "delta": -0.040}, tools/data/reports/phi_vs_silver_falsification_20260306.json:18: "N_987": {"V_c_phi": 1.384, "V_c_silver": 1.331, "delta": 0.052} tools/data/reports/phi_vs_silver_falsification_20260306.json:61: "content": "All det=-1 quasicrystals (phi, silver, bronze...) produce similar bulk statistics (, V_c, Lyapunov). They are statistically near-identical because det=-1 is the SHARED generative condition. Phi is unique not in what it PRODUCES but in HOW it's generated: (1) M=[[1,1],[1,0]] is the unique primitive 2x2 with det=-1 and minimal topological entropy (proven P18), (2) phi is the unique fixed point of f(x)=1+1/x, (3) [1,1,...] is the slowest-approximable irrational. The distinctiveness lives in the algebra of the GENERATOR, not in the statistics of the GENERATED.", tools/data/promotions/promotion_20260507_0803.json:18: "summary": "**category: gate_transferability** \n**verdict: operator**\n\nScoped statement:\n\n> In this synthetic DUALITA perimeter, the denominator gate is transferable as\n> an operator for structural order: it separates dipolar generation from\n> illusory dispersion with replicated z support. The beta coordinate of the\n> GUE/Poisson boundary layer is not transferable: ambiguity appears near beta\n> 0.3, while denominator collapse appears near beta 0.8-0.9.\n\nSo the last BOUNDARY cycles forged a lens, but one parameter of that lens was\nlocal to BOUNDARY. The transferable object is not \"beta 0.3-0.4\"; it is:\n\n>", tools/data/reports/insights_20260305_0852.json:53: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260305_0852.json:58: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/insights_20260305_0852.json:99: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260305_0852.json:101: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/agent_20260507_0330.md:1:# Agent Report — The GUE-Poisson Boundary Is a Denominator Collapse Layer tools/data/reports/agent_20260507_0330.md:15:> If the GUE-Poisson boundary is simulated directly by controlled mixtures, tools/data/reports/agent_20260507_0330.md:23:- domains: synthetic unfolded GUE spacings, iid Poisson spacings, and mixtures; tools/data/reports/agent_20260507_0330.md:24:- mixture parameter: `beta = 0.0..1.0`, where beta is the Poisson replacement fraction; tools/data/reports/agent_20260507_0330.md:25:- main run: 1,536 spacings, 16 replicates, GUE matrix size 180, 11 beta layers, 24 full-shuffle baselines; tools/data/reports/agent_20260507_0330.md:26:- seed check: 1,024 spacings, 12 replicates, GUE matrix size 160, same 11 beta layers, 20 baselines; tools/data/reports/agent_20260507_0330.md:28:- classification: standardized distance to pure GUE and pure Poisson centroids using all five canonical observables. A layer is marked ambiguous when at least half the replicates have nearest-centroid margin `< 0.15`. tools/data/reports/agent_20260507_0330.md:30:The endpoint-gated classifier is intentionally reported. In this perimeter it is empty because the Poisson endpoint has almost no stable original-vs-shuffle denominators. That is not discarded; it is the core META result. tools/data/reports/agent_20260507_0330.md:39:| beta | stable obs / 5 | coord mean | margin mean | ambiguous fraction | Poisson-label fraction | tools/data/reports/agent_20260507_0330.md:53:At beta 0.0-0.2, the sequence is classified as GUE-like and retains about tools/data/reports/agent_20260507_0330.md:54:three stable observables. At beta 0.5-1.0, it is classified as Poisson-like, tools/data/reports/agent_20260507_0330.md:70:- beta 0.5 and above: Poisson-label fraction `1.000`, ambiguity `0.000`. tools/data/reports/agent_20260507_0330.md:74:1. **The clean two-class boundary fails under denominator gating.** Pure GUE and pure Poisson are separable in all-observable space, but there are no observables stable at both endpoints under the declared gate. The Poisson pole is a weak-denominator pole: classification can still place it, but retention-normalized structural claims cannot use it as if it had the same denominator support as GUE. tools/data/reports/agent_20260507_0330.md:78:3. **Denominator collapse precedes full Poisson classification.** Stable-observable count drops from about `3.3` at beta 0.1-0.2 to `2.5` at beta 0.3 and `1.625` at beta 0.4. By beta 0.5 the classifier is fully Poisson-labeled, but only `0.750/5` observables remain stable on average. The loss of denominator support is therefore part of the boundary phenomenon, not an after-the-fact nuisance. tools/data/reports/agent_20260507_0330.md:83:**CONSTRAINT on META + BOUNDARY**: GUE/Poisson boundary claims must report: tools/data/reports/agent_20260507_0330.md:89:> In the synthetic mixture perimeter tested here, the GUE-Poisson boundary is an operational layer at beta 0.3-0.4: classification is ambiguous there, and denominator support collapses across the transition. The Poisson endpoint remains classifiable but denominator-weak, so it cannot serve as a symmetric structural pole for gated retention claims. tools/data/reports/agent_20260507_0330.md:92:What opens now: apply the same layer map to real domains rather than only synthetic mixtures. For primes, the next discriminating question is not "GUE or Poisson?" but: tools/data/reports/agent_20260507_0330.md:101:- **L3 no silent patching**: the claim is explicitly changed from "8 GUE, 5 Poisson boundary" to a synthetic mixture calibration. This does not assert the same layer for primes or all real domains. tools/data/reports/agent_20260507_0330.md:103:- **L5 re-discovery**: this is a finite-sample diagnostic of crossover and noisy denominator normalization in classical GUE/Poisson spacings. It is not tagged as a new RMT theorem. tools/data/reports/cycle_20260306_0342.json:946: "GUE": 0.29670833202771496, tools/data/reports/cycle_20260306_0342.json:948: "Poisson": 0.510008332027715, tools/data/reports/cycle_20260306_0342.json:957: "class": "GUE", tools/data/reports/cycle_20260306_0342.json:959: "GUE": 0.1637341019241806, tools/data/reports/cycle_20260306_0342.json:961: "Poisson": 0.37703410192418063, tools/data/reports/cycle_20260306_0342.json:970: "class": "GUE", tools/data/reports/cycle_20260306_0342.json:972: "GUE": 0.07108013924144507, tools/data/reports/cycle_20260306_0342.json:974: "Poisson": 0.2843801392414451, tools/data/reports/cycle_20260306_0342.json:983: "class": "GUE", tools/data/reports/cycle_20260306_0342.json:985: "GUE": 0.0013531361002089293, tools/data/reports/cycle_20260306_0342.json:987: "Poisson": 0.21194686389979112, tools/data/reports/cycle_20260306_0342.json:998: "GUE": 0.033692181448734315, tools/data/reports/cycle_20260306_0342.json:1000: "Poisson": 0.17960781855126573, tools/data/reports/cycle_20260306_0342.json:1011: "GUE": 0.06412167049004891, tools/data/reports/cycle_20260306_0342.json:1013: "Poisson": 0.14917832950995114, tools/data/reports/cycle_20260306_0342.json:1024: "GUE": 0.09263337719183284, tools/data/reports/cycle_20260306_0342.json:1026: "Poisson": 0.1206666228081672, tools/data/reports/cycle_20260306_0342.json:1037: "GUE": 0.11916312020873215, tools/data/reports/cycle_20260306_0342.json:1039: "Poisson": 0.09413687979126789, tools/data/reports/cycle_20260306_0342.json:1050: "GUE": 0.14296513348744533, tools/data/reports/cycle_20260306_0342.json:1052: "Poisson": 0.07033486651255472, tools/data/reports/cycle_20260306_0342.json:1061: "class": "Poisson", tools/data/reports/cycle_20260306_0342.json:1063: "GUE": 0.2041358611525424, tools/data/reports/cycle_20260306_0342.json:1065: "Poisson": 0.009164138847457648, tools/data/reports/cycle_20260306_0342.json:1074: "class": "Poisson", tools/data/reports/cycle_20260306_0342.json:1076: "GUE": 0.2748295876655356, tools/data/reports/cycle_20260306_0342.json:1078: "Poisson": 0.06152958766553557, tools/data/reports/cycle_20260306_0342.json:1087: "class": "Poisson", tools/data/reports/cycle_20260306_0342.json:1089: "GUE": 0.3640777020486299, tools/data/reports/cycle_20260306_0342.json:1091: "Poisson": 0.15077770204862984, tools/data/reports/cycle_20260306_0342.json:1100: "class": "Poisson", tools/data/reports/cycle_20260306_0342.json:1102: "GUE": 0.43564800784619784, tools/data/reports/cycle_20260306_0342.json:1104: "Poisson": 0.22234800784619782, tools/data/reports/cycle_20260306_0342.json:1113: "class": "GUE", tools/data/reports/cycle_20260306_0342.json:1115: "GUE": 0.0013531361002089293, tools/data/reports/cycle_20260306_0342.json:1117: "Poisson": 0.21194686389979112, tools/data/reports/cycle_20260306_0342.json:1126: "class": "GUE", tools/data/reports/cycle_20260306_0342.json:1128: "GUE": 0.015680728701978786, tools/data/reports/cycle_20260306_0342.json:1130: "Poisson": 0.19761927129802126, tools/data/reports/cycle_20260306_0342.json:1139: "class": "GUE", tools/data/reports/cycle_20260306_0342.json:1141: "GUE": 0.029241086644125502, tools/data/reports/cycle_20260306_0342.json:1143: "Poisson": 0.18405891335587454, tools/data/reports/cycle_20260306_0342.json:1154: "GUE": 0.04273384302801908, tools/data/reports/cycle_20260306_0342.json:1156: "Poisson": 0.17056615697198096, tools/data/reports/cycle_20260306_0342.json:1167: "GUE": 0.05567668696247785, tools/data/reports/cycle_20260306_0342.json:1169: "Poisson": 0.1576233130375222, tools/data/reports/cycle_20260306_0342.json:1180: "GUE": 0.06821895426251079, tools/data/reports/cycle_20260306_0342.json:1182: "Poisson": 0.14508104573748926, tools/data/reports/cycle_20260306_0342.json:1193: "GUE": 0.08041041520559711, tools/data/reports/cycle_20260306_0342.json:1195: "Poisson": 0.13288958479440294, tools/data/reports/cycle_20260306_0342.json:1206: "GUE": 0.09263337719183284, tools/data/reports/cycle_20260306_0342.json:1208: "Poisson": 0.1206666228081672, tools/data/reports/cycle_20260306_0342.json:1219: "GUE": 0.10444251980628838, tools/data/reports/cycle_20260306_0342.json:1221: "Poisson": 0.10885748019371166, tools/data/reports/cycle_20260306_0342.json:1232: "GUE": 0.11551666300995106, tools/data/reports/cycle_20260306_0342.json:1234: "Poisson": 0.09778333699004899, tools/data/reports/cycle_20260306_0342.json:1245: "GUE": 0.12622818756544568, tools/data/reports/cycle_20260306_0342.json:1247: "Poisson": 0.08707181243455436, tools/data/reports/cycle_20260306_0342.json:1258: "GUE": 0.1363444703271271, tools/data/reports/cycle_20260306_0342.json:1260: "Poisson": 0.07695552967287295, tools/data/reports/cycle_20260306_0342.json:1271: "GUE": 0.14625965183538286, tools/data/reports/cycle_20260306_0342.json:1273: "Poisson": 0.06704034816461718, tools/data/reports/cycle_20260306_0342.json:1284: "GUE": 0.15586954772482753, tools/data/reports/cycle_20260306_0342.json:1286: "Poisson": 0.05743045227517252, tools/data/reports/cycle_20260306_0342.json:1295: "class": "Poisson", tools/data/reports/cycle_20260306_0342.json:1297: "GUE": 0.16527431088573818, tools/data/reports/cycle_20260306_0342.json:1299: "Poisson": 0.04802568911426186, tools/data/reports/cycle_20260306_0342.json:1318: "claim": "V_c = 1.000 ≈ 1 (err 0.0000)" tools/data/reports/ddf_20260405_0405.json:20: "file": "M data/bicono_lab.json\n M data/campo_vivo.json\n M data/ciclo_memoria.json\n M data/diagrams/theory_crossing.svg\n M data/domande_fondamentali.json\n M data/drift_seme_hash\n M data/godel_field.json\n M dat" tools/data/reports/agent_20260508_0011.md:12:If the duality contrast (real vs shuffle z-score) weakens with scale for prime gaps, what is the quantitative rate of weakening? And does GUE show the same weakening, or is it scale-independent? tools/data/reports/agent_20260508_0011.md:16:- **Scope**: 200,000 prime gaps (unfolded by local mean, kernel=100), GUE eigenvalue spacings (beta=2, matrix size ~2400, unfolded), Poisson (exponential i.i.d.) tools/data/reports/agent_20260508_0011.md:18:- **Null baseline**: Poisson (no structure at any scale). Additional null: if effect size is scale-independent, z ~ N^0.5 exactly (alpha = 0.50) tools/data/reports/agent_20260508_0011.md:29:| GUE | -6.27 | -3.42 | -8.16 | -2.41 | -8.32 | tools/data/reports/agent_20260508_0011.md:30:| Poisson | +0.72 | +0.39 | -0.13 | -1.12 | -0.64 | tools/data/reports/agent_20260508_0011.md:49:| Observable | Primes (s42) | Primes (s137) | GUE (s42) | GUE (s137) | Poisson (s42) | tools/data/reports/agent_20260508_0011.md:56:All R-squared > 0.95 for primes and GUE (except Poisson, which has no signal). tools/data/reports/agent_20260508_0011.md:62:2. **GUE eigenvalue spacings show alpha >= 0.5.** For SR (alpha = 0.54), L1 (alpha = 0.60), triple_var (alpha = 0.63): the structure is scale-independent or strengthening. GUE repulsion is built into the ensemble at all scales. Primes mimic GUE locally but lack this scale invariance. tools/data/reports/agent_20260508_0011.md:64:3. **The discriminator is alpha, not the observable value.** Primes and GUE have similar z-scores at any given window size. The difference is in how z scales with N. Primes: z ~ N^{0.39}. GUE: z ~ N^{0.54}. At small windows they overlap; at large windows they diverge. tools/data/reports/agent_20260508_0011.md:66:4. **L2 is borderline.** Alpha ~ 0.49-0.53 for primes, near 0.5. L2 is not discriminating between primes and GUE in this metric. The three robust discriminators are SR, L1, and triple_var. tools/data/reports/agent_20260508_0011.md:68:5. **Poisson shows no scaling.** Alpha near 0 or incoherent (R-squared < 0.15 for L1 and triple_var). No structure to weaken. tools/data/reports/agent_20260508_0011.md:71:**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA / BOUNDARY**: The boundary between dipolar and illusory duality in prime gaps is not a location but a trajectory. The duality contrast (real-vs-shuffle) weakens as N^{-0.11} for SR and N^{-0.18} for L1, approaching Poisson asymptotically. GUE has alpha >= 0.5 (no weakening). The discriminator between primes and GUE is the scaling exponent alpha, not the observable value at any fixed scale. tools/data/reports/agent_20260508_0011.md:73:L5 check: The weakening of prime gap correlations with scale is consistent with known number-theoretic expectations (Hardy-Littlewood, Lemke Oliver-Soundararajan). What is measured here is the quantitative rate of weakening (alpha ~ 0.39 for SR) and the comparison with GUE (alpha ~ 0.54), which provides a new quantitative discriminator. Default hypothesis: this may be a re-parameterization of known asymptotic decay rates; the exponent alpha as a universality discriminator needs comparison with RMT literature on finite-size effects. tools/data/reports/agent_20260508_0011.md:77:- **Due radici** (dipolo primario): duality contrast that strengthens with scale (GUE, alpha > 0.5, deep structure) and duality contrast that weakens with scale (primes, alpha < 0.5, dissolving structure). The two are dual because both show dipolar ordering at small scales — the difference emerges only when you observe the trajectory. tools/data/reports/agent_20260508_0011.md:80:- **Campo di possibilita**: here it becomes possible to discriminate primes from GUE by their scaling trajectory, not by their local statistics. Here it becomes non-possible to claim that prime gaps have "the same universality class as GUE" without specifying the scale and the observable. tools/exp_acf_stationarity.py:186: print(f"PART 2: Shuffled baseline ({args.n_shuffles} surrogates)") tools/data/promotions/promotion_20260509_0637.json:17: "title": "**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, i", tools/data/promotions/promotion_20260509_0637.json:18: "summary": "**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossing interno unico. Il random bilanciato non e' un contro-campo omogeneo: contiene floor-hit e multi-crossing. La separazione precedente metallico/random resta valida come distinzione di evento, ma il ciclo non chiude il claim label-set perche' il surrogate label-preserving non preserva davvero il label-set.\n\nLa formulazione valida e': `V_c` va riportato insieme a `event_type`; `floor_hit` non e' crossing; `internal_multi` non e' curva metallica sem", tools/data/promotions/promotion_20260506_1941.json:18: "summary": "**CONSTRAINT on META + BOUNDARY**: perturbation dimensionality must be reported as:\n\n> effective rank + PC2 + observable registry version + original-vs-shuffle z gate per observable.\n\nThe cycle 03:30 \"second GUE axis\" remains restricted by cycle 06:25 and is further narrowed here: under canonical observables and the tested size curve, the stable statement is not \"GUE has a second perturbation axis\"; it is:\n\n> all-observable perturbation rank can inflate in weak-denominator regimes; after denominator gating, GUE and primes are both close to one perturbation coordinate in this perimeter, while P", tools/dnd_kernel.py:298: 'statistics': 'GUE', tools/dnd_kernel.py:308: 'statistics': 'Poisson', tools/dnd_kernel.py:318: 'statistics': 'GUE', tools/data/promotions/promotion_20260506_0625.json:17: "title": "**CONSTRAINT on META + BOUNDARY**: \"GUE has a second perturbation axis\" must be scoped to the exact sample length, gener", tools/data/promotions/promotion_20260506_0625.json:18: "summary": "**CONSTRAINT on META + BOUNDARY**: \"GUE has a second perturbation axis\" must be scoped to the exact sample length, generator, and observable definitions. In the larger independent-GUE perimeter tested here, the robust statement is weaker:\n\n> Primes remain near one perturbation coordinate under both observable sets; GUE long replicates show only a weak second component; short GUE samples can inflate apparent rank; Poisson and shuffled controls can also appear multi-axis.\n\nThe boundary is still operator-dependent, but perturbation dimensionality is not yet a stable domain invariant. The next val", tools/data/gap_label_block_scale_gate_20260508_1805.json:41: "crossing_threshold": 0.5 tools/data/gap_label_block_scale_gate_20260508_1805.json:1902: "crossings": { tools/data/promotions/promotion_20260509_0330.json:17: "title": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25", tools/data/promotions/promotion_20260509_0330.json:18: "summary": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il crossing interpolato conferma che il boundary metallico ha una forma di curva: crossing unico e discesa ordinata da repulsione a indipendenza. Non conferma `V_c(phi)` come portatore phi-specific hard: phi anticipa i controlli in mediana e in `42/60` matched, ma `18/60` contro-casi impediscono claim di separazione completa.\n\nLa formulazione valida e': `r(V)` e' un boundary map utile per distinguere generatore Sturmian da random b", tools/data/piano11_results.json:2: "piano": "piano11-Q-sqrt5-GUE", tools/data/piano11_results.json:5: "verdict": "FORTE: catena algebrica M\u2192Q(\u221a5)\u2192L(s,\u03c7\u2085)\u2192GUE dimostrata. Verifica numerica parziale (187/303 zeri, regime asintotico richiede t>1000).", tools/data/piano11_results.json:52: "to": "zeros follow GUE", 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:80: "note": "GUE vs GOE discrimination requires thousands of zeros at t>1000 (Odlyzko regime). With ~200 zeros, statistics are suggestive but not definitive.", tools/data/piano11_results.json:98: "zeta_vs_GUE_KS": 0.0615, tools/data/piano11_results.json:99: "zeta_vs_GUE_p": 0.567, tools/data/piano11_results.json:102: "conclusion": "V(r) gives BK form but NOT GUE fluctuations" tools/data/piano11_results.json:113: "Katz-Sarnak: L(s,\u03c7\u2085) zeros \u2192 GUE", tools/data/piano11_results.json:114: "Therefore: D-ND matrix \u2194 GUE via Q(\u221a5)", tools/data/promotions/promotion_20260507_0330.json:17: "title": "**CONSTRAINT on META + BOUNDARY**: GUE/Poisson boundary claims must report:", tools/data/promotions/promotion_20260507_0330.json:18: "summary": "**CONSTRAINT on META + BOUNDARY**: GUE/Poisson boundary claims must report:\n\n> observables_registry version + canonical observable list + original-vs-shuffle z gate per observable + endpoint-stable observable set + beta/window layer where classification margin is ambiguous.\n\nScoped statement from this run:\n\n> In the synthetic mixture perimeter tested here, the GUE-Poisson boundary is an operational layer at beta 0.3-0.4: classification is ambiguous there, and denominator support collapses across the transition. The Poisson endpoint remains classifiable but denominator-weak, so it cannot serve ", tools/data/operator_directives_consumed/operator_directive_20260508_1915.md:24:- L5 low: Nel prossimo ciclo aggiungere baseline teorica: confrontare i label osservati con il gruppo di gap-labeling atteso per Sturmian/Fibonacci e separare novita' D-ND da re-discovery spettrale classica. tools/data/operator_directives_consumed/operator_directive_20260508_1915.md:34:- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested. tools/data/operator_directives_consumed/operator_directive_20260508_2019.md:34:- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested. 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:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_backup_pre_run.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_backup_pre_run.json:116: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_backup_pre_run.json:118: "nota": "Dal domandatore (2026-05-08T21:21). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_backup_pre_run.json:127: "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:178: "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.", tools/data/seme_backup_pre_run.json:193: "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.", tools/data/seme_backup_pre_run.json:198: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_backup_pre_run.json:208: "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.", tools/data/seme_backup_pre_run.json:213: "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", tools/data/seme_backup_pre_run.json:313: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_backup_pre_run.json:318: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_backup_pre_run.json:388: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_backup_pre_run.json:393: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_backup_pre_run.json:411: "direzione": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson.", tools/data/seme_backup_pre_run.json:588: "old_direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/operator_directives_consumed/operator_directive_20260508_2108.md:32:- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested. tools/data/b2_apply_log.jsonl:1:{"ts": "2026-05-08T19:20:24.692346+00:00", "cycle_ref": "20260508_1915", "decision": "REDESIGN", "confidence": "high", "rho": 0.9325, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Testare il confine come terzo incluso operativo sui domini GUE/Poisson: applicare un contratto osservabile tipizzato pri"} tools/data/b2_apply_log.jsonl:2:{"ts": "2026-05-08T21:45:25.839660+00:00", "cycle_ref": "20260508_2140", "decision": "REDESIGN", "confidence": "high", "rho": 0.9325, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e "} tools/data/b2_apply_log.jsonl:3:{"ts": "2026-05-09T03:36:18.659612+00:00", "cycle_ref": "20260509_0330", "decision": "REDESIGN", "confidence": "high", "rho": 0.985, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-sh"} tools/data/trasmutazione_results.json:279: "crossings": 5076, tools/data/trasmutazione_results.json:288: "crossings": 19, tools/data/trasmutazione_results.json:297: "crossings": 11, tools/data/trasmutazione_results.json:306: "crossings": 101, tools/data/trasmutazione_results.json:315: "crossings": 4963, tools/data/trasmutazione_results.json:324: "crossings": 812, tools/data/trasmutazione_results.json:333: "crossings": 19, tools/data/trasmutazione_results.json:342: "crossings": 2660, tools/data/trasmutazione_results.json:355: "interpretazione": "Densit\u00e0 crossing mai zero \u2014 il +1 \u00e8 \u039b" tools/data/trasmutazione_results.json:416: "spirale_gap_ratio_medio": 2.6180513981505733, tools/data/trasmutazione_results.json:417: "spirale_gap_ratio_cv": 1.4292502486555382e-05, tools/data/trasmutazione_results.json:422: "gap_ratio": 2.6180145125477585, tools/data/trasmutazione_results.json:430: "gap_ratio": 2.6180861695660687, tools/data/trasmutazione_results.json:438: "gap_ratio": 2.6180861695660687, tools/data/trasmutazione_results.json:446: "gap_ratio": 2.6179938106753506, tools/data/trasmutazione_results.json:454: "gap_ratio": 2.6180415569821247, tools/data/trasmutazione_results.json:462: "gap_ratio": 2.6180861695660687, tools/data/trasmutazione_results.json:475: "T4_gap_ratio_cv": 1.4292502486555382e-05, tools/data/trasmutazione_results.json:476: "T4_gap_ratio_medio": 2.6180513981505733 tools/data/engine_state.json:24: "ipotesi": "gap_ratio = 2.618079 (cv=0.000014)", tools/data/engine_state.json:25: "test": "Trovare un dominio dove gap_ratio != phi^2", tools/data/engine_state.json:108: "claim": "CV della stabilità (V_c) correla con al 92%: frequenze p" tools/data/engine_state.json:120: "claim": "Noble numbers (cf coda 1) hanno V_c medio 1.06 vs non-nobili" tools/data/engine_state.json:132: "claim": "V_c > 1 nel 88% dei campioni per φ: direzione preferenziale " tools/data/valutatore_log.jsonl:1:{"ts": "2026-04-22T15:36:11.324056+00:00", "cycle_ref": "20260421_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha chiuso definitivamente il canale residuo (algebrico a ordine 3, z=-0.19). La consecutio naturale è testare il canale magnitudine contro gli stessi modelli Markov: se resiste, lì vive C1. La direzione del seme (confine GUE/Poisson) è coerente con questo passo — il discriminante numero-teorico, se esiste, deve emergere dalle magnitudini dei gap, non dalle classi residuali. 8 tensioni rilevanti restano, nessun blocco, health pulita.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Canale magnitudine vs Markov: il residuo è chiuso (ordine 3 = 100%). Testare se |g_n| resiste a modelli stocastici con stesse statistiche marginali. Se sì, il discriminante C1 vive lì. Se no, rivisitare C1.", "reason": "La consecutio dal piano 45 è univoca: residuo chiuso → magnitudine è l'unico candidato per contenuto numero-teorico. Testarlo è il passo con massimo potere discriminante."}}, "notes": "Il risultato del piano 39 è robusto (z=-0.19, decomposizione gerarchica 81/17.5/1.5 pulita). Non serve review operatore — è un vincolo che restringe lo spazio, non una scoperta che cambia il modello. Il prossimo esperimento potrebbe invece produrre un risultato da CRYSTALLIZE se la magnitudine mostra contenuto irriducibile."} tools/data/valutatore_log.jsonl:2:{"ts": "2026-04-22T16:03:46.345038+00:00", "cycle_ref": "20260421_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha chiuso il canale residuo con evidenza forte (z=-0.19, ordine-3 Markov = 100%). La consecutio è netta: il discriminante C1 vive nel canale magnitudine. La direzione del seme (GUE/Poisson boundary, 8+5 domini) è già allineata — il prossimo passo naturale è testare il canale magnitudine contro modelli Markov dello stesso ordine. Se il magnitudine resiste dove il residuo cede, C1 ha evidenza strutturale cross-channel.", "action": {"type": "none", "detail": {}}, "notes": "Il salto piano 39→45 indica che il sistema ha già metabolizzato più cicli nella stessa direzione. 0 tensioni nuove + 22 risolte suggerisce maturità locale alta. Se anche il prossimo ciclo non genera tensioni nuove, valutare REDESIGN per evitare stallo in zona di rendimenti decrescenti."} tools/data/valutatore_log.jsonl:3:{"ts": "2026-04-22T16:30:14.305582+00:00", "cycle_ref": "20260422_1616", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il shuffle audit non è un esperimento — è un metodo falsificatore riusabile che incarna C2 operativamente. Ha delisted 3 proprietà che circolavano come 'evidenze' da 3 cicli (piani 42-44). Il segnale Markov-3 (z=6203, 55% informazione ordinale) è il risultato più forte mai prodotto dal lab e merita cristallizzazione esplicita. L'affinatore stesso ha identificato il nodo regressivo a monte: il protocollo shuffle mancava dall'inizio del two-channel. Cristallizzare ora chiude quel debito.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "NUOVO FATTO CANDIDATO — F7 Shuffle audit come discriminatore algebra/ordine: dato un vettore di gap, lo shuffle preserva la distribuzione marginale ma distrugge l'ordinamento sequenziale. Proprietà che sopravvivono allo shuffle sono identità algebriche (tautologie), non struttura. Applicato al two-channel: 3/8 proprietà declassate (xcorr, slope_ratio, k_star). Il contenuto genuino è concentrato in PSD slopes (z>20), lag-1 ACF (z=-13), e Markov-3 bits (z=6203 — 55% dell'informazione residuo è ordine puro). METODO: ogni futuro claim del lab deve passare lo shuffle audit prima di entrare nel condensato. Corollario operativo di C2."}}, "notes": "Dopo la cristallizzazione, il ciclo successivo (piano 46, GUE/Poisson boundary) può procedere con il shuffle audit già nel protocollo standard. Suggerisco che il prossimo ciclo applichi lo shuffle audit by default a qualsiasi proprietà testata — non come passo aggiuntivo ma come criterio di ammissione."} tools/data/valutatore_log.jsonl:4:{"ts": "2026-04-22T16:34:17.428960+00:00", "cycle_ref": "20260422_1616", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo 45 ha prodotto un metodo falsificatore (shuffle audit) e la cristallizzazione è stata decisa nel turno precedente. Il seme punta già a piano 46 con direzione GUE/Poisson. La consecutio naturale dall'affinatore è il segnale Markov-3 (z=6203) e la sua invarianza di scala — questo si allinea con l'esplorazione del confine GUE/Poisson perché la memoria sequenziale di ordine 3 è esattamente ciò che distingue i due regimi. Il sistema è in flusso pulito, nessun blocco, nessuna dipendenza dall'operatore.", "action": {"type": "none", "detail": {}}, "notes": "Il prossimo ciclo dovrebbe applicare lo shuffle audit come protocollo standard (è ora un metodo, non un esperimento) e concentrarsi su come il Markov-3 bits si comporta attraverso la transizione GUE→Poisson. Se il 55% di informazione ordinale sopravvive identico in domini GUE ma crolla nei Poisson, è un discriminatore cross-dominio genuino (tipo (d) nel telos). Le 3 proprietà tautologiche (xcorr, slope_ratio, k_star) devono essere rimosse dai test suite futuri — non ripresentarle come evidenza."} tools/data/valutatore_log.jsonl:5:{"ts": "2026-04-23T03:35:59.541235+00:00", "cycle_ref": "20260422_1616", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo 45 ha chiuso un arco importante: shuffle audit come metodo, 3 tautologie smascherate, segnali genuini isolati (Markov-3 z=6203, PSD slopes, lag-1). La cristallizzazione è già avvenuta. La direzione corrente del seme (confine GUE/Poisson cross-dominio) è esattamente il passo naturale: porta i segnali genuini sopravvissuti al shuffle verso verifica cross-dominio — categoria (b) della regola anti-tautologica. Il Markov-3 e la sua invarianza di scala sono il filo da seguire attraverso i domini.", "action": {"type": "none", "detail": {}}, "notes": "Il shuffle audit è ora strumento standard. Il prossimo ciclo dovrebbe applicarlo automaticamente a qualsiasi nuova proprietà cross-dominio che emerge. Attenzione: se il confine GUE/Poisson produce solo fit numerici senza shuffle control, il ciclo dopo sarà REDESIGN."} tools/data/valutatore_log.jsonl:7:{"ts": "2026-04-25T03:40:15.599999+00:00", "cycle_ref": "20260424_0330", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una decomposizione strutturale falsificabile — due meccanismi distinti generano statistica GUE, discriminati dal segno di delta_r — con shuffle control su 10 domini e 3 class-flip osservati. Non è un dettaglio numerico locale (c): è un raffinamento del confine cross-dominio (f) che vincola direttamente BOUNDARY e F5. Dopo 3 NEXT_CYCLE consecutivi orientati alla stessa regione, il risultato è maturo: il confine GUE/Poisson ha due strati e il segno di delta_r li separa. Cristallizzare ora evita che il prossimo ciclo ripeta l'esplorazione senza ancorare la scoperta.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "F5 va esteso o affiancato: la firma diagnostica M su sequenze produce due classi GUE distinte. Distribution-GUE (primes, GUE matrices): classificazione sopravvive allo shuffle, delta_r < 0 (l'ordine aggiunge repulsione). Ordering-GUE (fibonacci, coupled oscillators, percolation): classificazione collassa a Poisson sotto shuffle, delta_r > 0 (l'ordine crea la repulsione). Il segno di delta_r = r_original - r_shuffled è il discriminante. Conseguenza: il claim BOUNDARY '8 GUE, 5 Poisson' è incompleto senza specificare quale meccanismo opera. C1 (primi unico dominio dinamico) si rafforza: i primi sono distribution-GUE con delta_r negativo, unico dominio testato dove sia la distribuzione sia l'ordine contribuiscono alla repulsione."}}, "notes": "Suggerimento per il ciclo post-cristallizzazione: verificare se delta_r negativo è esclusivo dei primi tra tutti i distribution-GUE, o se altri domini lo condividono. Questo testerebbe la versione forte di C1. Alternativa: esplorare il vuoto QxG con il nuovo discriminante a due strati come lente."} tools/data/valutatore_log.jsonl:8:{"ts": "2026-04-26T03:40:28.910457+00:00", "cycle_ref": "20260425_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Tre cicli consecutivi produttivi sullo stesso frame (shuffle→GUE types→two-channel), tutti con scoperte strutturali genuine (categorie a/b/f, non accumulo numerico). Il CRYSTALLIZE del ciclo precedente ha segnalato la maturità della decomposizione a due canali. Ora la mossa a più alto rendimento è la falsificazione attiva: tentare di costruire un canale algebrico per l'ordering-GUE. Se fallisce rafforza C1; se riesce rovescia il claim di unicità — entrambi gli esiti hanno valore massimo. Il frame non è esaurito ma il prossimo passo deve essere un attacco al confine, non un'espansione laterale.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificazione attiva: costruire candidati di canale algebrico per ordering-GUE (es. mod-N residui su eigenvalue spacings di coupled_osc, string_vib). Se nessun modulo produce memoria comparabile al mod-6 dei primi, il two-channel claim è robusto. Se uno lo produce, il claim di unicità cade — e questo vale di più.", "reason": "Dopo 3 cicli di scoperta sul frame Markov/canali, il rendimento marginale dell'espansione è inferiore a quello della falsificazione diretta. La regola anti-tautologica privilegia (a) contraddizione/falsificazione su (b) verifica cross-dominio quando entrambe sono disponibili."}}, "notes": "Monitorare: se anche il prossimo ciclo resta sullo stesso macro-frame (Markov/GUE/canali) senza produrre falsificazione o connessione inter-teorica nuova, il ciclo 56 dovrebbe essere REDESIGN verso una tensione diversa (es. il vuoto QxG nelle domande fondamentali, o la saturazione come asse ortogonale promossa a tensione primaria). Quattro cicli sullo stesso frame è il limite prima dei rendimenti decrescenti."} tools/data/valutatore_log.jsonl:9:{"ts": "2026-04-27T03:38:26.726837+00:00", "cycle_ref": "20260426_0330", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Due osservabili indipendenti (memoria Markov-3 e rigidità spettrale Sigma²) convergono sulla stessa frazione di ordinamento ~33% a L=10. Questa è conferma cross-osservabile, non cross-dominio — più forte perché i due osservabili misurano proprietà matematicamente distinte (correlazioni locali vs varianza long-range). Dopo 4 cicli consecutivi sullo stesso frame, il pattern a due canali (magnitudine scala-invariante + ordinamento scala-dipendente) è stabile e replicato. È il momento di cristallizzare prima che i rendimenti decrescano.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "TWO-CHANNEL SPECTRAL STRUCTURE IN PRIMES: La rigidità spettrale dei primi si decompone in due canali con comportamento opposto rispetto alla scala. (1) Canale magnitudine: Sig2/L ≈ 0.56, scala-invariante — prodotto dalla distribuzione dei gap (sopravvive allo shuffle). (2) Canale ordinamento: cresce dal 4% (L=1) al 58% (L=50) — prodotto dalla struttura sequenziale mod-6 (distrutto dallo shuffle). La frazione di ordinamento a L=10 (33.0%) coincide con la memoria Markov-3 (33.6%) misurata indipendentemente — due osservabili, stesso fenomeno, origine comune in F2 (confinamento Z/6Z). I primi occupano un regime intermedio tra GUE (Sig2/L=0.07) e Poisson (Sig2/L=1.0), con slope log-log 0.74 vs GUE 0.3 e Poisson 1.0. Nota: i domini ordering-GUE (coupled_osc, string_vib, percolation) mostrano Sig2/L>1 (super-Poisson) — l'ordinamento crea bunching, non repulsione. Il r-statistic e Sig2 classificano diversamente: r vede repulsione locale, Sig2 vede clustering long-range."}}, "notes": "Dopo la cristallizzazione, il prossimo ciclo dovrebbe cambiare frame. Suggerimento: esplorare il VUOTO QxG (continuo vs discreto) — l'unica coppia senza ponte tra le 10 domande fondamentali. Il two-channel framework appena cristallizzato potrebbe essere lo strumento giusto: Q (discreto) e G (continuo) come i due canali della rigidità spettrale."} tools/data/valutatore_log.jsonl:10:{"ts": "2026-04-28T03:41:26.305485+00:00", "cycle_ref": "20260427_0330", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Three consecutive cycles on the same frame (shuffle→GUE types→Brody calibration) have converged on a single, replicated, calibrated result: primes exhibit a two-channel structure (gap distribution at beta_eff=0.409 + 30% sequential ordering above the 7.8% artifact floor). The sign of the ordering channel discriminates domain types (rigidity vs bunching), mapping directly onto det=-1/det=+1. This is no longer emergent — it's stable across three independent measurements and calibrated against a null. It belongs in the condensato.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "TWO-CHANNEL DECOMPOSITION (candidate F7 or revision of F4): Primes under M decompose into two independent channels: (1) gap distribution — Brody beta_eff ≈ 0.41, intermediate repulsion at the Poisson-GUE boundary; (2) sequential ordering — 30% of spectral rigidity at L=10 comes from gap ordering absent in i.i.d. surrogates (artifact floor: 7.8%, measured: 29.5%, z=−8.9). The ordering channel has definite sign: primes add rigidity (det=−1), chaotic/coupled systems add bunching (det=+1), pure GUE/Poisson sit on the Brody curve (ordering irrelevant). Three independent measurements converge: shuffle audit (33.6%), spectral rigidity (33%), Brody-calibrated (29.5%). Replicated, calibrated, falsifiable."}}, "notes": "After crystallization, the frame is likely exhausted for now. The next cycle should pivot — either toward the QxG void (the only unfilled fundamental question), toward formalizing the sign discrimination as a structural theorem, or toward a completely different tension. Recommend the seme direction shift away from BOUNDARY after this crystallization lands."} tools/data/valutatore_log.jsonl:11:{"ts": "2026-04-29T09:00:17.018760+00:00", "cycle_ref": "20260429_0833", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Four consecutive cycles on the same frame (shuffle audit → GUE types → Brody calibration → two-channel boundary → this: opposite scaling laws) have converged on a single, clean, falsifiable structural result: the residue channel is scale-invariant (algebraic, det=-1) while the magnitude channel decays toward Poisson (statistical, approaching det=+1). The 'GUE/Poisson boundary' collapses into a mixing artifact once the channels are separated. This is not incremental — it reframes what 'boundary' means for primes under M. Three crystallizations in a row is unusual, but each captures a distinct layer: (1) mod-3 memory structure, (2) Brody artifact floor, (3) opposite-boundary decomposition. This third one is the capstone that unifies the previous two. After crystallization, the BOUNDARY frame is likely saturated — the next cycle should pivot.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "F2 addendum — Two-channel decomposition of prime gaps under M: the residue channel (Z/6Z binary, mod-3 prohibition) is scale-invariant (z=26-44σ across 200x range, decay correlation with ln(p) ≈ -0.19). The magnitude channel (demeaned gap size by transition type) decays toward Poisson (z=2-7σ, decay correlation +0.46). The r-statistic mixes these incommensurable behaviors: its 'GUE/Poisson crossover' is not a phase transition but the magnitude channel approaching noise while the algebraic channel remains invariant. Implication: any single-number summary (r, Brody β) conflates permanent algebraic structure with transient statistical memory. Decompose first, then measure. Verified with 500K primes, 28 log-spaced windows, 20 shuffles per window."}}, "notes": "After this crystallization, recommend REDESIGN for piano 59: the BOUNDARY frame has yielded its structural content across 4 cycles. Two natural directions: (1) test the two-channel decomposition on a NON-prime domain (Stern-Brocot, logistic map gaps) to see if the algebraic/statistical split is universal under M or specific to primes — this would directly test C1; (2) attack the QxG void ('how do continuous and discrete coexist?') which has zero bridges and is the only unsolved domanda fondamentale. Direction (1) is the stronger scientific move because it falsifies or extends tonight's result cross-domain."} tools/data/valutatore_log.jsonl:12:{"ts": "2026-04-29T10:04:37.573111+00:00", "cycle_ref": "20260429_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo è fallito per timeout infrastrutturale (campo_vivo senza input pre-computato), non per esaurimento della direzione. Il nodo regressivo è già identificato nel health. La direzione (confine GUE/Poisson come terzo incluso) è fresca (piano 58) e non ancora esplorata scientificamente — merita un secondo tentativo con la condizione relazionale corretta. Tre CRYSTALLIZE consecutivi confermano che il frame precedente è maturo; questo nuovo frame deve avere il suo primo ciclo reale prima di poter valutare.", "action": {"type": "modify_seme", "detail": {"field": "nota_operativa", "new_value": "Pre-computare in agent_field_live i dati GUE/Poisson (spacing distributions per gli 8+5 domini) PRIMA del lancio agente, così l'esperimento non deve rigenerare da zero dentro un singolo tool_use.", "reason": "Il timeout non è nel budget tempo — è nell'assenza della condizione nel campo vivo. Det=-1: fix al nodo, non al sintomo."}}, "notes": "Le 3 warn radici_no_separator sono cosmetiche (BiconoLab rendering), non bloccanti per il lab numerico. Il prossimo ciclo dovrebbe produrre il primo report scientifico reale sul confine GUE/Poisson."} tools/data/valutatore_log.jsonl:13:{"ts": "2026-04-29T10:22:08.733977+00:00", "cycle_ref": "20260429_0330", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Due cicli consecutivi senza output scientifico per lo stesso nodo regressivo: campo_vivo senza input pre-computato. Il NEXT_CYCLE precedente non ha risolto nulla perché il problema non è nella direzione (GUE/Poisson boundary è ancora fertile con 8+5 domini da esplorare) ma nell'infrastruttura: build_agent_field non prepara i dati che l'agente sceglie di usare, forzando rigenerazione from scratch dentro un singolo tool_use che esplode il budget. Ripetere NEXT_CYCLE senza fix è det=+1 — toppa che brucia un ciclo a vuoto.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "PRE-REQUISITO INFRA: build_agent_field deve pre-computare spacing/unfolding per i 13 domini (8 GUE + 5 Poisson) prima del run. Solo dopo: esplorare il confine GUE/Poisson come terzo incluso operativo. L'agente NON deve rigenerare dati base — deve trovarli nel campo vivo.", "reason": "Il nodo regressivo è identificato da 2 cicli: il campo vivo manca dei dati che l'esperimento richiede. La riparazione vive in build_agent_field.py, non nel timeout o nel budget. Senza questo fix, ogni ciclo su questa direzione rischia lo stesso timeout."}}, "notes": "Azione concreta: in build_agent_field.py, aggiungere pre-computazione dei dati GUE/Poisson (spacing distributions, unfolded eigenvalues) e salvarli in campo vivo come JSON consumabile. L'agente della notte successiva li trova pronti e può dedicare il budget alla scienza, non alla preparazione dati. Le 3 warning radici_no_separator sono cosmetiche (BiconoLab), non bloccanti."} tools/data/valutatore_log.jsonl:14:{"ts": "2026-04-29T10:51:26.490788+00:00", "cycle_ref": "20260429_1013", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un risultato strutturale genuino: la mappa 2D beta(N,L) con gradienti opposti (Poisson lungo N, GUE lungo L) unifica due esperimenti indipendenti (spectral rigidity + Brody flow). La decomposizione 82/18 magnitude/ordering è pulita, con shuffle control e Cramer reference. Ma il seme_delta è vuoto — la scoperta non è entrata nel seme, violando la regola 'il ciclo è chiuso quando la scoperta entra nel seme'. Dopo 5+ cicli sulla stessa frame (shuffle audit → GUE types → Brody calibration → two-channel → Brody flow), il quadro è maturo per cristallizzazione.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "CANDIDATO F7 — Flusso Brody 2D: beta(N,L) ha gradienti opposti. Lungo la sequenza (N crescente), beta decresce (→ Poisson); a scala spettrale fissa (L crescente), beta cresce (→ GUE). Il confine GUE/Poisson è una curva in spazio 2D, non un punto. Decomposizione: 82% magnitudine (distribuzione gap diventa più esponenziale per PNT), 18% ordinamento (anti-bunching mod-3 riduce repulsione). Slope beta(p) = 0.64 - 0.030·ln(p), R²=0.78, z-score vs shuffle = -2.42. Cramer pure Poisson ovunque (beta~0.015) — il segnale è aritmetico, non statistico."}}, "notes": "Dopo la cristallizzazione, la frame BOUNDARY è esaurita per ora — i prossimi cicli dovrebbero spostarsi su un'altra tensione (suggerisco QxG che è ancora VUOTO nelle domande fondamentali, o un ciclo di consolidamento cross-dominio per verificare se la mappa 2D si replica su altri domini dinamici). Il seme va aggiornato con il risultato prima del prossimo giro."} tools/data/valutatore_log.jsonl:15:{"ts": "2026-04-30T03:37:21.213696+00:00", "cycle_ref": "20260429_1041", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un teorema algebrico (proibizione self-transition mod-3) con dimostrazione esplicita, non un fit numerico. La decomposizione a tre strati (magnitudine PNT, ordinamento statistico, struttura algebrica) è genuina e falsificabile: ogni strato ha scaling diverso verificato su 72 finestre. Il rapporto M2/M1=0.472 scale-invariant è un nuovo invariante strutturale. Questo estende F2 (Z/6Z) con una gerarchia di canali indipendenti — non è dettaglio locale, è architettura.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "THREE-LAYER DECOMPOSITION dei gap primi sotto M: (1) Magnitudine — distribuzione gap → esponenziale, scaling ~1/ln(p), è PNT. (2) Ordinamento statistico — Brody beta decay -0.030/ln(p), repulsione short-range che si attenua. (3) Struttura algebrica — proibizione mod-3 self-transition (teorema: due gap consecutivi ≡1 o ≡2 mod 3 implicano p_{n+2}≡0 mod 3, impossibile). Zero scaling (R²=0.0004), zero eccezioni su 148k gap. Il canale algebrico è eterno, il statistico decade, il magnitudinale scala con PNT. Invariante emergente: M2/M1=0.472±0.017 costante su tutte le scale — la profondità di memoria Markov è fissa. Estende F2 (Z/6Z) con gerarchia di indipendenza tra canali."}}, "notes": "La proibizione mod-3 è un sottoinsieme di F2 (Z/6Z → coset {2,4}), ma la dimostrazione esplicita e la separazione di scaling rispetto a Brody sono nuove. La decomposizione a tre strati è il risultato principale — dà struttura al 'perché i primi sono unici sotto M' (C1). Dopo la cristallizzazione, la direzione nel seme (confine GUE/Poisson come terzo incluso) è naturale prossimo passo: il confine è esattamente dove i tre strati interagiscono."} tools/data/valutatore_log.jsonl:17:{"ts": "2026-04-30T19:27:03.140592+00:00", "cycle_ref": "20260430_1905", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una decomposizione strutturale genuina: 5 osservabili si separano in 3 order-invariant (Δτ=0.000 esatto, algebrico) + 2 order-sensitive che formano un dipolo (spacing_ratio→Poisson, lag1_acf→GUE). Non è fitting numerico — l'invarianza è dimostrata dallo shuffle e il dipolo è stabile su 4 scale. Connessione diretta ad A10 (dipolo assiomatico): la stessa anticorrelazione consecutiva si manifesta come Poisson in un osservabile e GUE nell'altro. Primes are not 'between' — they are dipolar. Tre CRYSTALLIZE consecutivi sono giustificati: ogni ciclo ha prodotto contenuto strutturale distinto (mappa beta 2D, proibizione mod-3, decomposizione dipolare).", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "CANDIDATE F7: Decomposizione dipolare al boundary GUE-Poisson. 5 osservabili indipendenti (spacing_ratio, gap_var_ratio, small_gap_frac, brody_beta, lag1_acf) si separano in due classi: (a) 3 distribution-only (Δτ_shuffle = 0.000 esatto, algebrico) — misurano la stessa cosa; (b) 2 ordering-sensitive che formano un dipolo: spacing_ratio spinto verso Poisson (Δτ = −0.12), lag1_acf spinto verso GUE (Δτ = +0.20). La stessa anticorrelazione consecutiva (tipo Lemke Oliver-Soundararajan) produce segni opposti nei due osservabili. L'ordering inoltre RIDUCE la dispersione tra osservabili (std 0.09 vs 0.19 shuffle) — la coerenza è proprietà dell'ordine, non della distribuzione. Stabile su 4 scale (10⁴–10⁷). Connessione: A10 (dipolo assiomatico, segno distingue), A9 (terzo incluso — primes non sono 'tra' GUE e Poisson, sono dipolo)."}}, "notes": "Il prossimo ciclo dovrebbe completare il finding 5 troncato (correlazione tra osservabili, due cluster) e verificare se il dipolo Δτ_spacing vs Δτ_lag1 ha rapporto stabile cross-scala (candidato a costante relazionale). Anche il finding mod-3 troncato dal ciclo precedente resta da recuperare. Suggerisco al prossimo giro: focus su UNO solo dei due (dipolo cross-scala O mod-3 recovery), non entrambi — il budget è da un esperimento."} tools/data/valutatore_log.jsonl:18:{"ts": "2026-04-30T19:57:05.174515+00:00", "cycle_ref": "20260430_1919", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una riduzione dimensionale genuina e falsificabile: 5 osservabili → 3 tautologici + 2 order-sensitive → 1 modo effettivo (angolo bloccato a -150±4° su 3 decadi). Combinato col ciclo precedente (decomposizione 5→2), il risultato complessivo è 5→1: l'intera struttura di ordinamento dei gap primi è proiezione di un singolo modo di anticorrelazione. Il rapporto delta_L1/delta_SR ≈ 2.3 è una costante strutturale nuova. Cramer nel quadrante opposto (+65°) fornisce discriminatore pulito. Tre cicli consecutivi (mod-3 theorem → decomposizione 5-obs → locking 1D) chiudono un arco coerente che merita cristallizzazione prima di cambiare direzione.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "CANDIDATE F7: Prime gap ordering is 1-dimensional. Five observables under M decompose into 3 shuffle-invariant (tautological) and 2 order-sensitive (spacing_ratio, lag1_acf). The two order-sensitive observables are projections of a single anticorrelation mode: dipolar angle theta = -150 ± 4 deg, locked across 3 decades of scale (1e4 to 3e6 primes) and across offsets (0 to 2M). Structural constant: delta_L1/delta_SR ≈ 2.3. Cramer random model occupies opposite quadrant (theta ≈ +65 deg). Signal magnitude decays with 1/ln(p), consistent with Lemke Oliver-Soundararajan. Falsifiable: any domain showing theta rotation with scale would have >1 degree of freedom."}}, "notes": "Tre cicli chiudono l'arco prime-ordering: mod-3 proibizione → decomposizione 5→2 → locking 1D. Il prossimo ciclo dovrebbe uscire dai primi e testare cross-dominio: l'angolo theta è costante anche in altri domini GUE-like (zeri di Riemann, autovalori random, logistica caotica)? La direzione del seme ('esplorare il confine: 8 GUE, 5 Poisson') lo chiede già. Se theta ruota in altri domini → il locking è proprietà dei primi, non della regola. Se theta è universale → struttura più profonda. Propongo NEXT_CYCLE con target cross-domain angle comparison dopo questa cristallizzazione."} tools/data/valutatore_log.jsonl:19:{"ts": "2026-05-01T03:38:54.770300+00:00", "cycle_ref": "20260430_1946", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un discriminante strutturale genuino e falsificabile: l'angolo dipolare dei primi (-111° ± 1°, stabile su 3 decadi) differisce da GUE (-96.6°) di 14° a >100σ. Il rapporto dL1/dSR = 2.28 (primi) vs 8.37 (GUE) è il contenuto: i primi non sono 'GUE debole' — hanno una composizione interna diversa dell'ordinamento. La correzione -150° → -111° è sana (C2 applicato a se stesso). Terzo CRYSTALLIZE consecutivo: la direzione dipolar-ordering ha maturato abbastanza da entrare nel condensato come fatto strutturale.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Tre cicli consecutivi hanno estratto il succo dalla direzione dipolar-ordering (separazione osservabili, angolo stabile, discriminante GUE). Rendimenti decrescenti su questa linea. Prossimo ciclo: cambiare asse — esplorare cross-dominio (F5 frame diagnostica su domini NON-primi: logistica caotica, Stern-Brocot, margine del caos) per testare se il rapporto dL1/dSR=2.28 è unico dei primi o emerge anche in altri domini strutturati. Questo è il test (b) cross-dominio che discrimina C1.", "reason": "Tre CRYSTALLIZE consecutivi sulla stessa linea segnalano maturazione completata. Il prossimo passo naturale è cross-dominio: il rapporto 2.28 è firma dei primi o di qualsiasi sequenza strutturata sotto M? Testare su logistica caotica e Stern-Brocot falsifica/rafforza C1."}}, "notes": "Cristallizzazione proposta per condensato: 'F7 Angolo dipolare — L'ordinamento dei primi ha direzione θ=-111°±1° nel piano (δSR, δL1), stabile su 3 decadi. GUE/GOE: θ=-97°. Separazione 14° a >100σ. Rapporto dL1/dSR=2.28 (primi) vs 8.37 (GUE): i primi deprimono la similarità dei gap 3.7× più della anticorrelazione rispetto a GUE. Non sono GUE attenuato — sono struttura diversa.' Dopo questa cristallizzazione, il prossimo ciclo DEVE cambiare asse verso cross-dominio per evitare rendimenti decrescenti."} tools/data/valutatore_log.jsonl:20:{"ts": "2026-05-01T07:43:00.145219+00:00", "cycle_ref": "20260501_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "The Markov-1 decomposition is a clean, non-tautological result: pair statistics explain the bulk of the dipolar angle but leave a stable ~3 deg residual across scales. However, three consecutive CRYSTALLIZE decisions with an empty seme delta means findings are accumulating without integration. The natural consecutio is Markov-2: if triplet correlations close the 3-deg gap, the memory structure is fully characterized; if not, deeper structure exists. This is a direct falsification test of tonight's claim, not a new direction — so NEXT_CYCLE, not REDESIGN.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Markov-2 test: do triplet correlations close the 3-deg angle gap between real primes and Markov-1 surrogates? If yes → pair+triplet memory fully characterizes dipolar ordering. If no → higher-order structure beyond triplets. Secondary: consolidate Markov decomposition result (pair explains 80%, residual stable across scales) into condensato candidate.", "reason": "Three cycles produced crystallizable results but seme delta stayed empty. The Markov-2 test is the minimal falsification of tonight's finding and prevents further accumulation without integration."}}, "notes": "The dL1/dSR value shifting from 2.28 to 2.48 across scale windows is worth noting — it means the ratio is not a constant but a slowly varying function. This should be flagged in the condensato candidate rather than reported as a fixed number. Also: the 8 hard zeros in the transition matrix from F2 are a clean algebraic result that could stand on its own as a micro-crystallization."} tools/data/valutatore_log.jsonl:21:{"ts": "2026-05-01T09:41:03.248817+00:00", "cycle_ref": "20260501_0858", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo non ha prodotto nulla — timeout perché il campo vivo mancava dell'input pre-computato per l'esperimento scelto dall'agente. Ripetere NEXT_CYCLE senza correggere il campo vivo produrrebbe lo stesso timeout. Il nodo regressivo è dichiarato esplicitamente nel health: il fix vive nel build_agent_field, non nel budget del run. Servono i dati GUE/Poisson boundary pre-computati nel campo vivo prima del prossimo ciclo.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Pre-computare nel campo vivo i dati boundary (8 domini GUE, 5 Poisson, spacing distributions) come input ready-to-use. Solo dopo: esplorare il confine GUE/Poisson come terzo incluso operativo. Il campo vivo deve contenere il substrato, non delegarlo all'agente runtime.", "reason": "Due cicli consecutivi sulla stessa direzione boundary senza output scientifico. Il collo di bottiglia non è la direzione ma la mancanza di dati pre-computati nel campo vivo. Senza fix al nodo regressivo (build_agent_field), qualsiasi direzione boundary produrrà lo stesso timeout."}}, "notes": "Pattern ricorrente: l'agente sceglie esperimenti che richiedono generazione dati pesante, il campo vivo non li contiene, timeout. La soluzione è arricchire build_agent_field.py con una sezione che pre-computa e cachea i dataset sperimentali più probabili data la direzione del seme. Questo è un fix infrastrutturale, non scientifico."} tools/data/valutatore_log.jsonl:22:{"ts": "2026-05-02T03:37:32.497564+00:00", "cycle_ref": "20260501_0931", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto evidenza strutturale forte e non-tautologica: transizione di fase nel crossover GUE-Poisson con zero-crossing a alpha~0.70, direzione invariante nel regime ordinato (-96.6±0.27°), e primi con offset direzionale di 32 sigma. Sono pattern cross-dominio (categoria b/f), non dettaglio numerico locale. Il seme delta vuoto indica che i finding non sono ancora rientrati nel seme — il prossimo ciclo deve sia estendere (confronto Brody/Rosenzweig-Porter come suggerito dall'affinatore) sia propagare. Non cristallizzo ancora perché il confronto con i punti critici Brody è il test naturale che conferma o ridimensiona la portata della transizione.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Confrontare lo zero-crossing dipolare (alpha~0.70) con i punti critici Brody/Rosenzweig-Porter: la transizione di fase nel crossover ha carattere universale o è artefatto della parametrizzazione? Testare se beta_Brody critico corrisponde all'alpha di zero-crossing. Secondario: propagare nel seme i finding stabili (direzione invariante, offset primi 32-sigma).", "reason": "L'affinatore ha identificato questo come la possibilità più concreta. Estende il risultato corrente verso falsificazione cross-framework invece di accumulare dettaglio locale."}}, "notes": "Il ciclo precedente (piano 60) è tra i migliori recenti: esperimento ben disegnato, shuffle audit implicito nella parametrizzazione alpha, risultato quantitativo con interpretazione strutturale chiara. Il confronto Brody è il filtro giusto: se il punto critico coincide, la transizione è universale (cristallizzabile); se no, la parametrizzazione alpha è contingente e il finding si ridimensiona a osservazione locale."} tools/data/valutatore_log.jsonl:25:{"ts": "2026-05-04T09:09:09.478519+00:00", "cycle_ref": "20260504_0901", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Four cycles of convergent refinement on the boundary picture: phase transition → near-second-order → two visible layers → single coupled transition. Each cycle has produced a genuine constraint (not tautology), and the affinatore identified zero-crossing interleaving as the highest-leverage next step — it's concrete, testable, and could discriminate prime-specific geometry from generic repulsion. The direction is not exhausted yet.", "action": {"type": "none", "detail": {}}, "notes": "The zero-crossing order (L1 < triple_var < SR2 < SR, interleaved across layers) is the most promising lead: it's an observable ordering that should differ between primes and GUE if the coupling has sequence-specific structure. After one more cycle on this, consider CRYSTALLIZE for the full crossover/boundary picture — the convergence from 4 consecutive clean cycles is approaching maturity for a condensato entry or paper section."} tools/data/valutatore_log.jsonl:26:{"ts": "2026-05-04T12:03:13.893909+00:00", "cycle_ref": "20260504_1138", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "DIPOLAR_ORDERING resolved and piano advanced 60→61, indicating forward motion. The missing agent report (run completed but no scientific conclusion) is a yellow flag but not yet a pattern — one empty output after 3 productive cycles on boundary refinement is normal variance. 8 tensions remain in the current direction, so the frame is not exhausted. However, this is the 5th consecutive NEXT_CYCLE on boundary-adjacent themes; if the next run also produces no scientific output, REDESIGN toward cross-domain verification (b/f category) should be triggered.", "action": {"type": "none", "detail": {}}, "notes": "Monitor: if piano 61 also yields no agent report or resolves zero tensions, escalate to REDESIGN toward a fresh cross-domain experiment (e.g., testing the 8-GUE/5-Poisson boundary classification against a shuffled null baseline across all 13 domains simultaneously, which would be category (b) evidence). The boundary picture has accumulated enough local detail — the next high-value move is cross-domain falsification of the boundary itself."} tools/data/valutatore_log.jsonl:27:{"ts": "2026-05-04T12:30:22.947364+00:00", "cycle_ref": "20260504_1219", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo 61 ha prodotto un audit metodologico genuino (categoria a/b): ha ristretto il perimetro dei claim two-layer a {SR,L1,L2,SR2} e ha identificato cond_entropy e num_var_10 come non-affidabili. Questo è lavoro strutturale, non accumulo numerico. La direzione seme (confine GUE/Poisson) e le indicazioni dell'affinatore (coupling test, surrogati esatti, gate multi-seed) convergono su un passo naturale: testare se i due layer verificati sono accoppiati o indipendenti — questo è il claim più forte rimasto non-auditato e tocca il confine che il seme chiede di esplorare.", "action": {"type": "none", "detail": {}}, "notes": "Quattro NEXT_CYCLE consecutivi, ma la traiettoria non è stagnante — ogni ciclo ha ristretto il perimetro (phase transition → near-second-order → two visible layers → recovery audit). Il prossimo passo ad alto rendimento è il coupling test tra Layer 1 e Layer 2: se sono indipendenti il two-layer si riduce a due claim separati; se sono accoppiati, emerge struttura genuina beyond-Markov. Evitare di investire subito in surrogati Markov esatti (infrastruttura pesante) — prima verificare se il coupling test col setup attuale produce segnale o null."} tools/data/valutatore_log.jsonl:29:{"ts": "2026-05-06T03:38:24.835757+00:00", "cycle_ref": "20260506_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Piano 65 ha prodotto un risultato categoria (a): ha falsificato il proprio risultato precedente (rank audit 05-05) mostrando che il singolo coordinate era artefatto del tipo di perturbazione. Il finding — dimensionalità perturbativa come discriminatore di dominio (GUE=1.89 vs primes=1.26) — è genuino ma necessita replicazione con GUE più grande (N=253 è il caveat dichiarato). La direzione 'confine' è ancora fertile: il prossimo passo naturale è confermare la dimensionalità perturbativa come invariante cross-dominio.", "action": {"type": "none", "detail": {}}, "notes": "Suggerimento per il prossimo ciclo: replicare con GUE N>=1000 (matrici 45x45+) e aggiungere almeno 2 domini intermedi (logistica caotica, Stern-Brocot) per verificare se la dimensionalità perturbativa scala in modo ordinato tra domini. Se confermato, è candidato a F7 nel condensato."} tools/data/valutatore_log.jsonl:30:{"ts": "2026-05-06T06:33:26.706335+00:00", "cycle_ref": "20260506_0625", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Piano 65 ha prodotto falsificazione genuina (categoria a): il secondo asse GUE è artefatto di sample size, non invariante stabile. Il ciclo ha anche scoperto una collisione di nomi osservabili (SR/SR2/triple_var significano funzioni diverse in script diversi) — problema META reale che va risolto. La direzione 'esplorare il confine' ha ancora potenziale: il prossimo passo naturale è la curva rank-vs-N che chiude il loop, e la collisione nomi va sanata prima di ulteriori audit cross-script.", "action": {"type": "none", "detail": {}}, "notes": "Tre cicli consecutivi NEXT_CYCLE sono giustificati perché ciascuno ha prodotto falsificazione o vincolo strutturale (non accumulo numerico locale). Se il prossimo ciclo produce solo conferma incrementale senza nuova discriminazione, valutare REDESIGN verso pair cross-dominio (f) o connessione con i ponti evoluti del sito. La collisione nomi osservabili è un debito META che il prossimo agente dovrebbe risolvere con un dizionario canonico delle osservabili prima di lanciare nuovi esperimenti."} tools/data/valutatore_log.jsonl:31:{"ts": "2026-05-06T19:47:12.588345+00:00", "cycle_ref": "20260506_1941", "executed": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "Three consecutive cycles on perturbation dimensionality (pianos 64-66) have converged to a single clear constraint: rank needs denominator gating, and after gating both GUE and primes show ~1 perturbation coordinate. The thread has produced genuine falsification (category a) and a solid methodological gate, but continuing to refine size curves or observable stability on the same axis is now category (c) — local numerical accumulation with diminishing returns. The 10 open tensions in the seme offer fresher directions; the perturbation constraint is ready to crystallize and the lab should pivot to cross-domain verification or a tension not yet explored.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Il vincolo PERTURBATION_DENOMINATOR_GATE è stabilito e replicato — cristallizzare come regola metodologica e muovere verso tensione cross-dominio non ancora esplorata (candidati: dipolar crossover scaling, markov layer coupling verification, o observable collinearity breaking). La prossima corsa NON deve restare su perturbation rank.", "reason": "3 cicli sullo stesso asse hanno prodotto il risultato (denominatore gate). Restare è rendimenti decrescenti (rischio tautologia accumulata). Ridirigere verso (b) cross-domain o (f) connessione inter-dominio."}}, "notes": "Il finding di piano 66 è maturo per crystallize_note nel condensato come vincolo metodologico (accanto a C2), ma la priorità ora è rompere l'inerzia tematica. Suggerisco anche che l'infrastruttura trajectory_apply/autopsy venga allineata (segnalato dall'affinatore) — ma questo è un fix di sistema, non una direzione scientifica.", "_executed_at": "2026-05-06T19:55:48.007990+00:00", "_executed_by": "lab_trajectory_apply"} tools/data/valutatore_log.jsonl:32:{"ts": "2026-05-06T20:03:03.497231+00:00", "cycle_ref": "20260506_1955", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Piano 67 executed a clean category (b) result: cross-domain verification with proper controls, falsifying the broad collinearity claim from 05-05 and narrowing it to a scoped statement with denominator gating. The redesign away from perturbation dimensionality worked — the cycle moved to a genuinely different experimental frame (PCA of retention curves) and confirmed the denominator lesson without repeating the perturbation-rank experiment. The consecutio (selective operator coupling) is non-redundant and well-motivated: it would discriminate whether primes and GUE are collinear because the observable suite is overcomplete or because they share genuine structural response.", "action": {"type": "none", "detail": {}}, "notes": "The seme direction for piano 68 ('8 GUE domains, 5 Poisson — boundary as third included') is reasonable but less sharp than the consecutio's proposal (selective operators on pair-scale vs triple-scale). If the agent picks up the consecutio naturally, good. If it drifts into another broad PCA audit without selective perturbation, the next valutatore pass should nudge toward operator coupling. Three cycles of clean progress since the redesign — no intervention needed yet."} tools/data/valutatore_log.jsonl:33:{"ts": "2026-05-07T03:35:44.545141+00:00", "cycle_ref": "20260507_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un risultato controllato e replicato su seed check: il confine GUE-Poisson non appare come linea binaria ma come layer beta 0.3-0.4 con collasso del denominatore. Non e' ancora da cristallizzare perche' resta dentro un perimetro sintetico di mixture controllata; il prossimo passo deve verificare se BOUNDARY_LAYER_GATE sopravvive cambiando generatore del confine, non accumulare altra metrica locale sullo stesso setup.", "action": {"type": "trigger_cycle", "detail": {"next_tension": "BOUNDARY_LAYER_GATE", "instruction": "Ripetere il test del collasso del denominatore su almeno un generatore indipendente del confine GUE-Poisson: ad esempio Dyson beta ensemble interpolante, thinning/superposition controllata, o spettro perturbato con unfolding separato. Mantenere registry canonico e gate original-vs-shuffle; criterio di successo: stesso ordine qualitativo collasso-denominatore prima/dentro la zona ambigua, non stesso beta numerico."}}, "notes": "Continuare, ma il prossimo ciclo deve essere cross-generatore. Se il layer compare solo nella mixture per sostituzione Poisson, va verso cimitero come artefatto del protocollo di miscela; se sopravvive, diventa candidato forte per condensato META sul terzo incluso operativo."} tools/data/valutatore_log.jsonl:34:{"ts": "2026-05-07T08:10:22.658201+00:00", "cycle_ref": "20260507_0803", "executed": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha prodotto evidenza controllata e replicata che il denominator gate trasferisce come operatore, ma non trasferisce la coordinata di layer BOUNDARY: ambiguita' classificativa e collasso del denominatore si separano. Continuare sul seme attuale centrato su GUE/Poisson rischia di restare nel locale; la prossima mossa deve promuovere il gate a oggetto cross-dominio e testarne i limiti di trasferibilita'.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Costruire una matrice di trasferibilita' del denominator gate: applicarlo a 3-4 perimetri non-BOUNDARY con poli coerente/illusorio e verificare quali parti trasferiscono (supporto one-sided, coordinate di collasso, ambiguita' classificativa) e quali restano locali.", "reason": "Il risultato appena ottenuto falsifica la trasferibilita' della coordinata BOUNDARY ma salva l'operatore; serve ora discriminare operatore stabile da metrica locale attraverso domini diversi."}}, "notes": "Side-effect log-only: modifica seme proposta, non eseguita automaticamente.", "_executed_at": "2026-05-07T09:01:45.431215+00:00", "_executed_by": "lab_trajectory_apply"} tools/data/valutatore_log.jsonl:38:{"ts": "2026-05-07T10:16:22.080234+00:00", "cycle_ref": "20260507_1006", "executed": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha risolto il counter-scope logistic come split di osservabilita': orbita continua leggibile, itinerary Bernoulli e return intervals blank replicato. Il prossimo nodo non e' ripetere il gate sugli stessi perimetri, ma falsificare il contratto del null: il supporto enorme di block_entropy_deficit_k4 puo' essere struttura temporale reale o artefatto del marginal shuffle.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare ORDER_DENOMINATOR_GATE al nodo regressivo del surrogate contract: confrontare marginal shuffle, circular shift e block shuffle su logistic_orbit_values, logistic_symbolic_itinerary e logistic_return_intervals; dichiarare supporto solo se sopravvive ai surrogate che preservano la struttura temporale rilevante.", "reason": "La consecutio dell'affinatore indica marginal shuffle / circular shift / block shuffle; endpoint-stable observables vuoto e seed check blank sui ritorni rendono esaurito il retest osservabile diretto."}}, "notes": "Nessuno stop operatore: il prossimo ciclo puo' procedere in log-only con nuovo frame di falsificazione del null.", "_executed_at": "2026-05-07T10:42:51.564433+00:00", "_executed_by": "lab_trajectory_apply"} tools/data/valutatore_log.jsonl:39:{"ts": "2026-05-07T10:49:23.486285+00:00", "cycle_ref": "20260507_1042", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il surrogate contract ha separato il supporto reale da quello marginal-only: resta un solo osservabile stabile su logistic_orbit_values, mentre symbolic_itinerary e return_intervals restano blank. L'Affinatore colloca il nodo regressivo prima del contratto, nella definizione start-invariant dell'osservabile: il prossimo ciclo deve verificare se block_entropy_deficit_k4 sopravvive a variazione di start/cut/block, non accumulare altri endpoint numerici.", "action": {"type": "trigger_cycle", "detail": {"direction": "Ritestare ORDER_DENOMINATOR_GATE al nodo regressivo start-invariant: variare cut iniziale, fase, lunghezza blocco e finestra su logistic_orbit_values/block_entropy_deficit_k4; mantenere symbolic_itinerary e return_intervals come controlli blank.", "constraints": ["surrogate contract invariato: marginal_shuffle, circular_shift, block_shuffle", "supporto solo se abs(z)>=2 su tutti i surrogate e replicato su seed check", "se logistic_orbit_values cade sotto variazione start/cut, spostare il claim nel cimitero come osservabile dipendente dal taglio"]}}, "notes": "Non cristallizzare ancora: il supporto e' scoped e dipende da un solo osservabile. Il prossimo passo resta nello stesso frame ma attacca il nodo regressivo indicato dall'Affinatore."} tools/data/valutatore_log.jsonl:41:{"ts": "2026-05-07T15:05:05.028249+00:00", "cycle_ref": "20260507_1458", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo metodologico forte ma non richiede intervento operatore: il PASS 11/11 e' stato scisso in denominatori distinti e la consecutio indica gia' il nodo regressivo in `dipartimento.verifica_asserzioni`. La prossima mossa deve replicare il META gate su seed invariato e verificare stabilita' della classificazione prima di cristallizzarlo o inserirlo nel report mattutino.", "action": {"type": "trigger_cycle", "detail": {"focus": "META_ASSERTION_GATE second run on invariant seed", "reason": "Verificare che gate_class, no_data_status e data_dependency restino stabili prima di trasformare il gate in vincolo permanente del sommario PASS/FAIL."}}, "notes": "Non REDESIGN: la direzione non e' esaurita, ma il prossimo ciclo deve restare sul nodo META invece di tornare subito al confine GUE/Poisson."} tools/data/valutatore_log.jsonl:42:{"ts": "2026-05-07T17:55:31.241833+00:00", "cycle_ref": "20260507_1751", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha falsificato la formulazione globale di G come underlay e ha prodotto una consecutio specifica: G come hinge locale tra QG blank e GE real_sourcing. Continuare sulla direzione corrente GUE/Poisson non attacca il nodo emerso; il prossimo ciclo deve testare l'operatore di deposito blank-to-source invece di accumulare dettaglio sul confine numerico.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare G_UNDERLAY_HINGE_GATE: cercare un osservabile di deposito che trasformi il blank QG in sourcing reale GE nel tetraedro TQGE, con controllo su facce senza QG come contro-perimetro", "reason": "La consecutio del ciclo non è un altro giro sul confine GUE/Poisson ma la verifica strutturale del hinge G emerso come nodo regressivo locale."}}, "notes": "Il redesign non cristallizza il claim: lo restringe a esperimento falsificabile. Vincoli minimi per il prossimo ciclo: usare TGE e TQE come controlli negativi, non usare centralità entropica come metrica primaria, dichiarare blank se non emerge osservabile canonico."} tools/data/valutatore_log.jsonl:46:{"ts": "2026-05-07T20:46:55.259764+00:00", "cycle_ref": "20260507_2042", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha falsificato il framing forte `dipolare = det=-1` senza cadere nel dettaglio numerico locale: ha usato shuffle, ha isolato il nodo regressivo nell'embedding e ha prodotto una consecutio cross-dominio precisa. La prossima mossa non dipende dall'operatore: va testato se lo scarto reale-vs-shuffle sopravvive in domini ordinati non-primi o se il segno negativo e' interamente prodotto dal fit.", "action": {"type": "trigger_cycle", "detail": {"tension": "DUALITA_DET_DENOMINATOR_GATE", "direction": "Applicare il test det_vs_shuffle a Beatty coerente, shuffle Beatty, GUE spacing order e Poisson; separare segno condiviso da scarto ordinato contro null.", "reason": "Verifica cross-dominio della nuova tensione nata dal constraint: det non come polo primario, ma come osservabile subordinato al denominator gate."}}, "notes": "Mantenere il frame corrente. Evitare cristallizzazione: il risultato e' un constraint maturo sul perimetro primi, ma serve il passaggio non-primi prima di decidere se det entra come diagnostica secondaria o va nel cimitero come discriminatore."} tools/data/valutatore_log.jsonl:50:{"ts": "2026-05-08T00:21:16.867699+00:00", "cycle_ref": "20260508_0011", "executed": false, "decision": "STOP_FOR_REVIEW", "confidence": "high", "reasoning": "The cycle produced a genuine cross-domain discriminator: alpha (scaling exponent) separates primes (0.32-0.39) from GUE (0.5-0.6), replicated across seeds and observables. This is category (b) — cross-domain structural verification — and potentially crystallizable. However, the seme delta shows 6 new tensions all named *_TRASCENDENZA_LIMITE, which pattern-matches the gate-of-gate anti-pattern flagged by the operator on 07/05. The finding is solid; the trajectory risk is that the next cycles will methodologically gate the finding instead of letting the operator decide what it means for the model. Three consecutive NEXT_CYCLE decisions have been productive, but this is a natural inflection point where the operator should see the alpha-discriminator result and redirect.", "action": {"type": "notify_operator", "detail": {"message": "Lab cycle 85 produced a cross-domain discriminator: scaling exponent alpha separates primes (α≈0.35, weakening) from GUE (α≈0.55, scale-invariant). The discriminator is not the observable value but how it scales. Poisson shows no signal. Replicated on two seeds. 6 new TRASCENDENZA_LIMITE tensions generated — may need pruning before next cycle."}}, "notes": "The alpha result connects to the DUALITA_DIPOLARE_VS_ILLUSORIA tension at a structural level: prime gaps have dipolar structure that dissolves at large scale, while GUE repulsion is baked in at all scales. This is the kind of finding that should be read through the model (A10 dipolo assiomatico: φ attrattivo vs −1/φ repulsivo) before being pushed further numerically. The 6 TRASCENDENZA_LIMITE tensions risk triggering 2-3 more methodology cycles without advancing — operator should decide if they carry signal or are gate-of-gate."} tools/data/valutatore_log.jsonl:51:{"ts": "2026-05-08T03:35:14.907065+00:00", "cycle_ref": "20260508_0330", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha vincolato il claim originale: il valore puntuale 0.408953 regge solo con denominatore atomico N/phase/threshold e il supporto matched e' 25/48, quindi proseguire sul gap_ratio accumulerebbe dettaglio locale fragile. La consecutio e' chiara e non richiede operatore: spostare il prossimo esperimento dal ratio metrico al label-set dei gap, verificando stabilita' sotto phase, N e soglia.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare QPG_GAP_RATIO_DENOMINATOR_GATE spostando l'osservabile dal first_two_ratio al label-set dei gap larghi: per ogni gap stimare il miglior label m+n*theta e misurare stabilita' del label-set sotto N, phase e threshold.", "reason": "Nodo regressivo nel denominatore dell'osservabile: il ratio non e' bulk, il prossimo ciclo deve falsificare la tassonomia dei varchi."}}, "notes": "Side-effect log-only: propone cambio direzione del seme, non eseguito automaticamente."} tools/data/valutatore_log.jsonl:52:{"ts": "2026-05-08T16:38:40.757945+00:00", "cycle_ref": "20260508_1632", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha vincolato il claim alla stabilità del label-set, e la consecutio chiede di testare in domini non-Sturmiani. La direzione seme 'Esplorare il confine: 8 domini GUE, 5 Poisson' è il passo naturale per verificare la persistenza cross-dominio, quindi continuare.", "action": {"type": "trigger_cycle", "detail": {}}, "notes": "Il prossimo ciclo dovrebbe progettare un esperimento che applichi la stessa metrica di label-set a spettri GUE e Poisson, variando parametri come dimensione della matrice o soglia, per vedere se il core di label phi sopravvive fuori dal contesto Sturmiano."} tools/data/valutatore_log.jsonl:53:{"ts": "2026-05-08T17:20:45.153323+00:00", "cycle_ref": "20260508_1715", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale chiaro: il label-set phi non appartiene al lettore da solo, ma richiede generatore globale Sturmiano. Non c'e' dipendenza immediata dall'operatore e la consecutio naturale e' falsificare la portata del vincolo fuori dal caso phi, prima di cristallizzare.", "action": {"type": "trigger_cycle", "detail": {"focus": "testare se il vincolo generatore-globale si trasferisce a generatori Sturmiani non-phi e a controlli GUE/Poisson", "suggested_question": "Il core label-set e' proprieta' della famiglia Sturmiana a bassa complessita o specificamente del generatore phi?", "constraints": ["mantenere reader e generator separati", "includere shuffle/block/null controls", "non usare fit numerico senza audit strutturale"]}}, "notes": "Se anche generatori Sturmiani non-phi conservano core analoghi mentre null e shuffle falliscono, il prossimo passo diventa CRYSTALLIZE sul vincolo generatore-globale. Se il fenomeno resta solo phi, restringere il claim prima di inserirlo nel condensato."} tools/data/valutatore_log.jsonl:54:{"ts": "2026-05-08T18:11:29.877485+00:00", "cycle_ref": "20260508_1805", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale netto: la lunghezza generica recupera il nucleo basso, mentre il core alto rientra solo con scale Fibonacci lunghe. La consecutio non è esaurita: il prossimo passo deve distinguere se il segnale viene dalla semplice scala Fibonacci o dalla grammatica sostitutiva del generatore, includendo il gap_ratio lasciato esplicitamente non testato.", "action": {"type": "trigger_cycle", "detail": {"focus": "test grammatica di sostituzione vs lunghezza Fibonacci", "directive": "Usare block shuffle e surrogate che preservano lunghezze Fibonacci ma rompono la grammatica Sturmiana, poi surrogate che preservano grammatica locale ma non scala Fibonacci; includere gap_ratio oltre al label-set core. Verificare se il core alto richiede ordine sostitutivo globale o solo finestre Fibonacci lunghe.", "avoid": "non cristallizzare il claim phi-core prima del controllo grammaticale e del gap_ratio"}}, "notes": "Continua lo stesso frame: il risultato è vincolo, non ancora maturazione. Nessun side-effect automatico oltre al trigger log-only."} tools/data/valutatore_log.jsonl:55:{"ts": "2026-05-08T18:39:13.811423+00:00", "cycle_ref": "20260508_1834", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: il core phi non misura solo lunghezza di blocco, perche' collassa quando l'ordine interno viene distrutto. Pero' e' il quarto NEXT_CYCLE consecutivo nello stesso frame locale e il perimetro resta su lettore phi/generator phi senza gap_ratio, non-phi Sturmian o cross-dominio; secondo la regola anti-tautologica il deep-dive locale ha raggiunto rendimento decrescente. La mossa successiva deve portare il vincolo su un discriminatore strutturale piu' largo, coerente col seme attuale sul confine GUE/Poisson.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare se il gate del core phi trasferisce come discriminatore di confine su domini GUE/Poisson: ordine interno conservato vs distrutto, con controlli shuffle e generatori non-phi", "reason": "Porta il finding dal dominio locale della grammatica Sturmiana al filtro STRUTTURA/rumore richiesto dal telos, evitando accumulo numerico sul solo phi_sturmian."}}, "notes": "Nel prossimo ciclo: usare il risultato appena ottenuto come vincolo, non come claim; includere almeno un controllo non-phi e un confronto GUE/Poisson. gap_ratio resta not_tested e va trattato come osservabile sospeso, non confermato."} tools/data/valutatore_log.jsonl:57:{"ts": "2026-05-08T19:20:24.659684+00:00", "cycle_ref": "20260508_1915", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha chiuso la tensione QPG_GAP_RATIO_DENOMINATOR_GATE: il claim corretto e' sul collasso del core completo, non sui label singoli. Poiche' non sono emerse tensioni nuove e gli ultimi turni hanno gia' scavato il perimetro locale, il prossimo passo deve uscire dal denominatore QPG e tornare al confine cross-dominio indicato dal seme.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare il confine come terzo incluso operativo sui domini GUE/Poisson: applicare un contratto osservabile tipizzato prima del run, distinguendo core congiunto, residui singoli e stabilita' cross-dominio.", "reason": "Evitare ulteriore dettaglio numerico locale dopo tensione risolta; promuovere falsificazione strutturale cross-dominio coerente con C2 e con la direzione piano 91."}}, "notes": "Cristallo operativo da portare nel prossimo design: per core multi-label il portatore del verdetto va dichiarato prima del run; congiunzione, retention per-label e stable-label-count non sono intercambiabili."} tools/data/valutatore_log.jsonl:58:{"ts": "2026-05-08T19:53:05.581281+00:00", "cycle_ref": "20260508_1947", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale chiaro: il boundary simbolico del supertile non batte il taglio contiguo misallineato su IDS/rank/errore, mentre la distruzione dell'ordine interno collassa il core. La nuova direzione del seme sposta correttamente il test fuori dal deep-dive locale verso GUE/Poisson, cioe' verso falsificazione cross-dominio del confine come terzo incluso operativo.", "action": {"type": "trigger_cycle", "detail": {"direction": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "reason": "proseguire sul frame gia' riallineato verso controllo cross-dominio"}}, "notes": "Non serve STOP_FOR_REVIEW: la falsificazione e' utile ma non richiede scelta dell'operatore. Non serve ulteriore REDESIGN: il seme ha gia' assorbito il vincolo spostando il prossimo giro su GUE/Poisson."} tools/data/valutatore_log.jsonl:59:{"ts": "2026-05-08T20:11:15.840508+00:00", "cycle_ref": "20260508_2005", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo utile ma non una chiusura: la grammatica locale Sturmian non separa supertile aligned da same-length, mentre il collasso resta legato all'ordine interno. Poiche' il seme corrente punta gia' a 8 domini GUE e 5 Poisson e il report dichiara questi domini come not_tested, la prossima mossa e' trasferire il vincolo sul frame cross-dominio invece di ridisegnare ancora localmente.", "action": {"type": "trigger_cycle", "detail": {"direction": "applicare il gate grammaticale come controllo negativo/lettore di collasso su domini GUE e Poisson reali", "focus": "verificare se zero_grammar_excess_rate resta baseline nei domini strutturati e collassa solo quando viene perturbato l'ordine interno", "avoid": "non promuovere boundary simbolico del supertile come portatore; usarlo come vincolo falsificato"}}, "notes": "Continuare un giro nello stesso frame, ma spostando il peso dal boundary del supertile al confronto cross-dominio richiesto dal seme."} tools/data/valutatore_log.jsonl:60:{"ts": "2026-05-08T20:19:34.072273+00:00", "cycle_ref": "20260508_2013", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha chiuso anche il gate globale Ostrowski: high-core aligned non batte il misaligned su distanza boundary ne' su firma Zeckendorf, quindi il boundary esatto del supertile non e' portatore rilevato neppure al piano della numerazione globale. Dopo tre giri consecutivi sullo stesso frame con vincoli negativi coerenti, continuare sulla stessa TRASCENDENZA_LIMITE produce dettaglio locale e rischia accumulo anti-tautologico sterile; la traiettoria deve tornare al confine cross-dominio dichiarato nel seme.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Tornare al confine cross-dominio: testare il boundary come terzo incluso operativo su 8 domini GUE e 5 Poisson, usando lo stesso contratto aligned/misaligned ma fuori dal generatore phi-Sturmian", "reason": "Il gate locale, grammaticale e Ostrowski sul supertile phi e' vincolo negativo stabile; il prossimo passo utile e' falsificazione strutturale cross-dominio, non un altro lettore interno allo stesso dominio."}}, "notes": "Promuovere una tensione nuova: se il boundary non vive nel supertile, verificare se vive come discriminante fra domini spettrali GUE/Poisson. Non cristallizzare ancora: il risultato attuale e' vincolo robusto, ma il suo valore dipende dal test fuori-dominio."} tools/data/valutatore_log.jsonl:61:{"ts": "2026-05-08T20:25:06.578336+00:00", "cycle_ref": "20260508_2019", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: il core phi non resta invariato quando il generatore Sturmian cambia e il reader resta fisso, mentre il reader nativo recupera struttura ordinata. L'affinatore ha gia' individuato la consecutio operativa: trasferire il gate reader/generator fuori dal banco phi verso il confine GUE/Poisson, che coincide con la direzione corrente del seme. Non serve review dell'operatore: il prossimo passo e' eseguire il trasferimento cross-dominio e vedere se il gate discrimina struttura da rumore.", "action": {"type": "trigger_cycle", "detail": {"direction": "Applicare il reader_generator_gate al confine GUE/Poisson: trattare GUE e Poisson come generatori distinti, definire reader nativo e reader trasferito, misurare se il core decade solo fuori coordinata o se il confine e' non trasferibile.", "reason": "La traiettoria ha chiuso il banco Sturmian come vincolo, non come cristallizzazione; il valore ora sta nel test cross-dominio richiesto da C2."}}, "notes": "Evitare un altro deep-dive locale sui gap labels Sturmian: il prossimo ciclo deve attaccare direttamente il confine GUE/Poisson con controllo shuffle/surrogato."} tools/data/valutatore_log.jsonl:63:{"ts": "2026-05-08T21:15:51.307623+00:00", "cycle_ref": "20260508_2108", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale pulito: lo zero Mobius intervallare non cade nel null che preserva frequenza e multiset, e discrimina low_low/high_high/SR con segnale forte. Non serve stop operatore: il seme ha gia' avanzato a piano 94 e la direzione corrente sposta il test dal dominio locale primi x Mobius al confine cross-dominio GUE/Poisson, che e' il passo corretto contro il rischio di accumulo numerico locale.", "action": {"type": "trigger_cycle", "detail": {"direction": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "focus": "testare se la classe zero/boundary emersa nel gate Mobius trasferisce come operatore di confine su domini GUE/Poisson, con shuffle/surrogati e controllo denominatore"}}, "notes": "Non cristallizzare ancora nel condensato: il risultato e' forte nel perimetro primi x Mobius, ma il valore per il lab cresce se il prossimo ciclo verifica trasferibilita' cross-dominio invece di scavare ancora lo stesso denominatore."} tools/data/valutatore_log.jsonl:64:{"ts": "2026-05-08T21:25:42.387096+00:00", "cycle_ref": "20260508_2121", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha isolato un vincolo utile: low-low e high-high cadono sotto null stratificato per lunghezza, mentre SR resta stabilmente fuori null su main e seedcheck. Non c'è dipendenza dall'operatore: la consecutio naturale è testare se il residuo SR è specifico dello zero Mobius o se il null stratificato va trasferito al frame GUE/Poisson della direzione corrente.", "action": {"type": "trigger_cycle", "detail": {"focus": "seguire il residuo sr_zero_minus_nonzero oppure trasferire il null length-stratified al confine GUE/Poisson", "constraint": "non promuovere low/high come segnale autonomo; trattarli come assorbiti dal denominatore lunghezza", "suggested_question": "SR resta vincolo di forma dello zero Mobius sotto null piu' duro, o e' un effetto del rapporto min/max conservato indirettamente dalla stratificazione?"}}, "notes": "Mantenere lo stesso frame: il ciclo ha prodotto discriminazione strutturale, non solo dettaglio numerico locale."} tools/data/valutatore_log.jsonl:65:{"ts": "2026-05-08T21:39:38.403932+00:00", "cycle_ref": "20260508_2133", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo forte ma ancora locale: SR_zero sopravvive 6/6 al null pair-stratified, mentre low_low e high_high cadono 0/6. La domanda rimasta non e' continuare lo stesso frame numerico, ma attaccare il nodo regressivo dichiarato dal report: il null e' transition-level e non ricostruisce una sequenza Mobius globale coerente, quindi prima di nominare il residuo come portatore serve un null piu' fisico o un trasferimento cross-dominio.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare il residuo SR_zero Mobius con null globalmente coerente e/o trasferimento cross-dominio GUE/Poisson prima di ogni cristallizzazione", "reason": "Evita quarto deep-dive locale sullo stesso residuo; sposta il prossimo ciclo dal controllo pair-bucket alla verifica strutturale richiesta da C2."}}, "notes": "Log-only: nessuna azione automatica eseguita. Prossimo esperimento consigliato: preservare coerenza globale della sequenza Mobius o testare se la firma SR_zero attraversa domini GUE/Poisson senza dipendere dalla geometria coarse dei gap primi."} tools/data/valutatore_log.jsonl:66:{"ts": "2026-05-08T21:45:25.809260+00:00", "cycle_ref": "20260508_2140", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo non ha confermato un bordo reticolare specifico di phi: il random bilanciato comprime `V_c` molto piu' dei metallici, quindi il segnale e' dominato dal denominatore/null e non dalla struttura Sturmian. L'Affinatore ha gia' isolato il nodo regressivo: il null random non e' omogeneo rispetto al boundary operator `V_c`; continuare nello stesso frame accumulerebbe dettaglio locale sospetto.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", "reason": "Il prossimo ciclo deve correggere il denominatore del test, non estrarre altro dal fit o dalla compressione grezza di `V_c`."}}, "notes": "Non cristallizzare. Il risultato utile e' metodologico: il bordo `V_c` richiede null costruiti sulla stessa classe operatoriale, altrimenti il random crea una soglia artificiale a griglia bassa."} tools/data/valutatore_log.jsonl:67:{"ts": "2026-05-09T03:36:18.623872+00:00", "cycle_ref": "20260509_0330", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo utile ma locale: `V_c` distingue metallici e random solo dentro un osservabile dedicato, con `not_tested` espliciti e nodo regressivo nel null non omogeneo al boundary operator. Saltare subito a GUE/Poisson rischia di lasciare non falsificato il punto vero emerso dall'Affinatore: separare `floor_hit`, crossing interno, phase-shuffle Sturmian e surrogate label-preserving prima di promuovere il confine a dominio spettrale piu' largo.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson.", "reason": "La prossima mossa deve chiudere il controllo strutturale sul boundary operator; l'estensione cross-dominio viene dopo, altrimenti accumula dettaglio numerico locale non ancora ripulito."}}, "notes": "Log-only: modifica proposta al seme, nessuna azione eseguita automaticamente."} tools/data/valutatore_log.jsonl:68:{"ts": "2026-05-09T06:44:23.750714+00:00", "cycle_ref": "20260509_0637", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo operativo sul null regressivo di `V_c`, non una falsificazione conclusiva ne' una cristallizzazione. Il perimetro dichiarato e' ancora incompleto: restano esplicitamente non testati GUE/Poisson reali, silver/bronze, fit power-law e un label-preserving forte con Jaccard>=0.75; quindi la prossima mossa naturale e' completare il frame prima di ridisegnarlo.", "action": {"type": "trigger_cycle", "detail": {"direction": "Continuare sul frame `V_c` null regressivo estendendo i controlli: GUE/Poisson reali, metallici silver/bronze e surrogate label-preserving forte con soglia Jaccard>=0.75.", "reason": "Il ciclo ha isolato il nodo regressivo ma non ha ancora discriminato se il portatore e' ordine Sturmian, label-set o artefatto della griglia/perimetro."}}, "notes": "Tenere il focus sull'evento di bordo prima del valore numerico: floor_hit/internal_cross/internal_multi/no_cross. Se anche il null forte recupera crossing interno, `V_c` deve essere declassato; se non lo recupera e i controlli cross-dominio separano, il frame matura."} tools/data/reports/falsifier_20260508_0011.json:9: "claim": "GUE has alpha >= 0.5 (no weakening)", tools/data/reports/falsifier_20260508_0011.json:10: "evidence": "GUE L2 seed 137 shows alpha = 0.475 +/- 0.204, point estimate below 0.5. The blanket claim 'GUE alpha >= 0.5' in the verdict has this counterexample. The large error bar (0.204) makes the estimate uncertain, but a point estimate below the stated threshold cannot be rounded away.", tools/data/reports/falsifier_20260508_0011.json:11: "suggestion": "Qualify the verdict: 'GUE alpha >= 0.5 for SR, L1, triple_var; L2 is indeterminate (0.475-0.780 across seeds, error bar spans the threshold).' Alternatively, exclude L2 from the GUE claim as it is excluded from the primes claim." tools/data/reports/falsifier_20260508_0011.json:16: "claim": "Poisson shows no scaling. Alpha near 0 or incoherent (R-squared < 0.15 for L1 and triple_var).", tools/data/reports/falsifier_20260508_0011.json:17: "evidence": "Poisson SR has alpha=0.263 with R2=0.75; Poisson L2 has alpha=0.165 with R2=0.91. These are not 'near 0' and not 'incoherent.' An i.i.d. sequence should produce z ~ N(0,1) at all window sizes, giving alpha=0 exactly. Non-zero alpha with R2=0.91 in the null baseline suggests either an unfolding artifact or a bias in the windowed z-score computation that inflates z at larger N even without structure.", tools/data/reports/falsifier_20260508_0011.json:18: "suggestion": "Investigate the Poisson L2 scaling (alpha=0.165, R2=0.91) as a potential methodological artifact. If the null baseline itself shows scaling, the prime and GUE alpha values may carry a systematic offset. Report corrected alpha_prime - alpha_poisson as the clean discriminator." tools/data/reports/falsifier_20260508_0011.json:23: "claim": "GUE repulsion is built into the ensemble at all scales. [...] alpha >= 0.5 [...] scale-independent or strengthening.", tools/data/reports/falsifier_20260508_0011.json:24: "evidence": "Finite-size scaling of GUE spectral statistics is well-studied in RMT literature (e.g., Mehta, Guhr-Müller-Groeling-Weidenmüller). The fact that z grows faster than sqrt(N) for some observables (L1 alpha=0.60, triple_var=0.63) likely reflects known finite-size convergence to the thermodynamic limit, not a novel 'strengthening.' The report's L5 check acknowledges the need for RMT comparison but does not name the specific known result.", tools/data/reports/falsifier_20260508_0011.json:25: "suggestion": "Compare alpha values with known finite-size scaling exponents from RMT (e.g., number variance scaling, rigidity scaling with matrix dimension). If they match, the GUE arm is re-discovery and the novelty claim should rest solely on the primes-vs-GUE alpha gap." tools/data/reports/falsifier_20260508_0011.json:28: "summary": "Report is internally coherent on its main claim (primes alpha < 0.5, GUE alpha > 0.5) but two edge cases break the stated perimeter: GUE L2 s137 violates the blanket 'alpha >= 0.5' (L4), and Poisson L2 shows non-trivial scaling (alpha=0.165, R2=0.91) that undermines the null baseline and may indicate a systematic bias in the z-score methodology (L4). Neither is fatal but both require tightening before the finding can be called clean." tools/data/reports/falsifier_20260508_1834.json:9: "claim": "Claim Under Test: \"Cosa manca per confermare completamente gap_ratio...\"; Verdict: \"CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE\"", tools/data/reports/falsifier_20260508_1834.json:10: "evidence": "Il report dichiara esplicitamente che `gap_ratio` non e' testato in questo ciclo; i dati misurano retention/Jaccard/all-high dei label sotto shuffle, non gap_ratio. Il verdict resta agganciato a `QPG_GAP_RATIO_DENOMINATOR_GATE`, quindi il nodo testato cambia da gap_ratio a label-set grammar gate senza declassare formalmente il claim originario.", tools/data/reports/falsifier_20260508_1834.json:11: "suggestion": "Riformulare: \"gap_ratio non valutato; questo ciclo testa solo il label-set gate. QPG_GAP_RATIO_DENOMINATOR_GATE resta aperto finche' gap_ratio viene misurato nello stesso perimetro\"." tools/data/reports/falsifier_20260508_1834.json:28: "summary": "Il report e' parzialmente coerente: L3 si rompe per drift tra gap_ratio dichiarato e label-set testato, e L1 richiede di limitare lo zero al core alto completo, non ai label alti residui." tools/data/reports/agent_20260501_0931.md:1:# Agent Report — The GUE-Poisson Crossover Has a Phase Transition: Direction Locks, Magnitude Decays, Then Flips tools/data/reports/agent_20260501_0931.md:9:> "8 domains GUE, 5 Poisson — the boundary is the third included operational" (BOUNDARY). tools/data/reports/agent_20260501_0931.md:10:> The GUE-Poisson transition: is it a smooth interpolation or does it have structure? tools/data/reports/agent_20260501_0931.md:14:If we gradually destroy GUE ordering by partially shuffling eigenvalue spacings (fraction alpha of positions shuffled), what happens to the dipolar angle (theta, magnitude) in the (SR, L1) plane? Is the crossover smooth (interpolation) or sharp (phase transition)? And where do primes sit relative to this crossover curve? tools/data/reports/agent_20260501_0931.md:18:- **Method**: Partial shuffle of GUE bulk spacings at 21 alpha levels (0.00 to 1.00, step 0.05) tools/data/reports/agent_20260501_0931.md:19:- **GUE source**: 60 matrices of size 300, bulk 60% (central eigenvalues), mean-normalized tools/data/reports/agent_20260501_0931.md:20:- **Partial shuffle**: At each alpha, select floor(alpha * N) random positions per matrix, permute spacings at those positions only, leave rest in GUE order tools/data/reports/agent_20260501_0931.md:23:- **Null**: Full shuffle (alpha=1.0) of GUE spacings — destroys ordering, preserves marginal distribution tools/data/reports/agent_20260501_0931.md:24:- **Prime reference**: 100K+ primes, gaps normalized by local running mean (window=100), split into 60 chunks, same (SR, L1) computation. Own shuffle baseline (not GUE shuffle) tools/data/reports/agent_20260501_0931.md:28:### GUE Crossover: alpha vs dipolar coordinates tools/data/reports/agent_20260501_0931.md:52:- **Prime on the curve**: In dipolar (dSR, dL1) space, the closest point on the GUE crossover to the prime vector is at alpha = 0.45 (distance 0.012, z = 1.1 — within noise). tools/data/reports/agent_20260501_0931.md:53:- **Prime direction offset**: Prime theta = -105.3, GUE stable theta = -96.6. Delta = -8.7 degrees. GUE direction std = 0.27 degrees. The offset is 32 sigma in GUE units. The MAGNITUDE matches but the DIRECTION does not. tools/data/reports/agent_20260501_0931.md:57:1. **The GUE-Poisson crossover is not smooth — it has a phase transition.** The dipolar magnitude decays linearly with alpha and passes through a near-zero minimum (0.0007) at alpha in [0.65, 0.75]. At this point the dipolar direction flips approximately 180 degrees. Below the transition, the ordering signal points consistently at -97 degrees. Above it, residual noise points at +82 degrees. The transition is a genuine zero-crossing, not a gradual rotation. tools/data/reports/agent_20260501_0931.md:59:2. **The dipolar direction is an invariant of the ordered regime.** From pure GUE (alpha=0) to 60% shuffled (alpha=0.60), the direction stays locked at -96.6 +/- 0.27 degrees. Destroying 60% of the ordering preserves the CHARACTER of the remaining 40%. Only the MAGNITUDE decreases (linearly, at rate -0.41/alpha). This means the direction encodes WHAT KIND of ordering exists, not HOW MUCH. tools/data/reports/agent_20260501_0931.md:61:3. **Primes match the crossover magnitude but not the direction.** In dipolar magnitude, primes (mag=0.068) correspond to alpha ~ 0.45 on the GUE curve (z=1.1 from curve). But the prime direction (-105.3 degrees) is 8.7 degrees off the GUE direction (-96.6 degrees), a 32-sigma offset. The prime ordering has comparable STRENGTH to 45%-shuffled GUE, but a different CHARACTER. The additional -8.7 degrees means primes have relatively more gap-similarity depression (SR effect) per unit of anticorrelation (L1 effect) than GUE — consistent with dL1/dSR = 2.3 for primes vs 8.4+ for GUE (previous experiments). tools/data/reports/agent_20260501_0931.md:67:**CONFIRMED structure on BOUNDARY**: The GUE-Poisson transition in the dipolar plane has a phase transition (direction flip at magnitude zero-crossing, alpha in [0.65, 0.75]). The boundary is a discrete structural feature, not an interpolation. tools/data/reports/agent_20260501_0931.md:69:**CONSTRAINT on DIPOLAR_ORDERING**: Prime magnitude matches the GUE crossover at alpha ~ 0.45 (z=1.1), but the direction is 8.7 degrees off (32 sigma). Primes are not "partially shuffled GUE" — they share the quantity of ordering but differ in quality. Perimeter: this comparison uses partial-shuffle as the crossover mechanism. Other mechanisms (e.g., Rosenzweig-Porter, Brody) might yield different crossover topologies. tools/data/reports/agent_20260501_0931.md:71:**L5 note (re-discovery check)**: The GUE-Poisson transition is well-studied (Rosenzweig-Porter model, Brody distribution, Anderson localization). The specific observation that the DIPOLAR DIRECTION is an invariant of the ordered regime while the magnitude decays linearly appears novel in this framework. Default hypothesis: direction invariance likely follows from the linearity of SR and L1 as functions of ordering fraction. The phase transition at the zero-crossing is structural — it marks where the ordering signal changes sign, not just magnitude. tools/data/reports/agent_20260501_0931.md:75:- **Due radici** (dipolo primario): ordered regime (locked direction, decaying magnitude) and disordered regime (no coherent direction, noise-level magnitude). The two are separated by a zero-crossing, not connected by interpolation. tools/data/reports/agent_20260501_0931.md:77:- **Invariante di passaggio**: the direction (-96.6 degrees). It survives from pure GUE through 60% destruction. The character of ordering persists even when most of the ordering is gone. What crosses the vertex is the kind, not the amount. tools/data/reports/agent_20260501_0931.md:78:- **Campo di possibilita**: Possible — classify ordering regimes by direction (what kind) independently from magnitude (how much). Determine phase transition points for arbitrary sequences. Not possible — interpolate smoothly between GUE and Poisson in dipolar coordinates (the transition is discrete). tools/data/reports/agent_20260429_1041.md:43:| Brody beta | -0.030 | 0.78 | Decays toward Poisson | tools/data/reports/agent_20260429_1041.md:93:3. **The Markov(1) LLR decays (-50.8/ln(p)) while the algebraic signal doesn't.** This is because Markov(1) LLR mixes two components: the algebraic (T[1][1]=T[2][2]=0, invariant) and the statistical (T[0][0] evolving, off-diagonal structure shifting with PNT). The Markov LLR decays because its statistical component weakens, but the algebraic floor is eternal. tools/data/reports/agent_20260429_1041.md:123:- **BOUNDARY constrained**: the GUE/Poisson boundary (Brody flow) only describes layers 1-2. Layer 3 (algebraic) is invisible to Brody beta. Any complete model of the boundary must include the algebraic floor. tools/data/reports/agent_20260429_1041.md:130:- **Campo di possibilità**: diventa possibile modellare il confine GUE/Poisson con un pavimento algebrico che non decade — il Brody beta raggiunge 0 a p ~ 10^9 ma la struttura mod-3 resta. Diventa non-possibile trattare "strutturale" come una singola categoria — ci sono strutture che decadono e strutture che non decadono, e il confine tra i due è il contenuto. tools/data/agent_field_live.md:16:Se non riesci a compilare questi sei punti, non fare deepening locale phi/Sturmian o altro: cambia piano, cerca nel grafo/incrocio, o lascia blank. tools/data/agent_field_live.md:25:**Direzione seme da respirare**: Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson. tools/data/agent_field_live.md:48:- Non partire da phi, gap label, GUE o Poisson se sono gia' nel ciclo tools/data/agent_field_live.md:295:- surrogate con stessa distribuzione; tools/data/agent_field_live.md:305:- GUE; tools/data/agent_field_live.md:308:- Poisson; tools/data/agent_field_live.md:328:- Poisson synthetic; tools/data/agent_field_live.md:329:- GUE synthetic; tools/data/agent_field_live.md:336:- GUE/Poisson e' spesso un piano di proiezione, non una sorgente. Se diventa tools/data/agent_field_live.md:402:- same PSD surrogate; tools/data/agent_field_live.md:405:- noise floor. tools/data/agent_field_live.md:498:- scale-free surrogate; tools/data/agent_field_live.md:575:GUE/Poisson/non-phi. tools/data/agent_field_live.md:582:- Punto-zero: confine prima che venga classificato GUE o Poisson. tools/data/agent_field_live.md:650:- concetti: terzo incluso, GUE/Poisson, non-phi generator, graph curvature, tools/data/agent_field_live.md:653: precede la classificazione spettrale GUE/Poisson; tools/data/agent_field_live.md:700: - "VALIDA contro baseline GUE, Poisson e generatori sintetici." tools/data/agent_field_live.md:702: quando: "il ciclo lavora su boundary, GUE/Poisson o trasferibilita' phi" tools/data/agent_field_live.md:846: quando: "prima del prossimo ciclo su GUE/Poisson/non-phi" tools/data/agent_field_live.md:906:- **Direzione corrente**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:907:- **Domanda aperta** (consecutio): Il prossimo passo non e' rifare il fit su `V_c`. Il portatore emerso e' la curva: misurare distanza funzionale tra curve `r(V)` con un null che preserva densita, autocorrelazione corta e conteggi di blocco. Se la distanza funzionale separa metallici da random e mantiene contro-casi phi dichiarati, i tools/data/agent_field_live.md:923:Ho mantenuto il focus sul passo: attrito autopsy senza jsonl, latenza da budget/perimetro del null, nodo regressivo nel contratto di emissione provider e nella condizione di ammissione del surrogate. Il file e' nuovo/non tracciato in git (`?? evolution_report.md`). tools/data/agent_field_live.md:948: - **claim**: Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c tools/data/agent_field_live.md:1011:## Piano 98 — Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confronta tools/data/agent_field_live.md:1016:- [BOUNDARY] (0.8) 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:1021:- [TRANS_BOUNDARY_TRASCENDENZA_LIMITE] (0.8) Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti tools/data/agent_field_live.md:1040:Trovato: 1. **Verificato: il crossing Sturmian e' interno nel perimetro testato.** `phi_sturmian` e `sturmian_phase_shuffle` hanno `floor_hit=0` e `internal_cross` unico in tutte le condizioni (`36/36` e `72/72`). tools/data/agent_field_live.md:1042:Verdetto: **CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossin tools/data/agent_field_live.md:1047:Verdetto: **CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.4 tools/data/agent_field_live.md:1051:Verdetto: **CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' tools/data/agent_field_live.md:1058:aver dichiarato che "GUE is also dynamic under M". Il setup C1 era tools/data/agent_field_live.md:1060:ha mostrato GUE dinamico — la conclusione ha riformulato silenziosamente tools/data/agent_field_live.md:1167: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. tools/data/reports/falsifier_20260505_0330.json:10: "evidence": "Le matrici PCA riportate non danno uno zero esatto delle componenti non-PC1: primes PC1=0.989 quindi residuo=0.011, effective rank=1.069; GUE PC1=0.997 quindi residuo=0.003, effective rank=1.022. Il dato supporta ridondanza forte, non proibizione dura di autonomia residua.", tools/data/notte_20260326_0330.md:5: collatz_cp: r=0.9497136076205077, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:8: ising_2d_cp_-0.40399731526527427: r=0.9108185170256915, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:9: ising_2d_cp_0.45522935739736126: r=1.0431954263284353, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:10: brownian_motion_cp_0.10156293949284084: r=0.9966329966329966, spacing=Poisson-like [conferma] tools/data/notte_20260326_0330.md:11: brownian_motion_cp_0.9083139965385025: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260326_0330.md:12: percolation_cp_0.3034086711489568: r=0.6949152542372882, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:13: percolation_cp_0.8397168647434718: r=1.0454545454545456, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:14: cellular_automata_cp_150: r=0.7452006980802792, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:17: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260326_0330.md:18: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260326_0330.md:19: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260326_0330.md:20: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/spectral_rigidity_results.json:18: "type": "dist-GUE", tools/data/spectral_rigidity_results.json:63: "type": "dist-GUE", tools/data/spectral_rigidity_results.json:108: "type": "ord-GUE", tools/data/spectral_rigidity_results.json:153: "type": "ord-GUE", tools/data/spectral_rigidity_results.json:198: "type": "ord-GUE", tools/data/spectral_rigidity_results.json:243: "type": "Poisson", tools/data/spectral_rigidity_results.json:288: "type": "Poisson", tools/data/spectral_rigidity_results.json:333: "type": "Poisson", tools/data/notte_20260402_0330.md:4: Direzione: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo in tools/data/notte_20260402_0330.md:5: [confine_inesplorato] BOUNDARY: 8 domini GUE, 5 Poisson — il confine è il terzo incluso oper tools/data/notte_20260402_0330.md:8: [conferma_parziale] COMP_GEN_GAP_RATIO_FALSIFICA_FALSIFICA_F1: gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ tools/data/notte_20260402_0330.md:10: [tensione_aperta] M_det_minus_one_L0: Cosa manca per confermare completamente gap_ratio: phi=0.409 tools/data/notte_20260402_0330.md:14: logistica_biforcazione_cp_3.57: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260402_0330.md:16: logistica_biforcazione_cp_3.968: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260402_0330.md:17: logistica_biforcazione_cp_3.64: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260402_0330.md:18: numeri_primi_cp_100: r=0.762330388277594, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:19: numeri_primi_cp_50000: r=0.762330388277594, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:21: collatz_cp: r=0.8355359765051396, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:23: ising_2d_cp_-0.3712031488689398: r=0.9674222541586771, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:24: ising_2d_cp_0.47729231017254603: r=0.9862411420886567, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:25: brownian_motion_cp_0.11504351980504385: r=1.034587995930824, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260402_0330.md:26: brownian_motion_cp_0.8057291190852911: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260402_0330.md:27: percolation_cp_0.3688634741499579: r=0.6949152542372881, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:28: percolation_cp_0.8740825474500551: r=0.923076923076923, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:29: cellular_automata_cp_150: r=0.7452006980802792, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:41: Campo dopo Fase 0: 8 GUE / 5 Poisson tools/data/notte_20260402_0330.md:45: percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like (⟨r⟩=0.41299868689639513) [NULL:non-disc] tools/data/notte_20260402_0330.md:46: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260402_0330.md:47: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) [NULL:non-disc] tools/data/notte_20260402_0330.md:48: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.3861050747726014) [NULL:non-disc] tools/data/notte_20260402_0330.md:103: GUE: 9 | Poisson: 8 | Vincoli: 17 | Anomalie: 13 tools/data/notte_20260402_0330.md:105: Domini GUE: numeri_primi_cp_100, numeri_primi_cp_50000, collatz_cp, ising_2d_cp_-0.3712031488689398, ising_2d_cp_0.47729231017254603, percolation_cp_0.3688634741499579, percolation_cp_0.8740825474500551, cellular_automata_cp_150, numeri_primi_var_100000 tools/data/notte_20260402_0330.md:106: Domini Poisson: logistica_biforcazione_cp_3.57, logistica_biforcazione_cp_3.968, logistica_biforcazione_cp_3.64, brownian_motion_cp_0.11504351980504385, brownian_motion_cp_0.8057291190852911, percolation_var_0.55, coupled_oscillators_var_50, brownian_motion_var_0.5 tools/data/reports/cycle_20260305_0844.json:32: "GUE": 0.29670833202771496, tools/data/reports/cycle_20260305_0844.json:34: "Poisson": 0.510008332027715, tools/data/reports/cycle_20260305_0844.json:43: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:45: "GUE": 0.1637341019241806, tools/data/reports/cycle_20260305_0844.json:47: "Poisson": 0.37703410192418063, tools/data/reports/cycle_20260305_0844.json:56: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:58: "GUE": 0.07108013924144507, tools/data/reports/cycle_20260305_0844.json:60: "Poisson": 0.2843801392414451, tools/data/reports/cycle_20260305_0844.json:69: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:71: "GUE": 0.0013531361002089293, tools/data/reports/cycle_20260305_0844.json:73: "Poisson": 0.21194686389979112, tools/data/reports/cycle_20260305_0844.json:84: "GUE": 0.033692181448734315, tools/data/reports/cycle_20260305_0844.json:86: "Poisson": 0.17960781855126573, tools/data/reports/cycle_20260305_0844.json:97: "GUE": 0.06412167049004891, tools/data/reports/cycle_20260305_0844.json:99: "Poisson": 0.14917832950995114, tools/data/reports/cycle_20260305_0844.json:110: "GUE": 0.09263337719183284, tools/data/reports/cycle_20260305_0844.json:112: "Poisson": 0.1206666228081672, tools/data/reports/cycle_20260305_0844.json:123: "GUE": 0.11916312020873215, tools/data/reports/cycle_20260305_0844.json:125: "Poisson": 0.09413687979126789, tools/data/reports/cycle_20260305_0844.json:136: "GUE": 0.14296513348744533, tools/data/reports/cycle_20260305_0844.json:138: "Poisson": 0.07033486651255472, tools/data/reports/cycle_20260305_0844.json:147: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:149: "GUE": 0.2041358611525424, tools/data/reports/cycle_20260305_0844.json:151: "Poisson": 0.009164138847457648, tools/data/reports/cycle_20260305_0844.json:160: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:162: "GUE": 0.2748295876655356, tools/data/reports/cycle_20260305_0844.json:164: "Poisson": 0.06152958766553557, tools/data/reports/cycle_20260305_0844.json:173: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:175: "GUE": 0.3640777020486299, tools/data/reports/cycle_20260305_0844.json:177: "Poisson": 0.15077770204862984, tools/data/reports/cycle_20260305_0844.json:186: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:188: "GUE": 0.43564800784619784, tools/data/reports/cycle_20260305_0844.json:190: "Poisson": 0.22234800784619782, tools/data/reports/cycle_20260305_0844.json:199: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:201: "GUE": 0.0013531361002089293, tools/data/reports/cycle_20260305_0844.json:203: "Poisson": 0.21194686389979112, tools/data/reports/cycle_20260305_0844.json:212: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:214: "GUE": 0.015680728701978786, tools/data/reports/cycle_20260305_0844.json:216: "Poisson": 0.19761927129802126, tools/data/reports/cycle_20260305_0844.json:225: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:227: "GUE": 0.029241086644125502, tools/data/reports/cycle_20260305_0844.json:229: "Poisson": 0.18405891335587454, tools/data/reports/cycle_20260305_0844.json:240: "GUE": 0.04273384302801908, tools/data/reports/cycle_20260305_0844.json:242: "Poisson": 0.17056615697198096, tools/data/reports/cycle_20260305_0844.json:253: "GUE": 0.05567668696247785, tools/data/reports/cycle_20260305_0844.json:255: "Poisson": 0.1576233130375222, tools/data/reports/cycle_20260305_0844.json:266: "GUE": 0.06821895426251079, tools/data/reports/cycle_20260305_0844.json:268: "Poisson": 0.14508104573748926, tools/data/reports/cycle_20260305_0844.json:279: "GUE": 0.08041041520559711, tools/data/reports/cycle_20260305_0844.json:281: "Poisson": 0.13288958479440294, tools/data/reports/cycle_20260305_0844.json:292: "GUE": 0.09263337719183284, tools/data/reports/cycle_20260305_0844.json:294: "Poisson": 0.1206666228081672, tools/data/reports/cycle_20260305_0844.json:305: "GUE": 0.10444251980628838, tools/data/reports/cycle_20260305_0844.json:307: "Poisson": 0.10885748019371166, tools/data/reports/cycle_20260305_0844.json:318: "GUE": 0.11551666300995106, tools/data/reports/cycle_20260305_0844.json:320: "Poisson": 0.09778333699004899, tools/data/reports/cycle_20260305_0844.json:331: "GUE": 0.12622818756544568, tools/data/reports/cycle_20260305_0844.json:333: "Poisson": 0.08707181243455436, tools/data/reports/cycle_20260305_0844.json:344: "GUE": 0.1363444703271271, tools/data/reports/cycle_20260305_0844.json:346: "Poisson": 0.07695552967287295, tools/data/reports/cycle_20260305_0844.json:357: "GUE": 0.14625965183538286, tools/data/reports/cycle_20260305_0844.json:359: "Poisson": 0.06704034816461718, tools/data/reports/cycle_20260305_0844.json:370: "GUE": 0.15586954772482753, tools/data/reports/cycle_20260305_0844.json:372: "Poisson": 0.05743045227517252, tools/data/reports/cycle_20260305_0844.json:381: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:383: "GUE": 0.16527431088573818, tools/data/reports/cycle_20260305_0844.json:385: "Poisson": 0.04802568911426186, tools/data/reports/cycle_20260305_0844.json:405: "GUE": 0.29670833202771496, tools/data/reports/cycle_20260305_0844.json:407: "Poisson": 0.510008332027715, tools/data/reports/cycle_20260305_0844.json:416: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:418: "GUE": 0.1637341019241806, tools/data/reports/cycle_20260305_0844.json:420: "Poisson": 0.37703410192418063, tools/data/reports/cycle_20260305_0844.json:429: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:431: "GUE": 0.07108013924144507, tools/data/reports/cycle_20260305_0844.json:433: "Poisson": 0.2843801392414451, tools/data/reports/cycle_20260305_0844.json:442: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:444: "GUE": 0.0013531361002089293, tools/data/reports/cycle_20260305_0844.json:446: "Poisson": 0.21194686389979112, tools/data/reports/cycle_20260305_0844.json:457: "GUE": 0.033692181448734315, tools/data/reports/cycle_20260305_0844.json:459: "Poisson": 0.17960781855126573, tools/data/reports/cycle_20260305_0844.json:470: "GUE": 0.06412167049004891, tools/data/reports/cycle_20260305_0844.json:472: "Poisson": 0.14917832950995114, tools/data/reports/cycle_20260305_0844.json:483: "GUE": 0.09263337719183284, tools/data/reports/cycle_20260305_0844.json:485: "Poisson": 0.1206666228081672, tools/data/reports/cycle_20260305_0844.json:496: "GUE": 0.11916312020873215, tools/data/reports/cycle_20260305_0844.json:498: "Poisson": 0.09413687979126789, tools/data/reports/cycle_20260305_0844.json:509: "GUE": 0.14296513348744533, tools/data/reports/cycle_20260305_0844.json:511: "Poisson": 0.07033486651255472, tools/data/reports/cycle_20260305_0844.json:520: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:522: "GUE": 0.2041358611525424, tools/data/reports/cycle_20260305_0844.json:524: "Poisson": 0.009164138847457648, tools/data/reports/cycle_20260305_0844.json:533: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:535: "GUE": 0.2748295876655356, tools/data/reports/cycle_20260305_0844.json:537: "Poisson": 0.06152958766553557, tools/data/reports/cycle_20260305_0844.json:546: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:548: "GUE": 0.3640777020486299, tools/data/reports/cycle_20260305_0844.json:550: "Poisson": 0.15077770204862984, tools/data/reports/cycle_20260305_0844.json:559: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:561: "GUE": 0.43564800784619784, tools/data/reports/cycle_20260305_0844.json:563: "Poisson": 0.22234800784619782, tools/data/reports/cycle_20260305_0844.json:572: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:574: "GUE": 0.0013531361002089293, tools/data/reports/cycle_20260305_0844.json:576: "Poisson": 0.21194686389979112, tools/data/reports/cycle_20260305_0844.json:585: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:587: "GUE": 0.015680728701978786, tools/data/reports/cycle_20260305_0844.json:589: "Poisson": 0.19761927129802126, tools/data/reports/cycle_20260305_0844.json:598: "class": "GUE", tools/data/reports/cycle_20260305_0844.json:600: "GUE": 0.029241086644125502, tools/data/reports/cycle_20260305_0844.json:602: "Poisson": 0.18405891335587454, tools/data/reports/cycle_20260305_0844.json:613: "GUE": 0.04273384302801908, tools/data/reports/cycle_20260305_0844.json:615: "Poisson": 0.17056615697198096, tools/data/reports/cycle_20260305_0844.json:626: "GUE": 0.05567668696247785, tools/data/reports/cycle_20260305_0844.json:628: "Poisson": 0.1576233130375222, tools/data/reports/cycle_20260305_0844.json:639: "GUE": 0.06821895426251079, tools/data/reports/cycle_20260305_0844.json:641: "Poisson": 0.14508104573748926, tools/data/reports/cycle_20260305_0844.json:652: "GUE": 0.08041041520559711, tools/data/reports/cycle_20260305_0844.json:654: "Poisson": 0.13288958479440294, tools/data/reports/cycle_20260305_0844.json:665: "GUE": 0.09263337719183284, tools/data/reports/cycle_20260305_0844.json:667: "Poisson": 0.1206666228081672, tools/data/reports/cycle_20260305_0844.json:678: "GUE": 0.10444251980628838, tools/data/reports/cycle_20260305_0844.json:680: "Poisson": 0.10885748019371166, tools/data/reports/cycle_20260305_0844.json:691: "GUE": 0.11551666300995106, tools/data/reports/cycle_20260305_0844.json:693: "Poisson": 0.09778333699004899, tools/data/reports/cycle_20260305_0844.json:704: "GUE": 0.12622818756544568, tools/data/reports/cycle_20260305_0844.json:706: "Poisson": 0.08707181243455436, tools/data/reports/cycle_20260305_0844.json:717: "GUE": 0.1363444703271271, tools/data/reports/cycle_20260305_0844.json:719: "Poisson": 0.07695552967287295, tools/data/reports/cycle_20260305_0844.json:730: "GUE": 0.14625965183538286, tools/data/reports/cycle_20260305_0844.json:732: "Poisson": 0.06704034816461718, tools/data/reports/cycle_20260305_0844.json:743: "GUE": 0.15586954772482753, tools/data/reports/cycle_20260305_0844.json:745: "Poisson": 0.05743045227517252, tools/data/reports/cycle_20260305_0844.json:754: "class": "Poisson", tools/data/reports/cycle_20260305_0844.json:756: "GUE": 0.16527431088573818, tools/data/reports/cycle_20260305_0844.json:758: "Poisson": 0.04802568911426186, tools/data/reports/falsifier_20260508_1909.json:24: "evidence": "Il fenomeno vive in tiling Sturmian/Fibonacci, label IDS e gap label: esiste un risultato classico vicino, cioe' gap-labeling theorem per quasicristalli/substitution tilings/Sturmian Hamiltonians. Il report non dichiara NEW, ma formula il portatore senza nominare il riferimento classico piu' vicino.", tools/data/reports/falsifier_20260508_1909.json:25: "suggestion": "Nel prossimo ciclo aggiungere baseline teorica: confrontare i label osservati con il gruppo di gap-labeling atteso per Sturmian/Fibonacci e separare novita' D-ND da re-discovery spettrale classica." tools/data/two_channel_boundary.json:6: "n_surrogates": 20, tools/data/reports/report_20260403_0330.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260403_0330.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=1.0000 (GUE standard=0.60) tools/data/reports/report_20260403_0330.md:25:- percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like tools/data/reports/report_20260403_0330.md:26:- numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like tools/data/reports/report_20260403_0330.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260403_0330.md:28:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/reports/agent_20260417_0803.md:23:- **Null baseline**: 15 shuffled surrogates (order destroyed, marginals preserved) tools/data/reports/agent_20260417_0803.md:113:**CONSTRAINT on POISSON_CONVERGENCE**: The alpha drift (0.9 → 0.6) means the approach to Poisson is not just amplitude decay — the decorrelation structure itself changes. The Poisson crossover prediction (p* ~ 10^{12.6}) based on amplitude alone may need revision. tools/data/reports/agent_20260417_0803.md:121:3. **Poisson crossover revision**: the amplitude-only prediction (A→0 at p*~10^{12.6}) assumed fixed alpha=1.0. With alpha drifting, the crossover might be different. The shape and amplitude evolve independently. 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:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme.json:116: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme.json:118: "nota": "Dal domandatore (2026-05-08T21:21). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme.json:127: "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:178: "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.", tools/data/seme.json:193: "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.", tools/data/seme.json:198: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme.json:208: "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.", tools/data/seme.json:213: "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", tools/data/seme.json:313: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme.json:318: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme.json:388: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme.json:393: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme.json:411: "direzione": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson.", tools/data/seme.json:588: "old_direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/reports/insights_20260403_0330.json:53: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260403_0330.json:58: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/insights_20260403_0330.json:99: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260403_0330.json:101: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/notte_20260309_0330.md:4: ising_2d_var_-0.1: r=0.9617378732350873, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260309_0330.md:5: ising_2d_var_0.1: r=0.9953239701767003, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260309_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260309_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260309_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260309_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260309_0330.md:10: brownian_motion_var_0.3: r=1.0, spacing=Poisson-like (⟨r⟩=0.38887915759169045) tools/data/notte_20260309_0330.md:11: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.3794585132262598) tools/data/notte_20260309_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260309_0330.md:13: percolation_var_0.55: r=1.0384615384615385, spacing=Poisson-like (⟨r⟩=0.42620322149073625) tools/data/notte_20260309_0330.md:14: percolation_var_0.65: r=1.3790650406504066, spacing=Poisson-like (⟨r⟩=0.4591904379007532) tools/data/reports/agent_diag2.md:18:- Null: 20 Cramer surrogates (gaps ~ Exp(ln p)) + 20 shuffled surrogates tools/data/reports/agent_diag2.md:75:2. **dR_acf1 is prime-specific**: z = -3.0 vs Cramer. Primes push curvature autocorrelation to -0.484, compatible with -1/2 = H (de Sitter Hubble). Cramer surrogates sit at -0.463. The difference is 0.021, more than 3 sigma of the null distribution. tools/data/reports/evolution_20260506_0330.md:5:Il passo ha invertito su se stesso: il risultato del run precedente (rank audit 05-05, un solo asse sotto shuffle uniforme) è stato trattato come claim da falsificare, non come fatto acquisito. Ha progettato quattro perturbazioni strutturalmente distinte per separare ciò che lo shuffle uniforme collassava. Traiettoria pulita: domanda autologica → disegno sperimentale mirato → risultato che discrimina (GUE ~2D, primi ~1.3D). 522s, 23 tool call, zero errori. Il passo è stato netto. tools/data/reports/evolution_20260506_0330.md:11:1. **GUE a N=253**: il campione è piccolo per costruzione (matrice 23x23). L'agente lo dichiara come caveat ma non ha tentato di salire (50x50 è fattibile nello stesso budget). Non è attrito grave — il sign flip in L2 è qualitativo e regge — ma la dimensione del campione resta il primo punto d'attacco per chi vuole declassare il risultato. tools/data/reports/evolution_20260506_0330.md:17:Nessun fallimento. Il nodo regressivo minore è nella **costruzione del campione GUE**: la dimensione della matrice è fissata a 23x23 per default storico, non per necessità computazionale. Il vincolo vive nel template dell'esperimento, non nel run. Se il prossimo run tocca GUE, la condizione da portare è: dimensione matrice come parametro esplicito, non costante ereditata. tools/data/reports/evolution_20260506_0330.md:23:2. **Dimensionalità perturbativa come invariante di dominio**: GUE ~2D, primi ~1.3D. Questa asimmetria è misurabile, falsificabile, e indipendente dall'osservabile scelto. È un candidato per il prossimo incrocio con la struttura mod-3 già vista nei run precedenti: la dimensionalità extra di GUE vive nella stessa direzione di mod-3 o in una ortogonale? tools/data/reports/evolution_20260506_0330.md:25:3. **L2 come discriminatore di regime**: il sign flip di L2 sotto adjacent-swap vs large-gap-only in GUE è qualitativo. L2 non è solo un osservabile — è un operatore che separa regimi perturbativi. Questo apre la porta a una classificazione delle perturbazioni per firma osservabile, non per costruzione. tools/data/reports/evolution_20260506_0330.md:29:Il ciclo seguente potrebbe incrociare la dimensionalità perturbativa (2D GUE vs 1.3D primi) con la struttura modulare (mod-3, residui): se il secondo asse di GUE è allineato o ortogonale alla direzione modulare, la mappa delle correlazioni guadagna una coordinata. tools/data/reports/report_20260328_0344.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260328_0344.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.9348 (GUE standard=0.60) tools/data/reports/report_20260328_0344.md:26:- brownian_motion_var_0.3: r=0.9882352941176471, spacing=Poisson-like tools/data/reports/report_20260328_0344.md:27:- logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like tools/data/reports/report_20260328_0344.md:28:- ising_2d_var_0.1: r=0.9908867676670138, spacing=GUE-like tools/data/reports/report_20260328_0344.md:29:- logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like tools/data/markov_k_direction.json:47: "GUE_ref_theta": -97.0 tools/data/reports/evolution_20260425_0330.md:5:Il passo ha seguito una consecutio pulita: il risultato TWO_KINDS_GUE (distribuzione vs ordinamento) del 24/04 ha aperto una domanda precisa — "in quale canale vive la memoria Markov?" — e l'agente l'ha colta senza deviare. La traiettoria è stata: separare i canali (tercile vs mod-6), misurare ciascuno indipendentemente, confrontare attraverso i tipi GUE. 36 tool calls in 16 minuti, zero errori, nessun tool rimasto senza risposta. Il passo ha prodotto una discriminazione netta (140x) che non era visibile nei risultati precedenti dove i canali erano mescolati. tools/data/reports/evolution_20260425_0330.md:17:1. **Saturation depth come asse indipendente.** Il 14% di saturazione delle string vibrations vs il 44% dei primi vs il 100% del logistic è un dato nuovo che non è ancora entrato nel vocabolario del seme. Non è un finding — è una coordinata. Il prossimo ciclo potrebbe chiedersi: la profondità di saturazione ha una firma sotto M? Se sì, è un terzo asse dopo tipo-GUE e canale-memoria. tools/data/reports/evolution_20260425_0330.md:19:2. **L'eterogeneità della classe Poisson.** Il run ha notato che il r-statistic classifica come Poisson domini con memoria Markov da 0% a 99%. Questo non falsifica il r-test — lo confina. Il confine GUE/Poisson misurato dal r-test è una proiezione 1D di uno spazio almeno 2D. Il passo successivo naturale: esiste una firma composita (r + saturazione) che separa senza ambiguità? tools/data/reports/evolution_20260425_0330.md:21:3. **Assenza di canale algebrico nell'ordering-GUE.** Il run l'ha affermato ma non l'ha falsificato attivamente. La domanda regressiva è: esiste un equivalente strutturale del mod-6 per eigenvalue spacings? (es. mod-N sulla parte intera degli spacings normalizzati). Se no, il risultato si rafforza. Se sì, il 140x si ridimensiona. Un test a costo quasi zero. tools/data/arxiv_cache.json:28: "quasicrystal spectral statistics GUE": { tools/data/arxiv_cache.json:41: "title": "On and Off-diagonal Sturmian operator: dynamic and spectral dimension", tools/data/reports/agent_20260508_2019.md:1:# Agent Report - Non-Phi Sturmian Fixed-Reader Gate tools/data/reports/agent_20260508_2019.md:8:**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. tools/data/reports/agent_20260508_2019.md:12:- **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. tools/data/reports/agent_20260508_2019.md:20:> 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. tools/data/reports/agent_20260508_2019.md:23: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? tools/data/reports/agent_20260508_2019.md:73:**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. tools/data/reports/agent_20260508_2019.md:78:- **Invariante di passaggio**: l'ordine Sturmian produce core bassi nativi; il core alto phi sopravvive solo quando generatore e reader restano accoppiati nel perimetro. tools/data/reports/agent_20260508_2019.md:82: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. tools/data/reports/agent_20260418_0330.md:23:3. **Factorial surrogates** (20 each): tools/data/reports/agent_20260418_0330.md:64:### Test 3: Factorial surrogates — Z/6Z has zero effect tools/data/reports/agent_20260418_0330.md:115:3. **Revised Poisson crossover**: If the dipolar regime narrows (k* shrinks) with scale, then at the Poisson crossover (p*~10^{13}), k* might be just 1-2 lags — meaning only the nearest-neighbor anti-correlation survives. The approach to Poisson is not just amplitude decay but REGIME NARROWING. tools/data/reports/agent_20260418_0330.md:119:- Script: `tools/exp_acf_z6z_mechanism.py` (reusable: --n_primes, --max_lag, --n_surrogates) tools/data/zero_traiettoria_20260310_1649.json:3: "esperimento": "zero_traiettoria_crossing", tools/data/zero_traiettoria_20260310_1649.json:346: "crossings": [ tools/data/synthetic_validation.json:6: "source": "GUE", tools/data/synthetic_validation.json:9: "sr": "GUE", tools/data/synthetic_validation.json:15: "source": "GUE", tools/data/synthetic_validation.json:18: "sr": "GUE", tools/data/synthetic_validation.json:20: "fd": "GUE", tools/data/synthetic_validation.json:21: "verdict": "LIKELY GUE: GUE (2/3 \u2014 KS blind to GUE, Piano 11c)" tools/data/synthetic_validation.json:24: "source": "GUE", tools/data/synthetic_validation.json:27: "sr": "GUE", tools/data/synthetic_validation.json:29: "fd": "GUE", tools/data/synthetic_validation.json:30: "verdict": "LIKELY GUE: GUE (2/3 \u2014 KS blind to GUE, Piano 11c)" tools/data/two_layer_universality.json:57: "GUE": { tools/data/two_layer_universality.json:112: "Poisson": { tools/data/lab_data.json:4: "direzione": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson.", tools/data/lab_data.json:44: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/lab_data.json:51: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/lab_data.json:72: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/lab_data.json:94: "content": "# Agent Report - Vc Null Regression Gate\n**Date**: 2026-05-09 06:37\n**Piano**: 98\n**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=la forma `r(V)` del boundary Sturmian-Harper e' sostenuta da attraversamenti interni, non da collasso al bordo minimo della filtrazione; observable=`event={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`; operator=curva `r(V)` su griglia 0.5..3.0 step 0.01, crossing lineare e classificazione del primo stato rispetto a `r_threshold={0.48,0.50,0.52}`; generator=phi Sturmian, phase-shuffle Sturmian, random bilanciato, surrogate random selezionato per overlap label-set; denominator=N={89,144,233}, phase={0,0.25,0.5,0.75}, phase_trials=2, random_trials=2, label_trials=2, label_candidates=5, seed=202605090637; non_possible=se un null che preserva label-set produce crossing interno unico e stesso `r_floor` dei generatori Sturmian, `V_c` non e' piu' boundary map di ordine Sturmian; not_tested=GUE/Poisson reali, silver/bronze in questo ciclo, fit power-law, label-preserving forte con accettazione Jaccard>=0.75.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita / TxR gas relativistico come filtrazione spettro-temperatura + nodo `TRASCENDENZA_LIMITE` + tensione operativa `V_c` sul null regressivo.\n- **Dipolo / punto-zero**: collasso al bordo minimo (`floor_hit`) / attraversamento interno; punto-zero = il primo stato della curva rispetto alla soglia, prima che `V_c` venga contato come valore.\n- **Piano superiore**: topologia assiomatica del bordo come filtrazione. Il contenuto non e' il numero `V_c`, ma il tipo di evento che genera il passaggio.\n- **Operatori laterali scelti**: boundary operator, filtrazione, spectrum-preserving surrogate. Il boundary operator separa floor e interno; la filtrazione scorre `V`; il surrogate tenta di conservare il lettore label-set prima di misurare il crossing.\n- **Contaminazione cognitiva**:\n - **CE-0117 / KSAR**: reiterazione del kernel del ciclo 03:30 senza cambiare dominio: stesso `V_c`, nodo regressivo diverso.\n - **PVI attack**: il rischio e' rendere il null piu' debole per salvare la curva metallica; per questo il surrogate label-preserving espone il proprio `label_jaccard`.\n - **CE-0001**: il fallimento del surrogate entra come informazione, non come parametro da calibrare.\n- **Proto-ipotesi**: se il boundary e' effetto di ordine Sturmian, allora le fasi Sturmian devono conservare crossing interno senza floor-hit; se basta preservare parzialmente il label-set, il surrogate random deve recuperare lo stesso evento interno unico. Se il surrogate non preserva il label-set, il ciclo produce un vincolo sul generatore del null.\n- **Proiezione**: misuro l'evento prima del valore" tools/data/lab_data.json:128: "anti_claim": "ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in (not: gap_ratio: phi=0.4090)" tools/data/lab_data.json:176: "anti_claim": "il confine è il terzo incluso operativo (not: 8 domini GUE, 5 Poisson)" tools/data/reports/evolution_20260423_0330.md:17:1. **L'asintoto 1/3 chiede una spiegazione algebrica.** Il 33.6% non è banale (un Markov uniforme darebbe 0%). Esiste una struttura nell'alfabeto {0,2,4} di Z/6Z che vincola la frazione a ~1/3? F2 (cammino confinato al coset {2,4}) potrebbe contenere la risposta — il vincolo combinatorio sulle transizioni ammissibili potrebbe fissare un floor di entropia condizionata. Esperimento: calcolare la frazione teorica da un modello Markov-3 con sole transizioni F2-compatibili e confrontare con il 33.6% osservato. tools/data/reports/evolution_20260423_0330.md:21:3. **Il Brody β come funzione di scala è un dato riusabile.** La regressione β(ln p) con R²=0.72 è un risultato autonomo dalla decomposizione a due canali. Può servire come baseline per qualsiasi futuro esperimento sulla tensione BOUNDARY — il tasso di drift verso Poisson è ora quantificato. tools/data/specchio_20260314.json:9: "crossing_traccia_N": 200000, tools/data/specchio_20260314.json:10: "crossing_profilo_lag": "7-8, si muove con N", tools/data/reports/agent_20260508_1805.md:8:**observable_contract**: claim=il core phi dei gap larghi richiede generatore globale, non solo lettore label; observable=retention dei label core sotto block shuffle; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per block_size; generator=phi_sturmian con block_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, block_size Fibonacci e non-Fibonacci; not_tested=gap_ratio, generatori Sturmiani non-phi, GUE/Poisson, soglie 1.75/2.25. tools/data/reports/agent_20260508_1805.md:11:> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici? tools/data/reports/agent_20260508_1805.md:17:- Perimetro: stesso lettore label dei cycle 16:32 e 17:15; `gap_ratio` non testato in questo ciclo. tools/data/reports/agent_20260508_1805.md:59:Detected crossings with threshold `>=0.5`: tools/data/reports/agent_20260508_1805.md:79:La formulazione valida e': il core alto del label-set phi misura memoria globale del generatore su scale Fibonacci, non lunghezza generica del blocco e non valore `gap_ratio`. tools/data/reports/agent_20260508_1805.md:88:Testare il vincolo su generatori Sturmiani non-phi mantenendo separati reader e generator: se anche silver/bronze hanno basso locale e alto su proprie scale di approssimanti, il gate diventa proprieta Sturmiana; se solo phi mostra rientro alto Fibonacci, il claim si restringe a phi. tools/data/reports/agent_20260508_1805.md:92:- **L2 quantita vs ratio**: il crossing `>=0.5` e' descrittivo; il claim poggia sul confronto tra famiglie di block size e frequenze label, non su un singolo valore. tools/data/reports/agent_20260508_1805.md:93:- **L3 no silent patching**: `gap_ratio` resta non testato; il report dichiara il cambio osservabile nel contratto. tools/data/reports/agent_20260508_1805.md:95:- **L5 re-discovery**: Fibonacci/Sturmian/gap labeling sono meccanismi noti; il finding del ciclo e' la stratificazione del core osservato in basso locale e alto Fibonacci-lungo. tools/data/reports/agent_20260413_0330.md:9:> If acf(k) ~ -A(p)/k, then via Wiener-Khinchin the PSD low-frequency suppression should track A(p). The two measurements (time-domain ACF, frequency-domain PSD) must give consistent Poisson crossover predictions. tools/data/reports/agent_20260413_0330.md:20:- **Null baseline**: 15 shuffled surrogates per window (destroys sequential order, preserves distribution) tools/data/reports/agent_20260413_0330.md:48:### Poisson crossover predictions tools/data/reports/agent_20260413_0330.md:64:1. **PSD dip and ACF amplitude give the same Poisson crossover: p* ~ 10^{12.6}.** Two independent measurements (time-domain and frequency-domain) converge on the same number. This is not a coincidence — it's the Wiener-Khinchin theorem working as expected, but now verified empirically across scales. tools/data/reports/agent_20260413_0330.md:68:3. **|acf1| has the weakest scaling (R^2=0.38, p=0.058).** The lag-1 ACF is noisier than PSD-based metrics for detecting scale evolution. This constrains how to measure decorrelation: PSD metrics are more robust than single-lag ACF for tracking the approach to Poisson. tools/data/reports/agent_20260413_0330.md:84:- **CONFIRMED on ACF_AMPLITUDE_SCALING**: The PSD independently predicts the same Poisson crossover (10^{12.6}). Wiener-Khinchin consistency verified. tools/data/reports/agent_20260413_0330.md:90:The unified picture is: prime gaps decorrelate logarithmically in p, with a 3-decade spread (10^{11.5} to 10^{14.5}) across observables. The hierarchy is: spectral tilt → ACF memory → spectral dip → ACF envelope → Brody shape → level spacing ratio. **What determines this ordering?** Is it specific to primes, or does any anti-correlated sequence approaching independence lose structure in this order? A Berry-Robnik mixture with tunable mixing parameter could test this — sweep from GUE to Poisson and measure the same 5 observables. tools/data/g1_log.jsonl:21:{"ts": "2026-05-08T21:43:50.858554+00:00", "cycle_ref": "20260508_2140", "decision": "PASS", "tension_id": "TENS_SCALE_TRASCENDENZA_LIMITE", "tension_tipo": "tensione_aperta", "obs_field_present": true, "obs_empty": true, "obs_value_raw": "[] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1", "reason": "observables_used populated or field absent (legacy)"} tools/data/g1_log.jsonl:22:{"ts": "2026-05-09T03:34:44.846726+00:00", "cycle_ref": "20260509_0330", "decision": "PASS", "tension_id": "TENS_SCALE_TRASCENDENZA_LIMITE", "tension_tipo": "tensione_aperta", "obs_field_present": true, "obs_empty": true, "obs_value_raw": "[] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1", "reason": "observables_used populated or field absent (legacy)"} tools/data/g1_log.jsonl:23:{"ts": "2026-05-09T06:42:51.486930+00:00", "cycle_ref": "20260509_0637", "decision": "BLOCK", "tension_id": "TRASCENDENZA_LIMITE", "tension_tipo": "confine_inesplorato", "obs_field_present": true, "obs_empty": true, "obs_value_raw": "[] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1", "reason": "observables_used=[] su tensione strutturale TRASCENDENZA_LIMITE (confine_inesplorato) — pure taxonomy, errore #5 input=test"} tools/data/reports/report_20260401_0346.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260401_0346.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.9348 (GUE standard=0.60) tools/data/reports/report_20260401_0346.md:25:- ising_2d_var_0.1: r=0.9969894889487128, spacing=GUE-like tools/data/reports/report_20260401_0346.md:26:- logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like tools/data/reports/report_20260401_0346.md:27:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/reports/report_20260401_0346.md:28:- logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like tools/data/conoscenza_teorie.json.bak.retraction_22_04:492: "claim": "Two types of duality: (1) dipolar — generative, det=-1, (2) illusory — dispersive, det=+1. The drift toward Poisson should correspond to loss of det=-1 structure.", tools/data/conoscenza_teorie.json.bak.retraction_22_04:504: "claim": "If acf(k) ~ -A(p)/k, then via Wiener-Khinchin the PSD low-frequency suppression should track A(p). The two measurements (time-domain ACF, frequency-domain PSD) must give consistent Poisson crossover predictions.", tools/data/conoscenza_teorie.json.bak.retraction_22_04:560: "claim": "PSD_BLUE_NOISE found a two-component structure (Poisson floor + anti-correlated dip) and a 2x amplitude gap between the 1/k ACF model and the PSD. TWO_CHANNEL_DECOMPOSITION found two independent anti-correlation channels (residue + magnitude). If these channels are spectrally independent, Wiener-Khi", tools/data/conoscenza_teorie.json.bak.retraction_22_04:610: "claim": "PSD_BLUE_NOISE found a two-component structure (Poisson floor + anti-correlated dip) and a 2x amplitude gap between the 1/k ACF model and the PSD. TWO_CHANNEL_DECOMPOSITION found two independent anti-correlation channels (residue + magnitude). If these channels are spectrally independent, Wiener-Khi", tools/data/conoscenza_teorie.json.bak.retraction_22_04:621: "claim": "If acf(k) ~ -A(p)/k, then via Wiener-Khinchin the PSD low-frequency suppression should track A(p). The two measurements (time-domain ACF, frequency-domain PSD) must give consistent Poisson crossover predictions.", tools/data/conoscenza_teorie.json.bak.retraction_22_04:645: "claim": "\"Three independent observables (beta, , acf1) predict Poisson at p*~10^{14}. Hierarchy: shape decorrelates first, ratio second, sequential memory last.\" — Is this hierarchy prime-specific or generic?", tools/data/conoscenza_teorie.json.bak.retraction_22_04:670: "claim": "PSD_BLUE_NOISE found a two-component structure (Poisson floor + anti-correlated dip) and a 2x amplitude gap between the 1/k ACF model and the PSD. TWO_CHANNEL_DECOMPOSITION found two independent anti-correlation channels (residue + magnitude). If these channels are spectrally independent, Wiener-Khi", tools/data/conoscenza_teorie.json.bak.retraction_22_04:682: "claim": "If acf(k) ~ -A(p)/k, then via Wiener-Khinchin the PSD low-frequency suppression should track A(p). The two measurements (time-domain ACF, frequency-domain PSD) must give consistent Poisson crossover predictions.", tools/data/conoscenza_teorie.json.bak.retraction_22_04:704: "claim": "\"Three independent observables (beta, , acf1) predict Poisson at p*~10^{14}. Hierarchy: shape decorrelates first, ratio second, sequential memory last.\" — Is this hierarchy prime-specific or generic?", tools/data/conoscenza_teorie.json.bak.retraction_22_04:728: "claim": "Agent_0418 discovered residue lag-1 acf = -0.148 (3.8x magnitude acf1). Are these truly independent channels with different scaling laws and different Poisson crossover scales?", tools/data/conoscenza_teorie.json.bak.retraction_22_04:750: "claim": "The boundary between GUE and Poisson is \"the third included\" (A9). Is this boundary populated by multiple domains, or are primes special?", tools/data/conoscenza_teorie.json.bak.retraction_22_04:763: "claim": "All four observables (Brody beta, dR_acf1, gap_acf1, ) drift toward Poisson with scale. > Is this ONE universal crossover (\"il confine è il terzo incluso\") or independent drifts?", tools/data/conoscenza_teorie.json.bak.retraction_22_04:810: "claim": "All four observables (Brody beta, dR_acf1, gap_acf1, ) drift toward Poisson with scale. > Is this ONE universal crossover (\"il confine è il terzo incluso\") or independent drifts?", tools/data/vc_null_regression_gate_20260509_0637.json:2: "experiment": "vc_null_regression_gate", tools/data/vc_null_regression_gate_20260509_0637.json:37: "floor_hit": 27, tools/data/vc_null_regression_gate_20260509_0637.json:42: "floor_hit_rate": 0.375, tools/data/vc_null_regression_gate_20260509_0637.json:44: "vc_median": 0.5329277658955516, tools/data/vc_null_regression_gate_20260509_0637.json:45: "vc_q25": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:46: "vc_q75": 0.6979353804007966, tools/data/vc_null_regression_gate_20260509_0637.json:48: "r_floor_median": 0.5120324077981381, tools/data/vc_null_regression_gate_20260509_0637.json:53: "label_preserving_surrogate": { tools/data/vc_null_regression_gate_20260509_0637.json:56: "floor_hit": 23, tools/data/vc_null_regression_gate_20260509_0637.json:61: "floor_hit_rate": 0.3194444444444444, tools/data/vc_null_regression_gate_20260509_0637.json:63: "vc_median": 0.5611705443174979, tools/data/vc_null_regression_gate_20260509_0637.json:64: "vc_q25": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:65: "vc_q75": 0.6995736773860278, tools/data/vc_null_regression_gate_20260509_0637.json:67: "r_floor_median": 0.534426533952045, tools/data/vc_null_regression_gate_20260509_0637.json:78: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:80: "vc_median": 1.0588848239081246, tools/data/vc_null_regression_gate_20260509_0637.json:81: "vc_q25": 0.8291578321934835, tools/data/vc_null_regression_gate_20260509_0637.json:82: "vc_q75": 1.2309904364497886, tools/data/vc_null_regression_gate_20260509_0637.json:84: "r_floor_median": 0.6545022199074195, tools/data/vc_null_regression_gate_20260509_0637.json:95: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:97: "vc_median": 1.1933351291700072, tools/data/vc_null_regression_gate_20260509_0637.json:98: "vc_q25": 1.0799642461620826, tools/data/vc_null_regression_gate_20260509_0637.json:99: "vc_q75": 1.3728688020691409, tools/data/vc_null_regression_gate_20260509_0637.json:101: "r_floor_median": 0.6912741460665063, tools/data/vc_null_regression_gate_20260509_0637.json:111: "floor_hit": 4, tools/data/vc_null_regression_gate_20260509_0637.json:116: "floor_hit_rate": 0.16666666666666666, tools/data/vc_null_regression_gate_20260509_0637.json:118: "vc_median": 0.5943828709588985, tools/data/vc_null_regression_gate_20260509_0637.json:119: "vc_q25": 0.5243102092337475, tools/data/vc_null_regression_gate_20260509_0637.json:120: "vc_q75": 0.7420702662139916, tools/data/vc_null_regression_gate_20260509_0637.json:122: "r_floor_median": 0.5120324077981381, tools/data/vc_null_regression_gate_20260509_0637.json:130: "floor_hit": 10, tools/data/vc_null_regression_gate_20260509_0637.json:135: "floor_hit_rate": 0.4166666666666667, tools/data/vc_null_regression_gate_20260509_0637.json:137: "vc_median": 0.5319293467055727, tools/data/vc_null_regression_gate_20260509_0637.json:138: "vc_q25": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:139: "vc_q75": 0.6613799210451827, tools/data/vc_null_regression_gate_20260509_0637.json:141: "r_floor_median": 0.5120324077981381, tools/data/vc_null_regression_gate_20260509_0637.json:149: "floor_hit": 13, tools/data/vc_null_regression_gate_20260509_0637.json:154: "floor_hit_rate": 0.5416666666666666, tools/data/vc_null_regression_gate_20260509_0637.json:156: "vc_median": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:157: "vc_q25": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:158: "vc_q75": 0.6276611508584526, tools/data/vc_null_regression_gate_20260509_0637.json:160: "r_floor_median": 0.5120324077981381, tools/data/vc_null_regression_gate_20260509_0637.json:165: "label_preserving_surrogate|r_threshold=0.48": { tools/data/vc_null_regression_gate_20260509_0637.json:168: "floor_hit": 3, tools/data/vc_null_regression_gate_20260509_0637.json:173: "floor_hit_rate": 0.125, tools/data/vc_null_regression_gate_20260509_0637.json:175: "vc_median": 0.6330669168649316, tools/data/vc_null_regression_gate_20260509_0637.json:176: "vc_q25": 0.5297316291453238, tools/data/vc_null_regression_gate_20260509_0637.json:177: "vc_q75": 0.7567479858797111, tools/data/vc_null_regression_gate_20260509_0637.json:179: "r_floor_median": 0.534426533952045, tools/data/vc_null_regression_gate_20260509_0637.json:184: "label_preserving_surrogate|r_threshold=0.5": { tools/data/vc_null_regression_gate_20260509_0637.json:187: "floor_hit": 9, tools/data/vc_null_regression_gate_20260509_0637.json:192: "floor_hit_rate": 0.375, tools/data/vc_null_regression_gate_20260509_0637.json:194: "vc_median": 0.5686731446077606, tools/data/vc_null_regression_gate_20260509_0637.json:195: "vc_q25": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:196: "vc_q75": 0.6621686760177391, tools/data/vc_null_regression_gate_20260509_0637.json:198: "r_floor_median": 0.534426533952045, tools/data/vc_null_regression_gate_20260509_0637.json:203: "label_preserving_surrogate|r_threshold=0.52": { tools/data/vc_null_regression_gate_20260509_0637.json:206: "floor_hit": 11, tools/data/vc_null_regression_gate_20260509_0637.json:211: "floor_hit_rate": 0.4583333333333333, tools/data/vc_null_regression_gate_20260509_0637.json:213: "vc_median": 0.5236693608111982, tools/data/vc_null_regression_gate_20260509_0637.json:214: "vc_q25": 0.5, tools/data/vc_null_regression_gate_20260509_0637.json:215: "vc_q75": 0.5646948855964099, tools/data/vc_null_regression_gate_20260509_0637.json:217: "r_floor_median": 0.534426533952045, tools/data/vc_null_regression_gate_20260509_0637.json:228: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:230: "vc_median": 1.2290125536521477, tools/data/vc_null_regression_gate_20260509_0637.json:231: "vc_q25": 0.9725761819392964, tools/data/vc_null_regression_gate_20260509_0637.json:232: "vc_q75": 1.32137247478589, tools/data/vc_null_regression_gate_20260509_0637.json:234: "r_floor_median": 0.6545022199074195, tools/data/vc_null_regression_gate_20260509_0637.json:245: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:247: "vc_median": 1.1085694689776533, tools/data/vc_null_regression_gate_20260509_0637.json:248: "vc_q25": 0.8843999452776471, tools/data/vc_null_regression_gate_20260509_0637.json:249: "vc_q75": 1.1660355320562608, tools/data/vc_null_regression_gate_20260509_0637.json:251: "r_floor_median": 0.6545022199074195, tools/data/vc_null_regression_gate_20260509_0637.json:262: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:264: "vc_median": 1.0052154776443325, tools/data/vc_null_regression_gate_20260509_0637.json:265: "vc_q25": 0.802099673247031, tools/data/vc_null_regression_gate_20260509_0637.json:266: "vc_q75": 1.049264842727723, tools/data/vc_null_regression_gate_20260509_0637.json:268: "r_floor_median": 0.6545022199074195, tools/data/vc_null_regression_gate_20260509_0637.json:279: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:281: "vc_median": 1.377315077141783, tools/data/vc_null_regression_gate_20260509_0637.json:282: "vc_q25": 1.178697263234804, tools/data/vc_null_regression_gate_20260509_0637.json:283: "vc_q75": 1.4897406340035657, tools/data/vc_null_regression_gate_20260509_0637.json:285: "r_floor_median": 0.6912741460665063, tools/data/vc_null_regression_gate_20260509_0637.json:296: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:298: "vc_median": 1.275439057196231, tools/data/vc_null_regression_gate_20260509_0637.json:299: "vc_q25": 1.0920867252196274, tools/data/vc_null_regression_gate_20260509_0637.json:300: "vc_q75": 1.336111654597417, tools/data/vc_null_regression_gate_20260509_0637.json:302: "r_floor_median": 0.6912741460665063, tools/data/vc_null_regression_gate_20260509_0637.json:313: "floor_hit_rate": 0.0, tools/data/vc_null_regression_gate_20260509_0637.json:315: "vc_median": 1.1681947645508164, tools/data/vc_null_regression_gate_20260509_0637.json:316: "vc_q25": 1.0052719292777363, tools/data/vc_null_regression_gate_20260509_0637.json:317: "vc_q75": 1.2039535706583728, tools/data/vc_null_regression_gate_20260509_0637.json:319: "r_floor_median": 0.6912741460665063, tools/data/vc_null_regression_gate_20260509_0637.json:336: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:337: "vc_interp": 1.1105119098997416, tools/data/vc_null_regression_gate_20260509_0637.json:339: "r_floor": 0.6216328561698318, tools/data/vc_null_regression_gate_20260509_0637.json:353: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:354: "vc_interp": 1.0122169591837231, tools/data/vc_null_regression_gate_20260509_0637.json:356: "r_floor": 0.6216328561698318, tools/data/vc_null_regression_gate_20260509_0637.json:370: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:371: "vc_interp": 0.9124593395567262, tools/data/vc_null_regression_gate_20260509_0637.json:373: "r_floor": 0.6216328561698318, tools/data/vc_null_regression_gate_20260509_0637.json:387: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:388: "vc_interp": 1.6227566909091606, tools/data/vc_null_regression_gate_20260509_0637.json:390: "r_floor": 0.7011226377276805, tools/data/vc_null_regression_gate_20260509_0637.json:404: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:405: "vc_interp": 1.4703339398976298, tools/data/vc_null_regression_gate_20260509_0637.json:407: "r_floor": 0.7011226377276805, tools/data/vc_null_regression_gate_20260509_0637.json:421: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:422: "vc_interp": 1.3417905618718309, tools/data/vc_null_regression_gate_20260509_0637.json:424: "r_floor": 0.7011226377276805, tools/data/vc_null_regression_gate_20260509_0637.json:438: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:439: "vc_interp": 1.4735516290357615, tools/data/vc_null_regression_gate_20260509_0637.json:441: "r_floor": 0.6977630243528374, tools/data/vc_null_regression_gate_20260509_0637.json:455: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:456: "vc_interp": 1.3501047690316834, tools/data/vc_null_regression_gate_20260509_0637.json:458: "r_floor": 0.6977630243528374, tools/data/vc_null_regression_gate_20260509_0637.json:472: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:473: "vc_interp": 1.23599754498142, tools/data/vc_null_regression_gate_20260509_0637.json:475: "r_floor": 0.6977630243528374, tools/data/vc_null_regression_gate_20260509_0637.json:489: "crossing_count": 5, tools/data/vc_null_regression_gate_20260509_0637.json:490: "vc_interp": 0.7273529272600197, tools/data/vc_null_regression_gate_20260509_0637.json:492: "r_floor": 0.6354013341682433, tools/data/vc_null_regression_gate_20260509_0637.json:506: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:507: "vc_interp": 0.6975299083087495, tools/data/vc_null_regression_gate_20260509_0637.json:509: "r_floor": 0.6354013341682433, tools/data/vc_null_regression_gate_20260509_0637.json:523: "crossing_count": 5, tools/data/vc_null_regression_gate_20260509_0637.json:524: "vc_interp": 0.6264174246259845, tools/data/vc_null_regression_gate_20260509_0637.json:526: "r_floor": 0.6354013341682433, tools/data/vc_null_regression_gate_20260509_0637.json:540: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:541: "vc_interp": 1.1441805921627815, tools/data/vc_null_regression_gate_20260509_0637.json:543: "r_floor": 0.5996010141585135, tools/data/vc_null_regression_gate_20260509_0637.json:557: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:558: "vc_interp": 0.785852513759772, tools/data/vc_null_regression_gate_20260509_0637.json:560: "r_floor": 0.5996010141585135, tools/data/vc_null_regression_gate_20260509_0637.json:574: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:575: "vc_interp": 0.7355988428987162, tools/data/vc_null_regression_gate_20260509_0637.json:577: "r_floor": 0.5996010141585135, tools/data/vc_null_regression_gate_20260509_0637.json:582: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:591: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:592: "vc_interp": 0.7558850003588715, tools/data/vc_null_regression_gate_20260509_0637.json:594: "r_floor": 0.5680076636230983, tools/data/vc_null_regression_gate_20260509_0637.json:599: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:608: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:609: "vc_interp": 0.7356891932659151, tools/data/vc_null_regression_gate_20260509_0637.json:611: "r_floor": 0.5680076636230983, tools/data/vc_null_regression_gate_20260509_0637.json:616: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:625: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:626: "vc_interp": 0.5505899542332926, tools/data/vc_null_regression_gate_20260509_0637.json:628: "r_floor": 0.5680076636230983, tools/data/vc_null_regression_gate_20260509_0637.json:633: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:642: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:643: "vc_interp": 0.834547375599165, tools/data/vc_null_regression_gate_20260509_0637.json:645: "r_floor": 0.5493702004135591, tools/data/vc_null_regression_gate_20260509_0637.json:650: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:659: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:660: "vc_interp": 0.7717671879549856, tools/data/vc_null_regression_gate_20260509_0637.json:662: "r_floor": 0.5493702004135591, tools/data/vc_null_regression_gate_20260509_0637.json:667: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:676: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:677: "vc_interp": 0.7257644496224681, tools/data/vc_null_regression_gate_20260509_0637.json:679: "r_floor": 0.5493702004135591, tools/data/vc_null_regression_gate_20260509_0637.json:693: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:694: "vc_interp": 1.5121009019541451, tools/data/vc_null_regression_gate_20260509_0637.json:696: "r_floor": 0.6807343729313243, tools/data/vc_null_regression_gate_20260509_0637.json:710: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:711: "vc_interp": 1.370301599524643, tools/data/vc_null_regression_gate_20260509_0637.json:713: "r_floor": 0.6807343729313243, tools/data/vc_null_regression_gate_20260509_0637.json:727: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:728: "vc_interp": 1.2309904364497886, tools/data/vc_null_regression_gate_20260509_0637.json:730: "r_floor": 0.6807343729313243, tools/data/vc_null_regression_gate_20260509_0637.json:744: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:745: "vc_interp": 1.4954424258444137, tools/data/vc_null_regression_gate_20260509_0637.json:747: "r_floor": 0.7010118030324876, tools/data/vc_null_regression_gate_20260509_0637.json:761: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:762: "vc_interp": 1.2987043017026794, tools/data/vc_null_regression_gate_20260509_0637.json:764: "r_floor": 0.7010118030324876, tools/data/vc_null_regression_gate_20260509_0637.json:778: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:779: "vc_interp": 1.1617303280887534, tools/data/vc_null_regression_gate_20260509_0637.json:781: "r_floor": 0.7010118030324876, tools/data/vc_null_regression_gate_20260509_0637.json:795: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:796: "vc_interp": 1.1629556334232944, tools/data/vc_null_regression_gate_20260509_0637.json:798: "r_floor": 0.6911523700489446, tools/data/vc_null_regression_gate_20260509_0637.json:812: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:813: "vc_interp": 1.07835269767431, tools/data/vc_null_regression_gate_20260509_0637.json:815: "r_floor": 0.6911523700489446, tools/data/vc_null_regression_gate_20260509_0637.json:829: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:830: "vc_interp": 1.0020283820710223, tools/data/vc_null_regression_gate_20260509_0637.json:832: "r_floor": 0.6911523700489446, tools/data/vc_null_regression_gate_20260509_0637.json:846: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:847: "vc_interp": 1.0189537808392144, tools/data/vc_null_regression_gate_20260509_0637.json:849: "r_floor": 0.5435912988393884, tools/data/vc_null_regression_gate_20260509_0637.json:863: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:864: "vc_interp": 0.9358346679802122, tools/data/vc_null_regression_gate_20260509_0637.json:866: "r_floor": 0.5435912988393884, tools/data/vc_null_regression_gate_20260509_0637.json:880: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:881: "vc_interp": 0.8978958771392898, tools/data/vc_null_regression_gate_20260509_0637.json:883: "r_floor": 0.5435912988393884, tools/data/vc_null_regression_gate_20260509_0637.json:897: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:898: "vc_interp": 0.7862222830759075, tools/data/vc_null_regression_gate_20260509_0637.json:900: "r_floor": 0.5717504470670901, tools/data/vc_null_regression_gate_20260509_0637.json:914: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:915: "vc_interp": 0.7625269590761933, tools/data/vc_null_regression_gate_20260509_0637.json:917: "r_floor": 0.5717504470670901, tools/data/vc_null_regression_gate_20260509_0637.json:931: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:932: "vc_interp": 0.6991517966769382, tools/data/vc_null_regression_gate_20260509_0637.json:934: "r_floor": 0.5717504470670901, tools/data/vc_null_regression_gate_20260509_0637.json:939: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:948: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:949: "vc_interp": 0.8607624810265933, tools/data/vc_null_regression_gate_20260509_0637.json:951: "r_floor": 0.5691987571524877, tools/data/vc_null_regression_gate_20260509_0637.json:956: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:965: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:966: "vc_interp": 0.8159766096365303, tools/data/vc_null_regression_gate_20260509_0637.json:968: "r_floor": 0.5691987571524877, tools/data/vc_null_regression_gate_20260509_0637.json:973: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:982: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:983: "vc_interp": 0.7469139113005098, tools/data/vc_null_regression_gate_20260509_0637.json:985: "r_floor": 0.5691987571524877, tools/data/vc_null_regression_gate_20260509_0637.json:990: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:999: "crossing_count": 5, tools/data/vc_null_regression_gate_20260509_0637.json:1000: "vc_interp": 0.6314249513974781, tools/data/vc_null_regression_gate_20260509_0637.json:1002: "r_floor": 0.5675478865206843, tools/data/vc_null_regression_gate_20260509_0637.json:1007: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1016: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1017: "vc_interp": 0.5927046951639162, tools/data/vc_null_regression_gate_20260509_0637.json:1019: "r_floor": 0.5675478865206843, tools/data/vc_null_regression_gate_20260509_0637.json:1024: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1033: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1034: "vc_interp": 0.5631211332891849, tools/data/vc_null_regression_gate_20260509_0637.json:1036: "r_floor": 0.5675478865206843, tools/data/vc_null_regression_gate_20260509_0637.json:1050: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1051: "vc_interp": 0.698924174166181, tools/data/vc_null_regression_gate_20260509_0637.json:1053: "r_floor": 0.572512960635465, tools/data/vc_null_regression_gate_20260509_0637.json:1067: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1068: "vc_interp": 0.6528750364905657, tools/data/vc_null_regression_gate_20260509_0637.json:1070: "r_floor": 0.572512960635465, tools/data/vc_null_regression_gate_20260509_0637.json:1084: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1085: "vc_interp": 0.6092494379673076, tools/data/vc_null_regression_gate_20260509_0637.json:1087: "r_floor": 0.572512960635465, tools/data/vc_null_regression_gate_20260509_0637.json:1101: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1102: "vc_interp": 1.218920446522854, tools/data/vc_null_regression_gate_20260509_0637.json:1104: "r_floor": 0.7147282891128001, tools/data/vc_null_regression_gate_20260509_0637.json:1118: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1119: "vc_interp": 1.13567737538639, tools/data/vc_null_regression_gate_20260509_0637.json:1121: "r_floor": 0.7147282891128001, tools/data/vc_null_regression_gate_20260509_0637.json:1135: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1136: "vc_interp": 1.0594847416457562, tools/data/vc_null_regression_gate_20260509_0637.json:1138: "r_floor": 0.7147282891128001, tools/data/vc_null_regression_gate_20260509_0637.json:1152: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1153: "vc_interp": 0.698924174166181, tools/data/vc_null_regression_gate_20260509_0637.json:1155: "r_floor": 0.572512960635465, tools/data/vc_null_regression_gate_20260509_0637.json:1169: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1170: "vc_interp": 0.6528750364905657, tools/data/vc_null_regression_gate_20260509_0637.json:1172: "r_floor": 0.572512960635465, tools/data/vc_null_regression_gate_20260509_0637.json:1186: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1187: "vc_interp": 0.6092494379673076, tools/data/vc_null_regression_gate_20260509_0637.json:1189: "r_floor": 0.572512960635465, tools/data/vc_null_regression_gate_20260509_0637.json:1203: "crossing_count": 5, tools/data/vc_null_regression_gate_20260509_0637.json:1204: "vc_interp": 0.6688343305253528, tools/data/vc_null_regression_gate_20260509_0637.json:1206: "r_floor": 0.559260187980302, tools/data/vc_null_regression_gate_20260509_0637.json:1220: "crossing_count": 7, tools/data/vc_null_regression_gate_20260509_0637.json:1221: "vc_interp": 0.6493299252906605, tools/data/vc_null_regression_gate_20260509_0637.json:1223: "r_floor": 0.559260187980302, tools/data/vc_null_regression_gate_20260509_0637.json:1237: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1238: "vc_interp": 0.6313923295558572, tools/data/vc_null_regression_gate_20260509_0637.json:1240: "r_floor": 0.559260187980302, tools/data/vc_null_regression_gate_20260509_0637.json:1254: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1255: "vc_interp": 0.923886009368258, tools/data/vc_null_regression_gate_20260509_0637.json:1257: "r_floor": 0.5527513143253794, tools/data/vc_null_regression_gate_20260509_0637.json:1271: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1272: "vc_interp": 0.8989632116574459, tools/data/vc_null_regression_gate_20260509_0637.json:1274: "r_floor": 0.5527513143253794, tools/data/vc_null_regression_gate_20260509_0637.json:1288: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1289: "vc_interp": 0.7829042108160627, tools/data/vc_null_regression_gate_20260509_0637.json:1291: "r_floor": 0.5527513143253794, tools/data/vc_null_regression_gate_20260509_0637.json:1296: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1305: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1306: "vc_interp": 1.1699414154445094, tools/data/vc_null_regression_gate_20260509_0637.json:1308: "r_floor": 0.5458868249587244, tools/data/vc_null_regression_gate_20260509_0637.json:1313: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1322: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1323: "vc_interp": 0.7669474174629441, tools/data/vc_null_regression_gate_20260509_0637.json:1325: "r_floor": 0.5458868249587244, tools/data/vc_null_regression_gate_20260509_0637.json:1330: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1339: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1340: "vc_interp": 0.7183874420844419, tools/data/vc_null_regression_gate_20260509_0637.json:1342: "r_floor": 0.5458868249587244, tools/data/vc_null_regression_gate_20260509_0637.json:1347: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1356: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1357: "vc_interp": 0.6847172764271499, tools/data/vc_null_regression_gate_20260509_0637.json:1359: "r_floor": 0.5404220296848578, tools/data/vc_null_regression_gate_20260509_0637.json:1364: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1373: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1374: "vc_interp": 0.6048595925763041, tools/data/vc_null_regression_gate_20260509_0637.json:1376: "r_floor": 0.5404220296848578, tools/data/vc_null_regression_gate_20260509_0637.json:1381: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1390: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1391: "vc_interp": 0.5302450569997771, tools/data/vc_null_regression_gate_20260509_0637.json:1393: "r_floor": 0.5404220296848578, tools/data/vc_null_regression_gate_20260509_0637.json:1407: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1408: "vc_interp": 1.5121009019541451, tools/data/vc_null_regression_gate_20260509_0637.json:1410: "r_floor": 0.6807343729313243, tools/data/vc_null_regression_gate_20260509_0637.json:1424: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1425: "vc_interp": 1.370301599524643, tools/data/vc_null_regression_gate_20260509_0637.json:1427: "r_floor": 0.6807343729313243, tools/data/vc_null_regression_gate_20260509_0637.json:1441: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1442: "vc_interp": 1.2309904364497886, tools/data/vc_null_regression_gate_20260509_0637.json:1444: "r_floor": 0.6807343729313243, tools/data/vc_null_regression_gate_20260509_0637.json:1458: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1459: "vc_interp": 1.6997805299616948, tools/data/vc_null_regression_gate_20260509_0637.json:1461: "r_floor": 0.6928170754012447, tools/data/vc_null_regression_gate_20260509_0637.json:1475: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1476: "vc_interp": 1.4581736846829714, tools/data/vc_null_regression_gate_20260509_0637.json:1478: "r_floor": 0.6928170754012447, tools/data/vc_null_regression_gate_20260509_0637.json:1492: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1493: "vc_interp": 1.281056476341308, tools/data/vc_null_regression_gate_20260509_0637.json:1495: "r_floor": 0.6928170754012447, tools/data/vc_null_regression_gate_20260509_0637.json:1509: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1510: "vc_interp": 1.2640080073516242, tools/data/vc_null_regression_gate_20260509_0637.json:1512: "r_floor": 0.6895202521934286, tools/data/vc_null_regression_gate_20260509_0637.json:1526: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1527: "vc_interp": 1.1467261147651164, tools/data/vc_null_regression_gate_20260509_0637.json:1529: "r_floor": 0.6895202521934286, tools/data/vc_null_regression_gate_20260509_0637.json:1543: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1544: "vc_interp": 1.0463596178926076, tools/data/vc_null_regression_gate_20260509_0637.json:1546: "r_floor": 0.6895202521934286, tools/data/vc_null_regression_gate_20260509_0637.json:1560: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1561: "vc_interp": 0.6111945118444415, tools/data/vc_null_regression_gate_20260509_0637.json:1563: "r_floor": 0.528061671878776, tools/data/vc_null_regression_gate_20260509_0637.json:1577: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1578: "vc_interp": 0.585237407760966, tools/data/vc_null_regression_gate_20260509_0637.json:1580: "r_floor": 0.528061671878776, tools/data/vc_null_regression_gate_20260509_0637.json:1594: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1595: "vc_interp": 0.5178391986055958, tools/data/vc_null_regression_gate_20260509_0637.json:1597: "r_floor": 0.528061671878776, tools/data/vc_null_regression_gate_20260509_0637.json:1611: "crossing_count": 5, tools/data/vc_null_regression_gate_20260509_0637.json:1612: "vc_interp": 0.9745053224542738, tools/data/vc_null_regression_gate_20260509_0637.json:1614: "r_floor": 0.5553650236927806, tools/data/vc_null_regression_gate_20260509_0637.json:1628: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1629: "vc_interp": 0.9542096415709084, tools/data/vc_null_regression_gate_20260509_0637.json:1631: "r_floor": 0.5553650236927806, tools/data/vc_null_regression_gate_20260509_0637.json:1645: "crossing_count": 5, tools/data/vc_null_regression_gate_20260509_0637.json:1646: "vc_interp": 0.7369135626227326, tools/data/vc_null_regression_gate_20260509_0637.json:1648: "r_floor": 0.5553650236927806, tools/data/vc_null_regression_gate_20260509_0637.json:1653: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1662: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1663: "vc_interp": 0.7340727746329744, tools/data/vc_null_regression_gate_20260509_0637.json:1665: "r_floor": 0.6210817655125733, tools/data/vc_null_regression_gate_20260509_0637.json:1670: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1679: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1680: "vc_interp": 0.7054786928458616, tools/data/vc_null_regression_gate_20260509_0637.json:1682: "r_floor": 0.6210817655125733, tools/data/vc_null_regression_gate_20260509_0637.json:1687: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1696: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1697: "vc_interp": 0.6661597231674465, tools/data/vc_null_regression_gate_20260509_0637.json:1699: "r_floor": 0.6210817655125733, tools/data/vc_null_regression_gate_20260509_0637.json:1704: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1713: "crossing_count": 3, tools/data/vc_null_regression_gate_20260509_0637.json:1714: "vc_interp": 0.7230052463256915, tools/data/vc_null_regression_gate_20260509_0637.json:1716: "r_floor": 0.5540215406871359, tools/data/vc_null_regression_gate_20260509_0637.json:1721: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1730: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1731: "vc_interp": 0.6438211583566257, tools/data/vc_null_regression_gate_20260509_0637.json:1733: "r_floor": 0.5540215406871359, tools/data/vc_null_regression_gate_20260509_0637.json:1738: "generator": "label_preserving_surrogate", tools/data/vc_null_regression_gate_20260509_0637.json:1747: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1748: "vc_interp": 0.5694161425180849, tools/data/vc_null_regression_gate_20260509_0637.json:1750: "r_floor": 0.5540215406871359, tools/data/vc_null_regression_gate_20260509_0637.json:1764: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1765: "vc_interp": 0.7166503902645123, tools/data/vc_null_regression_gate_20260509_0637.json:1767: "r_floor": 0.5702073691778401, tools/data/vc_null_regression_gate_20260509_0637.json:1781: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1782: "vc_interp": 0.6655226015140107, tools/data/vc_null_regression_gate_20260509_0637.json:1784: "r_floor": 0.5702073691778401, tools/data/vc_null_regression_gate_20260509_0637.json:1798: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1799: "vc_interp": 0.6150602011225196, tools/data/vc_null_regression_gate_20260509_0637.json:1801: "r_floor": 0.5702073691778401, tools/data/vc_null_regression_gate_20260509_0637.json:1815: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1816: "vc_interp": 1.4294864639969314, tools/data/vc_null_regression_gate_20260509_0637.json:1818: "r_floor": 0.7019915806369299, tools/data/vc_null_regression_gate_20260509_0637.json:1832: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1833: "vc_interp": 1.2908947411612934, tools/data/vc_null_regression_gate_20260509_0637.json:1835: "r_floor": 0.7019915806369299, tools/data/vc_null_regression_gate_20260509_0637.json:1849: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1850: "vc_interp": 1.1800000757204205, tools/data/vc_null_regression_gate_20260509_0637.json:1852: "r_floor": 0.7019915806369299, tools/data/vc_null_regression_gate_20260509_0637.json:1866: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1867: "vc_interp": 1.2529974075236907, tools/data/vc_null_regression_gate_20260509_0637.json:1869: "r_floor": 0.6771134716531632, tools/data/vc_null_regression_gate_20260509_0637.json:1883: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1884: "vc_interp": 1.139373779387181, tools/data/vc_null_regression_gate_20260509_0637.json:1886: "r_floor": 0.6771134716531632, tools/data/vc_null_regression_gate_20260509_0637.json:1900: "crossing_count": 1, tools/data/vc_null_regression_gate_20260509_0637.json:1901: "vc_interp": 1.0373029681801356, tools/data/vc_null_regression_gate_20260509_0637.json:1903: "r_floor": 0.6771134716531632, tools/data/vc_null_regression_gate_20260509_0637.json:1916: "event": "floor_hit", tools/data/vc_null_regression_gate_20260509_0637.json:1917: "crossing_count": 0, tools/data/vc_null_regression_gate_20260509_0637.json:1918: "vc_interp": 0.5, tools"Se la scala è deposito e non scelta, il momento in cui il deposito stesso *cambia* — il crossing — è riconoscibile solo dopo, o esiste una firma nel presente?\", cosa c'e' al bordo?", tools/data/domandatore/domandatore_20260430_0345.json:18: "domanda": "Se \"Se la scala è deposito e non scelta, il momento in cui il deposito stesso *cambia* — il crossing — è riconoscibile solo dopo, o esiste una firma nel presente?\" vale qui, vale anche in un altro contesto?", tools/data/domandatore/domandatore_20260430_0345.json:23: "domanda": "Cosa romperebbe \"Se la scala è deposito e non scelta, il momento in cui il deposito stesso *cambia* — il crossing — è riconoscibile solo dopo, o esiste una firma nel presente?\"? Qual e' il controesempio?", tools/data/domandatore/domandatore_20260430_0345.json:28: "domanda": "\"Se la scala è deposito e non scelta, il momento in cui il deposito stesso *cambia* — il crossing — è riconoscibile solo dopo, o esiste una firma nel presente?\" vale a scala grande quanto a scala piccola?", tools/data/domandatore/domandatore_20260430_0345.json:34: "tensione": "Tra il si e il no di \"Se la scala è deposito e non scelta, il momento in cui il deposito stesso *cambia* — il crossing — è riconoscibile solo dopo, o esiste una firma nel presente?\", cosa c'e' al bordo?", tools/data/reports/report_20260330_0344.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260330_0344.md:22:- [✗] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.6344 (GUE standard=0.60) tools/data/reports/falsifier_20260501_0725.json:45: "evidence": "Il report cita Lemke Oliver-Soundararajan e nega novelty number-theoretic, quindi evita il flag NEW. Pero' \"fully explains\" eccede il richiamo classico: LOS riguarda bias nelle coppie di residui/gap mod q, mentre qui il claim e' su osservabili SR/L1 con specifica pipeline di surrogate e binning.", tools/data/reports/agent_20260405_0825.md:6:La transizione GUE -> Poisson nelle statistiche dei gap primi e' un fenomeno strutturale dei primi, o appare in qualsiasi sequenza con densita' decrescente? tools/data/reports/agent_20260405_0825.md:10:- Riferimenti: `_GUE = 0.5307`, `_Poisson = 0.3863` tools/data/reports/agent_20260405_0825.md:28:Le slopes sono quasi identiche. Sia i primi che i Cramer random transitano da valori piu' alti di `` (piu' GUE-like) a valori piu' bassi (piu' Poisson-like) man mano che la densita' decresce. La classificazione "8 domini GUE, 5 Poisson" riflette principalmente questo effetto di densita'. tools/data/reports/agent_20260405_0825.md:34:Tutti i valori `` cadono tra 0.44-0.48, ben lontani sia dal GUE puro (0.53) che dal Poisson puro (0.39). I primi vivono in un regime intermedio che non collassa ne' sull'uno ne' sull'altro — un confine largo, non una transizione di fase. tools/data/reports/agent_20260405_0825.md:37:Il "terzo incluso" non e' un punto di transizione tra GUE e Poisson. E' il regime intermedio stesso. I primi non sono ne' correlati (GUE) ne' indipendenti (Poisson) — sono in un terzo stato con correlazione in eccesso che cresce con la scala. Questo e' coerente con f(x) = 1 + 1/x: la regola genera correlazione oltre l'indipendenza, ma non la correlazione rigida di una matrice random. tools/data/domandatore/domandatore_20260329_0342.json:23: "criterio": "La transizione Sturmian->Harper e' continua (il terzo incluso esiste)", tools/data/domandatore/domandatore_20260329_0342.json:25: "stdout": "alpha (0=Sturmian, 1=Harper) vs at V=1:\n alpha=0.0: =0.521 ####################\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/domandatore/domandatore_20260329_0342.json:47: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/domandatore/domandatore_20260329_0342.json:105: "tensione": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/reports/agent_20260406_0714.md:7:> All four observables (Brody beta, dR_acf1, gap_acf1, ) drift toward Poisson with scale. tools/data/reports/agent_20260406_0714.md:19:- Null baseline: 15 Cramer surrogates tools/data/reports/agent_20260406_0714.md:24:### Linear fits (all drift toward Poisson) tools/data/reports/agent_20260406_0714.md:27:| beta | 0.670 - 0.025·ln(p) | 0.965 | toward 0 (Poisson) | tools/data/reports/agent_20260406_0714.md:30:| | 0.515 - 0.004·ln(p) | 0.918 | toward 0.386 (Poisson) | tools/data/reports/agent_20260406_0714.md:50:### Extrapolation to Poisson (linear in ln p) tools/data/reports/agent_20260406_0714.md:51:| Observable | Poisson at p ~ | ln(p) | tools/data/reports/agent_20260406_0714.md:60:1. **dR_acf1 drift is tautological.** Cramer surrogates show the same slope (z=-0.5). The de Sitter autocorrelation drift is an artifact of the g=(p/2)² mapping, not prime structure. This constrains METRIC_TENSOR: the Ricci scalar fluctuation captures scale geometry but NOT prime-specific content. tools/data/reports/agent_20260406_0714.md:62:2. **Two genuine prime-specific drifts survive**: beta slope (z=-9.3) and gap_acf1 slope (z=3.9). Primes decorrelate toward Poisson faster than random (Cramer), and their gap anti-correlation is real. tools/data/reports/agent_20260406_0714.md:64:3. **The crossover is NOT universal — it's multi-scale.** Gap correlations die first (~10^8), then repulsion strength (~10^11), then ratio statistics (~10^13). Three different Poisson horizons, not one. tools/data/reports/agent_20260406_0714.md:76:The prime-to-Poisson crossover is a multi-scale cascade, not a single transition. This falsifies any model (including naive de Sitter) that predicts a single crossover scale. The three Poisson horizons (10^8, 10^11, 10^13) encode a hierarchy of decorrelation — local structure dies before global structure. tools/data/reports/agent_20260406_0714.md:78:New tension: **MULTI_SCALE_CASCADE** — the crossover has at least 2 genuine channels with different Poisson horizons separated by 5 orders of magnitude. tools/data/reports/report_20260315_0801.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260315_0801.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260315_0801.md:26:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/reports/report_20260315_0801.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260315_0801.md:28:- percolation_var_0.55: r=0.6340378197997775, spacing=Poisson-like tools/data/reports/report_20260315_0801.md:29:- percolation_var_0.65: r=1.0, spacing=Poisson-like tools/data/reports/agent_20260507_1006.md:116:observables. The remaining useful test is a surrogate-class split for logistic: tools/data/reports/agent_20260507_1006.md:119:of deterministic orbit order; if it survives block/circular surrogates, the tools/data/reports/insights_20260306_1834.json:53: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260306_1834.json:58: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/insights_20260306_1834.json:99: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260306_1834.json:101: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/domandatore/domandatore_20260315_0341.json:23: "criterio": "V_c(phi) converge a 1.0 per N->inf, V_c(Silver) a >1", tools/data/domandatore/domandatore_20260315_0341.json:25: "stdout": "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/domandatore/domandatore_20260315_0341.json:39: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/domandatore/domandatore_20260315_0341.json:41: "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/domandatore/domandatore_20260315_0341.json:61: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a — quale esperimento discriminerebbe?", tools/data/domandatore/domandatore_20260315_0341.json:75: "tensione": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/domandatore/domandatore_20260328_0343.json:23: "criterio": "La transizione Sturmian->Harper e' continua (il terzo incluso esiste)", tools/data/domandatore/domandatore_20260328_0343.json:25: "stdout": "alpha (0=Sturmian, 1=Harper) vs at V=1:\n alpha=0.0: =0.521 ####################\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/domandatore/domandatore_20260328_0343.json:47: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/domandatore/domandatore_20260328_0343.json:105: "tensione": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/domandatore/domandatore_20260306_1032.json:5: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c", tools/data/domandatore/domandatore_20260306_1032.json:15: "criterio": "V_c(phi) piu' vicino a 1 di tutti i controlli", tools/data/domandatore/domandatore_20260306_1032.json:17: "stdout": "{\n \"phi\": {\n \"V_c\": 0.9605263157894737,\n \"r_at_V1\": 0.5295270386893117\n },\n \"silver\": {\n \"V_c\": 1.223684210526316,\n \"r_at_V1\": 0.5568421608006108\n },\n \"bronze\": {\n \"V_c\": 1.3552631578947367,\n \"r_at_V1\": 0.5742642974182394\n }\n}\n" tools/data/domandatore/domandatore_20260306_1032.json:23: "criterio": "La transizione Sturmian->Harper e' continua (il terzo incluso esiste)", tools/data/domandatore/domandatore_20260306_1032.json:25: "stdout": "alpha (0=Sturmian, 1=Harper) vs at V=1:\n alpha=0.0: =0.521 ####################\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/domandatore/domandatore_20260306_1032.json:40: "claim": "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. V_c(phi) piu' vicino a 1 di tu", tools/data/domandatore/domandatore_20260306_1032.json:42: "dettaglio": "{\n \"phi\": {\n \"V_c\": 0.9605263157894737,\n \"r_at_V1\": 0.5295270386893117\n },\n \"silver\": {\n \"V_c\": 1.223684210526316,\n \"r_at_V1\": 0.5568421608006108\n },\n \"bronze\": {\n \"V_c\": 1.3552631578947367,\n \"r_at_V1\": 0.5742642974182394\n }\n}\n" tools/data/domandatore/domandatore_20260306_1032.json:47: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/domandatore/domandatore_20260306_1032.json:60: "id": "M_V_c_transition_L1", tools/data/domandatore/domandatore_20260306_1032.json:61: "claim": "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. V_c(phi) piu' v e' conseguenza di det=-1 o specifico di phi?", tools/data/domandatore/domandatore_20260306_1032.json:63: "nota": "Generata da M. Topic: V_c_transition, livello: 1, stato: [2, 2], rapporto: 1.000 (phi=1.618)", tools/data/domandatore/domandatore_20260306_1032.json:65: "topic": "V_c_transition", tools/data/domandatore/domandatore_20260306_1032.json:75: "id": "M_V_c_transition_L1", tools/data/domandatore/domandatore_20260306_1032.json:78: "nota": "Generata da M. Topic: V_c_transition, livello: 1, stato: [2, 3], rapporto: 0.667 (phi=1.618)", tools/data/domandatore/domandatore_20260306_1032.json:80: "topic": "V_c_transition", tools/data/domandatore/domandatore_20260306_1032.json:90: "id": "M_V_c_transition_L1", tools/data/domandatore/domandatore_20260306_1032.json:93: "nota": "Generata da M. Topic: V_c_transition, livello: 1, stato: [2, 4], rapporto: 0.500 (phi=1.618)", tools/data/domandatore/domandatore_20260306_1032.json:95: "topic": "V_c_transition", tools/data/reports/falsifier_20260508_1715.json:16: "claim": "Claim Under Test: `gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35)`; Verdict: `il core dei gap larghi richiede struttura globale del generatore`.", tools/data/reports/falsifier_20260508_1715.json:17: "evidence": "Il setup nominale parla di confermare `gap_ratio`, ma l'esperimento misura `gap_label_set`, Jaccard, overlap e core retention. Il report dichiara il passaggio al generator gate, ma non formula esplicitamente che il claim `gap_ratio` e' stato sospeso o sostituito da un observable diverso.", tools/data/reports/falsifier_20260508_1715.json:18: "suggestion": "Dichiarare al nodo regressivo: `gap_ratio non testato in questo ciclo; observable sostitutivo = core_retention/generator_jaccard`. Poi collegare il nuovo gate al vecchio claim solo con un test che misuri entrambi nello stesso dataset." tools/data/reports/falsifier_20260508_1715.json:21: "summary": "Il report e' in gran parte coerente sui dati tabellari, ma si rompe su L4 per l'extra label Fibonacci non isolato e su L3 per drift tra gap_ratio dichiarato e label-set realmente testato." tools/data/reports/agent_20260507_0803.md:12:GUE/Poisson boundary is a transferable operator or only a local metric. tools/data/reports/agent_20260507_0803.md:25:- DIPOLARE: coherent golden Beatty gaps generated by `floor((n+phase)*phi)`; tools/data/reports/agent_20260507_0803.md:36:This is not a new BOUNDARY experiment. GUE and Poisson do not appear in the tools/data/reports/agent_20260507_0803.md:88:GUE/Poisson run, beta 0.3-0.4 carried both classification ambiguity and tools/data/reports/agent_20260507_0803.md:116:> GUE/Poisson boundary layer is not transferable: ambiguity appears near beta tools/data/reports/agent_20260507_0803.md:149: about Sturmian or Beatty sequences. tools/data/reports/next_exec_20260401_0346.json:22: "action": "EXPLORE: M_det_minus_one_L0 — Cosa manca per confermare completamente gap_ratio: phi=0.409", tools/data/seme_axioms.json:13: "claim": "Principio Lagrangiano DOPPIO: 1/phi minimizza V_c (rank 2/14) + massima stabilita' (CV=4.3%, rank 1)", 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:40: "claim": "7 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", 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: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:98: "nota": "Teorema stretto: k=1 unico collapsing tra a→a^k·b. Contesto largo: catena fino a GUE dipende da Katz-Sarnak (non dimostrato per L(s,χ₅) specifica).", tools/data/seme_axioms.json:103: "claim": "Proiettare e derivare mostra struttura senza cercarla. Il crossing nella traccia autocorrelativa emerge, non e' imposto.", tools/data/seme_axioms.json:107: "nota": "Metodo generale: superficie autocorr(lag, N), derivate, crossing. Applicabile a qualsiasi sequenza.", tools/data/seme_axioms.json:247: "claim": "BOHR_SOMMERFELD: pozzo liscio → livelli armonici. Niente GUE.", tools/data/seme_axioms.json:292: "claim": "1/e_MINIMO: artefatto N-finito. V_c(1/e) diverge per N>800. Solo phi e' stabile.", tools/data/seme_axioms.json:310: "claim": "BOUNDARY: diagramma (det,tr). det=-1 sempre GUE. Risolto.", tools/data/seme_axioms.json:364: "claim": "Il tensore metrico dei primi è g=(p/2)². Nel tempo ln(p), è de Sitter 1+1D. La curvatura intrinseca ha z=-8.8 (MENO strutturata del random) ma i rapporti ΔΓ hanno z=+22.5 (GUE). La struttura cambia livello tra derivata prima e seconda.", tools/data/seme_axioms.json:373: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_axioms.json:382: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_axioms.json:386: "nota": "Dal domandatore (2026-04-05T07:15). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_axioms.json:400: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_axioms.json:418: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_axioms.json:422: "nota": "Dal domandatore (2026-04-05T07:23). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_axioms.json:427: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_axioms.json:431: "nota": "Dal domandatore (2026-04-05T07:23). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_", 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:454: "claim": "Three independent observables (beta, , acf1) predict Poisson at p*~10^{13.7}-10^{15.0}. Spread 1.3 decades = universal crossover. Hierarchy: shape decorrelates first (beta at 10^{13.7}), ratio second ( at 10^{14.5}), sequential memory last (acf1 at 10^{15.0}).", tools/data/seme_axioms.json:458: "nota": "Exp 2026-04-06: 25 windows on 5.8M primes, 10 Cramer surrogates. R2: beta=0.97, =0.96, acf1=0.53. Consecutio: is the hierarchy (shape>ratio>memory) prime-specific or generic for any anti-correlated sequence approaching independence?", tools/data/seme_axioms.json:467: "nota": "Exp 2026-04-08 03:30: 5.76M gaps, 200K chunks x28, 20 shuffled + 10 Z/6Z Cramer surrogates. Extends GAP_ANTICORR from single-lag to full decay law. Consecutio: derive from Hardy-Littlewood; measure A(p) scale dependence; compute power spectral density.", tools/data/seme_axioms.json:476: "nota": "Exp 2026-04-17: PNT-norm recovers 45/50 neg ACF. Trend adds +0.008/lag masking 70% of true anti-corr. Exp 2026-04-18: Z/6Z FALSIFIED as crossover mechanism. Crossover lag is k*=A/C, smooth function of trend strength ln(p)^s (s=1.0 gives lag 6 exactly). Z/6Z residue ACF has no period-6 (lag 6 ACF=+0.001). Residue-preserving shuffle xover=2.5 (=full shuffle). Cramer+Z/6Z = Cramer. NEW: residue lag-1 anti-corr r_1=-0.148 (3.8x stronger than magnitude acf1). Consecutio: k*(p) derivable from A(ln p) + local variance; two anti-corr channels (residue vs magnitude); regime narrowing at Poisson crossover.", tools/data/seme_axioms.json:507: "id": "TWO_KINDS_GUE", tools/data/seme_axioms.json:508: "claim": "Due meccanismi generano statistiche GUE: (1) distribution-GUE — la forma dei gap e gia repulsiva (primes, random matrices), delta_r < 0; (2) ordering-GUE — i gap sono Poisson ma l'ordine sequenziale crea repulsione (fibonacci, percolation, coupled_osc), delta_r > 0. Il segno di delta_r e il discriminante.", tools/data/seme_axioms.json:512: "nota": "Shuffle audit 2026-04-24. z-scores: primes=-26.6, gue=-14.7, fibonacci=+8.0, coupled_osc=+43.5, percolation=+16.1. Consecutio: i domini ordering-GUE hanno memoria Markov come i primi? O il meccanismo di ordine e diverso?", tools/data/seme_axioms.json:517: "claim": "La memoria sequenziale dei primi ha due canali: algebrico (mod 6, 22% Markov-1, z=-3133) e statistico (tercile, 0.16%, z=-22). Rapporto 140x. I domini ordering-GUE hanno solo il canale statistico (0.2-1.5%). Il 33% scale-invariant e specifico dei primi e del vincolo Z/6Z (F2). Nessun altro dominio ha memoria dual-channel.", tools/data/seme_axioms.json:521: "nota": "Exp 2026-04-25: 8 domini, 200 shuffles, ordini Markov 1-3. Consecutio TWO_KINDS_GUE. Saturation depth (14-100%) e asse ortogonale a GUE type.", tools/data/seme_axioms.json:535: "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.", tools/data/seme_axioms.json:544: "claim": "Le claim di collinearita/rank tra osservabili canonici vanno riportate con observables_registry, z original-vs-shuffle per osservabile e controlli Poisson/shuffle. Nel perimetro 20260506_1955, primi e GUE sotto partial-shuffle uniforme comprimono le retention curves a un coordinate dominante (rank medio 1.30 e 1.11), mentre Poisson e prime-shuffle mostrano rank piu alto solo con denominatori deboli (weak obs medi 5.0 e 4.67). Rank osservabile alto senza denominatori validi e segnale META, non struttura.", tools/data/seme_axioms.json:553: "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.", tools/data/seme_axioms.json:670: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_axioms.json:688: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_axioms.json:692: "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_axioms.json:706: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_axioms.json:710: "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_", tools/data/seme_axioms.json:715: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_axioms.json:724: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/reports/report_20260404_1852.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260404_1852.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=1.0000 (GUE standard=0.60) tools/data/reports/report_20260404_1852.md:25:- percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like tools/data/reports/report_20260404_1852.md:26:- numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like tools/data/reports/report_20260404_1852.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260404_1852.md:28:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/odlyzko_100k_probe.json:26: "class": "GUE", tools/data/odlyzko_100k_probe.json:32: "class": "GUE", tools/data/odlyzko_100k_probe.json:38: "class": "GUE", tools/data/odlyzko_100k_probe.json:44: "class": "GUE", tools/data/odlyzko_100k_probe.json:56: "fd_class": "GUE", tools/data/odlyzko_100k_probe.json:57: "verdict": "LIKELY GUE: \u03b2\u2192GUE, KS\u2192GOE (finite-height effect, Piano 11c)", tools/data/exp_two_channel_psd.json:5: "n_surrogates": 20, tools/data/reports/agent_20260508_2005.md:8:**observable_contract**: claim=se il boundary simbolico del core alto esiste nella grammatica nativa della parola, le finestre locali attorno alle posizioni IDS dei gap core devono separare aligned supertile da misaligned same-length; observable=eccesso grammaticale locale rispetto a baseline Sturmian classica; operator=estrazione finestra circolare attorno a round(IDS*N) per ogni label core selezionato, misura p(k)<=k+1, right-special<=1, return-word excess sopra 2, difetto palindromico; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}, window={89 main, 55 seedcheck}, k={3,4,5,6,7,8}; not_tested=gap_ratio, domini GUE/Poisson reali, soglie 1.75/2.25, prova formale della grammatica Sturmian, generatori non-phi. tools/data/reports/agent_20260508_2005.md:13:- **Piano superiore**: topologia assiomatica / combinatoria delle parole. Il bordo non viene deciso dalla posizione del chunk: deve comparire come eccesso o assenza di eccesso rispetto al linguaggio Sturmian. tools/data/reports/agent_20260508_2005.md:16:- **Proto-ipotesi**: se il core alto porta boundary simbolico, `supertile_shuffle` deve mostrare finestre ad eccesso grammaticale zero piu' stabilmente di `same_length_contiguous_shuffle`. Se i due restano entrambi baseline-Sturmian, il boundary esatto non e' il portatore osservato; la frattura resta l'ordine interno. tools/data/reports/agent_20260508_2005.md:17:- **Proiezione**: per ogni gap label selezionato mappo IDS -> posizione locale nella parola binaria e misuro se la finestra viola baseline note delle parole Sturmiane. tools/data/reports/agent_20260508_2005.md:23:Le finestre locali attorno ai gap high-core `[3,-4,4,6]` mostrano un vantaggio grammaticale di `supertile_shuffle` rispetto a `same_length_contiguous_shuffle`, oppure entrambi restano nel linguaggio Sturmian mentre collassa solo `same_count_internal_shuffle`? tools/data/reports/agent_20260508_2005.md:30: - complessita di fattori Sturmian: `p(k) <= k+1` nella finestra finita; tools/data/reports/agent_20260508_2005.md:87:3. **Verificato: la baseline classica spiega il segnale ordinato.** Reference phi ha `32/32` finestre high e `32/32` low a eccesso zero. Anche aligned e misaligned preservano quasi sempre fattori locali compatibili con baseline Sturmian; questo e' expected behavior della combinatoria delle parole, non scoperta nuova. tools/data/reports/agent_20260508_2005.md:89:4. **Inferito dal perimetro: il portatore osservato resta ordine interno locale, non boundary esatto.** Il controllo misaligned same-length conserva grammatica Sturmian locale almeno quanto l'allineato. Il boundary di supertile non compare come vantaggio in complessita, right-special, return-word excess o difetto palindromico. tools/data/reports/agent_20260508_2005.md:94:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, la grammatica simbolica locale attorno ai gap core non identifica il boundary esatto del supertile. `supertile_shuffle` e `same_length_contiguous_shuffle` hanno mediana `grammar_excess_total=0` e zero-excess alto; il controllo misaligned e' piu' baseline-Sturmian dell'allineato nel rate aggregato high (`576/591` vs `503/564`, replica `583/590` vs `536/566` con window 55). La frattura strutturale resta la distruzione dell'ordine interno: `same_count_internal_shuffle` produce zero-excess `0` e eccessi mediani non-zero su tutti i canali. tools/data/reports/agent_20260508_2005.md:96:Formulazione valida: il core phi alto misura una chiusura congiunta di ordine interno locale e lunghezze Fibonacci-like; non misura boundary esatto del supertile nei lettori testati. `gap_ratio` non e' testato. tools/data/reports/agent_20260508_2005.md:99:- **Due radici**: grammatica locale Sturmian . boundary esatto del supertile. tools/data/reports/agent_20260508_2005.md:101:- **Invariante di passaggio**: quando l'ordine interno resta, la finestra resta quasi sempre nel vincolo Sturmian; quando l'ordine interno cade, esplodono complessita, right-special, return-excess e difetto palindromico. tools/data/reports/agent_20260508_2005.md:112:- **L5 re-discovery guardrail**: le proprieta Sturmian sono baseline dichiarata. Il finding e' negativo sul boundary e positivo sulla rottura internal-shuffle, non sulla riscoperta di complessita Sturmian. tools/data/piano11e_results.json:43: "note": "Fraction is 0.663, between 1/phi=0.618 and 2/3=0.667. Not definitively golden due to GUE uncertainty (~0.019)." tools/data/piano11e_results.json:52: "note": "Classic Berry saturation. GUE at short range, arithmetic rigidity at long range." tools/data/piano11e_results.json:58: "note": "Odlyzko spacings 11% less variable than GUE. Extra rigidity from primes." tools/data/piano11e_results.json:75: "Previous GUE rho(1) = -0.300 was from crude unfolding (divide by mean). Correct value with semicircle unfolding: -0.308 (extrapolated).", tools/data/piano11e_results.json:76: "Previous '93% match' was comparing Odlyzko (-0.357) directly to D-ND (-0.382). The correct statement is: fraction toward D-ND = (Odl-GUE)/(DND-GUE) = 0.663.", tools/data/reports/exp_ricci_primes.json:17: "n_surrogates": 20, tools/data/reports/exp_ricci_primes.json:18: "surrogate_mean_R": 1.99999672, tools/data/reports/exp_ricci_primes.json:19: "surrogate_std": 4.23e-06, tools/data/dipolar_crossover.json:7: "GUE_baseline": { tools/data/reports/report_20260405_0715.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260405_0715.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=1.0000 (GUE standard=0.60) tools/data/reports/report_20260405_0715.md:25:- percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like tools/data/reports/report_20260405_0715.md:26:- numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like tools/data/reports/report_20260405_0715.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260405_0715.md:28:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/lab_registro.json:231: "tipo": "GUE-like — strutturato", tools/data/lab_registro.json:235: "interpretazione": "La curvatura della metrica dei primi è GUE-like. La stessa statistica degli zeri di zeta (Montgomery-Odlyzko). Il segnale è più forte nella curvatura (derivata seconda) che nei gap (derivata prima). La struttura si vede meglio salendo di derivata.", tools/data/lab_registro.json:238: "La curvatura ha r=0.503 (GUE-like) — stessa statistica degli zeri di zeta", tools/data/lab_registro.json:248: "conclusione": "Il segnale GUE-like è nelle correlazioni tra gap consecutivi. z=22.5.", tools/data/lab_registro.json:262: "tensione": "La curvatura intrinseca di g=(p/2)² ha z=-8.8 vs shuffle (MENO strutturata). Il segnale GUE z=+22.5 vive nei rapporti consecutivi di ΔΓ, non nella curvatura del tensore. La metrica è quasi liscia — la struttura sta nei salti tra consecutivi.", tools/data/reports/falsifier_20260430_1946.json:9: "claim": "Poisson has no coherent dipolar angle / zero ordering = undefined direction; iid gaps have no ordering structure — the shuffle IS the distribution.", tools/data/reports/falsifier_20260430_1946.json:10: "evidence": "La tabella riporta per Poisson un angolo misurato theta = -8.6 +/- 98.4 e L1_raw = -0.0011, non uno zero empirico esatto. Anche se il valore e' compatibile con nullo statistico, il report lo formula come zero/assenza strutturale hard.", tools/data/reports/falsifier_20260430_1946.json:11: "suggestion": "Riformulare come 'Poisson e' compatibile con delta_SR=delta_L1=0 entro errore; direzione non stimabile in modo stabile', e riportare delta_SR/delta_L1 medi con intervalli/confidenza invece di 'zero ordering'." tools/data/reports/falsifier_20260430_1946.json:30: "claim": "If the ratio cannot be derived, it is a new constraint on prime gap models / primes are not weak GUE.", tools/data/notte_20260325_0330.md:5: collatz_cp: r=0.8406480180762742, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:8: ising_2d_cp_-0.3721731072469586: r=0.9356675556004418, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:9: ising_2d_cp_0.3729192328786819: r=0.6459279501338727, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:10: brownian_motion_cp_0.19266122489026305: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260325_0330.md:11: brownian_motion_cp_0.8027792897204493: r=0.5246331236897275, spacing=Poisson-like [conferma] tools/data/notte_20260325_0330.md:12: percolation_cp_0.33879710599589613: r=0.6393442622950819, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:13: percolation_cp_0.8987621995814573: r=1.0743910467412772, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:14: cellular_automata_cp_90: r=0.6458196181698486, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:17: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260325_0330.md:18: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260325_0330.md:19: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260325_0330.md:20: ising_2d_var_0.1: r=0.9979275919880332, spacing=GUE-like (⟨r⟩=1.0) tools/data/reports/report_20260307_0342.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260307_0342.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260307_0342.md:26:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/reports/report_20260307_0342.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260307_0342.md:28:- percolation_var_0.55: r=1.0384615384615385, spacing=Poisson-like tools/data/reports/report_20260307_0342.md:29:- percolation_var_0.65: r=0.9642857142857143, spacing=Poisson-like tools/data/exp_beta_crossover.json:5: "surrogates": 10, tools/data/reports/report_20260303_0341.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260303_0341.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260303_0341.md:26:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/reports/report_20260303_0341.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260303_0341.md:28:- percolation_var_0.55: r=1.0, spacing=Poisson-like tools/data/reports/report_20260303_0341.md:29:- percolation_var_0.65: r=1.380952380952381, spacing=Poisson-like tools/data/repairs/repair_20260508_1947_decision.json:1:{"cycle_ts": "20260508_1947", "decision": "SKIP", "should_rerun": false, "reasons": ["no_repair_condition_matched"], "guards": {"repair_depth": 0, "max_depth": 1, "parent_ts": "", "loop_danger": false, "aeternitas_veto": false}, "signals": {"cycle_ts": "20260508_1947", "agent": {"path": "/opt/MM_D-ND/tools/data/reports/agent_20260508_1947.md", "exists": true, "title": "Agent Report - Position/Error Gate Del Core Phi", "size": 9388}, "falsifier": {"path": "/opt/MM_D-ND/tools/data/reports/falsifier_20260508_1947.json", "exists": true, "coherent": false, "summary": "Il report e' sostanzialmente coerente sui dati visibili, ma L1 si rompe nel passaggio da non-separazione empirica a linguaggio di non-possibilita'.", "counts": {"high": 0, "medium": 1, "low": 2}, "flags": [{"lens": "L1", "severity": "medium", "claim": "\"qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro\"", "suggestion": "Riformulare come: 'in questo perimetro, questi osservabili non separano aligned da misaligned'; evitare 'non-possibile' finche' non esiste un test con zero esatto o bound formale."}, {"lens": "L4", "severity": "low", "claim": "\"supertile_shuffle e same_length_contiguous_shuffle conservano la stessa geometria mediana dei core label\"", "suggestion": "Specificare 'stessa geometria mediana solo per IDS delta e index delta/N; label error, all-high per order e spacing non favoriscono aligned e in parte favoriscono misaligned'."}, {"lens": "L5", "severity": "low", "claim": "\"il prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: return words, fattori speciali, palindromic defect\"", "suggestion": "Nel prossimo ciclo includere esplicitamente baseline classica Sturmian: return words, special factors, palindromic richness/defect attesi; dichiarare NEW solo per residui non spiegati da questi teoremi."}]}, "aeternitas": {"path": "/opt/MM_D-ND/tools/data/aeternitas/aeternitas_20260508_195247.json", "decision": "PROCEED", "reason": "P0 OK · P1 OK · P5 OK", "p0_passed": true, "p1_passed": true, "p5_passed": true, "p5_violations": []}, "veritas": {"path": "/opt/MM_D-ND/tools/data/veritas/veritas_20260508_195247.json", "rho": 0.9217, "band": "COLLASSO"}, "valutatore": {"exists": true, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale chiaro: il boundary simbolico del supertile non batte il taglio contiguo misallineato su IDS/rank/errore, mentre la distruzione dell'ordine interno collassa il core. La nuova direzione del seme sposta correttamente il test fuori dal deep-dive locale verso GUE/Poisson, cioe' verso falsificazione cross-dominio del confine come terzo incluso operativo.", "action_type": "trigger_cycle", "detail": {"direction": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "reason": "proseguire sul frame gia' riallineato verso controllo cross-dominio"}, "notes": "Non serve STOP_FOR_REVIEW: la falsificazione e' utile ma non richiede scelta dell'operatore. Non serve ulteriore REDESIGN: il seme ha gia' assorbito il vincolo spostando il prossimo giro su GUE/Poisson."}, "loop_guard": {"path": "/opt/MM_D-ND/tools/data/reports/loop_guard_20260508_1947.json", "exists": true, "bands": {"valutatore_decisions": "OK", "piano_trajectory": "OK"}, "danger": false}, "session": {"exists": true, "sync_blocked": false, "errors": ""}}, "directive_path": "/opt/MM_D-ND/tools/data/operator_directive.md", "record_json": null, "record_md": null} tools/data/reports/next_exec_20260305_1111.json:22: "action": "CRYSTALLIZE: LAGRANGIANA_DOPPIA — Principio Lagrangiano DOPPIO: 1/phi minimizza V_c (rank 2/14", tools/data/repairs/repair_20260508_2013.md:34:- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested. tools/data/reports/falsifier_20260501_0330.json:17: "evidence": "Dai numeri visibili: GUE e' a -97 deg, Markov-1 a -114.6, real primes a -111.9. Markov-1 e' piu' lontano da GUE del reale, quindi non puo' spiegare semplicemente l'80% della separazione angolare real-GUE. Il report usa una ratio percentuale senza definire il denominatore: angolo da GUE, distanza vettoriale |d|, o componente proiettata nel piano SR/L1.", tools/data/reports/falsifier_20260501_0330.json:39: "suggestion": "Riformulare come \"candidate Markov-2+ residual\" e confrontare con letteratura/classici su k-tuple prime gaps, nonhomogeneous Markov chains, e bias di residue class; poi testare Markov-2 surrogates e binning/residue controls." tools/data/reports/agent_20260426_0330.md:9:> BOUNDARY: 8 domains GUE, 5 Poisson — where is the boundary? tools/data/reports/agent_20260426_0330.md:13:Does spectral rigidity (number variance Sigma^2(L)) — an observable independent from the r-statistic — confirm or refute our GUE/Poisson classification? And does the dual-channel structure (magnitude vs algebraic ordering) manifest at the level of long-range spectral statistics? tools/data/reports/agent_20260426_0330.md:17:- **Theory**: GUE predicts Sigma^2(L) ~ (2/pi^2) ln(L), Poisson predicts Sigma^2(L) = L tools/data/reports/agent_20260426_0330.md:18:- **Domains**: 8 domains (primes, GUE matrices, coupled_osc, string_vib, percolation, logistic, brownian, Poisson random) tools/data/reports/agent_20260426_0330.md:22:- **Metric**: Sig2/L ratio (GUE << 1, Poisson = 1), log-log slope, ordering fraction = (Sig2_shuf - Sig2_real) / Sig2_shuf tools/data/reports/agent_20260426_0330.md:30:| gue_matrix | dist-GUE | 359 | 0.073 | 0.452 | 0.195 | -4.8 | YES | tools/data/reports/agent_20260426_0330.md:31:| primes* | dist-GUE | 5132 | 0.510 | 1.058 | 0.576 | -1.5 | NO | tools/data/reports/agent_20260426_0330.md:32:| coupled_osc | ord-GUE | 2002 | 4.491 | 1.637 | 2.108 | 17.8 | NO | tools/data/reports/agent_20260426_0330.md:33:| string_vib | ord-GUE | 7999 | 2.837 | 1.606 | 1.285 | 23.8 | NO | tools/data/reports/agent_20260426_0330.md:34:| percolation | ord-GUE | 199 | 1.969 | 1.416 | 1.222 | 3.3 | NO | tools/data/reports/agent_20260426_0330.md:35:| logistic | Poisson | 4999 | 462.4 | 0.757 | 1318.9 | -0.4 | YES | tools/data/reports/agent_20260426_0330.md:36:| brownian | Poisson | 4999 | 9.250 | 1.433 | 0.600 | 287.1 | YES | tools/data/reports/agent_20260426_0330.md:37:| poisson | Poisson | 10000 | 1.050 | 0.999 | 1.014 | 0.6 | YES | tools/data/reports/agent_20260426_0330.md:56:Log-log slope: real = 0.737, shuffle = 0.971. GUE theory ≈ 0.3, Poisson = 1.0. tools/data/reports/agent_20260426_0330.md:58:### Ordering-GUE paradox tools/data/reports/agent_20260426_0330.md:60:Ordering-GUE domains (coupled_osc, string_vib, percolation) show Sig2/L > 1 — they are SUPER-Poisson. The ordering creates excess clustering (bunching), not repulsion. Shuffling REDUCES their variance (z = 3 to 24). The r-statistic sees nearest-neighbor repulsion; Sig2 sees long-range bunching. These are two different properties. tools/data/reports/agent_20260426_0330.md:68:3. **Only true GUE matrices are rigid at all scales (Sig2/L = 0.073 at L=10).** Primes live in an intermediate regime (0.376 at L=10) — more rigid than Poisson, less rigid than GUE. This is NOT a failure of GUE classification — it's a finer structure that the r-statistic cannot resolve. tools/data/reports/agent_20260426_0330.md:70:4. **Ordering-GUE domains are anti-rigid at long range.** They show super-Poisson variance (Sig2/L > 1), meaning the ordering creates clustering, not repulsion. The r-statistic and Sig2 classify them differently: r sees short-range repulsion, Sig2 sees long-range bunching. tools/data/reports/agent_20260426_0330.md:72:5. **META resolved: the tests are not tautological, but they are incomplete.** The r-statistic captures genuine structure (short-range spacing repulsion) confirmed by an independent observable. But Sig2(L) reveals richer structure that the r-statistic cannot see. The 8/5 GUE/Poisson split is a projection of a higher-dimensional reality. tools/data/reports/agent_20260426_0330.md:78:- BOUNDARY: The boundary is not a line separating GUE from Poisson. It is a surface in the (short-range, long-range, ordering-fraction) space. Primes sit in the interior of this surface, not at a boundary. tools/data/reports/agent_20260426_0330.md:80:- C1: Primes remain unique — the only domain where ordering INCREASES rigidity at long range while maintaining intermediate short-range repulsion. GUE matrices have stronger short-range repulsion; ordering-GUE domains have anti-rigidity at long range. tools/data/reports/agent_20260426_0330.md:87:- **Campo di possibilità**: diventa possibile predire la rigidità a scala L dalla decomposizione (distribuzione + ordinamento) con due parametri indipendenti. Diventa non-possibile trattare i primi come "GUE" o "Poisson" — vivono in un continuo parametrizzato dalla scala, e nessun singolo numero li classifica. tools/data/reports/agent_20260508_1715.md:10:> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici? tools/data/reports/agent_20260508_1715.md:13:Il core dei label phi sopravvive quando resta il lettore `theta=1/phi` ma cambia il generatore della sequenza, oppure il label-set stabile e' una proprieta del generatore Sturmiano? tools/data/reports/agent_20260508_1715.md:20: - `phi_sturmian`: sequenza meccanica Sturmiana `theta=1/phi`. tools/data/reports/agent_20260508_1715.md:22: - `block_shuffle_34` e `block_shuffle_13`: blocchi locali Sturmiani preservati, ordine globale rotto. tools/data/reports/agent_20260508_1715.md:51:1. **Verificato: il core completo resta nel generatore Sturmiano meccanico.** Nel perimetro `N/phase/threshold/trial` testato, `phi_sturmian` conserva tutti gli 8 label core in tutte le condizioni: `[-1, 1, -2, 2, 3, -4, 4, 6]`. tools/data/reports/agent_20260508_1715.md:55:3. **Verificato: l'ordine locale non basta.** `block_shuffle_34` conserva solo `[-1, 1, -2, 2]`; `block_shuffle_13` conserva solo `[-1]`. Quando l'ordine globale viene rotto, il label-set scende anche se parti locali Sturmiane restano intatte. tools/data/reports/agent_20260508_1715.md:59:5. **Inferito dal confronto 03:30 -> 16:32 -> 17:15: il nodo regressivo e il generatore.** Il `first_two_ratio` cadeva sul denominatore; il label-set assorbiva `N/phase/threshold`; il generator gate mostra che la stabilita non appartiene al lettore label da solo. Serve generatore globale a bassa complessita Sturmiana. tools/data/reports/agent_20260508_1715.md:62:**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, `trials=3`, `top_k=12`, `|n|<=34`, il label-set phi e' stabile quando il generatore e Sturmiano meccanico. La stabilita non trasferisce a conteggio preservato, transizioni Markoviane o blocchi locali corti; trasferisce parzialmente alla costruzione Fibonacci e ai blocchi lunghi. Il claim valido non e' "il label reader phi trova il core ovunque"; e': il core dei gap larghi richiede struttura globale del generatore, con il lettore `theta=1/phi` come osservabile e non come causa. tools/data/reports/agent_20260508_1715.md:67:- **Invariante di passaggio**: il nucleo basso `[-1, 1, -2, 2]` sopravvive quando resta abbastanza struttura globale; il core completo sopravvive nel generatore Sturmiano meccanico. tools/data/reports/agent_20260508_1715.md:76:- **L3 no silent patching**: il claim 03:30 sul `gap_ratio` resta vincolato; il claim 16:32 sul label-set resta valido ma riceve il nuovo denominatore `generatore`. tools/data/reports/agent_20260508_1715.md:78:- **L5 re-discovery**: gap labeling e parole Fibonacci/Sturmiane sono noti; il finding del cycle e' il generator gate sul core osservato nei cycle precedenti. tools/data/biconi/bicono_20260508_2140.json:3: "singolare": "`V_c` come punto-zero dove `=0.5` separa repulsione e indipendenza senza decidere ancora la legge.", tools/data/biconi/bicono_20260508_2140.json:6: "raw": "qui diventa possibile sostituire i fit power-law di `V_c` con boundary maps fase-griglia-soglia; qui diventa non-possibile promuovere la ripetizione phase-0 di phi a legge di scala.", tools/data/biconi/bicono_20260508_2140.json:7: "possibile": "sostituire i fit power-law di `V_c` con boundary maps fase-griglia-soglia", tools/data/reports/exp_number_variance_test.json:4: "claim_under_test": "BOUNDARY: GUE->Poisson drift in primes", tools/data/reports/exp_number_variance_test.json:5: "method": "Number variance Sigma^2(L) at 5 scales, compared with GUE and Poisson predictions", tools/data/repairs/repair_20260508_1909.json:50: "suggestion": "Nel prossimo ciclo aggiungere baseline teorica: confrontare i label osservati con il gruppo di gap-labeling atteso per Sturmian/Fibonacci e separare novita' D-ND da re-discovery spettrale classica." tools/data/conoscenza_teorie.json:526: "claim": "PSD_BLUE_NOISE found a two-component structure (Poisson floor + anti-correlated dip) and a 2x amplitude gap between the 1/k ACF model and the PSD. TWO_CHANNEL_DECOMPOSITION found two independent anti-correlation channels (residue + magnitude). If these channels are spectrally independent, Wiener-Khi", tools/data/conoscenza_teorie.json:582: "claim": "The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay?", tools/data/conoscenza_teorie.json:590: "raw": "qui diventa possibile separare le proprieta del gap dei primi in scala-dipendenti (che decadono con PNT) e scala-invarianti (che sono vincoli permanenti). Qui diventa non-possibile usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati.", tools/data/conoscenza_teorie.json:592: "non_possibile": "usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati" tools/data/conoscenza_teorie.json:667: "radici": "duality contrast that strengthens with scale (GUE, alpha > 0.5, deep structure) and duality contrast that weakens with scale (primes, alpha < 0.5, dissolving structure). The two are dual because both show dipolar ordering at small scales — the difference emerges only when you observe the trajectory.", tools/data/conoscenza_teorie.json:671: "raw": "here it becomes possible to discriminate primes from GUE by their scaling trajectory, not by their local statistics. Here it becomes non-possible to claim that prime gaps have \"the same universality class as GUE\" without specifying the scale and the observable.", tools/data/conoscenza_teorie.json:693: "claim": "PSD_BLUE_NOISE found a two-component structure (Poisson floor + anti-correlated dip) and a 2x amplitude gap between the 1/k ACF model and the PSD. TWO_CHANNEL_DECOMPOSITION found two independent anti-correlation channels (residue + magnitude). If these channels are spectrally independent, Wiener-Khi", tools/data/conoscenza_teorie.json:704: "claim": "If acf(k) ~ -A(p)/k, then via Wiener-Khinchin the PSD low-frequency suppression should track A(p). The two measurements (time-domain ACF, frequency-domain PSD) must give consistent Poisson crossover predictions.", tools/data/conoscenza_teorie.json:728: "claim": "\"Three independent observables (beta, , acf1) predict Poisson at p*~10^{14}. Hierarchy: shape decorrelates first, ratio second, sequential memory last.\" — Is this hierarchy prime-specific or generic?", tools/data/conoscenza_teorie.json:753: "claim": "PSD_BLUE_NOISE found a two-component structure (Poisson floor + anti-correlated dip) and a 2x amplitude gap between the 1/k ACF model and the PSD. TWO_CHANNEL_DECOMPOSITION found two independent anti-correlation channels (residue + magnitude). If these channels are spectrally independent, Wiener-Khi", tools/data/conoscenza_teorie.json:765: "claim": "If acf(k) ~ -A(p)/k, then via Wiener-Khinchin the PSD low-frequency suppression should track A(p). The two measurements (time-domain ACF, frequency-domain PSD) must give consistent Poisson crossover predictions.", tools/data/conoscenza_teorie.json:787: "claim": "\"Three independent observables (beta, , acf1) predict Poisson at p*~10^{14}. Hierarchy: shape decorrelates first, ratio second, sequential memory last.\" — Is this hierarchy prime-specific or generic?", tools/data/conoscenza_teorie.json:824: "claim": "The boundary between GUE and Poisson is \"the third included\" (A9). Is this boundary populated by multiple domains, or are primes special?", tools/data/conoscenza_teorie.json:837: "claim": "All four observables (Brody beta, dR_acf1, gap_acf1, ) drift toward Poisson with scale. > Is this ONE universal crossover (\"il confine è il terzo incluso\") or independent drifts?", tools/data/conoscenza_teorie.json:858: "claim": "The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay?", tools/data/conoscenza_teorie.json:866: "raw": "qui diventa possibile separare le proprieta del gap dei primi in scala-dipendenti (che decadono con PNT) e scala-invarianti (che sono vincoli permanenti). Qui diventa non-possibile usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati.", tools/data/conoscenza_teorie.json:868: "non_possibile": "usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati" tools/data/conoscenza_teorie.json:942: "radici": "duality contrast that strengthens with scale (GUE, alpha > 0.5, deep structure) and duality contrast that weakens with scale (primes, alpha < 0.5, dissolving structure). The two are dual because both show dipolar ordering at small scales — the difference emerges only when you observe the trajectory.", tools/data/conoscenza_teorie.json:946: "raw": "here it becomes possible to discriminate primes from GUE by their scaling trajectory, not by their local statistics. Here it becomes non-possible to claim that prime gaps have \"the same universality class as GUE\" without specifying the scale and the observable.", tools/data/conoscenza_teorie.json:969: "claim": "All four observables (Brody beta, dR_acf1, gap_acf1, ) drift toward Poisson with scale. > Is this ONE universal crossover (\"il confine è il terzo incluso\") or independent drifts?", tools/data/conoscenza_teorie.json:991: "claim": "The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay?", tools/data/conoscenza_teorie.json:999: "raw": "qui diventa possibile separare le proprieta del gap dei primi in scala-dipendenti (che decadono con PNT) e scala-invarianti (che sono vincoli permanenti). Qui diventa non-possibile usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati.", tools/data/conoscenza_teorie.json:1001: "non_possibile": "usare il drift GUE→Poisson per predire il comportamento del canale residuo — sono strutturalmente disaccoppiati" tools/data/conoscenza_teorie.json:1075: "radici": "duality contrast that strengthens with scale (GUE, alpha > 0.5, deep structure) and duality contrast that weakens with scale (primes, alpha < 0.5, dissolving structure). The two are dual because both show dipolar ordering at small scales — the difference emerges only when you observe the trajectory.", tools/data/conoscenza_teorie.json:1079: "raw": "here it becomes possible to discriminate primes from GUE by their scaling trajectory, not by their local statistics. Here it becomes non-possible to claim that prime gaps have \"the same universality class as GUE\" without specifying the scale and the observable.", tools/data/biconi/bicono_20260509_0637.json:2: "radici": "valore `V_c` aggregato . evento generativo del crossing.", tools/data/biconi/bicono_20260509_0637.json:4: "invariante": "sopravvive il crossing interno unico sotto cambio di fase Sturmian; cade il null random come denominatore omogeneo.", tools/data/biconi/bicono_20260509_0637.json:6: "raw": "qui diventa possibile usare `event_type` come gate regressivo di ogni misura `V_c`; qui diventa non-possibile confrontare mediane `V_c` senza separare floor-hit, internal-cross e multi-crossing.", tools/data/biconi/bicono_20260509_0637.json:7: "possibile": "usare `event_type` come gate regressivo di ogni misura `V_c`", tools/data/biconi/bicono_20260509_0637.json:8: "non_possibile": "confrontare mediane `V_c` senza separare floor-hit, internal-cross e multi-crossing" tools/data/reports/agent_20260505_1022.md:20:- dati: `primes` con 8000 gap, `GUE` con 175 spacing effettivi prodotti dal generatore corrente, `Poisson` con 8000 spacing; tools/data/reports/agent_20260505_1022.md:44:Su GUE il campione effettivo e' piccolo (`N=175`), quindi il risultato e' solo indicativo: tools/data/reports/agent_20260505_1022.md:55:Poisson resta quasi nullo rispetto a SR/SR2/triple_var: molte curve non attraversano `|z| >= 2`. Questo e' coerente con un controllo a bassa struttura, non con una prova di assenza assoluta. tools/data/reports/agent_20260505_1022.md:75:L2 quantita' assoluta vs ratio: il confronto usa alpha critici e z-score, non percentuali tra spazi di taglia diversa. GUE ha perimetro ridotto (`N=175`) e non viene pesato come primes/Poisson. tools/data/repairs/repair_20260508_2102.md:32:- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested. tools/data/repairs/repair_20260508_1909_decision.json:1:{"cycle_ts": "20260508_1909", "decision": "APPLY_REPAIR", "should_rerun": true, "reasons": ["p5_failed_and_veritas_not_collasso_with_consecutio"], "guards": {"repair_depth": 0, "max_depth": 1, "parent_ts": "", "loop_danger": false, "aeternitas_veto": false}, "signals": {"cycle_ts": "20260508_1909", "agent": {"path": "/opt/MM_D-ND/tools/data/reports/agent_20260508_1909.md", "exists": true, "title": "Agent Report - Supertile Tiling Gate Del Core Phi", "size": 9634}, "falsifier": {"path": "/opt/MM_D-ND/tools/data/reports/falsifier_20260508_1909.json", "exists": true, "coherent": false, "summary": "Il report e' coerente nel falsificare il boundary esatto, ma L1/L4 si rompono dove \"nullo/cade\" viene usato per il core alto intero mentre i dati mostrano sopravvivenza parziale per-label.", "counts": {"high": 0, "medium": 2, "low": 1}, "flags": [{"lens": "L1", "severity": "medium", "claim": "\"same_count_internal_shuffle resta nullo su tutti gli order\" / \"Il core alto cade solo quando l'ordine interno viene distrutto (0/160)\"", "suggestion": "Riformulare: \"same_count_internal_shuffle azzera l'all-high rate del core alto completo, ma lascia sopravvivere singoli label ad alta scala; prossimo ciclo separi all-high, per-label retention e stable-label count\"."}, {"lens": "L4", "severity": "medium", "claim": "\"il core alto cade solo quando l'ordine interno viene distrutto\"", "suggestion": "Isolare l'edge case per label: verificare quali tra [3,-4,4,6] sopravvivono sotto internal shuffle e dichiarare il perimetro come \"core completo cade\", non \"core alto cade\"."}, {"lens": "L5", "severity": "low", "claim": "\"il label-set alto phi misura una condizione congiunta di ordine interno e lunghezze Fibonacci-like\"", "suggestion": "Nel prossimo ciclo aggiungere baseline teorica: confrontare i label osservati con il gruppo di gap-labeling atteso per Sturmian/Fibonacci e separare novita' D-ND da re-discovery spettrale classica."}]}, "aeternitas": {"path": "/opt/MM_D-ND/tools/data/aeternitas/aeternitas_20260508_191516.json", "decision": "WARN", "reason": "P5 (Autopoiesi): ciclo non ha prodotto tensioni nuove né cambiato direzione", "p0_passed": true, "p1_passed": true, "p5_passed": false, "p5_violations": [{"issue": "no_new_tension_or_direction", "old_count": 19, "new_count": 15}]}, "veritas": {"path": "/opt/MM_D-ND/tools/data/veritas/veritas_20260508_191516.json", "rho": 0.8875, "band": "SOSPENSIONE"}, "valutatore": {"exists": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha falsificato il claim operativo: il confine reale del supertile non batte il taglio contiguo a stessa multiset, mentre lo shuffle interno distrugge il core. L'evidenza sposta il nodo regressivo dal boundary geometrico al contratto osservabile: il portatore e' ordine interno piu' scala lunga, non il taglio esatto del supertile.", "action_type": "modify_seme", "detail": {"field": "direzione", "new_value": "Riformulare il confine come grammatica interna + scala lunga: testare il core phi contro generatori non-phi, fasi e denominatori con controlli shuffle, senza assumere che il boundary esatto del supertile sia il portatore.", "reason": "Il boundary esatto e' stato controllato e non discrimina; continuare nello stesso frame accumulerebbe dettaglio locale su un claim caduto."}, "notes": "Non serve STOP_FOR_REVIEW: la falsificazione e' chiara e non richiede scelta dell'operatore. Il prossimo ciclo deve attaccare trasferibilita' cross-generatore/cross-dominio, non raffinare solo soglie o gap label locali."}, "loop_guard": {"path": "/opt/MM_D-ND/tools/data/reports/loop_guard_20260508_1909.json", "exists": true, "bands": {"valutatore_decisions": "OK", "piano_trajectory": "OK"}, "danger": false}, "session": {"exists": true, "sync_blocked": false, "errors": ""}}, "directive_path": "/opt/MM_D-ND/tools/data/operator_directive.md", "record_json": "/opt/MM_D-ND/tools/data/repairs/repair_20260508_1909.json", "record_md": "/opt/MM_D-ND/tools/data/repairs/repair_20260508_1909.md"} tools/data/logistic_surrogate_contract_gate_20260507_1042.json:2: "experiment": "logistic_surrogate_contract_gate", tools/data/logistic_surrogate_contract_gate_20260507_1042.json:3: "category": "gate_falsification_surrogate_contract", tools/data/logistic_surrogate_contract_gate_20260507_1042.json:4: "question": "Does one-sided logistic support survive temporal-structure-preserving surrogates?", tools/data/logistic_surrogate_contract_gate_20260507_1042.json:13: "surrogate_classes": [ tools/data/logistic_surrogate_contract_gate_20260507_1042.json:25: "out": "tools/data/logistic_surrogate_contract_gate_20260507_1042.json" tools/data/logistic_surrogate_contract_gate_20260507_1042.json:34: "stable_by_surrogate": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:45: "z_by_surrogate": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:70: "stable_by_surrogate": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:77: "z_by_surrogate": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:104: "stable_by_surrogate": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:113: "z_by_surrogate": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:143: "surrogates": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:244: "surrogates": { tools/data/logistic_surrogate_contract_gate_20260507_1042.json:339: "surrogates": { tools/data/reports/report_20260305_2121.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260305_2121.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260305_2121.md:26:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/reports/report_20260305_2121.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260305_2121.md:28:- percolation_var_0.55: r=0.6944444444444445, spacing=Poisson-like tools/data/reports/report_20260305_2121.md:29:- percolation_var_0.65: r=1.0454545454545456, spacing=Poisson-like tools/data/repairs/repair_20260508_1909.md:24:- L5 low: Nel prossimo ciclo aggiungere baseline teorica: confrontare i label osservati con il gruppo di gap-labeling atteso per Sturmian/Fibonacci e separare novita' D-ND da re-discovery spettrale classica. tools/data/repairs/repair_20260508_1909.md:34:- Se `gap_ratio` e' richiesto dalla direttiva, includilo; se non lo testi, dichiaralo come not_tested. tools/data/biconi/bicono_20260508_2019.json:4: "invariante": "l'ordine Sturmian produce core bassi nativi; il core alto phi sopravvive solo quando generatore e reader restano accoppiati nel perimetro.", tools/data/vault_condizioni.json:11: "gap_ratio": 2.6179727982873873, tools/data/vault_condizioni.json:22: "gap_ratio": 2.6179575597540508, tools/data/vault_condizioni.json:33: "gap_ratio": 2.618131465957247, tools/data/vault_condizioni.json:44: "gap_ratio": 2.6180706858803986, tools/data/vault_condizioni.json:55: "gap_ratio": 2.6180861695660687, tools/data/vault_condizioni.json:66: "gap_ratio": 2.6180861695660687, tools/data/vault_condizioni.json:77: "gap_ratio": 2.618055175518615, tools/data/reports/exp_geodesic_deviation_primes.json:13: "n_surrogates": 20, tools/data/reports/exp_geodesic_deviation_primes.json:20: "n_surrogates": 20, tools/data/biconi/bicono_20260508_1715.json:4: "invariante": "il nucleo basso `[-1, 1, -2, 2]` sopravvive quando resta abbastanza struttura globale; il core completo sopravvive nel generatore Sturmiano meccanico.", tools/data/repairs/repair_20260508_2140_decision.json:1:{"cycle_ts": "20260508_2140", "decision": "SKIP", "should_rerun": false, "reasons": ["no_repair_condition_matched"], "guards": {"repair_depth": 0, "max_depth": 1, "parent_ts": "", "loop_danger": false, "aeternitas_veto": false}, "signals": {"cycle_ts": "20260508_2140", "agent": {"path": "/opt/MM_D-ND/tools/data/reports/agent_20260508_2140.md", "exists": true, "title": "Agent Report - Quasiperiodic Vc Lattice Gate", "size": 8637}, "falsifier": {"path": "/opt/MM_D-ND/tools/data/reports/falsifier_20260508_2140.json", "exists": true, "coherent": true, "summary": "Il report e' internamente coerente sulle lenti applicabili: nessuna proibizione hard non supportata, nessun confronto percentuale decisivo fra denominatori incompatibili, nessun silent patching visibile, edge case random isolato, nessuna discovery nuova rivendicata, contaminazione cognitiva metabolizzata con CE/KSAR espliciti.", "counts": {"high": 0, "medium": 0, "low": 0}, "flags": []}, "aeternitas": {"path": "/opt/MM_D-ND/tools/data/aeternitas/aeternitas_20260508_214506.json", "decision": "WARN", "reason": "P5 (Autopoiesi): ciclo non ha prodotto tensioni nuove né cambiato direzione", "p0_passed": true, "p1_passed": true, "p5_passed": false, "p5_violations": [{"issue": "no_new_tension_or_direction", "old_count": 13, "new_count": 13}]}, "veritas": {"path": "/opt/MM_D-ND/tools/data/veritas/veritas_20260508_214506.json", "rho": 0.9325, "band": "COLLASSO"}, "valutatore": {"exists": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo non ha confermato un bordo reticolare specifico di phi: il random bilanciato comprime `V_c` molto piu' dei metallici, quindi il segnale e' dominato dal denominatore/null e non dalla struttura Sturmian. L'Affinatore ha gia' isolato il nodo regressivo: il null random non e' omogeneo rispetto al boundary operator `V_c`; continuare nello stesso frame accumulerebbe dettaglio locale sospetto.", "action_type": "modify_seme", "detail": {"field": "direzione", "new_value": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", "reason": "Il prossimo ciclo deve correggere il denominatore del test, non estrarre altro dal fit o dalla compressione grezza di `V_c`."}, "notes": "Non cristallizzare. Il risultato utile e' metodologico: il bordo `V_c` richiede null costruiti sulla stessa classe operatoriale, altrimenti il random crea una soglia artificiale a griglia bassa."}, "loop_guard": {"path": "/opt/MM_D-ND/tools/data/reports/loop_guard_20260508_2140.json", "exists": true, "bands": {"valutatore_decisions": "OK", "piano_trajectory": "OK"}, "danger": false}, "session": {"exists": true, "sync_blocked": false, "errors": ""}}, "directive_path": "/opt/MM_D-ND/tools/data/operator_directive.md", "record_json": null, "record_md": null} tools/data/reports/agent_20260508_1909.md:8:**observable_contract**: claim=il core alto phi distingue confine di supertile Fibonacci da blocco contiguo con stessa lunghezza; observable=retention dei label core sotto shuffle di supertile, shuffle contiguo a stessa multiset di lunghezze, shuffle interno a stesso conteggio; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e supertile_order; generator=phi_sturmian con tiling di lunghezze Fibonacci; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, soglie 1.75/2.25, parsing simbolico esatto dei supertile per ogni fase, generatori non-phi. tools/data/reports/agent_20260508_1909.md:83:La formulazione valida e': il label-set alto phi misura una condizione congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile e non misura `gap_ratio`. tools/data/reports/agent_20260508_1909.md:96:- **L2 quantita vs ratio**: Jaccard, retention e all-high rate restano separati; `gap_ratio` dichiarato non testato. tools/data/notte_20260302_0330.md:4: ising_2d_var_-0.1: r=0.9544449807275661, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260302_0330.md:5: ising_2d_var_0.1: r=1.0346055137014654, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260302_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260302_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260302_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260302_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260302_0330.md:10: brownian_motion_var_0.3: r=0.4251555846708156, spacing=Poisson-like (⟨r⟩=0.4080976347390199) tools/data/notte_20260302_0330.md:11: brownian_motion_var_0.5: r=0.6666666666666667, spacing=Poisson-like (⟨r⟩=0.4403145387503658) tools/data/notte_20260302_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260302_0330.md:13: percolation_var_0.55: r=0.5873015873015873, spacing=Poisson-like (⟨r⟩=0.39728805745491197) tools/data/notte_20260302_0330.md:14: percolation_var_0.65: r=0.9607843137254901, spacing=Poisson-like (⟨r⟩=0.3994075552107834) tools/data/reports/agent_20260419_0755.md:77:- **Test at larger scales**: Does the alpha_res gap (1.24 vs 1.60) change with prime scale? If it narrows toward Poisson, the long-range class memory also has a crossover. tools/data/reports/falsifier_20260508_2005.json:10: "evidence": "Il contratto osservabile dichiara esplicitamente not_tested=gap_ratio; l'esperimento usa finestre simboliche Sturmian, complexity/right-special/return-word/palindromic defect, non il gap_ratio o il denominator gate.", tools/data/reports/falsifier_20260508_2005.json:11: "suggestion": "Riformulare il verdict sul nodo testato: symbolic_grammar_boundary_gate. Se QPG_GAP_RATIO_DENOMINATOR_GATE deve restare nel claim, il prossimo ciclo deve includere gap_ratio come osservabile o dichiarare il ponte regressivo tra i due gate." tools/data/reports/falsifier_20260508_2005.json:16: "claim": "\"same_length_contiguous_shuffle conserva grammatica Sturmian locale almeno quanto l'allineato\" e \"misaligned e' piu' baseline-Sturmian dell'allineato nel rate aggregato high\"", tools/data/reports/falsifier_20260508_2005.json:21: "summary": "Il report e' sostanzialmente coerente sui dati visibili, ma rompe L3 nel verdict nominando un gate gap_ratio dichiarato non testato; L2 richiede solo rinforzo quantitativo." tools/data/reports/agent_20260412_0330.md:7:> Two types of duality: (1) dipolar — generative, det=-1, (2) illusory — dispersive, det=+1. The drift toward Poisson should correspond to loss of det=-1 structure. tools/data/reports/agent_20260412_0330.md:15:- **Null baseline**: 20 shuffled-gap surrogates per window (same marginal distribution, destroyed order) tools/data/reports/agent_20260412_0330.md:40:4. **det(M) drifts toward zero (less negative), slope = +0.003/ln(p), R^2=0.90.** Both real and shuffled drift together. The marginal distribution itself is changing — gaps become more Poisson-like (wider, more symmetric) at larger primes. tools/data/reports/agent_20260412_0330.md:48:- **NEW**: The ordering-induced excess negativity (delta_det ~ -0.009) decays with scale (z from -3.0 to -0.9). This is a new observable that quantifies the "dipolar excess" — the gap between structure and randomness — and it converges to zero. Consistent with the 4-stage Poisson convergence hierarchy. tools/data/reports/agent_20260508_2133.md:8:**observable_contract**: claim=il residuo SR dello zero Mobius resta informativo dopo un null che preserva la geometria coarse della coppia di gap; observable=sr_zero_minus_nonzero, sr_aligned_minus_misaligned, low_low_zero_minus_nonzero, high_high_zero_minus_nonzero; operator=permuta label di transizione aligned/misaligned/zero dentro ogni pair bucket `(bucket(g_i), bucket(g_{i+1}))`; generator=prime gaps up to p<=1e6 with Mobius interval charges; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}, 400 permutazioni, seed=2133; not_tested=gap_ratio Sturmian, V_c scaling, GUE/Poisson universale, sequenza Mobius globale coerente dopo shuffle. tools/data/reports/agent_20260508_2133.md:36:- Contratto osservabile-operatore: `gap_ratio`, `V_c`, domini Sturmian e GUE/Poisson non testati. tools/data/reports/agent_20260508_2121.md:8:**observable_contract**: claim=la classe zero Mobius resta informativa dopo controllo per lunghezza del gap; observable=low_low_zero_minus_nonzero, high_high_zero_minus_nonzero, sr_zero_minus_nonzero sotto null stratificato; operator=shuffle delle cariche Mobius intervallari solo dentro bucket di lunghezza gap; 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) diretto. tools/data/reports/agent_20260508_2121.md:38:- Contratto osservabile-operatore: `gap_ratio` e gate Sturmian non testati. Il cycle testa solo se lo zero Mobius supera il null length-stratified. tools/data/biconi/bicono_20260508_2005.json:2: "radici": "grammatica locale Sturmian . boundary esatto del supertile.", tools/data/biconi/bicono_20260508_2005.json:4: "invariante": "quando l'ordine interno resta, la finestra resta quasi sempre nel vincolo Sturmian; quando l'ordine interno cade, esplodono complessita, right-special, return-excess e difetto palindromico.", tools/data/reports/insights_20260405_0729.json:53: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260405_0729.json:58: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/insights_20260405_0729.json:99: "claim": "V_c = 1.000 \u2248 1 (err 0.0000)", tools/data/reports/insights_20260405_0729.json:101: "nota": "V_c stabile a 1.000. Phi vs sqrt(2): 1.000 vs 1.948" tools/data/reports/report_20260304_0342.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260304_0342.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260304_0342.md:26:- brownian_motion_var_0.5: r=0.09164859002169198, spacing=Poisson-like tools/data/reports/report_20260304_0342.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260304_0342.md:28:- percolation_var_0.55: r=1.0, spacing=Poisson-like tools/data/reports/report_20260304_0342.md:29:- percolation_var_0.65: r=0.9992156862745099, spacing=Poisson-like tools/data/biconi/bicono_20260508_0011.json:2: "radici": "duality contrast that strengthens with scale (GUE, alpha > 0.5, deep structure) and duality contrast that weakens with scale (primes, alpha < 0.5, dissolving structure). The two are dual because both show dipolar ordering at small scales — the difference emerges only when you observe the trajectory.", tools/data/biconi/bicono_20260508_0011.json:6: "raw": "here it becomes possible to discriminate primes from GUE by their scaling trajectory, not by their local statistics. Here it becomes non-possible to claim that prime gaps have \"the same universality class as GUE\" without specifying the scale and the observable.", tools/data/biconi/bicono_20260509_0330.json:2: "radici": "crossing discreto di griglia . curva interpolata del boundary.", tools/data/biconi/bicono_20260509_0330.json:3: "singolare": "la filtrazione `r(V)` prima del valore `V_c`, dove repulsione e indipendenza sono ancora un unico passaggio.", tools/data/biconi/bicono_20260509_0330.json:4: "invariante": "sopravvive il crossing unico dei generatori metallici; cade la specificita hard di phi.", tools/data/biconi/bicono_20260509_0330.json:6: "raw": "qui diventa possibile usare `r(V)` come boundary map contro null random; qui diventa non-possibile promuovere `V_c(phi)` a legge di scala o firma esclusiva senza denominatore atomico.", tools/data/biconi/bicono_20260509_0330.json:8: "non_possibile": "promuovere `V_c(phi)` a legge di scala o firma esclusiva senza denominatore atomico" tools/data/reports/agent_20260425_0330.md:1:# Agent Report — Markov Memory Is Channel-Specific: 140x Algebraic vs Statistical in Primes, Ordering-GUE Has No Algebraic Channel tools/data/reports/agent_20260425_0330.md:5:**Tension explored**: META (0.5) + BOUNDARY (0.8) + TWO_KINDS_GUE (consecutio) tools/data/reports/agent_20260425_0330.md:8:> The TWO_KINDS_GUE result (2026-04-24) discriminated distribution-GUE (primes, GUE matrices) from ordering-GUE (fibonacci, coupled_osc, percolation). The Markov-3 result (2026-04-23) found 33.6% scale-invariant ordering memory in prime gap residues. Do ordering-GUE domains have the same kind of Markov memory as primes? tools/data/reports/agent_20260425_0330.md:11:What is the Markov memory profile of each GUE type? If ordering-GUE domains get their classification FROM sequential ordering, they should have high Markov memory. But in which channel — magnitude (gap size) or residue (algebraic structure)? tools/data/reports/agent_20260425_0330.md:17:- **Domains**: 8 domains across 3 GUE types (distribution-GUE, ordering-GUE, Poisson) tools/data/reports/agent_20260425_0330.md:27:| primes | dist-GUE | 17983 | 0.2 | 0.3 | 0.4 | -22.1 | -14.3 | 44% | tools/data/reports/agent_20260425_0330.md:28:| gue_matrix | dist-GUE | 86 | -1.6 | 0.2 | 4.6 | 1.0 | -0.7 | n/a | tools/data/reports/agent_20260425_0330.md:29:| coupled_osc | ord-GUE | 2002 | 0.7 | 1.3 | 1.5 | -12.0 | -6.7 | 42% | tools/data/reports/agent_20260425_0330.md:30:| string_vib | ord-GUE | 7999 | 0.2 | 0.9 | 1.4 | -12.2 | -24.8 | 14% | tools/data/reports/agent_20260425_0330.md:31:| percolation | ord-GUE | 195 | 1.4 | 2.8 | 3.9 | -1.8 | -1.2 | 35% | tools/data/reports/agent_20260425_0330.md:32:| poisson | Poisson | 5000 | -0.0 | -0.1 | -0.2 | 0.9 | 2.3 | n/a | tools/data/reports/agent_20260425_0330.md:33:| logistic | Poisson | 4999 | 98.8 | 99.0 | 99.0 | -3939 | -1031 | 100% | tools/data/reports/agent_20260425_0330.md:34:| brownian | Poisson | 4999 | 12.7 | 38.9 | 46.6 | -449 | -442 | 27% | tools/data/reports/agent_20260425_0330.md:50:2. **Ordering-GUE domains have no algebraic channel.** They have only tercile-type (magnitude) memory: 0.2-1.5% at order 1, comparable to primes in the same channel. But primes have the mod-6 channel ON TOP — which ordering-GUE domains lack entirely. No natural modular structure exists for eigenvalue spacings or percolation clusters. tools/data/reports/agent_20260425_0330.md:52:3. **Saturation depth is an orthogonal axis to GUE type.** The fraction of memory captured at order-1 varies independently of whether a domain is distribution-GUE or ordering-GUE: tools/data/reports/agent_20260425_0330.md:53: - String vibration (ord-GUE): 14% — deep, higher-order correlations dominate. Fibonacci quasiperiodicity requires long-range correlations. tools/data/reports/agent_20260425_0330.md:54: - Primes (dist-GUE): 44% — moderate depth. tools/data/reports/agent_20260425_0330.md:55: - Coupled oscillators (ord-GUE): 42% — moderate depth, similar to primes despite different GUE type. tools/data/reports/agent_20260425_0330.md:56: - Logistic (Poisson): 100% — shallow, deterministic, order-1 is sufficient. tools/data/reports/agent_20260425_0330.md:58:4. **The "Poisson" class is heterogeneous in Markov memory.** Pure Poisson has zero memory (control: passed). But logistic (98.8%) and Brownian (12.7%) are Poisson-classified by r-statistic yet have massive ordering memory. The r-statistic classification misses an entire axis of variation. Ordering memory that doesn't create level repulsion is invisible to the r-test. tools/data/reports/agent_20260425_0330.md:67:**NEW + CONSTRAINT on TWO_KINDS_GUE + BOUNDARY + C1** tools/data/reports/agent_20260425_0330.md:69:The TWO_KINDS_GUE classification (distribution vs ordering) captures WHERE structure lives. This experiment adds a second axis: HOW the memory is structured. Primes are the only domain with dual-channel memory (algebraic + statistical). The 33% scale-invariant memory is a Z/6Z phenomenon with no analogue in ordering-GUE domains. The boundary (GUE/Poisson) is a 1D projection of a 2D structure: GUE type x memory depth. tools/data/reports/agent_20260425_0330.md:76:- **Campo di possibilita**: qui diventa possibile → discriminare domini non solo per GUE type (delta_r sign) ma per profondita e struttura della memoria (algebraica vs statistica). Due assi ortogonali, non uno. Qui diventa non-possibile → trattare il 33% di Markov memory come una proprieta "generica" di sequenze ordinate. E specifica dei primi e del canale Z/6Z. tools/data/r_ratio_decay.json:222: "formula": "r - Poisson = A * N^(-alpha)", tools/data/r_ratio_decay.json:232: "result": "FALSIFIED \u2014 r-ratio decays toward Poisson with N", tools/data/reports/falsifier_20260502_0330.json:32: "suggestion": "Riformulare il perimetro: nei 7 test, 5 sequenze con lock iniziale <15 deg mostrano FULL; RW_excur e Poisson sono esclusioni esplicite, non rumore da comprimere." tools/data/notte_20260328_0330.md:5: collatz_cp: r=0.8074001881973383, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:8: ising_2d_cp_-0.30096344125143626: r=0.8775708104853573, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:9: ising_2d_cp_0.3912489375554772: r=0.9186569401419008, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:10: brownian_motion_cp_0.12469700253176728: r=1.0811654526534857, spacing=Poisson-like [conferma] tools/data/notte_20260328_0330.md:11: brownian_motion_cp_0.8121684739408563: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260328_0330.md:12: percolation_cp_0.33766224009941354: r=0.8518518518518517, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:13: percolation_cp_0.8820369977270884: r=0.8867924528301886, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:14: cellular_automata_cp_90: r=0.6458196181698486, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:24: Campo dopo Fase 0: 6 GUE / 2 Poisson tools/data/notte_20260328_0330.md:28: brownian_motion_var_0.3: r=0.9882352941176471, spacing=Poisson-like (⟨r⟩=0.375584985441532) tools/data/notte_20260328_0330.md:29: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260328_0330.md:30: ising_2d_var_0.1: r=0.9908867676670138, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260328_0330.md:31: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260328_0330.md:77: GUE: 7 | Poisson: 5 | Vincoli: 1 | Anomalie: 15 tools/data/notte_20260328_0330.md:79: Domini GUE: collatz_cp, ising_2d_cp_-0.30096344125143626, ising_2d_cp_0.3912489375554772, percolation_cp_0.33766224009941354, percolation_cp_0.8820369977270884, cellular_automata_cp_90, ising_2d_var_0.1 tools/data/notte_20260328_0330.md:80: Domini Poisson: brownian_motion_cp_0.12469700253176728, brownian_motion_cp_0.8121684739408563, brownian_motion_var_0.3, logistica_biforcazione_var_3.9, logistica_biforcazione_var_3.57 tools/data/exp_acf_range_universality.json:9: "n_surrogates": 15 tools/data/exp_acf_range_universality.json:380: "GUE": { tools/data/exp_acf_range_universality.json:508: "Poisson": { tools/data/notte_20260313_0330.md:4: ising_2d_var_-0.1: r=0.9598073621643622, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260313_0330.md:5: ising_2d_var_0.1: r=1.1534456181377324, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260313_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260313_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260313_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260313_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260313_0330.md:10: brownian_motion_var_0.3: r=1.0, spacing=Poisson-like (⟨r⟩=0.39085610463879605) tools/data/notte_20260313_0330.md:11: brownian_motion_var_0.5: r=1.1413276231263383, spacing=Poisson-like (⟨r⟩=0.367786562397899) tools/data/notte_20260313_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260313_0330.md:13: percolation_var_0.55: r=0.6659836065573771, spacing=Poisson-like (⟨r⟩=0.42563729952692636) tools/data/notte_20260313_0330.md:14: percolation_var_0.65: r=1.0, spacing=GUE-like (⟨r⟩=0.5124430839861729) tools/data/reports/fibonacci_spectrum_20260305_0756.json:12: "GUE": 0.29670833202771496, tools/data/reports/fibonacci_spectrum_20260305_0756.json:14: "Poisson": 0.510008332027715, tools/data/reports/fibonacci_spectrum_20260305_0756.json:23: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260305_0756.json:25: "GUE": 0.1637341019241806, tools/data/reports/fibonacci_spectrum_20260305_0756.json:27: "Poisson": 0.37703410192418063, tools/data/reports/fibonacci_spectrum_20260305_0756.json:36: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260305_0756.json:38: "GUE": 0.07108013924144507, tools/data/reports/fibonacci_spectrum_20260305_0756.json:40: "Poisson": 0.2843801392414451, tools/data/reports/fibonacci_spectrum_20260305_0756.json:49: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260305_0756.json:51: "GUE": 0.0013531361002089293, tools/data/reports/fibonacci_spectrum_20260305_0756.json:53: "Poisson": 0.21194686389979112, tools/data/reports/fibonacci_spectrum_20260305_0756.json:64: "GUE": 0.033692181448734315, tools/data/reports/fibonacci_spectrum_20260305_0756.json:66: "Poisson": 0.17960781855126573, tools/data/reports/fibonacci_spectrum_20260305_0756.json:77: "GUE": 0.06412167049004891, tools/data/reports/fibonacci_spectrum_20260305_0756.json:79: "Poisson": 0.14917832950995114, tools/data/reports/fibonacci_spectrum_20260305_0756.json:90: "GUE": 0.09263337719183284, tools/data/reports/fibonacci_spectrum_20260305_0756.json:92: "Poisson": 0.1206666228081672, tools/data/reports/fibonacci_spectrum_20260305_0756.json:103: "GUE": 0.11916312020873215, tools/data/reports/fibonacci_spectrum_20260305_0756.json:105: "Poisson": 0.09413687979126789, tools/data/reports/fibonacci_spectrum_20260305_0756.json:116: "GUE": 0.14296513348744533, tools/data/reports/fibonacci_spectrum_20260305_0756.json:118: "Poisson": 0.07033486651255472, tools/data/reports/fibonacci_spectrum_20260305_0756.json:127: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260305_0756.json:129: "GUE": 0.2041358611525424, tools/data/reports/fibonacci_spectrum_20260305_0756.json:131: "Poisson": 0.009164138847457648, tools/data/reports/fibonacci_spectrum_20260305_0756.json:140: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260305_0756.json:142: "GUE": 0.2748295876655356, tools/data/reports/fibonacci_spectrum_20260305_0756.json:144: "Poisson": 0.06152958766553557, tools/data/reports/fibonacci_spectrum_20260305_0756.json:153: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260305_0756.json:155: "GUE": 0.3640777020486299, tools/data/reports/fibonacci_spectrum_20260305_0756.json:157: "Poisson": 0.15077770204862984, tools/data/reports/fibonacci_spectrum_20260305_0756.json:166: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260305_0756.json:168: "GUE": 0.43564800784619784, tools/data/reports/fibonacci_spectrum_20260305_0756.json:170: "Poisson": 0.22234800784619782, tools/data/reports/fibonacci_spectrum_20260305_0756.json:179: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260305_0756.json:181: "GUE": 0.0013531361002089293, tools/data/reports/fibonacci_spectrum_20260305_0756.json:183: "Poisson": 0.21194686389979112, tools/data/reports/fibonacci_spectrum_20260305_0756.json:192: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260305_0756.json:194: "GUE": 0.015680728701978786, tools/data/reports/fibonacci_spectrum_20260305_0756.json:196: "Poisson": 0.19761927129802126, tools/data/reports/fibonacci_spectrum_20260305_0756.json:205: "class": "GUE", tools/data/reports/fibonacci_spectrum_20260305_0756.json:207: "GUE": 0.029241086644125502, tools/data/reports/fibonacci_spectrum_20260305_0756.json:209: "Poisson": 0.18405891335587454, tools/data/reports/fibonacci_spectrum_20260305_0756.json:220: "GUE": 0.04273384302801908, tools/data/reports/fibonacci_spectrum_20260305_0756.json:222: "Poisson": 0.17056615697198096, tools/data/reports/fibonacci_spectrum_20260305_0756.json:233: "GUE": 0.05567668696247785, tools/data/reports/fibonacci_spectrum_20260305_0756.json:235: "Poisson": 0.1576233130375222, tools/data/reports/fibonacci_spectrum_20260305_0756.json:246: "GUE": 0.06821895426251079, tools/data/reports/fibonacci_spectrum_20260305_0756.json:248: "Poisson": 0.14508104573748926, tools/data/reports/fibonacci_spectrum_20260305_0756.json:259: "GUE": 0.08041041520559711, tools/data/reports/fibonacci_spectrum_20260305_0756.json:261: "Poisson": 0.13288958479440294, tools/data/reports/fibonacci_spectrum_20260305_0756.json:272: "GUE": 0.09263337719183284, tools/data/reports/fibonacci_spectrum_20260305_0756.json:274: "Poisson": 0.1206666228081672, tools/data/reports/fibonacci_spectrum_20260305_0756.json:285: "GUE": 0.10444251980628838, tools/data/reports/fibonacci_spectrum_20260305_0756.json:287: "Poisson": 0.10885748019371166, tools/data/reports/fibonacci_spectrum_20260305_0756.json:298: "GUE": 0.11551666300995106, tools/data/reports/fibonacci_spectrum_20260305_0756.json:300: "Poisson": 0.09778333699004899, tools/data/reports/fibonacci_spectrum_20260305_0756.json:311: "GUE": 0.12622818756544568, tools/data/reports/fibonacci_spectrum_20260305_0756.json:313: "Poisson": 0.08707181243455436, tools/data/reports/fibonacci_spectrum_20260305_0756.json:324: "GUE": 0.1363444703271271, tools/data/reports/fibonacci_spectrum_20260305_0756.json:326: "Poisson": 0.07695552967287295, tools/data/reports/fibonacci_spectrum_20260305_0756.json:337: "GUE": 0.14625965183538286, tools/data/reports/fibonacci_spectrum_20260305_0756.json:339: "Poisson": 0.06704034816461718, tools/data/reports/fibonacci_spectrum_20260305_0756.json:350: "GUE": 0.15586954772482753, tools/data/reports/fibonacci_spectrum_20260305_0756.json:352: "Poisson": 0.05743045227517252, tools/data/reports/fibonacci_spectrum_20260305_0756.json:361: "class": "Poisson", tools/data/reports/fibonacci_spectrum_20260305_0756.json:363: "GUE": 0.16527431088573818, tools/data/reports/fibonacci_spectrum_20260305_0756.json:365: "Poisson": 0.04802568911426186, tools/data/exp_poisson_convergence.json:3: "question": "Do beta, , and acf1 predict the same Poisson scale?", tools/data/exp_poisson_convergence.json:7: "n_surrogates": 10, tools/data/reports/agent_20260508_2108.md:8:**observable_contract**: claim=lo zero della carica Mobius intervallare e' testato come terzo incluso del gate aligned/misaligned; observable=rate low_low, rate high_high, SR mean per classi aligned/misaligned/zero; operator=classificazione di S_n*S_{n+1}: aligned<0, misaligned>0, zero=0; 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. tools/data/reports/agent_20260508_2108.md:44:- Contratto osservabile-operatore: `gap_ratio` Sturmian non testato; il source cycle 2102 non viene promosso; il claim su det diretto viene sostituito da controllo esplicito, non da conclusione non misurata. tools/data/experiment_results.json:15: "crossings": 577, tools/data/experiment_results.json:24: "gap_ratio": 2.6180861695660687 tools/data/experiment_results.json:30: "crossings": 307, tools/data/experiment_results.json:39: "gap_ratio": 2.6180861695660687 tools/data/experiment_results.json:45: "crossings": 133, tools/data/experiment_results.json:54: "gap_ratio": 2.6180861695660687 tools/data/experiment_results.json:60: "crossings": 25, tools/data/experiment_results.json:69: "gap_ratio": 2.6180861695660687 tools/data/experiment_results.json:75: "crossings": 30, tools/data/experiment_results.json:84: "gap_ratio": 2.618090459914461 tools/data/experiment_results.json:90: "crossings": 43, tools/data/experiment_results.json:99: "gap_ratio": 2.6180861695660687 tools/data/experiment_results.json:105: "crossings": 14, tools/data/experiment_results.json:114: "gap_ratio": 2.6180389412338116 tools/data/experiment_results.json:120: "crossings": 20, tools/data/experiment_results.json:129: "gap_ratio": 2.6180511672912212 tools/data/experiment_results.json:135: "crossings": 6, tools/data/experiment_results.json:146: "crossings_monotone": false, tools/data/experiment_results.json:165: "gap_ratio": null, tools/data/experiment_results.json:176: "gap_ratio": null, tools/data/experiment_results.json:187: "gap_ratio": 2.6180573994805743, tools/data/experiment_results.json:198: "gap_ratio": 2.618066201061807, tools/data/experiment_results.json:209: "gap_ratio": 2.618030904788572, tools/data/experiment_results.json:220: "gap_ratio": 2.618032699020587, tools/data/experiment_results.json:231: "gap_ratio": 2.6180835794161377, tools/data/experiment_results.json:242: "gap_ratio": 2.6180059965999325, tools/data/experiment_results.json:253: "gap_ratio": 2.6181156492729354, tools/data/experiment_results.json:264: "gap_ratio": 2.6180826965848376, tools/data/experiment_results.json:275: "gap_ratio": 2.6180501628999204, tools/data/experiment_results.json:286: "gap_ratio": 2.6180217080567996, tools/data/experiment_results.json:297: "gap_ratio": 2.6181156492729354, tools/data/experiment_results.json:316: "gap_ratio": null, tools/data/experiment_results.json:326: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:336: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:346: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:356: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:366: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:376: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:386: "gap_ratio": 2.6180861695660687, tools/data/experiment_results.json:396: "gap_ratio": 2.6180145125477585, tools/data/experiment_results.json:406: "gap_ratio": 2.6181579718861103, tools/data/experiment_results.json:416: "gap_ratio": 2.6180145125477585, tools/data/experiment_results.json:426: "gap_ratio": null, tools/data/notte_20260305_0330.md:4: ising_2d_var_-0.1: r=0.9823754433241959, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260305_0330.md:5: ising_2d_var_0.1: r=1.1807959337242486, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260305_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260305_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260305_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260305_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260305_0330.md:10: brownian_motion_var_0.3: r=0.9588638589618023, spacing=Poisson-like (⟨r⟩=0.38926362061125996) tools/data/notte_20260305_0330.md:11: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.39461461269967785) tools/data/notte_20260305_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260305_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.4270878077372399) tools/data/notte_20260305_0330.md:14: percolation_var_0.65: r=1.127659574468085, spacing=Poisson-like (⟨r⟩=0.43169596436963903) tools/data/reports/report_20260404_0330.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260404_0330.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=1.0000 (GUE standard=0.60) tools/data/reports/report_20260404_0330.md:25:- percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like tools/data/reports/report_20260404_0330.md:26:- numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like tools/data/reports/report_20260404_0330.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260404_0330.md:28:- brownian_motion_var_0.5: r=1.0, spacing=Poisson-like tools/data/bloch_explorer_results.json:16: "n_crossings": 9, tools/data/bloch_explorer_results.json:35: "n_crossings": 7, tools/data/bloch_explorer_results.json:54: "n_crossings": 12, tools/data/bloch_explorer_results.json:73: "n_crossings": 16, tools/data/bloch_explorer_results.json:92: "n_crossings": 21, tools/data/bloch_explorer_results.json:111: "n_crossings": 21, tools/data/bloch_explorer_results.json:130: "n_crossings": 8, tools/data/bloch_explorer_results.json:149: "n_crossings": 9, tools/data/bloch_explorer_results.json:168: "n_crossings": 7, tools/data/bloch_explorer_results.json:187: "n_crossings": 6, tools/data/operator_directive_consumed_20260507_0803.md:3:**Contesto.** I 9 cycle precedenti hanno tutti attaccato BOUNDARY (8 GUE / 5 Poisson) producendo 3 gate metodologici cristallizzati: OBSERVABLE_REGISTRY, PERTURBATION_DENOMINATOR_GATE, BOUNDARY_LAYER_GATE (denominator collapse layer beta 0.3-0.4). Le altre 6 tensioni-sorgente sono ferme da settimane. Il sistema (Godel) ha posto la domanda critica: tools/data/zero_notturno_20260310_0858.json:404: "crossing": { tools/data/zero_notturno_20260310_0858.json:405: "crossing_trovato": true, tools/data/zero_notturno_20260310_0858.json:406: "crossings": [ tools/data/zero_notturno_20260310_0858.json:408: "n_crossing": 5222.014379344059, tools/data/zero_notturno_20260310_0858.json:418: "crossings_frac": [], tools/data/zero_notturno_20260310_0858.json:419: "simmetria_crossings": [], tools/data/reports/report_20260306_0341.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260306_0341.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260306_0341.md:26:- brownian_motion_var_0.5: r=1.1993212669683257, spacing=Poisson-like tools/data/reports/report_20260306_0341.md:27:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/reports/report_20260306_0341.md:28:- percolation_var_0.55: r=1.0, spacing=Poisson-like tools/data/reports/report_20260306_0341.md:29:- percolation_var_0.65: r=1.0, spacing=Poisson-like tools/data/cognitive_enzymes_archive.json:2291: "snippet": "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 classif" tools/data/cognitive_enzymes_archive.json:6542: "snippet": "Non vero/falso ma coefficiente di densità di realtà: ρ = (V_a·W_a + V_b·W_b + V_c·W_c) / 3 Tre vettori di verifica da fonti distinte: A: coerenza telemetrica (dati diretti) B: coerenza logico-storica (è fisicamente possibile?) C: conferma ambientale (prove indirette) ρ < 0.4 → SCARTO 0.4 < ρ < 0.9 → SOSPENSIONE ATTIVA (richiedi più dati) ρ ≥ 0.9 → COLLASSO (" tools/data/cognitive_enzymes_archive.json:7376: "snippet": "For a \"random\" drawing — one produced by a chaotic dynamical system in the large-$n$ limit — the intersection matrix $\\mathbf{I}$ belongs to the **Gaussian Antisymmetric Ensemble** (related to GUE through the symplectic structure). **Montgomery-Odlyzko Correspondence** (Montgomery 1973, Odlyzko 1987): The pair correlation function of the eigenvalues of GUE r" tools/data/lab_logiche_corpus.md:458:ρ = (V_a·W_a + V_b·W_b + V_c·W_c) / 3 tools/data/reports/falsifier_20260508_1947.json:24: "evidence": "Return words, fattori speciali e difetto palindromico sono oggetti classici della combinatoria delle parole Sturmiane. Il report li propone correttamente come prossimo test, ma non ancora come re-discovery guardrail; senza baseline teorica rischia di taggare come nuova una proprieta' nota delle Sturmian words.", tools/data/reports/falsifier_20260508_1947.json:25: "suggestion": "Nel prossimo ciclo includere esplicitamente baseline classica Sturmian: return words, special factors, palindromic richness/defect attesi; dichiarare NEW solo per residui non spiegati da questi teoremi." tools/data/scale_selective_perturbation.json:394: "GUE": { tools/data/reports/agent_20260507_0901.md:15:coordinata locale GUE/Poisson. tools/data/reports/agent_20260507_0901.md:65: GUE/Poisson layer. It is the coordinate created by the replacement protocol: tools/data/risultante_v2.json:18: "crossing_R": 1.0, tools/data/risultante_v2.json:21: "note": "equilibrium/crossing = \u03c6 \u2014 the golden ratio IS this asymmetry" tools/data/risultante_v2.json:46: "V_coupling": -1.61803399, tools/data/risultante_v2.json:542: "statistics": "GUE (Katz-Sarnak)" tools/data/boundary_shuffle_audit.json:6: "R_GUE": 0.5307, tools/data/boundary_shuffle_audit.json:7: "R_Poisson": 0.3863 tools/data/boundary_shuffle_audit.json:16: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:17: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:27: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:28: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:38: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:39: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:49: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:50: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:60: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:61: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:71: "class_original": "Poisson", tools/data/boundary_shuffle_audit.json:72: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:82: "class_original": "Poisson", tools/data/boundary_shuffle_audit.json:83: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:93: "class_original": "Poisson", tools/data/boundary_shuffle_audit.json:94: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:104: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:105: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:115: "class_original": "GUE", tools/data/boundary_shuffle_audit.json:116: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:126: "finding": "Two kinds of GUE: distribution-GUE (primes, random matrices) vs ordering-GUE (fibonacci, coupled oscillators, percolation). Sign of delta_r discriminates." tools/data/reports/report_20260331_1809.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260331_1809.md:22:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=1.0000 (GUE standard=0.60) tools/data/reports/report_20260331_1809.md:25:- logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like tools/data/reports/report_20260331_1809.md:26:- logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like tools/data/reports/report_20260331_1809.md:27:- brownian_motion_var_0.5: r=0.9523809523809524, spacing=Poisson-like tools/data/reports/report_20260331_1809.md:28:- percolation_var_0.65: r=1.0, spacing=Poisson-like tools/data/reports/agent_20260508_2013.md:8:**observable_contract**: claim=se il boundary esatto del supertile e' portatore globale del core alto, le posizioni IDS dei gap core devono mostrare migliore riconoscibilita Ostrowski o maggiore prossimita ai tagli nel mode aligned rispetto al same-length misaligned; observable=distanza del centro gap da boundary di chunk, hit entro 2 siti, peso Zeckendorf e zeri finali Zeckendorf; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, centro round(IDS*N), boundary del tiling perturbato, rappresentazione Zeckendorf del centro; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, domini GUE/Poisson reali, soglie 1.75/2.25, automa formale di riconoscibilita della sostituzione, generatori non-phi. tools/data/reports/agent_20260508_2013.md:85:Formulazione valida: il core phi alto misura una chiusura congiunta di ordine interno e distribuzione di lunghezze Fibonacci-like. Nel ramo testato, non misura boundary esatto del supertile ne' firma Ostrowski delle posizioni IDS. `gap_ratio` non e' testato. tools/data/reports/agent_20260508_2013.md:94:Il prossimo passaggio non deve cercare un quinto lettore del boundary esatto nello stesso ramo. Deve contrarre il claim e testare il contro-polo naturale: generatori non-phi o Sturmiani con altra pendenza. Se ordine interno + lunghezze Fibonacci-like e' il portatore, il core alto deve decadere o trasformarsi quando il reader theta=1/phi viene tenuto fisso ma il generatore non e' phi. tools/data/loop_state.json:2558: "answer": "## Reissner-Nordström → QxG: il confine\n\nMetrica RN: `ds² ∝ (1 - r_s/r + r_Q²/r²)` con `r_Q² = GQ²/(4πε₀c⁴)`.\n\nDue orizzonti: **r± = GM/c² ± √((GM/c²)² - r_Q²)**.\n\n**Dove diventa dominante:** all'orizzonte interno r₋. Lì la carica compete con la gravità — il potenziale repulsivo elettrico bilancia il collasso. Al limite estremo (Q massimo), r₊ = r₋ e **T_H → 0**: il buco nero smette di irradiare. GxE sopprime TxQ.\n\n**Dove si rompe:** in due punti.\n\n1. **Orizzonte interno (r₋):** instabilità di mass-inflation (Poisson-Israel). Perturbazioni infinitesime → curvatura divergente. La soluzione clas", tools/data/loop_state.json:3123: "answer": "## ExR→GxE: Onde EM e buchi neri carichi — domande aperte\n\nLa metrica Reissner-Nordström ha due orizzonti:\n\n**r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴))**\n\nLe onde EM (soluzioni di Maxwell su questo sfondo curvo) sollevano problemi aperti precisi:\n\n**1. Instabilità dell'orizzonte interno (Cauchy).** Perturbazioni EM che cadono verso r₋ subiscono blueshift infinito. Mass-inflation: l'energia EM diverge → la massa di Misner-Sharp diverge → r₋ diventa singolarità debole (Poisson-Israel 1990). Domanda aperta: la singolarità è attraversabile o no? Dipende dalla regolarizzazione quantistica che non abb", tools/data/loop_state.json:3212: "answer": "Reissner-Nordström: ds²∝(1 - rₛ/r + rQ²/r²), rQ²=GQ²/(4πε₀c⁴). Due orizzonti: r±=GM/c²±√((GM/c²)²-rQ²).\n\n**Limite estremo** Q→Qmax: r+=r-, T_H→0. Il buco nero smette di irradiare ma T=0 esatto viola il terzo principio → serve QxG per risolvere.\n\n**Dove si rompe**: l'orizzonte interno r- ha instabilità di mass-inflation (Poisson-Israel 1990): perturbazioni divergono → singolarità nulla. La geometria classica GxE collassa proprio dove QxG dovrebbe parlare.\n\n**Scala dominante**: M→M_Planck, r+→lP. Ma prima interviene Schwinger: E>m²ec³/(eℏ)≈1.3×10¹⁸ V/m scarica il buco nero in coppie e+e-. QxE sv", tools/data/loop_state.json:3450: "answer": "## ExR→GxE: Onde EM e buchi neri carichi — cosa NON sappiamo\n\n**Cosa sappiamo**: La metrica Reissner-Nordström ha due orizzonti: r± = GM/c² ± √((GM/c²)² - GQ²/(4πε₀c⁴)). Maxwell funziona su questo sfondo curvo: ∇_μ F^μν = 0. Il campo è E = Q/(4πε₀r²) fuori dall'orizzonte, regolare.\n\n**Cosa NON sappiamo**:\n\n1. **Instabilità di Cauchy interno**: l'orizzonte interno r₋ è instabile (mass inflation, Poisson-Israel 1990). Un'onda EM che cade verso r₋ viene blueshiftata infinitamente. L'energia diverge: T_μν → ∞. La soluzione classica RN è **fisicamente irrealizzabile** dentro r₋. Cosa la sostituisce", tools/data/loop_state.json:3866: "answer": "Reissner-Nordström: ds² con r± = GM/c² ± √((GM/c²)² - r_Q²), dove r_Q² = GQ²/(4πε₀c⁴).\n\n**Scala dominante**: limite estremo Q→Q_max, i due orizzonti si fondono r+=r-. Qui T_H→0: l'evaporazione semiclassica si ferma. Il buco nero diventa oggetto stabile — ma GR classica dice che dentro c'è ancora singolarità. Serve QxG per risolvere.\n\n**Dove si rompe**: l'orizzonte interno (r-) è classicamente instabile (mass inflation di Poisson-Israel). Gli effetti quantistici su r- sono ignoti — esattamente il VUOTO QxG.\n\n**Al confine**: per M→M_Planck, r+→l_P, curvatura R~1/l_P². GR cessa. Se Q>Q_max → sing", tools/data/reports/agent_20260504_1219.md:18: - `empirical_Mk1`: surrogate Mk1 addestrato sui gap primi, ordine noto 1. tools/data/reports/agent_20260504_1219.md:19: - `empirical_Mk2`: surrogate Mk2 addestrato sui gap primi, ordine noto 2. tools/data/reports/agent_20260504_1219.md:70:2. **`cond_entropy` non può essere usata come prova forte di Layer 3 nel setup attuale.** Anche un controllo generato come Mk2 viene letto Layer 3 per `cond_entropy` (z vs Mk2 = 3.15). Questo indica bias del surrogate/binning o varianza finita, non necessariamente memoria reale oltre Mk2. tools/data/reports/agent_20260504_1219.md:79:Non è una scoperta nuova di teoria Markov: è un audit metodologico vicino ai test di ordine Markov con surrogate data. La letteratura rilevante include test esatti di ordine Markov e surrogate vincolati che preservano proprietà Markov di ordine n, quindi il prossimo strumento deve avvicinarsi a quei null esatti invece di usare solo generatori bin-pool approssimati. tools/data/reports/agent_20260504_1219.md:92:- **L5 rediscovery**: non taggo NEW. Riferimenti classici vicini: surrogate-data tests for Markov order e constrained Markov-order surrogates. tools/data/reports/agent_20260504_1219.md:95:- Kandel et al.-lineage / surrogate tests: ["Testing the order of discrete Markov chains using surrogate data", Physica D 117, 1998](https://www.sciencedirect.com/science/article/pii/S0167278997003151). tools/data/reports/agent_20260504_1219.md:97:- ["Constrained Markov order surrogates", Physica D 2020](https://www.sciencedirect.com/science/article/pii/S0167278919305652). tools/data/reports/falsifier_20260430_1919.json:23: "claim": "DIPOLAR_ORDERING confirmed and sharpened ... original framing of 'spacing_ratio toward Poisson, lag1_acf toward GUE' is misleading — both point in the same direction.", tools/data/reports/falsifier_20260430_1919.json:24: "evidence": "Il claim strutturale in lab_data diceva esplicitamente: spacing_ratio verso Poisson e lag1_acf verso GUE. Il report lo sostituisce con 'entrambi negative z' e lo marca come confirmed/refined, non come falsificazione o cambio di definizione del frame Delta_tau -> z-score.", tools/data/reports/falsifier_20260430_1919.json:25: "suggestion": "Dichiarare il nodo: 'DIPOLAR_ORDERING originale falsificato nella forma Delta_tau oppositiva; scope corretto: co-orientamento negativo rispetto a shuffle baseline'. Tenere distinti Delta_tau GUE-Poisson e z rispetto a shuffle." tools/data/reports/falsifier_20260430_1919.json:39: "suggestion": "Nel prossimo ciclo usare default re-discovery: confrontare con modello Markov su gap residue classes/LOS e con sequenze surrogate classiche prima di promuovere l'angolo a invariante strutturale generale." tools/data/markov3_observable_hunt.json:6: "n_surrogates": 40, tools/data/reports/agent_20260507_1458.md:46:Numeri di dettaglio: C1 spacing GUE-like con `=0.6150`; C2 `pearson_r=-0.6428`; C3 distanza media da intero `0.0270`; G1 best phi-distance `0.021256`; G2 `12/13` domini convergono a phi; N2 `=1.0000`. tools/data/reports/agent_20260508_1834.md:8:**observable_contract**: claim=il core phi dei gap larghi separa lunghezza di blocco e grammatica interna del generatore; observable=retention dei label core sotto perturbazioni che preservano o distruggono ordine interno; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e block_size; generator=phi_sturmian con contiguous_block_shuffle, internal_block_shuffle, global_balanced_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, block_size={34,40,55,64,89,96,128,144}; not_tested=gap_ratio, soglie 1.75/2.25, N fuori {377,610}, generatori Sturmiani non-phi, tiling esatto in supertile Fibonacci. tools/data/reports/agent_20260508_1834.md:11:> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici? tools/data/reports/agent_20260508_1834.md:17:- Perimetro: stesso lettore label dei cycle 16:32, 17:15 e 18:05; `gap_ratio` non testato in questo ciclo. tools/data/reports/agent_20260508_1834.md:72:La formulazione valida e': il label-set alto phi misura memoria di grammatica interna del generatore su blocchi lunghi, con vantaggio forte alle scale Fibonacci testate; non misura lunghezza generica, conteggio di simboli o valore `gap_ratio`. tools/data/reports/agent_20260508_1834.md:84:- **L1 hard constraint vs bias**: il verdict dichiara perimetro, denominator e count grezzi; non formula universalita su tutti i generatori Sturmiani. tools/data/reports/agent_20260508_1834.md:85:- **L2 quantita vs ratio**: Jaccard, retention e all-high rate restano separati; `gap_ratio` dichiarato non testato. tools/data/reports/agent_20260508_1834.md:88:- **L5 re-discovery**: gap labeling e Sturmian sono meccanismi noti; il finding del cycle e' la separazione sperimentale tra lunghezza/conteggio e ordine interno del blocco. tools/data/reports/report_20260326_0343.md:17:- [✓] C1: Zeri zeta hanno spacing GUE (non Poisson)... → spacing=GUE-like, ⟨r⟩=0.6150 tools/data/reports/report_20260326_0343.md:23:- [✓] N2: Rule 30/110 hanno spacing >> GUE standard... → ⟨r⟩=0.8650 (GUE standard=0.60) tools/data/reports/report_20260326_0343.md:26:- logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like tools/data/reports/report_20260326_0343.md:27:- numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like tools/data/reports/report_20260326_0343.md:28:- cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like tools/data/reports/report_20260326_0343.md:29:- coupled_oscillators_var_50: r=1.0, spacing=Poisson-like tools/data/evolution/evolution_20260504_0901.md:3:Sintesi: passo netto, zero attrito. Il produttore ha fatto la domanda discriminante giusta e ha ottenuto un vincolo pulito (CONSTRAINT, non finding). Le possibilità emergenti sono tre: la geometria dello zero-crossing interleaving (la più concreta), l'universalità di alpha_c tra classi di sequenze, e la verifica che Mk3 transisca allo stesso punto critico. La consecutio punta sullo zero-crossing come prossima direzione a maggior leva. tools/data/reports/falsifier_20260508_1805.json:30: "claim": "Claim Under Test: `gap_ratio(phi) ...`; poi `gap_ratio` non testato e verdict su `label-set phi`.", tools/data/reports/falsifier_20260508_1805.json:31: "evidence": "Il report dichiara il cambio osservabile nel contratto e nell'audit, quindi non e' silent patch pieno. Pero' il `Claim Under Test` resta un frammento su `gap_ratio` mentre il ciclo testa block-shuffle label retention. La continuita' assiomatica e' dichiarata ma il nodo regressivo non e' scritto come falsificazione/correzione del claim originario.", tools/data/reports/falsifier_20260508_1805.json:32: "suggestion": "Aprire il prossimo report con: '`gap_ratio` non e' under test in questo ciclo; claim corretto: retention del core label sotto block shuffle'. Tenere il vecchio claim solo come antecedente storico." tools/data/reports/falsifier_20260508_1805.json:38: "evidence": "Il report riconosce Sturmian/Fibonacci/gap labeling come noti, ma non nomina il risultato classico piu' vicino sulla stabilita dei label/gap sotto rotazioni Sturmiane o approssimanti continuati. Il rischio NEW e' basso perche' non usa esplicitamente 'nuovo', ma la formulazione 'scoperta' resta esposta a re-discovery.", tools/data/reports/falsifier_20260508_1805.json:39: "suggestion": "Aggiungere un confronto bibliografico minimo: Sturmian words, continued-fraction/Fibonacci approximants, gap labeling theorem; formulare il finding come osservabile locale del lab, non come fenomeno matematico nuovo." tools/data/evolution/evolution_20260508_2140.md:3:Ho mantenuto il focus sul passo: inversione da fit power-law a gate di bordo, attrito tecnico dell’autopsy senza jsonl, e nodo regressivo metodologico nel null random non omogeneo rispetto al boundary operator `V_c`. tools/data/odlyzko_probe_results.json:26: "class": "GUE", tools/data/odlyzko_probe_results.json:32: "class": "GUE", tools/data/odlyzko_probe_results.json:38: "class": "GUE", tools/data/odlyzko_probe_results.json:44: "class": "GUE", tools/data/odlyzko_probe_results.json:56: "fd_class": "GUE", tools/data/odlyzko_probe_results.json:57: "verdict": "LIKELY GUE: \u03b2\u2192GUE, KS\u2192GOE (finite-height effect, Piano 11c)", tools/data/notte_20260306_0330.md:4: ising_2d_var_-0.1: r=0.9618098462163317, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260306_0330.md:5: ising_2d_var_0.1: r=0.9905364716330192, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260306_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260306_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260306_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260306_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260306_0330.md:10: brownian_motion_var_0.3: r=1.0, spacing=Poisson-like (⟨r⟩=0.40716210665181113) tools/data/notte_20260306_0330.md:11: brownian_motion_var_0.5: r=1.1993212669683257, spacing=Poisson-like (⟨r⟩=0.39848592435784913) tools/data/notte_20260306_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260306_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.42469524388230473) tools/data/notte_20260306_0330.md:14: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.4501286869364695) tools/data/evolution/evolution_20260506_0330.md:3:Sintesi: passo netto, autologico (ha falsificato il proprio risultato precedente). Attrito minimo (GUE piccolo per default ereditato, autopsy con testo stale). Possibilità forte: la dimensionalità perturbativa come nuovo invariante di dominio, incrociabile con la struttura modulare. tools/data/evolution/evolution_20260425_0330.md:1:Report scritto. Sintesi: passo netto, nessun attrito, consecutio rispettata. Il run ha separato due canali di memoria Markov nei primi (algebrico 140x > statistico) e mostrato che l'ordering-GUE ne ha solo uno. Tre possibilità emergenti: saturazione come terzo asse, eterogeneità Poisson come confine del r-test, e falsificazione attiva dell'assenza di canale algebrico nell'ordering-GUE. tools/data/evolution/evolution_20260507_1006.md:3:Il report è centrato sul passo: split del logistic, attrito telemetrico `completed_no_jsonl`, nodo regressivo nel contratto dei surrogate, e consecutio verso `marginal shuffle / circular shift / block shuffle`. tools/data/perturbation_dimensionality_audit.json:3: "question": "Is the GUE second perturbation axis stable across independent ensembles and sample-size controls?", tools/data/evolution/evolution_20260508_2019.md:3: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. tools/data/notte_20260320_0330.md:4: ising_2d_var_-0.1: r=0.9811019213055721, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260320_0330.md:5: ising_2d_var_0.1: r=0.9951420369672802, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260320_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260320_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260320_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260320_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260320_0330.md:10: brownian_motion_var_0.3: r=1.0149253731343284, spacing=Poisson-like (⟨r⟩=0.3935592399692033) tools/data/notte_20260320_0330.md:11: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.39857620187545184) tools/data/notte_20260320_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260320_0330.md:13: percolation_var_0.55: r=0.9655172413793103, spacing=Poisson-like (⟨r⟩=0.47237797827873335) tools/data/notte_20260320_0330.md:14: percolation_var_0.65: r=0.9642857142857143, spacing=Poisson-like (⟨r⟩=0.4251485991244417) tools/data/learning_curve_100k.json:26: "class": "GUE", tools/data/learning_curve_100k.json:32: "class": "GUE", tools/data/learning_curve_100k.json:38: "class": "GUE", tools/data/learning_curve_100k.json:44: "class": "GUE", tools/data/learning_curve_100k.json:56: "fd_class": "GUE", tools/data/learning_curve_100k.json:57: "verdict": "LIKELY GUE: \u03b2\u2192GUE, KS\u2192GOE (finite-height effect, Piano 11c)", tools/data/notte_20260304_0330.md:4: ising_2d_var_-0.1: r=0.9910971684487101, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260304_0330.md:5: ising_2d_var_0.1: r=1.0010094841749304, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260304_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260304_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260304_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260304_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260304_0330.md:10: brownian_motion_var_0.3: r=1.3830367734282325, spacing=Poisson-like (⟨r⟩=0.39011449867034076) tools/data/notte_20260304_0330.md:11: brownian_motion_var_0.5: r=0.09164859002169198, spacing=Poisson-like (⟨r⟩=0.3818899511281583) tools/data/notte_20260304_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260304_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.47711478860490236) tools/data/notte_20260304_0330.md:14: percolation_var_0.65: r=0.9992156862745099, spacing=Poisson-like (⟨r⟩=0.45789876672274327) tools/data/knowledge_state_pre_fix.json:114: "V_c_transition": { tools/data/knowledge_state_pre_fix.json:122: "input_claim": "L'orbita di V_c attorno a 1 ha una DIREZIONE (prevalentemente V_c>1) — connessione termodinamica?", tools/data/knowledge_state_pre_fix.json:138: "input_claim": "L'orbita di V_c attorno a 1 ha una DIREZIONE (prevalentemente V_c>1) — connessione termodinamica?", tools/data/knowledge_state_pre_fix.json:154: "input_claim": "L'orbita di V_c attorno a 1 ha una DIREZIONE (prevalentemente V_c>1) — connessione termodinamica?", tools/data/knowledge_state_pre_fix.json:169: "input_id": "V_c_phi_special", tools/data/knowledge_state_pre_fix.json:170: "input_claim": "V_c(phi) converges to 1.0 while silver does not", tools/data/knowledge_state_pre_fix.json:172: "result_claim": "FALSIFICATO: V_c oscilla per tutti. Delta phi-silver cambia segno con N.", tools/data/knowledge_state_pre_fix.json:186: "input_claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c", tools/data/knowledge_state_pre_fix.json:188: "result_claim": "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. V_c(phi) piu' vicino a 1 di tu", tools/data/knowledge_state_pre_fix.json:202: "input_claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c", tools/data/knowledge_state_pre_fix.json:204: "result_claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper", tools/data/knowledge_state_pre_fix.json:218: "input_claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c", tools/data/knowledge_state_pre_fix.json:233: "FALSIFICATO: V_c oscilla per tutti. Delta phi-silver cambia segno con N.", tools/data/knowledge_state_pre_fix.json:234: "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. V_c(phi) piu' vicino a 1 di tu" tools/data/knowledge_state_pre_fix.json:282: "result_claim": "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. V_c(phi) piu' vicino a 1 di tu", tools/data/knowledge_state_pre_fix.json:298: "result_claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper", tools/data/knowledge_state_pre_fix.json:330: "result_claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c", tools/data/knowledge_state_pre_fix.json:343: "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. V_c(phi) piu' vicino a 1 di tu" tools/data/knowledge_state_pre_fix.json:347: "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c" tools/data/knowledge_state_pre_fix.json:360: "result_claim": "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. phi V_c < silver V_c < bronze ", tools/data/knowledge_state_pre_fix.json:389: "V_c(phi)=0.961 vs media ctrl=1.289 — phi 7.3x piu' vicino a V=1. phi V_c < silver V_c < bronze " tools/data/knowledge_state_pre_fix.json:533: "result_claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c", tools/data/knowledge_state_pre_fix.json:568: "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c" tools/data/knowledge_state_pre_fix.json:597: "result_claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper", tools/data/knowledge_state_pre_fix.json:763: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:769: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:775: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:901: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:937: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:943: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:949: "topic": "V_c_transition", tools/data/knowledge_state_pre_fix.json:980: "V_c_transition", tools/data/occhio/occhio_20260318_1853.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/occhio/occhio_20260318_1743.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/reports/agent_20260506_0625.md:1:# Agent Report — Perturbation Dimensionality Is Not Yet a Stable GUE Invariant tools/data/reports/agent_20260506_0625.md:7:The 03:30 run reported that scale-selective perturbations reveal a second axis in GUE (effective rank 1.889, PC2=25.2%) but not in primes. The caveat was explicit: the GUE sample was short (`N=253`). This run tests whether that second axis survives independent GUE ensembles and whether it depends on the observable definitions hidden under the same labels (`SR`, `SR2`, `triple_var`). tools/data/reports/agent_20260506_0625.md:14:- GUE long control: 6 independent replicates, each from 16 Hermitian matrices of size 180, after 10% edge trim; each replicate has 2,288 spacings; tools/data/reports/agent_20260506_0625.md:15:- GUE short control: 6 independent one-matrix replicates of size 42, after edge trim; this approximates the fragile small-sample regime; tools/data/reports/agent_20260506_0625.md:34:| GUE long, 6 reps mean | 2288 each | 1.305 ± 0.278 | 0.064 ± 0.066 | 0.877 ± 0.081 | tools/data/reports/agent_20260506_0625.md:35:| GUE short, 6 reps mean | short | 1.683 ± 0.498 | 0.106 ± 0.080 | 0.567 ± 0.340 | tools/data/reports/agent_20260506_0625.md:44:| GUE long, 6 reps mean | 2288 each | 1.381 ± 0.223 | 0.099 ± 0.069 | 0.874 ± 0.082 | tools/data/reports/agent_20260506_0625.md:45:| GUE short, 6 reps mean | short | 2.013 ± 0.525 | 0.159 ± 0.087 | 0.746 ± 0.242 | tools/data/reports/agent_20260506_0625.md:49:1. **The strong GUE second-axis claim does not survive as stated.** Under direct `scale_0330` observables, long independent GUE replicates give rank 1.381 ± 0.223 and PC2 9.9% ± 6.9%, not rank 1.889 and PC2 25.2%. The previous number is inside the fragile short-sample regime: GUE short controls have rank 2.013 ± 0.525 and PC2 15.9% ± 8.7%. tools/data/reports/agent_20260506_0625.md:51:2. **Short GUE samples inflate apparent perturbation dimensionality.** In both observable sets, GUE short has higher rank and larger variance than GUE long. This does not prove the 03:30 axis was false in every configuration; it restricts it to a sample-size-sensitive observation unless a larger-replicate run recovers it. tools/data/reports/agent_20260506_0625.md:57:5. **Poisson and shuffled-prime controls show multi-axis artifacts.** Poisson has rank 1.917/2.201 depending on observable set; prime shuffle control has rank 2.294/1.988. Multi-dimensional perturbation response by itself is not evidence of structured GUE-like boundary. It can arise from low structural signal plus noisy denominators in retention normalization. tools/data/reports/agent_20260506_0625.md:60:**CONSTRAINT on META + BOUNDARY**: "GUE has a second perturbation axis" must be scoped to the exact sample length, generator, and observable definitions. In the larger independent-GUE perimeter tested here, the robust statement is weaker: tools/data/reports/agent_20260506_0625.md:62:> Primes remain near one perturbation coordinate under both observable sets; GUE long replicates show only a weak second component; short GUE samples can inflate apparent rank; Poisson and shuffled controls can also appear multi-axis. tools/data/reports/agent_20260506_0625.md:64:The boundary is still operator-dependent, but perturbation dimensionality is not yet a stable domain invariant. The next valid test is not another single GUE matrix; it is a replicate-and-size curve for effective rank vs number of spacings, with observable definitions versioned. tools/data/reports/agent_20260506_0625.md:73:- **L4 edge cases**: the short-GUE effect is isolated as its own control, not averaged into long GUE. tools/data/occhio/occhio_20260318_1856.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/reports/falsifier_20260430_1905.json:9: "claim": "Universal Poisson drift confirmed. All five τ values decrease with scale", tools/data/reports/falsifier_20260430_1905.json:32: "suggestion": "Declassare NEW a candidate-new finche' non viene confrontato contro baseline classiche: Cramer/Hardy-Littlewood, Hawkins/sieve surrogate, random permutation, Markov residue model e risultati noti su prime gaps mod q." tools/data/reports/falsifier_20260430_1905.json:37: "claim": "Universal Poisson drift confirmed ... τ values decrease with scale", tools/data/reports/agent_20260405_0919.md:7:> Direction: "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso" tools/data/reports/agent_20260405_0919.md:11:Previous experiment showed primes drift from GUE toward Poisson with scale. **What is the functional form of this crossover?** The Brody distribution P(s) = (1+beta)*alpha*s^beta*exp(-alpha*s^{1+beta}) interpolates between Poisson (beta=0) and GOE (beta=1). What is beta(p) for primes? tools/data/reports/agent_20260405_0919.md:18:- **Null**: 20 Cramer surrogates per window (exponential gaps) tools/data/reports/agent_20260405_0919.md:36:| Extrapolated Poisson (beta=0) | **p ~ 10^13** | tools/data/reports/agent_20260405_0919.md:42:2. **Primes are always above Cramer**: beta_Cramer ≈ 0 at all scales (pure Poisson, as expected). Primes have beta ≈ 0.23-0.42, solidly intermediate between Poisson and GOE. tools/data/reports/agent_20260405_0919.md:44:3. **The crossover is NOT a phase transition**: there is no sharp boundary between GUE and Poisson regimes. The Brody beta decays smoothly and linearly in ln(p). The "boundary" is the entire range. tools/data/reports/agent_20260405_0919.md:46:4. **Falsifiable prediction**: beta → 0 (Poisson) at p ~ 10^13. This is testable with segmented sieves. tools/data/reports/agent_20260405_0919.md:58:The "third included" at the GUE/Poisson boundary is not a point — it's a **crossover function**. The primes' level repulsion parameter decays as 0.606 - 0.020*ln(p), bridging two universality classes without belonging to either. This is structurally consistent with: tools/data/reports/agent_20260405_0919.md:59:- The D-ND framework: the boundary between two poles (GUE/Poisson) carries its own structure tools/data/reports/agent_20260405_0919.md:61:- The crossover function itself is the "third" — neither GUE nor Poisson, but a specific interpolation tools/data/reports/agent_20260405_0919.md:67:- **PREDICTION**: primes reach Poisson at p ~ 10^13 tools/data/evolution/evolution_20260507_1042.md:3:È breve, segue le sezioni richieste, osserva il passo invece del risultato scientifico, e colloca il nodo regressivo nella definizione start-invariant dell’osservabile prima del contratto surrogate. tools/data/occhio/occhio_20260319_1435.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/evolution/evolution_20260509_0330.md:3:Ho mantenuto il focus sul passo: inversione da crossing discreto a curva, attrito nella traccia provider senza jsonl, nodo regressivo nel null non ancora omogeneo al boundary operator, consecutio verso phase-shuffle, surrogate label-preserving e separazione `floor_hit` / crossing interno. tools/data/occhio/occhio_20260319_1445.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", 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/evolution/evolution_20260509_0637.md:3:Ho mantenuto il focus sul passo: attrito autopsy senza jsonl, latenza da budget/perimetro del null, nodo regressivo nel contratto di emissione provider e nella condizione di ammissione del surrogate. Il file e' nuovo/non tracciato in git (`?? evolution_report.md`). tools/data/boundary_mixture_gate_20260507_0330_seedcheck.json:3: "question": "Is the GUE-Poisson mixed layer cleanly classifiable after denominator gating?", tools/data/occhio/occhio_20260318_1904.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/occhio/occhio_20260318_1852.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/evolution/evolution_20260501_0931.md:1:Evolution report scritto. Due nodi regressivi identificati: dataset ricostruito da zero ogni notte (fix: cache stabile) e consecutio stale che ha consumato budget di orientamento (fix: stato di risoluzione nel seme). La possibilità più concreta per il prossimo ciclo: confrontare lo zero-crossing dipolare con i punti critici Brody/Rosenzweig-Porter. tools/data/notte_20260314_0330.md:4: ising_2d_var_-0.1: r=0.9848721318684013, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260314_0330.md:5: ising_2d_var_0.1: r=0.7920844227769658, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260314_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260314_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260314_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260314_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260314_0330.md:10: brownian_motion_var_0.3: r=1.0088495575221237, spacing=Poisson-like (⟨r⟩=0.3818080058449986) tools/data/notte_20260314_0330.md:11: brownian_motion_var_0.5: r=1.032258064516129, spacing=Poisson-like (⟨r⟩=0.38274438984488357) tools/data/notte_20260314_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260314_0330.md:13: percolation_var_0.55: r=1.0434782608695652, spacing=Poisson-like (⟨r⟩=0.4194344351492288) tools/data/notte_20260314_0330.md:14: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.44823047252566145) tools/data/lab_errori.json:74: "problema": "**Imprecisa.**\n\nLa metrica e rQ² sono corrette. Ma l'argomento \"RN → QxG\" è fuorviante.\n\nRN è un oggetto **GxE** (gravità + elettromagnetismo) — la soluzione di Einstein-Maxwell. L'instabilità di blueshift all'orizzonte interno (r₋) è un fenomeno **classico** (mass inflation, Poisson-Israel 1990), n", tools/data/occhio/occhio_20260319_1417.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/gap_label_repair_audit_20260508_1915.json:60: "reader": "Sturmian/Fibonacci gap-labeling group Z + theta Z mod 1", tools/data/gap_label_repair_audit_20260508_1915.json:82: "baseline_statement": "The labels [3,-4,4,6] are classical Fibonacci/Sturmian gap labels; the D-ND novelty tested here is not their membership, but their joint and per-label survival under order/boundary perturbations.", tools/data/autoricerca_state.json:33: "gap_ratio": 2.6181003744227653, tools/data/autoricerca_state.json:40: "gap_ratio": 2.618013050556921, tools/data/autoricerca_state.json:47: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_state.json:54: "gap_ratio": 2.6181659442748706, tools/data/autoricerca_state.json:61: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_state.json:68: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_state.json:75: "gap_ratio": 2.6180992382029853, tools/data/autoricerca_state.json:82: "gap_ratio": 2.618052995798036, tools/data/autoricerca_state.json:89: "gap_ratio": 2.618054344736462, tools/data/autoricerca_state.json:96: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_state.json:103: "gap_ratio": 2.6180861695660687, tools/data/occhio/occhio_20260318_1849.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/occhio/occhio_20260318_1833.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/notte_20260308_0330.md:4: ising_2d_var_-0.1: r=0.988516052701351, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260308_0330.md:5: ising_2d_var_0.1: r=2.108462262337216, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260308_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260308_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260308_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260308_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260308_0330.md:10: brownian_motion_var_0.3: r=0.9866666666666667, spacing=Poisson-like (⟨r⟩=0.3946125234002666) tools/data/notte_20260308_0330.md:11: brownian_motion_var_0.5: r=1.273726990198422, spacing=Poisson-like (⟨r⟩=0.38077490693533794) tools/data/notte_20260308_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260308_0330.md:13: percolation_var_0.55: r=0.816358024691358, spacing=Poisson-like (⟨r⟩=0.4515939359855778) tools/data/notte_20260308_0330.md:14: percolation_var_0.65: r=1.1276595744680853, spacing=Poisson-like (⟨r⟩=0.39640179313546897) tools/data/rottura_phi2_results.json:436: "gap_ratio": 2.6181629831607247, tools/data/rottura_phi2_results.json:442: "gap_ratio": 2.617897296100588, tools/data/rottura_phi2_results.json:448: "gap_ratio": 2.6180333649741723, tools/data/rottura_phi2_results.json:454: "gap_ratio": 2.617968889099815, tools/data/rottura_phi2_results.json:460: "gap_ratio": 2.6180294179588133, tools/data/rottura_phi2_results.json:468: "gap_ratio": 2.6180861695660687, tools/data/rottura_phi2_results.json:475: "gap_ratio": 2.6180861695660687, tools/data/rottura_phi2_results.json:482: "gap_ratio": 2.6180861695660687, tools/data/rottura_phi2_results.json:489: "gap_ratio": 2.6180320040269116, tools/data/occhio/occhio_20260318_1843.json:3: "context": "Zero signature across domains \u2014 phi-crossings CV analysis", tools/data/tension_to_theory.json:29: "POISSON_CONVERGENCE": { "theories": ["T", "Q"], "note_it": "convergenza Poisson — statistica ↔ quantistica", "note_en": "Poisson convergence — statistics ↔ quantum" }, tools/data/tension_to_theory.json:35: "COMP_DOMAIN_PHOTONIC_METRIC_TENSOR": { "theories": ["E", "G"], "note_it": "dominio fotonico + metric — EM + geometria", "note_en": "photonic domain + metric — EM + geometry" }, tools/data/tension_to_theory.json:36: "COMP_DOMAIN_PHOTONIC_FALSIFICA_F6": { "theories": ["E"], "note_it": "fotonico + F6 — regime EM", "note_en": "photonic + F6 — EM regime" }, tools/data/exp_psd_amp_scaling.json:6: "n_surrogates": 15, tools/data/bloch_search_results.json:7: "n_crossings": 6, tools/data/bloch_search_results.json:23: "n_crossings": 13, tools/data/bloch_search_results.json:39: "n_crossings": 5, tools/data/bloch_search_results.json:55: "n_crossings": 9, tools/data/bloch_search_results.json:71: "n_crossings": 11, tools/data/bloch_search_results.json:87: "n_crossings": 5, tools/data/bloch_search_results.json:103: "n_crossings": 16, tools/data/bloch_search_results.json:119: "n_crossings": 6, tools/data/bloch_search_results.json:135: "n_crossings": 13, tools/data/bloch_search_results.json:151: "n_crossings": 14, tools/data/bloch_search_results.json:167: "n_crossings": 6, tools/data/bloch_search_results.json:183: "n_crossings": 20, tools/data/bloch_search_results.json:199: "n_crossings": 11, tools/data/bloch_search_results.json:215: "n_crossings": 11, tools/data/bloch_search_results.json:231: "n_crossings": 41, tools/data/bloch_search_results.json:247: "n_crossings": 9, tools/data/bloch_search_results.json:263: "n_crossings": 11, tools/data/bloch_search_results.json:279: "n_crossings": 9, tools/data/bloch_search_results.json:295: "n_crossings": 9, tools/data/bloch_search_results.json:311: "n_crossings": 14, tools/data/notte_20260331_0330.md:4: Direzione: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo in tools/data/notte_20260331_0330.md:5: [confine_inesplorato] BOUNDARY: 8 domini GUE, 5 Poisson — il confine è il terzo incluso oper tools/data/notte_20260331_0330.md:8: logistica_biforcazione_cp_3.57: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260331_0330.md:10: logistica_biforcazione_cp_3.765: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260331_0330.md:12: collatz_cp: r=0.8740629685157423, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:14: ising_2d_cp_-0.47801326011314715: r=0.8591691474753246, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:15: ising_2d_cp_0.30696337890028147: r=0.835757106387861, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:16: brownian_motion_cp_0.14336009606062766: r=1.0, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260331_0330.md:17: brownian_motion_cp_0.9343416664453827: r=1.2000000000000002, spacing=Poisson-like [VINCOLO] [NULL:non-disc] tools/data/notte_20260331_0330.md:18: percolation_cp_0.3346796213807732: r=0.8522727272727272, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:19: percolation_cp_0.8762349717424142: r=1.0, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:20: cellular_automata_cp_90: r=0.6458196181698486, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:32: Campo dopo Fase 0: 6 GUE / 4 Poisson tools/data/notte_20260331_0330.md:36: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) [NULL:non-disc] tools/data/notte_20260331_0330.md:37: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260331_0330.md:38: ising_2d_var_0.1: r=0.9990577358068202, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260331_0330.md:39: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) [NULL:non-disc] tools/data/notte_20260331_0330.md:89: GUE: 8 | Poisson: 6 | Vincoli: 13 | Anomalie: 11 tools/data/notte_20260331_0330.md:91: Domini GUE: collatz_cp, ising_2d_cp_-0.47801326011314715, ising_2d_cp_0.30696337890028147, percolation_cp_0.3346796213807732, percolation_cp_0.8762349717424142, cellular_automata_cp_90, cellular_automata_var_30, ising_2d_var_0.1 tools/data/notte_20260331_0330.md:92: Domini Poisson: logistica_biforcazione_cp_3.57, logistica_biforcazione_cp_3.765, brownian_motion_cp_0.14336009606062766, brownian_motion_cp_0.9343416664453827, logistica_biforcazione_var_3.57, coupled_oscillators_var_50 tools/data/notte_20260315_0749.md:4: ising_2d_var_-0.1: r=0.9917140139075722, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260315_0749.md:5: ising_2d_var_0.1: r=1.2487805121596578, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260315_0749.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260315_0749.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260315_0749.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260315_0749.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260315_0749.md:10: brownian_motion_var_0.3: r=0.990909090909091, spacing=Poisson-like (⟨r⟩=0.3830376668120655) tools/data/notte_20260315_0749.md:11: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.38666236411128574) tools/data/notte_20260315_0749.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260315_0749.md:13: percolation_var_0.55: r=0.6340378197997775, spacing=Poisson-like (⟨r⟩=0.4578693904490548) tools/data/notte_20260315_0749.md:14: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.4600532522260183) tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.json:2: "experiment": "quasiperiodic_vc_lattice_gate", tools/data/exp_spectral_landscape.json:4: "surrogates": 20, tools/data/exp_spectral_landscape.json:7: "name": "GUE_matrix", tools/data/exp_spectral_landscape.json:59: "name": "Poisson", tools/data/exp_spectral_landscape.json:124: "name": "semi_Poisson", tools/data/exp_spectral_landscape.json:233: "GUE-like": [ tools/data/exp_spectral_landscape.json:234: "GUE_matrix", tools/data/exp_spectral_landscape.json:241: "semi_Poisson", tools/data/exp_spectral_landscape.json:252: "Poisson", tools/data/r_excess_analysis.json:16: "vs_synthetic_gue": "Synthetic GUE shows excess ~0 at all N" tools/data/r_excess_analysis.json:51: "The excess is real, persists after unfolding, and is absent in synthetic GUE", tools/data/notte_20260324_0330.md:5: collatz_cp: r=0.8359033608638953, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:8: ising_2d_cp_-0.3165707122601713: r=0.9277519726198978, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:9: ising_2d_cp_0.4639558877000029: r=0.981531507124999, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:10: brownian_motion_cp_0.18979322168052606: r=1.0, spacing=Poisson-like [conferma] tools/data/notte_20260324_0330.md:11: brownian_motion_cp_0.935077879517312: r=1.0, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:12: percolation_cp_0.3048827772508223: r=0.9223529411764706, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:13: percolation_cp_0.8107442354652781: r=1.0, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:14: cellular_automata_cp_150: r=0.7452006980802792, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:17: brownian_motion_var_0.3: r=1.0, spacing=Poisson-like (⟨r⟩=0.39929342988791194) tools/data/notte_20260324_0330.md:18: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260324_0330.md:19: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260324_0330.md:20: brownian_motion_var_0.5: r=1.0, spacing=Poisson-like (⟨r⟩=0.3880568632202867) tools/data/ciclo_memoria.json:25: "domanda_prossima": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/ciclo_memoria.json:45: "domanda_prossima": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/ciclo_memoria.json:65: "domanda_prossima": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/ciclo_memoria.json:85: "domanda_prossima": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/ciclo_memoria.json:105: "domanda_prossima": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/ciclo_memoria.json:125: "domanda_prossima": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/ciclo_memoria.json:179: "verdict": "**CONSTRAINT on TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0**: il `gap_ratio` phi non conferma gap-labeling come claim generale. Conferma un segnale di denominatore Sturmiano nel punto stor", tools/data/ciclo_memoria.json:356: "verdict": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' un lattice gate specifico di phi. Il deposito pha", tools/data/ciclo_memoria.json:369: "verdict": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il crossing interpolato conferma ch", tools/data/ciclo_memoria.json:373: "direzione_corrente": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/ciclo_memoria.json:381: "domanda_aperta": "Il prossimo passo non e' rifare il fit su `V_c`. Il portatore emerso e' la curva: misurare distanza funzionale tra curve `r(V)` con un null che preserva densita, autocorrelazione corta e conteggi di blocco. Se la distanza funzionale separa metallici da random e mantiene contro-casi phi dichiarati, il gate diventa curve-map; se cade sotto null piu' omogenei, `V_c` resta solo un lettore diagnostico ", tools/data/STUDIO_SIMBOLISMO_DND.md:68:| **Matematica** | Notazione formale con glifi | φ-crossing, M-applicata | tools/data/notte_20260322_0330.md:4: ising_2d_var_-0.1: r=0.9533708497068641, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260322_0330.md:5: ising_2d_var_0.1: r=0.99991253722176, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260322_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260322_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260322_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260322_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260322_0330.md:10: brownian_motion_var_0.3: r=1.0, spacing=Poisson-like (⟨r⟩=0.3891607218310259) tools/data/notte_20260322_0330.md:11: brownian_motion_var_0.5: r=0.5735641227380016, spacing=Poisson-like (⟨r⟩=0.3863528241175028) tools/data/notte_20260322_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260322_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.3706649615579767) tools/data/notte_20260322_0330.md:14: percolation_var_0.65: r=1.0434782608695652, spacing=Poisson-like (⟨r⟩=0.4771540450594074) tools/data/exp_acf_z6z_mechanism.json:7: "n_surrogates": 20, tools/data/exp_acf_z6z_mechanism.json:144: "test3_surrogates": { tools/data/lab_session_log.jsonl:3:{"timestamp": "2026-04-30T19:12:24.262329+00:00", "cycle_ts": "20260430_1905", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato. Endpoint lab fallito.", "agent": {"file": "agent_20260430_1905.md", "size": 8529, "title": "Agent Report — Observable Coherence at the GUE-Poisson Boundary: Primes Are Not \"Between\" — They Are Dipolar"}, "falsifier": {"output_file": "falsifier_20260430_1905.json", "coherent": false, "n_flags": 5, "n_high": 1, "n_medium": 3, "summary": "Il report non e' internamente coerente: la rottura principale e' L4, perche' il claim di drift universale/monotono e' direttamente contraddetto dalle tabelle.", "lenses_high": ["L4"]}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:5:{"timestamp": "2026-04-30T19:57:05.220332+00:00", "cycle_ts": "20260430_1946", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato. Endpoint lab fallito.", "agent": {"file": "agent_20260430_1946.md", "size": 6944, "title": "Agent Report — The Dipolar Angle Reference Frame: Primes Are Not Weak GUE"}, "falsifier": {"output_file": "falsifier_20260430_1946.json", "coherent": false, "n_flags": 5, "n_high": 1, "n_medium": 4, "summary": "Il report non e' pienamente coerente: si rompono soprattutto L1 su claim nulli formulati come hard zero, L4 sull'edge case del primo bin, e L5 sul rischio rediscovery prima del confronto classico.", "lenses_high": ["L1"]}, "valutatore": {"decision": "CRYSTALLIZE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:8:{"timestamp": "2026-05-01T09:41:03.391858+00:00", "cycle_ts": "20260501_0931", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato. Endpoint lab fallito.", "agent": {"file": "agent_20260501_0931.md", "size": 7867, "title": "Agent Report — The GUE-Poisson Crossover Has a Phase Transition: Direction Locks, Magnitude Decays, Then Flips"}, "falsifier": {"output_file": "falsifier_20260501_0931.json", "coherent": false, "n_flags": 5, "n_high": 3, "n_medium": 2, "summary": "Il report non e' internamente coerente: si rompe soprattutto L1/L3, perche' trasforma un minimo non nullo di shuffled-GUE in uno zero/phase transition GUE-Poisson.", "lenses_high": ["L1", "L3", "L4"]}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:10:{"timestamp": "2026-05-03T03:41:17.680136+00:00", "cycle_ts": "20260503_0330", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato. Endpoint lab fallito.", "agent": {"file": "agent_20260503_0330.md", "size": 8987, "title": "Agent Report — Markov Memory Has Two Visible Layers: Pairs Shape the Angle, Triples Shape the Depth"}, "falsifier": {"output_file": "falsifier_20260503_0330.json", "coherent": false, "n_flags": 4, "n_high": 1, "n_medium": 2, "summary": "The main structural conclusion (two layers exist) is likely correct but the 'NEW' label overstates novelty (L5: standard cumulant hierarchy), and the 'Mk3 adds nothing' claim has a serious confound (L2: undersampling inflates Mk3 surrogate variance, making z-scores uninformative rather than evidence", "lenses_high": ["L2"]}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:11:{"timestamp": "2026-05-04T09:09:10.899135+00:00", "cycle_ts": "20260504_0901", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato.", "agent": {"file": "agent_20260504_0901.md", "size": 7631, "title": "Agent Report — The Two Markov Layers Are Coupled at the Boundary: One Phase Transition, Two Projections"}, "falsifier": {"output_file": "falsifier_20260504_0901.json", "coherent": false, "n_flags": 5, "n_high": 1, "n_medium": 2, "summary": "The core finding — uniform shuffle destroys both layers at the same rate — is the expected null behavior of random permutations (L5), reported at a resolution too coarse to measure sub-bin differences (L4), and validated against a meaningless Poisson control (L2). The experiment is well-designed but", "lenses_high": ["L5"]}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:15:{"timestamp": "2026-05-06T03:38:24.975503+00:00", "cycle_ts": "20260506_0330", "piano": "65", "sync_blocked": true, "errors": "Falsifier indeterminato. Report non sincronizzato.", "agent": {"file": "agent_20260506_0330.md", "size": 7656, "title": "Agent Report — Scale-Selective Perturbations Reveal a Second Axis in GUE, Not in Primes"}, "falsifier": {"output_file": null, "reason": "falsifier non eseguito o output mancante"}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:16:{"timestamp": "2026-05-06T06:33:26.880345+00:00", "cycle_ts": "20260506_0625", "piano": "65", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260506_0625.md", "size": 6351, "title": "Agent Report — Perturbation Dimensionality Is Not Yet a Stable GUE Invariant"}, "falsifier": {"output_file": "falsifier_20260506_0625.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente sotto le 5 lenti: nessun hard constraint falso, nessun edge case arrotondato a zero, e il cambio di osservabili e' dichiarato come META constraint.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:19:{"timestamp": "2026-05-07T03:35:46.032801+00:00", "cycle_ts": "20260507_0330", "piano": "68", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260507_0330.md", "size": 7643, "title": "Agent Report — The GUE-Poisson Boundary Is a Denominator Collapse Layer"}, "falsifier": {"output_file": "falsifier_20260507_0330.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto alle 5 lenti: non trasforma bias in proibizioni, non usa ratio fra spazi non comparabili, dichiara il cambio di scope, isola gli edge case e non tagga il risultato come scoperta nuova.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:36:{"timestamp": "2026-05-08T00:21:18.445193+00:00", "cycle_ts": "20260508_0011", "piano": "85", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_0011.md", "size": 7108, "title": "Agent Report — Duality Contrast Weakens With Scale in Prime Gaps"}, "falsifier": {"output_file": "falsifier_20260508_0011.json", "coherent": false, "n_flags": 3, "n_high": 0, "n_medium": 2, "summary": "Report is internally coherent on its main claim (primes alpha < 0.5, GUE alpha > 0.5) but two edge cases break the stated perimeter: GUE L2 s137 violates the blanket 'alpha >= 0.5' (L4), and Poisson L2 shows non-trivial scaling (alpha=0.165, R2=0.91) that undermines the null baseline and may indicat", "lenses_high": []}, "valutatore": {"decision": "STOP_FOR_REVIEW", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:39:{"timestamp": "2026-05-08T17:20:46.660494+00:00", "cycle_ts": "20260508_1715", "piano": "87", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_1715.md", "size": 6747, "title": "Agent Report — Generator Gate Del Label-Set Phi"}, "falsifier": {"output_file": "falsifier_20260508_1715.json", "coherent": false, "n_flags": 2, "n_high": 0, "n_medium": 2, "summary": "Il report e' in gran parte coerente sui dati tabellari, ma si rompe su L4 per l'extra label Fibonacci non isolato e su L3 per drift tra gap_ratio dichiarato e label-set realmente testato.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:41:{"timestamp": "2026-05-08T18:39:15.433109+00:00", "cycle_ts": "20260508_1834", "piano": "88", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_1834.md", "size": 8813, "title": "Agent Report — Substitution Grammar Gate Del Core Phi"}, "falsifier": {"output_file": "falsifier_20260508_1834.json", "coherent": false, "n_flags": 3, "n_high": 0, "n_medium": 2, "summary": "Il report e' parzialmente coerente: L3 si rompe per drift tra gap_ratio dichiarato e label-set testato, e L1 richiede di limitare lo zero al core alto completo, non ai label alti residui.", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:43:{"timestamp": "2026-05-08T19:20:26.145281+00:00", "cycle_ts": "20260508_1915", "piano": "90", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_1915.md", "size": 8728, "title": "Agent Report - High-Core Repair Audit"}, "falsifier": {"output_file": "falsifier_20260508_1915.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto alle 5 lenti: separa hard zero all-high da retention per-label, mantiene denominatori visibili, dichiara la correzione del wording, isola gli edge case e riconosce la baseline Sturmian/Fibonacci.", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:45:{"timestamp": "2026-05-08T20:11:17.317367+00:00", "cycle_ts": "20260508_2005", "piano": "92", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_2005.md", "size": 11218, "title": "Agent Report - Symbolic Grammar Gate Del Core Phi"}, "falsifier": {"output_file": "falsifier_20260508_2005.json", "coherent": false, "n_flags": 2, "n_high": 0, "n_medium": 1, "summary": "Il report e' sostanzialmente coerente sui dati visibili, ma rompe L3 nel verdict nominando un gate gap_ratio dichiarato non testato; L2 richiede solo rinforzo quantitativo.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:47:{"timestamp": "2026-05-08T20:25:08.014659+00:00", "cycle_ts": "20260508_2019", "piano": "93", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato.", "agent": {"file": "agent_20260508_2019.md", "size": 8969, "title": "Agent Report - Non-Phi Sturmian Fixed-Reader Gate"}, "falsifier": {"output_file": "falsifier_20260508_2019.json", "coherent": false, "n_flags": 3, "n_high": 1, "n_medium": 2, "summary": "Il report e' parzialmente coerente: la rottura principale e' L4, perche' il core alto viene ancora nominato come sopravvivente sull'accoppiamento generatore-reader mentre i dati mostrano eccezioni strutturali.", "lenses_high": ["L4"]}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/3d_boundary_layers.json:36: "zero_crossing": { tools/data/3d_boundary_layers.json:375: "zero_crossing": { tools/data/3d_boundary_layers.json:714: "zero_crossing": { tools/data/autoricerca_journal.json:12: "gap_ratio": 2.6181003744227653, tools/data/autoricerca_journal.json:13: "spacing": "GUE-like", tools/data/autoricerca_journal.json:30: "gap_ratio": 2.618013050556921, tools/data/autoricerca_journal.json:31: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:48: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:49: "spacing": "GUE-like", tools/data/autoricerca_journal.json:66: "gap_ratio": 2.6181659442748706, tools/data/autoricerca_journal.json:67: "spacing": "GUE-like", tools/data/autoricerca_journal.json:73: "nota_fix": "corretto: is_spacings=True, era Poisson per bug sort" tools/data/autoricerca_journal.json:85: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:86: "spacing": "GUE-like", tools/data/autoricerca_journal.json:103: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:104: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:121: "gap_ratio": 2.6180992382029853, tools/data/autoricerca_journal.json:122: "spacing": "GUE-like", tools/data/autoricerca_journal.json:128: "nota_fix": "corretto: is_spacings=True, era Poisson per bug sort" tools/data/autoricerca_journal.json:140: "gap_ratio": 2.618052995798036, tools/data/autoricerca_journal.json:141: "spacing": "GUE-like", tools/data/autoricerca_journal.json:158: "gap_ratio": 2.618054344736462, tools/data/autoricerca_journal.json:159: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:176: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:177: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:194: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:195: "spacing": "GUE-like", tools/data/autoricerca_journal.json:212: "gap_ratio": null, tools/data/autoricerca_journal.json:213: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:230: "gap_ratio": 2.6179961138648857, tools/data/autoricerca_journal.json:246: "gap_ratio": 2.618000627518817, tools/data/autoricerca_journal.json:247: "spacing": "GUE-like", tools/data/autoricerca_journal.json:267: "gap_ratio": 2.618010024331583, tools/data/autoricerca_journal.json:268: "spacing": "GUE-like", tools/data/autoricerca_journal.json:288: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:289: "spacing": "GUE-like", tools/data/autoricerca_journal.json:309: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:310: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:330: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:331: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:351: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:352: "spacing": "GUE-like", tools/data/autoricerca_journal.json:372: "gap_ratio": 2.6180657416149122, tools/data/autoricerca_journal.json:373: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:393: "gap_ratio": 2.6180273097029363, tools/data/autoricerca_journal.json:394: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:415: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:416: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:436: "gap_ratio": 2.6180561835358156, tools/data/autoricerca_journal.json:437: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:458: "gap_ratio": 2.6181558954444286, tools/data/autoricerca_journal.json:459: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:480: "gap_ratio": 2.6178194637459913, tools/data/autoricerca_journal.json:496: "gap_ratio": 2.618052366725915, tools/data/autoricerca_journal.json:497: "spacing": "GUE-like", tools/data/autoricerca_journal.json:517: "gap_ratio": 2.618083112748878, tools/data/autoricerca_journal.json:518: "spacing": "GUE-like", tools/data/autoricerca_journal.json:538: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:539: "spacing": "GUE-like", tools/data/autoricerca_journal.json:559: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:560: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:580: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:581: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:601: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:602: "spacing": "GUE-like", tools/data/autoricerca_journal.json:622: "gap_ratio": 2.618040157933522, tools/data/autoricerca_journal.json:623: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:643: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:644: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:664: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:665: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:685: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:686: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:706: "gap_ratio": 2.6182289070459417, tools/data/autoricerca_journal.json:707: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:728: "gap_ratio": 2.617999510441712, tools/data/autoricerca_journal.json:744: "gap_ratio": 2.6179995658905124, tools/data/autoricerca_journal.json:745: "spacing": "GUE-like", tools/data/autoricerca_journal.json:765: "gap_ratio": 2.618005675381746, tools/data/autoricerca_journal.json:766: "spacing": "GUE-like", tools/data/autoricerca_journal.json:786: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:787: "spacing": "GUE-like", tools/data/autoricerca_journal.json:807: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:808: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:828: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:829: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:849: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:850: "spacing": "GUE-like", tools/data/autoricerca_journal.json:870: "gap_ratio": 2.6178207216989255, tools/data/autoricerca_journal.json:871: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:891: "gap_ratio": 2.618058359142931, tools/data/autoricerca_journal.json:892: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:912: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:913: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:933: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:934: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:954: "gap_ratio": 2.61812538091709, tools/data/autoricerca_journal.json:955: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:976: "gap_ratio": 2.6178927256972644, tools/data/autoricerca_journal.json:992: "gap_ratio": 2.618070009774494, tools/data/autoricerca_journal.json:993: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1013: "gap_ratio": 2.6181353045089946, tools/data/autoricerca_journal.json:1014: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1034: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:1035: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1055: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1056: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1076: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:1077: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1097: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:1098: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1118: "gap_ratio": 2.618013784972057, tools/data/autoricerca_journal.json:1119: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1139: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1140: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1160: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1161: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1181: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1182: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1202: "gap_ratio": 2.618168141650878, tools/data/autoricerca_journal.json:1203: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1224: "gap_ratio": 2.6172515958788702, tools/data/autoricerca_journal.json:1240: "gap_ratio": 2.618022931289666, tools/data/autoricerca_journal.json:1241: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1261: "gap_ratio": 2.618002913749026, tools/data/autoricerca_journal.json:1262: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1282: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:1283: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1303: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1304: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1324: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:1325: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1345: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:1346: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1366: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1367: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1387: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1388: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1408: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1409: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1429: "gap_ratio": 2.618062208777077, tools/data/autoricerca_journal.json:1430: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1450: "gap_ratio": 2.6181350076378287, tools/data/autoricerca_journal.json:1451: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1472: "gap_ratio": 2.6179624587526376, tools/data/autoricerca_journal.json:1488: "gap_ratio": 2.61815609422496, tools/data/autoricerca_journal.json:1489: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1509: "gap_ratio": 2.6180622143819567, tools/data/autoricerca_journal.json:1510: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1530: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:1531: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1551: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1552: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1572: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:1573: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1593: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:1594: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1614: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1615: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1635: "gap_ratio": 2.6180559888007937, tools/data/autoricerca_journal.json:1636: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1656: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1657: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1677: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1678: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1698: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1699: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1720: "gap_ratio": 2.6181687775953564, tools/data/autoricerca_journal.json:1736: "gap_ratio": 2.6180122494155116, tools/data/autoricerca_journal.json:1737: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1757: "gap_ratio": 2.618041989408766, tools/data/autoricerca_journal.json:1758: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1778: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:1779: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1799: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1800: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1820: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:1821: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1841: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:1842: "spacing": "GUE-like", tools/data/autoricerca_journal.json:1862: "gap_ratio": 2.618114810623144, tools/data/autoricerca_journal.json:1863: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1883: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1884: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1904: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:1905: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1925: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:1926: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1946: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:1947: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:1968: "gap_ratio": 2.6178261870654813, tools/data/autoricerca_journal.json:1984: "gap_ratio": 2.618094232784563, tools/data/autoricerca_journal.json:1985: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2005: "gap_ratio": 2.618046853857204, tools/data/autoricerca_journal.json:2006: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2026: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:2027: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2047: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2048: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2068: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:2069: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2089: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:2090: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2110: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:2111: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2131: "gap_ratio": 2.6180752648206465, tools/data/autoricerca_journal.json:2132: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2152: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2153: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2173: "gap_ratio": 2.618036554614693, tools/data/autoricerca_journal.json:2174: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2194: "gap_ratio": 2.618168141650878, tools/data/autoricerca_journal.json:2195: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2216: "gap_ratio": 2.6183140464963346, tools/data/autoricerca_journal.json:2232: "gap_ratio": 2.6180982216379207, tools/data/autoricerca_journal.json:2233: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2253: "gap_ratio": 2.6180985747417154, tools/data/autoricerca_journal.json:2254: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2274: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:2275: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2295: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2296: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2316: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:2317: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2337: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:2338: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2358: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2359: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2379: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2380: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2400: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2401: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2421: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:2422: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2442: "gap_ratio": 2.618146906797608, tools/data/autoricerca_journal.json:2443: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2464: "gap_ratio": 2.6176554506152763, tools/data/autoricerca_journal.json:2480: "gap_ratio": 2.618139056303524, tools/data/autoricerca_journal.json:2481: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2501: "gap_ratio": 2.61752638547677, tools/data/autoricerca_journal.json:2502: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2522: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:2523: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2543: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2544: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2564: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:2565: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2585: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:2586: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2606: "gap_ratio": 2.618023012845744, tools/data/autoricerca_journal.json:2607: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2627: "gap_ratio": 2.618031836715521, tools/data/autoricerca_journal.json:2628: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2648: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2649: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2669: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2670: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2690: "gap_ratio": 2.6180412416553933, tools/data/autoricerca_journal.json:2691: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2712: "gap_ratio": 2.6178841844706975, tools/data/autoricerca_journal.json:2728: "gap_ratio": 2.61799925929796, tools/data/autoricerca_journal.json:2729: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2749: "gap_ratio": 2.618840978812849, tools/data/autoricerca_journal.json:2750: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2770: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:2771: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2791: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2792: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2812: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:2813: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2833: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:2834: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2854: "gap_ratio": 2.6179583613928252, tools/data/autoricerca_journal.json:2855: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2875: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2876: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2896: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2897: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2917: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:2918: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2938: "gap_ratio": 2.618015221709845, tools/data/autoricerca_journal.json:2939: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:2960: "gap_ratio": 2.6191837922607855, tools/data/autoricerca_journal.json:2976: "gap_ratio": 2.6179989279323594, tools/data/autoricerca_journal.json:2977: "spacing": "GUE-like", tools/data/autoricerca_journal.json:2997: "gap_ratio": 2.617856711082645, tools/data/autoricerca_journal.json:2998: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3018: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:3019: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3039: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3040: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3060: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:3061: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3081: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:3082: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3102: "gap_ratio": 2.618071638979952, tools/data/autoricerca_journal.json:3103: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3123: "gap_ratio": 2.618039051792793, tools/data/autoricerca_journal.json:3124: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3144: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3145: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3165: "gap_ratio": 2.6180412416553933, tools/data/autoricerca_journal.json:3166: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3186: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:3187: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3208: "gap_ratio": 2.619674392532608, tools/data/autoricerca_journal.json:3224: "gap_ratio": 2.618102108801703, tools/data/autoricerca_journal.json:3225: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3245: "gap_ratio": 2.6181730771951615, tools/data/autoricerca_journal.json:3246: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3266: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:3267: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3287: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3288: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3308: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:3309: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3329: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:3330: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3350: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3351: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3371: "gap_ratio": 2.6179716597501868, tools/data/autoricerca_journal.json:3372: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3392: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3393: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3413: "gap_ratio": 2.618028263919105, tools/data/autoricerca_journal.json:3414: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3435: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3436: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3458: "gap_ratio": 2.618583164742336, tools/data/autoricerca_journal.json:3474: "gap_ratio": 2.6179784403022834, tools/data/autoricerca_journal.json:3475: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3495: "gap_ratio": 2.6180980554589217, tools/data/autoricerca_journal.json:3496: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3516: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:3517: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3537: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3538: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3558: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:3559: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3579: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:3580: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3600: "gap_ratio": 2.61804923280484, tools/data/autoricerca_journal.json:3601: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3621: "gap_ratio": 2.61804923280484, tools/data/autoricerca_journal.json:3622: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3642: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3643: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3663: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:3664: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3684: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3685: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3706: "gap_ratio": 2.617598538064385, tools/data/autoricerca_journal.json:3722: "gap_ratio": 2.618151847442283, tools/data/autoricerca_journal.json:3723: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3743: "gap_ratio": 2.6180554737002515, tools/data/autoricerca_journal.json:3744: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3764: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:3765: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3785: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3786: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3806: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:3807: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3827: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:3828: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3848: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3849: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3869: "gap_ratio": 2.6182096079180663, tools/data/autoricerca_journal.json:3870: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3890: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3891: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3911: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:3912: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3932: "gap_ratio": 2.6182289070459417, tools/data/autoricerca_journal.json:3933: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:3954: "gap_ratio": 2.6184118843809094, tools/data/autoricerca_journal.json:3970: "gap_ratio": 2.6177557006899663, tools/data/autoricerca_journal.json:3971: "spacing": "GUE-like", tools/data/autoricerca_journal.json:3991: "gap_ratio": 2.60574519484381, tools/data/autoricerca_journal.json:3992: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4012: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:4013: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4033: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4034: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4054: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:4055: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4075: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:4076: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4096: "gap_ratio": 2.618025382171072, tools/data/autoricerca_journal.json:4097: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4117: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4118: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4138: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4139: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4159: "gap_ratio": 2.618066514257822, tools/data/autoricerca_journal.json:4160: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4181: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4182: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4203: "gap_ratio": 2.617827509488717, tools/data/autoricerca_journal.json:4219: "gap_ratio": 2.6180478501437427, tools/data/autoricerca_journal.json:4220: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4240: "gap_ratio": 2.618027944880501, tools/data/autoricerca_journal.json:4241: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4261: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:4262: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4282: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4283: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4303: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:4304: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4324: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:4325: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4345: "gap_ratio": 2.618013856475355, tools/data/autoricerca_journal.json:4346: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4366: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4367: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4387: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4388: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4408: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4409: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4429: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:4430: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4450: "gap_ratio": 2.6181596433610457, tools/data/autoricerca_journal.json:4451: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4471: "gap_ratio": 2.6176328119482575, tools/data/autoricerca_journal.json:4472: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4492: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:4493: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4513: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4514: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4534: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:4535: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4555: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:4556: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4576: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4577: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4597: "gap_ratio": 2.6180641119651176, tools/data/autoricerca_journal.json:4598: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4618: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4619: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4639: "gap_ratio": 2.6181350076378287, tools/data/autoricerca_journal.json:4640: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4660: "gap_ratio": 2.618146906797608, tools/data/autoricerca_journal.json:4661: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4682: "gap_ratio": 2.618107765362995, tools/data/autoricerca_journal.json:4698: "gap_ratio": 2.618009552811787, tools/data/autoricerca_journal.json:4699: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4719: "gap_ratio": 2.617995779370923, tools/data/autoricerca_journal.json:4720: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4740: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:4741: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4761: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4762: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4782: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:4783: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4803: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:4804: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4824: "gap_ratio": 2.618067653229329, tools/data/autoricerca_journal.json:4825: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4845: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4846: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4866: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:4867: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4887: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:4888: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4908: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:4909: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:4930: "gap_ratio": 2.618340378019019, tools/data/autoricerca_journal.json:4946: "gap_ratio": 2.6180112887041824, tools/data/autoricerca_journal.json:4947: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4967: "gap_ratio": 2.6180801595754275, tools/data/autoricerca_journal.json:4968: "spacing": "GUE-like", tools/data/autoricerca_journal.json:4988: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:4989: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5009: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5010: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5030: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:5031: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5051: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:5052: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5072: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5073: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5093: "gap_ratio": 2.6179938106753506, tools/data/autoricerca_journal.json:5094: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5114: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5115: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5135: "gap_ratio": 2.6180412416553933, tools/data/autoricerca_journal.json:5136: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5156: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:5157: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5178: "gap_ratio": 2.6178632412918756, tools/data/autoricerca_journal.json:5194: "gap_ratio": 2.618098369829487, tools/data/autoricerca_journal.json:5195: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5215: "gap_ratio": 2.618030967561331, tools/data/autoricerca_journal.json:5216: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5236: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:5237: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5257: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5258: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5278: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:5279: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5299: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:5300: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5320: "gap_ratio": 2.618097939620826, tools/data/autoricerca_journal.json:5321: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5341: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5342: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5362: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5363: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5383: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:5384: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5404: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:5405: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5426: "gap_ratio": 2.6187017697654023, tools/data/autoricerca_journal.json:5442: "gap_ratio": 2.618124552609958, tools/data/autoricerca_journal.json:5443: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5463: "gap_ratio": 2.618106732014801, tools/data/autoricerca_journal.json:5464: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5484: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:5485: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5505: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5506: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5526: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:5527: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5547: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:5548: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5568: "gap_ratio": 2.6181220716921128, tools/data/autoricerca_journal.json:5569: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5589: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5590: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5610: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5611: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5631: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:5632: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5652: "gap_ratio": 2.6181096604353296, tools/data/autoricerca_journal.json:5653: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5674: "gap_ratio": 2.618372247404123, tools/data/autoricerca_journal.json:5690: "gap_ratio": 2.6180590105086905, tools/data/autoricerca_journal.json:5691: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5711: "gap_ratio": 2.61811708633899, tools/data/autoricerca_journal.json:5712: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5732: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:5733: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5753: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5754: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5774: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:5775: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5795: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:5796: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5816: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5817: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5837: "gap_ratio": 2.618048197588819, tools/data/autoricerca_journal.json:5838: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5859: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5860: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5880: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:5881: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5901: "gap_ratio": 2.6180412416553933, tools/data/autoricerca_journal.json:5902: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:5923: "gap_ratio": 2.618842158694524, tools/data/autoricerca_journal.json:5939: "gap_ratio": 2.6180171607183214, tools/data/autoricerca_journal.json:5940: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5960: "gap_ratio": 2.6179904120034383, tools/data/autoricerca_journal.json:5961: "spacing": "GUE-like", tools/data/autoricerca_journal.json:5981: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:5982: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6002: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6003: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6023: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:6024: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6044: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:6045: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6065: "gap_ratio": 2.6181071722590294, tools/data/autoricerca_journal.json:6066: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6086: "gap_ratio": 2.618006103582831, tools/data/autoricerca_journal.json:6087: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6107: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6108: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6128: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6129: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6149: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:6150: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6171: "gap_ratio": 2.6186283005037625, tools/data/autoricerca_journal.json:6187: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6206: "gap_ratio": 2.618126752052608, tools/data/autoricerca_journal.json:6207: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6226: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:6247: "gap_ratio": null, tools/data/autoricerca_journal.json:6268: "gap_ratio": 2.618073613479072, tools/data/autoricerca_journal.json:6269: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6289: "gap_ratio": 2.618002588381149, tools/data/autoricerca_journal.json:6290: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6310: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6311: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6331: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6332: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6353: "gap_ratio": 2.6180258659394964, tools/data/autoricerca_journal.json:6354: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6374: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6375: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6396: "gap_ratio": 2.6181052790180495, tools/data/autoricerca_journal.json:6397: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6417: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6418: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6438: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:6439: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6459: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6460: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6480: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6481: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6502: "gap_ratio": 2.6182238059430727, tools/data/autoricerca_journal.json:6518: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6537: "gap_ratio": 2.6181262548318602, tools/data/autoricerca_journal.json:6538: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6556: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:6577: "gap_ratio": null, tools/data/autoricerca_journal.json:6598: "gap_ratio": 2.6180164536083605, tools/data/autoricerca_journal.json:6599: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6619: "gap_ratio": 2.6180162242219183, tools/data/autoricerca_journal.json:6620: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6641: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6642: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6662: "gap_ratio": 2.618088314890296, tools/data/autoricerca_journal.json:6663: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6683: "gap_ratio": 2.618073630306906, tools/data/autoricerca_journal.json:6684: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6705: "gap_ratio": 2.617997592711035, tools/data/autoricerca_journal.json:6706: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6727: "gap_ratio": 2.6180380850029144, tools/data/autoricerca_journal.json:6728: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6749: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:6750: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6770: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:6771: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6791: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6792: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:6812: "gap_ratio": 2.618262087187774, tools/data/autoricerca_journal.json:6813: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6834: "gap_ratio": 2.6181235155654927, tools/data/autoricerca_journal.json:6851: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6852: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6868: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:6887: "gap_ratio": 2.6181366842992406, tools/data/autoricerca_journal.json:6888: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6907: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:6928: "gap_ratio": null, tools/data/autoricerca_journal.json:6949: "gap_ratio": 2.6180770613484006, tools/data/autoricerca_journal.json:6950: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6970: "gap_ratio": 2.6180360401072686, tools/data/autoricerca_journal.json:6971: "spacing": "GUE-like", tools/data/autoricerca_journal.json:6991: "gap_ratio": 2.6179970643493897, tools/data/autoricerca_journal.json:6992: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7012: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7013: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7033: "gap_ratio": 2.6180487279547004, tools/data/autoricerca_journal.json:7034: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7054: "gap_ratio": 2.618067077148102, tools/data/autoricerca_journal.json:7055: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7076: "gap_ratio": 2.6181052790180495, tools/data/autoricerca_journal.json:7077: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7097: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7098: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7118: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:7119: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7139: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:7140: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7160: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7161: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7182: "gap_ratio": 2.6181047637832466, tools/data/autoricerca_journal.json:7198: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7217: "gap_ratio": 2.618094304617962, tools/data/autoricerca_journal.json:7218: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7237: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:7258: "gap_ratio": null, tools/data/autoricerca_journal.json:7279: "gap_ratio": 2.6180090619902714, tools/data/autoricerca_journal.json:7280: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7300: "gap_ratio": 2.6180286854829373, tools/data/autoricerca_journal.json:7301: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7321: "gap_ratio": 2.6179938106753506, tools/data/autoricerca_journal.json:7322: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7342: "gap_ratio": 2.618048637634805, tools/data/autoricerca_journal.json:7343: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7363: "gap_ratio": 2.6180450388855396, tools/data/autoricerca_journal.json:7364: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7384: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:7385: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7406: "gap_ratio": 2.618081595286599, tools/data/autoricerca_journal.json:7407: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7428: "gap_ratio": 2.618091616494847, tools/data/autoricerca_journal.json:7429: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7449: "gap_ratio": 2.6180997341961563, tools/data/autoricerca_journal.json:7450: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7470: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:7471: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7491: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:7492: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7513: "gap_ratio": 2.6180244844750526, tools/data/autoricerca_journal.json:7529: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7548: "gap_ratio": 2.618077440990562, tools/data/autoricerca_journal.json:7549: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7567: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:7588: "gap_ratio": null, tools/data/autoricerca_journal.json:7609: "gap_ratio": 2.618056200730588, tools/data/autoricerca_journal.json:7610: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7630: "gap_ratio": 2.618104232353077, tools/data/autoricerca_journal.json:7631: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7651: "gap_ratio": 2.618142939157056, tools/data/autoricerca_journal.json:7652: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7672: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7673: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7693: "gap_ratio": 2.6180578791207982, tools/data/autoricerca_journal.json:7694: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7714: "gap_ratio": 2.618054800318405, tools/data/autoricerca_journal.json:7715: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7736: "gap_ratio": 2.6180380850029144, tools/data/autoricerca_journal.json:7737: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7758: "gap_ratio": 2.618090459914461, tools/data/autoricerca_journal.json:7759: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7779: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:7780: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7800: "gap_ratio": 2.6180184167632463, tools/data/autoricerca_journal.json:7801: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7821: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7822: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7843: "gap_ratio": 2.6174636054156926, tools/data/autoricerca_journal.json:7859: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7860: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7880: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:7901: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7902: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7922: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:7923: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7943: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:7944: "spacing": "GUE-like", tools/data/autoricerca_journal.json:7964: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:7965: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:7985: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8004: "gap_ratio": 2.618010286589762, tools/data/autoricerca_journal.json:8005: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8024: "gap_ratio": null, tools/data/autoricerca_journal.json:8045: "gap_ratio": 2.618023239179828, tools/data/autoricerca_journal.json:8046: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8066: "gap_ratio": 2.6180464135338513, tools/data/autoricerca_journal.json:8067: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8087: "gap_ratio": 2.6180754319958983, tools/data/autoricerca_journal.json:8088: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8108: "gap_ratio": null, tools/data/autoricerca_journal.json:8109: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8129: "gap_ratio": 2.618068604218337, tools/data/autoricerca_journal.json:8130: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8151: "gap_ratio": 2.6181366784361613, tools/data/autoricerca_journal.json:8152: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8173: "gap_ratio": 2.618081595286599, tools/data/autoricerca_journal.json:8174: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8195: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:8196: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8216: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8217: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8237: "gap_ratio": 2.6181821769902376, tools/data/autoricerca_journal.json:8238: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8258: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8259: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8280: "gap_ratio": 2.618536184760896, tools/data/autoricerca_journal.json:8296: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8297: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8317: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:8338: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:8339: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8359: "gap_ratio": 2.618048078952717, tools/data/autoricerca_journal.json:8360: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8380: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:8381: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8401: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:8402: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8422: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8441: "gap_ratio": 2.6181050264232635, tools/data/autoricerca_journal.json:8442: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8461: "gap_ratio": null, tools/data/autoricerca_journal.json:8482: "gap_ratio": 2.618006469108761, tools/data/autoricerca_journal.json:8483: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8503: "gap_ratio": 2.6179964457228735, tools/data/autoricerca_journal.json:8504: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8524: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8525: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8545: "gap_ratio": 2.6180346642988765, tools/data/autoricerca_journal.json:8546: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8566: "gap_ratio": 2.6181109844048343, tools/data/autoricerca_journal.json:8567: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8587: "gap_ratio": 2.6179939741041274, tools/data/autoricerca_journal.json:8588: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8609: "gap_ratio": 2.618081595286599, tools/data/autoricerca_journal.json:8610: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8631: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8632: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8652: "gap_ratio": 2.6180282164055084, tools/data/autoricerca_journal.json:8653: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8673: "gap_ratio": 2.6176321141875336, tools/data/autoricerca_journal.json:8674: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8694: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:8695: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8756: "gap_ratio": 2.618573013488808, tools/data/autoricerca_journal.json:8772: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8773: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8795: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:8817: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8818: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8840: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8860: "gap_ratio": 2.6181302754965707, tools/data/autoricerca_journal.json:8861: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8881: "gap_ratio": null, tools/data/autoricerca_journal.json:8903: "gap_ratio": 2.6180055004075657, tools/data/autoricerca_journal.json:8904: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8925: "gap_ratio": 2.618092497253999, tools/data/autoricerca_journal.json:8926: "spacing": "GUE-like", tools/data/autoricerca_journal.json:8947: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:8948: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8970: "gap_ratio": 2.618039143923876, tools/data/autoricerca_journal.json:8971: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:8993: "gap_ratio": 2.6181177081159226, tools/data/autoricerca_journal.json:8994: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9015: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9016: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9037: "gap_ratio": 2.6180380850029144, tools/data/autoricerca_journal.json:9038: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9060: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9061: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9083: "gap_ratio": 2.6180953435671506, tools/data/autoricerca_journal.json:9084: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9105: "gap_ratio": 2.618109501098722, tools/data/autoricerca_journal.json:9106: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9127: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9128: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9151: "gap_ratio": 2.6181482438135193, tools/data/autoricerca_journal.json:9167: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9168: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9190: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:9212: "gap_ratio": 2.618048078952717, tools/data/autoricerca_journal.json:9213: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9235: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9255: "gap_ratio": 2.6180792433196975, tools/data/autoricerca_journal.json:9256: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9275: "gap_ratio": null, tools/data/autoricerca_journal.json:9297: "gap_ratio": 2.6180138274034106, tools/data/autoricerca_journal.json:9298: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9319: "gap_ratio": 2.6180699387005557, tools/data/autoricerca_journal.json:9320: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9341: "gap_ratio": 2.6181395628148634, tools/data/autoricerca_journal.json:9342: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9364: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9365: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9387: "gap_ratio": 2.6180172532998265, tools/data/autoricerca_journal.json:9388: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9409: "gap_ratio": 2.6181931395063613, tools/data/autoricerca_journal.json:9410: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9432: "gap_ratio": 2.6181052790180495, tools/data/autoricerca_journal.json:9433: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9454: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:9455: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9477: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9478: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9500: "gap_ratio": 2.6180459227467185, tools/data/autoricerca_journal.json:9501: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9523: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9524: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9547: "gap_ratio": 2.6187770683058202, tools/data/autoricerca_journal.json:9563: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9564: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9586: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:9608: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:9609: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9631: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:9632: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9654: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9674: "gap_ratio": 2.6180909371763894, tools/data/autoricerca_journal.json:9675: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9694: "gap_ratio": null, tools/data/autoricerca_journal.json:9716: "gap_ratio": 2.6180261059456393, tools/data/autoricerca_journal.json:9717: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9738: "gap_ratio": 2.6180701686428756, tools/data/autoricerca_journal.json:9739: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9760: "gap_ratio": 2.6180383523688215, tools/data/autoricerca_journal.json:9761: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9783: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9784: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9806: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9807: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9828: "gap_ratio": 2.6180378072647708, tools/data/autoricerca_journal.json:9829: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9851: "gap_ratio": 2.6180380850029144, tools/data/autoricerca_journal.json:9852: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9874: "gap_ratio": 2.618136747081554, tools/data/autoricerca_journal.json:9875: "spacing": "GUE-like", tools/data/autoricerca_journal.json:9896: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:9897: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9919: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9920: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9942: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9943: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:9966: "gap_ratio": 2.6182339717972134, tools/data/autoricerca_journal.json:9982: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:9983: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10005: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:10027: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10028: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10050: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10051: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10073: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:10074: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10095: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:10096: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10117: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10137: "gap_ratio": 2.6180644520006027, tools/data/autoricerca_journal.json:10138: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10158: "gap_ratio": null, tools/data/autoricerca_journal.json:10180: "gap_ratio": 2.618129909029701, tools/data/autoricerca_journal.json:10181: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10202: "gap_ratio": 2.618132483489152, tools/data/autoricerca_journal.json:10203: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10224: "gap_ratio": 2.6180321900825416, tools/data/autoricerca_journal.json:10225: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10247: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10248: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10270: "gap_ratio": 2.6180487279547004, tools/data/autoricerca_journal.json:10271: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10292: "gap_ratio": 2.618136787462427, tools/data/autoricerca_journal.json:10293: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10315: "gap_ratio": 2.6181052790180495, tools/data/autoricerca_journal.json:10316: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10337: "gap_ratio": 2.618039293141563, tools/data/autoricerca_journal.json:10338: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10360: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:10361: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10382: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10383: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10405: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10406: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10429: "gap_ratio": 2.6175624399625548, tools/data/autoricerca_journal.json:10445: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10446: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10468: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:10490: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10491: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10513: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10535: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:10536: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10557: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:10558: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10579: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10599: "gap_ratio": 2.6180991930234163, tools/data/autoricerca_journal.json:10600: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10620: "gap_ratio": null, tools/data/autoricerca_journal.json:10642: "gap_ratio": 2.6181562936014116, tools/data/autoricerca_journal.json:10643: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10664: "gap_ratio": 2.618087330113862, tools/data/autoricerca_journal.json:10665: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10686: "gap_ratio": 2.618089043572149, tools/data/autoricerca_journal.json:10687: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10710: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10711: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10733: "gap_ratio": 2.6180696627785154, tools/data/autoricerca_journal.json:10734: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10755: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10756: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10778: "gap_ratio": 2.618081595286599, tools/data/autoricerca_journal.json:10779: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10801: "gap_ratio": 2.6180355340140844, tools/data/autoricerca_journal.json:10802: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10823: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:10824: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10846: "gap_ratio": 2.615064912313263, tools/data/autoricerca_journal.json:10847: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10869: "gap_ratio": 2.618132292897335, tools/data/autoricerca_journal.json:10870: "spacing": "GUE-like", tools/data/autoricerca_journal.json:10891: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10892: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10914: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:10936: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:10937: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10959: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:10960: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:10982: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:10983: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11004: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:11005: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11026: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11046: "gap_ratio": 2.618036955528402, tools/data/autoricerca_journal.json:11047: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11067: "gap_ratio": null, tools/data/autoricerca_journal.json:11089: "gap_ratio": 2.6179943409330786, tools/data/autoricerca_journal.json:11090: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11111: "gap_ratio": 2.6179903565663385, tools/data/autoricerca_journal.json:11112: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11133: "gap_ratio": 2.6180798307052227, tools/data/autoricerca_journal.json:11134: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11156: "gap_ratio": 2.617955824842139, tools/data/autoricerca_journal.json:11157: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11179: "gap_ratio": 2.6181558954444286, tools/data/autoricerca_journal.json:11180: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11201: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11202: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11224: "gap_ratio": 2.617986734841904, tools/data/autoricerca_journal.json:11225: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11246: "gap_ratio": 2.618126241356292, tools/data/autoricerca_journal.json:11247: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11269: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:11270: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11292: "gap_ratio": 2.618055668131687, tools/data/autoricerca_journal.json:11293: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11314: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11315: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11337: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:11338: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11359: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11360: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11382: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:11404: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11405: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11427: "gap_ratio": 2.6181579718861103, tools/data/autoricerca_journal.json:11428: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11450: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:11451: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11472: "gap_ratio": 2.6180415569821247, tools/data/autoricerca_journal.json:11473: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11494: "gap_ratio": 2.618123868051845, tools/data/autoricerca_journal.json:11495: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11517: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11537: "gap_ratio": 2.617998096411106, tools/data/autoricerca_journal.json:11538: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11558: "gap_ratio": null, tools/data/autoricerca_journal.json:11580: "gap_ratio": 2.6180812227670094, tools/data/autoricerca_journal.json:11581: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11602: "gap_ratio": 2.6181502633159104, tools/data/autoricerca_journal.json:11603: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11624: "gap_ratio": 2.6181120598885976, tools/data/autoricerca_journal.json:11625: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11647: "gap_ratio": 2.6178635659257625, tools/data/autoricerca_journal.json:11648: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11671: "gap_ratio": 2.6180847923495447, tools/data/autoricerca_journal.json:11672: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11693: "gap_ratio": 2.6180498365087095, tools/data/autoricerca_journal.json:11694: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11716: "gap_ratio": 2.6181052790180495, tools/data/autoricerca_journal.json:11717: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11738: "gap_ratio": 2.618012033163975, tools/data/autoricerca_journal.json:11739: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11760: "gap_ratio": 2.6180740677926337, tools/data/autoricerca_journal.json:11761: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11782: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11783: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11805: "gap_ratio": 2.6180412416553933, tools/data/autoricerca_journal.json:11806: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11828: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11829: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11851: "gap_ratio": 2.6180758708931045, tools/data/autoricerca_journal.json:11873: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11874: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11896: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11897: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11919: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11920: "spacing": "Poisson-like", tools/data/autoricerca_journal.json:11942: "gap_ratio": 2.6180861695660687, tools/data/autoricerca_journal.json:11962: "gap_ratio": 2.618071806911586, tools/data/autoricerca_journal.json:11963: "spacing": "GUE-like", tools/data/autoricerca_journal.json:11983: "gap_ratio": null, tools/data/autoricerca_journal.json:12005: "gap_ratio": 2.6180295268704663, tools/data/autoricerca_journal.json:12006: "spacing": "GUE-like", tools/data/banchi_custom/banco_gen_gap_ratio_cons_gxe_qxg.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_cons_gxe_qxg.json:6: "criterio": "gap_ratio(phi) piu' vicino a rapporto in Z[phi] (gap labeling) rispetto ai controlli", tools/data/meta_assertion_gate.json:31: "test": "gap_ratio_phi2", tools/data/meta_assertion_gate.json:84: "claim": "Zeri zeta hanno spacing GUE (non Poisson)", tools/data/meta_assertion_gate.json:86: "detail": "spacing=GUE-like, ⟨r⟩=0.6150", tools/data/meta_assertion_gate.json:149: "claim": "Rule 30/110 hanno spacing >> GUE standard", tools/data/meta_assertion_gate.json:151: "detail": "⟨r⟩=1.0000 (GUE standard=0.60)", tools/data/banchi_custom/banco_gen_gap_ratio_falsifica_f6.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_falsifica_f6.json:6: "criterio": "gap_ratio(phi) piu' vicino a rapporto in Z[phi] (gap labeling) rispetto ai controlli", tools/data/banchi_custom/banco_gen_gap_ratio_t8_paper_a_esposto.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_t8_paper_a_esposto.json:6: "criterio": "gap_ratio(phi) piu' vicino a rapporto in Z[phi] (gap labeling) rispetto ai controlli", tools/data/banchi_custom/banco_gen_gap_ratio_falsifica_f3.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_falsifica_f3.json:6: "criterio": "gap_ratio(phi) piu' vicino a rapporto in Z[phi] (gap labeling) rispetto ai controlli", tools/data/banchi_custom/banco_gen_gap_ratio_t2_normalizzatore_trascende.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_t2_normalizzatore_trascende.json:6: "criterio": "gap_ratio(phi) piu' vicino a rapporto in Z[phi] (gap labeling) rispetto ai controlli", tools/data/banchi_custom/banco_gen_gap_ratio_t9_linguaggio_metafisico.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_t9_linguaggio_metafisico.json:6: "criterio": "gap_ratio(phi) piu' vicino a rapporto in Z[phi] (gap labeling) rispetto ai controlli", tools/data/lab_graph.json:12: "description_en": "dipartimento.py orchestrates phases: autoresearch → questioner → crossing → crystallize. Template experiments. No autonomous reasoning." tools/data/lab_graph.json:444: "label": "Metrica primi g=(p/2)², curvatura GUE r=0.503", tools/data/lab_graph.json:445: "label_en": "Metrica primi g=(p/2)², curvatura GUE r=0.503", tools/data/lab_graph.json:447: "full_text": "Metrica primi g=(p/2)², curvatura GUE r=0.503, z=22.5", tools/data/lab_graph.json:496: "verdict": "**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossin", tools/data/lab_graph.json:497: "findings": "1. **Verificato: il crossing Sturmian e' interno nel perimetro testato.** `phi_sturmian` e `sturmian_phase_shuffle` hanno `floor_hit=0` e `internal_cross` unico in tutte le condizioni (`36/36` e `72/72`).\n2. **Verificato: il random bilanciato mescola eventi diversi.** `balanced_random` contiene `27/", tools/data/lab_graph.json:498: "annotation": "Vincolo: **CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold=", tools/data/lab_graph.json:499: "annotation_en": "Constraint: **CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold=", tools/data/lab_graph.json:545: "verdict": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.4", tools/data/lab_graph.json:547: "annotation": "Vincolo: **CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,6", tools/data/lab_graph.json:548: "annotation_en": "Constraint: **CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,6", tools/data/lab_graph.json:594: "verdict": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e'", tools/data/lab_graph.json:596: "annotation": "Vincolo: **CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,6", tools/data/lab_graph.json:597: "annotation_en": "Constraint: **CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,6", tools/data/lab_graph.json:1058: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/lab_graph.json:1064: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/lab_graph.json:1082: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/lab_graph.json:1093: "tensions": "TRASCENDENZA_LIMITE / V_c null regressivo", tools/data/lab_graph.json:1094: "verdict": "**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossing interno unico. Il random bilanciato non e' un co", tools/data/lab_graph.json:1095: "verdict_en": "**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossing interno unico. Il random bilanciato non e' un co", tools/data/lab_graph.json:1096: "findings": "1. **Verificato: il crossing Sturmian e' interno nel perimetro testato.** `phi_sturmian` e `sturmian_phase_shuffle` hanno `floor_hit=0` e `internal_cross` unico in tutte le condizioni (`36/36` e `72/72`).\n2. **Verificato: il random bilanciato mescola eventi diversi.** `balanced_random` contiene `27/72` floor-hit, `23/72` crossing interni unici e `22/72` crossing multipli. Il vecchio `V_c=0.5` aggr", tools/data/lab_graph.json:1097: "content_preview": "# Agent Report - Vc Null Regression Gate\n**Date**: 2026-05-09 06:37\n**Piano**: 98\n**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=la forma `r(V)` del boundary Sturmian-Harper e' sostenuta da attraversamenti interni, non da collasso al bordo minimo della filtrazione; observable", tools/data/lab_graph.json:1098: "content_full": "# Agent Report - Vc Null Regression Gate\n**Date**: 2026-05-09 06:37\n**Piano**: 98\n**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=la forma `r(V)` del boundary Sturmian-Harper e' sostenuta da attraversamenti interni, non da collasso al bordo minimo della filtrazione; observable=`event={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`; operator=curva `r(V)` su griglia 0.5..3.0 step 0.01, crossing lineare e classificazione del primo stato rispetto a `r_threshold={0.48,0.50,0.52}`; generator=phi Sturmian, phase-shuffle Sturmian, random bilanciato, surrogate random selezionato per overlap label-set; denominator=N={89,144,233}, phase={0,0.25,0.5,0.75}, phase_trials=2, random_trials=2, label_trials=2, label_candidates=5, seed=202605090637; non_possible=se un null che preserva label-set produce crossing interno unico e stesso `r_floor` dei generatori Sturmian, `V_c` non e' piu' boundary map di ordine Sturmian; not_tested=GUE/Poisson reali, silver/bronze in questo ciclo, fit power-law, label-preserving forte con accettazione Jaccard>=0.75.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita / TxR gas relativistico come filtrazione spettro-temperatura + nodo `TRASCENDENZA_LIMITE` + tensione operativa `V_c` sul null regressivo.\n- **Dipolo / punto-zero**: collasso al bordo minimo (`floor_hit`) / attraversamento interno; punto-zero = il primo stato della curva rispetto alla soglia, prima che `V_c` venga contato come valore.\n- **Piano superiore**: topologia assiomatica del bordo come filtrazione. Il contenuto non e' il numero `V_c`, ma il tipo di evento che genera il passaggio.\n- **Operatori laterali scelti**: boundary operator, filtrazione, spectrum-preserving surrogate. Il boundary operator separa floor e interno; la filtrazione scorre `V`; il surrogate tenta di conservare il lettore label-set prima di misurare il crossing.\n- **Contaminazione cognitiva**:\n - **CE-0117 / KSAR**: reiterazione del kernel del ciclo 03:30 senza cambiare dominio: stesso `V_c`, nodo regressivo diverso.\n - **PVI attack**: il rischio e' rendere il null piu' debole per salvare la curva metallica; per questo il surrogate label-preserving espone il proprio `label_jaccard`.\n - **CE-0001**: il fallimento del surrogate entra come informazione, non come parametro da calibrare.\n- **Proto-ipotesi**: se il boundary e' effetto di ordine Sturmian, allora le fasi Sturmian devono conservare crossing interno senza floor-hit; se basta preservare parzialmente il label-set, il surrogate random deve recuperare lo stesso evento interno unico. Se il surrogate non preserva il label-set, il ciclo produce un vincolo sul generatore del null.\n- **Proiezione**: misuro l'evento prima del valore. `floor_hit` indica che il null parte gia' oltre il confine; `internal_cross` indica che la filtrazione crea il passaggio; `internal_multi` indica bordo oscillante, non curva metallica semplice.\n\n## Claim Under Test\n> Nel perimetro Sturmian-Harper ridotto, la separazione metallico/random della curva `r(V)` sopravvive quando `V_c` viene decomposto in evento di bordo: i generatori Sturmian producono crossing interno; il random produce floor-hit o multi-crossing. Un surrogate che preserva label-set deve decidere se il portatore e' il label-set o l'ordine generativo.\n\n## Question\nIl null precedente falsificava `V_c` perche' era troppo debole e collassava a `V_min`, oppure perche' il crossing interno richiede ordine Sturmian oltre al label-set?\n\n## Experiment Design\n- Script: `tools/exp_vc_null_regression_gate.py`.\n- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali.\n- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`.\n- Eventi:\n - `floor_hit`: `r(V_min) < threshold`; il valore `V_c` e' il bordo della griglia, non attraversamento.\n - `internal_cross`: parte sopra soglia e attraversa una volta.\n - `internal_multi`: parte sopra soglia ma attraversa piu' volte.\n - `no_cross`: non attraversa.\n- Generatori:\n - `phi_sturmian`: sequenza di riferimento per ogni N/fase.\n - `sturmian_phase_shuffle`: stessa theta phi, fase random.\n - `balanced_random`: stesso conteggio di 1, ordine distrutto.\n - `label_preserving_surrogate`: miglior candidato tra 5 random bilanciati secondo Jaccard del label-set spettrale con la sequenza riferimento (`label_threshold=2.0`, `top_k=12`, `max_label=34`).\n- Denominatore grezzo: `phi_sturmian=36` condizioni; ogni controllo `72` condizioni. Il run pieno con N fino a 377 e 12 candidati e' stato fermato per budget; il perimetro valido e' quello dichiarato qui.\n- Contratto osservabile-operatore: `gap_ratio`, controlli metallici silver/bronze e domini GUE/Poisson non vengono testati in questo ciclo.\n\n## Results\nSintesi aggregata:\n\n| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median |\n|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|\n| phi_sturmian | 36 | 0 | 36 | 0 | 1.0000 | 1.058885 | 0.654502 | 0.340093 | 1.000000 |\n| sturmian_phase_shuffle | 72 | 0 | 72 | 0 | 1.0000 | 1.193335 | 0.691274 | 0.382659 | |\n| balanced_random | 72 | 27 | 23 | 22 | 0.6250 | 0.532928 | 0.512032 | 0.190609 | |\n| label_preserving_surrogate | 72 | 23 | 29 | 20 | 0.6806 | 0.561171 | 0.534427 | 0.198427 | 0.166667 |\n\nPer soglia:\n\n| generator | r_threshold | floor_hit | internal_cross | internal_multi | internal_rate | vc_median |\n|---|---:|---:|---:|---:|---:|---:|\n| phi_sturmian | 0.48 | 0 | 12 | 0 | 1.0000 | 1.229013 |\n| phi_sturmian | 0.50 | 0 | 12 | 0 | 1.0000 | 1.108569 |\n| phi_sturmian | 0.52 | 0 | 12 | 0 | 1.0000 | 1.005215 |\n| sturmian_phase_shuffle | 0.48 | 0 | 24 | 0 | 1.0000 | 1.377315 |\n| sturmian_phase_shuffle | 0.50 | 0 | 24 | 0 | 1.0000 | 1.275439 |\n| sturmian_phase_shuffle | 0.52 | 0 | 24 | 0 | 1.0000 | 1.168195 |\n| balanced_random | 0.48 | 4 | 11 | 9 | 0.8333 | 0.594383 |\n| balanced_random | 0.50 | 10 | 7 | 7 | 0.5833 | 0.531929 |\n| balanced_random | 0.52 | 13 | 5 | 6 | 0.4583 | 0.500000 |\n| label_preserving_surrogate | 0.48 | 3 | 9 | 12 | 0.8750 | 0.633067 |\n| label_preserving_surrogate | 0.50 | 9 | 9 | 6 | 0.6250 | 0.568673 |\n| label_preserving_surrogate | 0.52 | 11 | 11 | 2 | 0.5417 | 0.523669 |\n\n## Key Findings\n1. **Verificato: il crossing Sturmian e' interno nel perimetro testato.** `phi_sturmian` e `sturmian_phase_shuffle` hanno `floor_hit=0` e `internal_cross` unico in tutte le condizioni (`36/36` e `72/72`).\n2. **Verificato: il random bilanciato mescola eventi diversi.** `balanced_random` contiene `27/72` floor-hit, `23/72` crossing interni unici e `22/72` crossing multipli. Il vecchio `V_c=0.5` aggregava floor-hit e attraversamenti reali.\n3. **Verificato: il surrogate label-preserving minimo non preserva il label-set.** La mediana Jaccard e' `0.166667`, con minimo `0.071429`; quindi questo controllo non decide se il label-set basta a produrre il crossing Sturmian.\n4. **Verificato: anche il surrogate debole resta vicino al random, non allo Sturmian.** Ha `23/72` floor-hit e `20/72` internal_multi, `r_floor_median=0.534427` e `r_span_median=0.198427`, contro `r_floor_median=0.654502/0.691274` e span `0.340093/0.382659` degli Sturmian.\n5. **Inferito: il nodo regressivo del null e' doppio.** Separare floor-hit e crossing interno ripara il denominatore di `V_c`; costruire un vero null label-preserving richiede un generatore dedicato, non selezione random superficiale.\n\n## Verdict\n**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossing interno unico. Il random bilanciato non e' un contro-campo omogeneo: contiene floor-hit e multi-crossing. La separazione precedente metallico/random resta valida come distinzione di evento, ma il ciclo non chiude il claim label-set perche' il surrogate label-preserving non preserva davvero il label-set.\n\nLa formulazione valida e': `V_c` va riportato insieme a `event_type`; `floor_hit` non e' crossing; `internal_multi` non e' curva metallica semplice. Il prossimo null deve generare sequenze con Jaccard label-set alto prima di confrontare `V_c`.\n\n## Bicono della scoperta\n- **Due radici**: valore `V_c` aggregato . evento generativo del crossing.\n- **Singolare**: la curva `r(V)` prima della soglia, dove il confine non e' ancora numero ma tipo di passaggio.\n- **Invariante di passaggio**: sopravvive il crossing interno unico sotto cambio di fase Sturmian; cade il null random come denominatore omogeneo.\n- **Campo di possibilita**: qui diventa possibile usare `event_type` come gate regressivo di ogni misura `V_c`; qui diventa non-possibile confrontare mediane `V_c` senza separare floor-hit, internal-cross e multi-crossing.\n\n## Consecutio\nIl prossimo passo e' costruire un surrogate label-preserving reale: non scegliere il miglior random fra pochi candidati, ma generare per ricottura/swap vincolato finche' `label_jaccard >= 0.75` viene raggiunto con denominatore dichiarato. Se quel null produce `floor_hit` o `internal_multi`, il portatore e' ordine Sturmian oltre al label-set; se produce crossing interno unico con `r_floor` e `r_span` Sturmian, il portatore e' il label-set.\n\n## Auto-audit: source flags e 5 lenti\n- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0330.md`, output JSON del nuovo script.\n- **L1 hard constraint**: nessun claim universale; il verdict vale solo sul perimetro ridotto dichiarato.\n- **L2 quantita vs ratio**: riportati count grezzi (`36`, `72`, `27/72`, `23/72`, `22/72`) oltre ai rate.\n- **L3 no silent patching**: il surrogate label-preserving fallito viene dichiarato come fallimento del controllo, non escluso.\n- **L4 edge cases**: random a `r_threshold=0.48` ha molti crossing interni (`20/24` contando multi), quindi non basta dire \"random=floor\".\n- **L5 re-discovery vs discovery**: tight-binding Sturmian e r-statistic sono standard; il finding e' il gate regressivo `event_type` per non confondere floor e crossing.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- Runtime: primo run piu' largo fermato per budget; run valido completato con N={89,144,233}, 5 candidati label per surrogate.\n- Verifica script: `python -m py_compile tools/exp_vc_null_regression_gate.py` completato senza errori.\n\n## Files\n- Script: `tools/exp_vc_null_regression_gate.py`\n- Data: `tools/data/vc_null_regression_gate_20260509_0637.json`\n- Report: `tools/data/reports/agent_20260509_0637.md`\n", tools/data/lab_graph.json:1104: "text": "> Nel perimetro Sturmian-Harper ridotto, la separazione metallico/random della curva `r(V)` sopravvive quando `V_c` viene decomposto in evento di bord" tools/data/lab_graph.json:1110: "text": "Il null precedente falsificava `V_c` perche' era troppo debole e collassava a `V_min`, oppure perche' il crossing interno richiede ordine Sturmian olt" tools/data/lab_graph.json:1116: "text": "- Script: `tools/exp_vc_null_regression_gate.py`.\n- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali.\n- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`.\n- Eventi:\n - `floor_hit`" tools/data/lab_graph.json:1122: "text": "Sintesi aggregata:\n\n| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median |\n|---|---:|---:|---:|---" tools/data/lab_graph.json:1128: "text": "**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossin" tools/data/lab_graph.json:1134: "text": "Il prossimo passo e' costruire un surrogate label-preserving reale: non scegliere il miglior random fra pochi candidati, ma generare per ricottura/swa" tools/data/lab_graph.json:1145: "verdict": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il crossing interpolato conferma ch", tools/data/lab_graph.json:1146: "verdict_en": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il crossing interpolato conferma ch", tools/data/lab_graph.json:1147: "findings": "1. **Verificato: l'interpolazione rimuove la decisione della griglia ma non produce un separatore phi hard.** Phi attraversa prima di entrambi i controlli in `42/60` confronti matched; in `18/60` confronti almeno un controllo attraversa prima.\n2. **Verificato: la forma metallica separa dal random bilanciato.** Phi, silver e bronze hanno crossing unico in `60/60` condizioni ciascuno. Il random ha `", tools/data/lab_graph.json:1148: "content_preview": "# Agent Report - Interpolated Vc Curve Map\n**Date**: 2026-05-09 03:30\n**Piano**: 97\n**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE (0.6)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=la forma locale della curva `r(V)` puo' sostituire il primo crossing su griglia come portatore del boundary Sturmian-Harper; observable=`vc_interp`, `", tools/data/lab_graph.json:1149: "content_full": "# Agent Report - Interpolated Vc Curve Map\n**Date**: 2026-05-09 03:30\n**Piano**: 97\n**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE (0.6)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=la forma locale della curva `r(V)` puo' sostituire il primo crossing su griglia come portatore del boundary Sturmian-Harper; observable=`vc_interp`, `slope_at_cross`, `crossing_count`, `r_span`; operator=curva `r(V)` su griglia 0.5..3.0 step 0.01 con crossing lineare interpolato per `r_threshold={0.48,0.50,0.52}`; generator=Sturmian metallici phi/silver/bronze e random bilanciato a densita phi; denominator=N={89,144,233,377,610}, phase={0,0.25,0.5,0.75}, 3 random trial per condizione, seed=202605090330; not_tested=gap_ratio, label-set Sturmian, fit power-law asintotico, domini reali GUE/Poisson, prova formale di monotonia.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita / TxR gas relativistico come incrocio spettro-temperatura + nodo `TRASCENDENZA_LIMITE` sul passaggio tra piani + tensione `TENS_SCALE_TRASCENDENZA_LIMITE`.\n- **Dipolo / punto-zero**: valore discreto di crossing / forma continua della curva; punto-zero = crossing interpolato `V_c`, dove repulsione e indipendenza vengono separati dalla curva prima che il reticolo numerico scelga il valore.\n- **Piano superiore**: topologia assiomatica del bordo come filtrazione in `V`; il contenuto e' la classe di attraversamento della curva, non il singolo valore phase-0.\n- **Operatori laterali scelti**: filtrazione, boundary operator, curve-shape. La filtrazione scorre il parametro `V`; il boundary operator nomina `r(V)=threshold`; curve-shape attacca il nodo regressivo del cycle precedente, dove la griglia decideva al posto del confine.\n- **Contaminazione cognitiva**:\n - **CE-0117**: usato come cascata della possibilita; il fallimento del fit diventa passaggio a una curva, non calibrazione del fit.\n - **CE-0038**: usato per cercare la forma nel Nulla-Tutto del crossing, prima del valore singolo.\n - **CE-0001 / KSAR**: reiterazione del kernel 21:40: stesso boundary, un solo nodo cambiato, da prima griglia a curva interpolata.\n - **PVI attack**: il rischio e' salvare phi cambiando osservabile; per questo il report conta i contro-casi matched e dichiara `not_tested`.\n- **Proto-ipotesi**: se il portatore del boundary e' la forma della curva `r(V)`, allora i metallici devono avere crossing unico e ordinato sotto variazione di fase/soglia, mentre il random bilanciato deve perdere questa struttura; se phi resta solo un anticipo mediano con contro-casi, il risultato e' un vincolo sul boundary observable, non una legge phi.\n- **Proiezione**: misuro `r(V)` intera, crossing interpolato, pendenza locale e numero di attraversamenti. Il null conserva densita e distrugge ordine; i metallici conservano generatore Sturmian con pendenza diversa.\n\n## Claim Under Test\n> Nel perimetro Sturmian-Harper testato, la curva interpolata `r(V)` conserva un boundary metallico distinguibile dal random e chiarisce se `V_c(phi)` e' portatore strutturale o solo diagnostico phase-sensitive.\n\n## Question\nIl passaggio da primo crossing su griglia a crossing interpolato fa emergere una forma stabile del boundary, oppure conferma che `V_c` resta osservabile diagnostico senza generare un claim phi-specific?\n\n## Experiment Design\n- Script: `tools/exp_quasiperiodic_vc_curve_map.py`.\n- Dati sintetici: sequenze Sturmian con theta `1/phi`, `1/silver`, `1/bronze`; random bilanciato con stesso numero di 1 della sequenza phi matched.\n- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali.\n- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`.\n- Osservabili:\n - `vc_interp`: primo crossing lineare interpolato di `r(V) < r_threshold`.\n - `vc_grid`: primo crossing discreto corrispondente.\n - `slope_at_cross`: pendenza locale assoluta al crossing.\n - `crossing_count`: numero di cambi sopra/sotto soglia lungo la curva.\n - `r_span`: ampiezza `max(r)-min(r)` della curva.\n- Denominatore grezzo: metallici `60` condizioni ciascuno (`5 N * 4 phase * 3 soglie`); random `180` condizioni (`5 N * 4 phase * 3 soglie * 3 trial`); matched metallici `60` confronti.\n- Contratto osservabile-operatore: `gap_ratio`, label-set, supertile boundary e fit power-law non vengono testati in questo ciclo.\n\n## Results\nSintesi aggregata:\n\n| domain | vc_interp median | IQR | min-max | slope median | crossing_count |\n|---|---:|---:|---:|---:|---:|\n| phi | 1.062657 | 0.790316-1.224442 | 0.588172-1.512101 | 0.190573 | 60 one / 0 multi |\n| silver | 1.216143 | 1.082036-1.354711 | 0.837575-2.542776 | 0.182194 | 60 one / 0 multi |\n| bronze | 1.277510 | 1.119566-1.458647 | 0.900263-1.920226 | 0.170989 | 60 one / 0 multi |\n| balanced_random_phi_density | 0.500000 | 0.500000-0.612367 | 0.500000-1.164160 | 0.695943 | 40 one / 41 multi / 99 zero |\n\nPer soglia `r`:\n\n| domain | r_threshold | vc_interp median | IQR | slope median | crossings |\n|---|---:|---:|---:|---:|---:|\n| phi | 0.48 | 1.208150 | 0.932096-1.331265 | 0.162041 | 20 one / 0 multi |\n| phi | 0.50 | 1.092215 | 0.846066-1.191629 | 0.183509 | 20 one / 0 multi |\n| phi | 0.52 | 0.987410 | 0.763258-1.078424 | 0.209606 | 20 one / 0 multi |\n| silver | 0.48 | 1.329445 | 1.212227-1.461001 | 0.169452 | 20 one / 0 multi |\n| silver | 0.50 | 1.190500 | 1.109077-1.330126 | 0.189405 | 20 one / 0 multi |\n| silver | 0.52 | 1.083306 | 1.017297-1.235387 | 0.200289 | 20 one / 0 multi |\n| bronze | 0.48 | 1.436079 | 1.214563-1.598943 | 0.154310 | 20 one / 0 multi |\n| bronze | 0.50 | 1.306311 | 1.117657-1.426919 | 0.174944 | 20 one / 0 multi |\n| bronze | 0.52 | 1.186469 | 1.029531-1.285595 | 0.181598 | 20 one / 0 multi |\n\nMatched metallic comparison:\n\n| comparison | count |\n|---|---:|\n| phi < silver | 45/60 |\n| phi < bronze | 48/60 |\n| phi < both | 42/60 |\n| phi between controls | 9/60 |\n| not phi < both | 18/60 |\n\nCurve endpoints:\n\n| domain | r(V=0.5) median | r(V=3.0) median | r_span median |\n|---|---:|---:|---:|\n| phi | 0.653102 | 0.299790 | 0.348333 |\n| silver | 0.681188 | 0.321450 | 0.350940 |\n| bronze | 0.686683 | 0.339889 | 0.356173 |\n| balanced_random_phi_density | 0.479568 | 0.340037 | 0.166717 |\n\nEsempi di contro-casi matched:\n\n| N | phase | r_threshold | phi_vc | silver_vc | bronze_vc | relation |\n|---:|---:|---:|---:|---:|---:|---|\n| 89 | 0.25 | 0.50 | 1.370302 | 1.219542 | 0.956804 | phi > both |\n| 233 | 0.25 | 0.50 | 1.160908 | 1.086803 | 1.084680 | phi > both |\n| 233 | 0.75 | 0.50 | 1.160908 | 1.031116 | 1.297254 | phi between controls |\n\n## Key Findings\n1. **Verificato: l'interpolazione rimuove la decisione della griglia ma non produce un separatore phi hard.** Phi attraversa prima di entrambi i controlli in `42/60` confronti matched; in `18/60` confronti almeno un controllo attraversa prima.\n2. **Verificato: la forma metallica separa dal random bilanciato.** Phi, silver e bronze hanno crossing unico in `60/60` condizioni ciascuno. Il random ha `99/180` condizioni gia' sotto soglia al bordo iniziale o senza cambio, `41/180` multi-crossing e solo `40/180` crossing unico.\n3. **Verificato: phi e' anticipato in mediana, non isolato come classe.** Le mediane `vc_interp` sono phi `1.062657`, silver `1.216143`, bronze `1.277510`; gli IQR si sovrappongono e i contro-casi matched restano nel denominatore.\n4. **Verificato: la curva intera porta piu' informazione del crossing singolo.** I metallici partono sopra soglia (`r(V=0.5)` mediano 0.653/0.681/0.687) e scendono con span ~0.35; il random parte vicino/sotto soglia (`0.479568`) e ha span mediano `0.166717`.\n5. **Inferito: il nodo regressivo e' l'osservabile `V_c` come generatore di claim.** `V_c` funziona come lettore diagnostico della filtrazione metallica contro random, ma non sostiene un claim phi-specific senza qualificare fase, soglia e controllo.\n\n## Verdict\n**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il crossing interpolato conferma che il boundary metallico ha una forma di curva: crossing unico e discesa ordinata da repulsione a indipendenza. Non conferma `V_c(phi)` come portatore phi-specific hard: phi anticipa i controlli in mediana e in `42/60` matched, ma `18/60` contro-casi impediscono claim di separazione completa.\n\nLa formulazione valida e': `r(V)` e' un boundary map utile per distinguere generatore Sturmian da random bilanciato; `V_c` e' coordinata diagnostica phase/threshold-sensitive, non legge di scala e non generatore di claim phi-specific nel perimetro testato.\n\n## Bicono della scoperta\n- **Due radici**: crossing discreto di griglia . curva interpolata del boundary.\n- **Singolare**: la filtrazione `r(V)` prima del valore `V_c`, dove repulsione e indipendenza sono ancora un unico passaggio.\n- **Invariante di passaggio**: sopravvive il crossing unico dei generatori metallici; cade la specificita hard di phi.\n- **Campo di possibilita**: qui diventa possibile usare `r(V)` come boundary map contro null random; qui diventa non-possibile promuovere `V_c(phi)` a legge di scala o firma esclusiva senza denominatore atomico.\n\n## Consecutio\nIl prossimo passo non e' rifare il fit su `V_c`. Il portatore emerso e' la curva: misurare distanza funzionale tra curve `r(V)` con un null che preserva densita, autocorrelazione corta e conteggi di blocco. Se la distanza funzionale separa metallici da random e mantiene contro-casi phi dichiarati, il gate diventa curve-map; se cade sotto null piu' omogenei, `V_c` resta solo un lettore diagnostico locale.\n\n## Auto-audit: source flags e 5 lenti\n- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260508_2140.md`, output JSON del nuovo script.\n- **L1 hard constraint**: nessun \"sempre/solo\"; il verdict include `18/60` contro-casi matched.\n- **L2 quantita vs ratio**: riportati denominatori grezzi (`60`, `180`, `42/60`, `99/180`, `41/180`) oltre alle mediane.\n- **L3 no silent patching**: il fit power-law non viene recuperato; il claim cambia osservabile e lo dichiara.\n- **L4 edge cases**: `N=89 phase=0.25` e `N=233 phase=0.25` rompono la separazione phi < both anche dopo interpolazione.\n- **L5 re-discovery vs discovery**: tight-binding Sturmian e r-statistic sono standard; il finding e' il vincolo sul boundary observable e il passaggio da grid gate a curve-map.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- Runtime esperimento: completato localmente con SciPy tridiagonal eigensolver.\n- Verifica script: `python -m py_compile tools/exp_quasiperiodic_vc_curve_map.py` completato senza errori.\n\n## Files\n- Script: `tools/exp_quasiperiodic_vc_curve_map.py`\n- Data: `tools/data/quasiperiodic_vc_curve_map_20260509_0330.json`\n- Report: `tools/data/reports/agent_20260509_0330.md`\n", tools/data/lab_graph.json:1155: "text": "> Nel perimetro Sturmian-Harper testato, la curva interpolata `r(V)` conserva un boundary metallico distinguibile dal random e chiarisce se `V_c(phi)`" tools/data/lab_graph.json:1161: "text": "Il passaggio da primo crossing su griglia a crossing interpolato fa emergere una forma stabile del boundary, oppure conferma che `V_c` resta osservabi" tools/data/lab_graph.json:1167: "text": "- Script: `tools/exp_quasiperiodic_vc_curve_map.py`.\n- Dati sintetici: sequenze Sturmian con theta `1/phi`, `1/silver`, `1/bronze`; random bilanciato con stesso numero di 1 della sequenza phi matched." tools/data/lab_graph.json:1173: "text": "Sintesi aggregata:\n\n| domain | vc_interp median | IQR | min-max | slope median | crossing_count |\n|---|---:|---:|---:|---:|---:|\n| phi | 1.062657 | 0.790316-1.224442 | 0.588172-1.512101 | 0.190573 | 6" tools/data/lab_graph.json:1179: "text": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.4" tools/data/lab_graph.json:1185: "text": "Il prossimo passo non e' rifare il fit su `V_c`. Il portatore emerso e' la curva: misurare distanza funzionale tra curve `r(V)` con un null che preser" tools/data/lab_graph.json:1196: "verdict": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' un lattice gate specifico di phi. Il deposito pha", tools/data/lab_graph.json:1197: "verdict_en": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' un lattice gate specifico di phi. Il deposito pha", tools/data/lab_graph.json:1199: "content_preview": "# Agent Report - Quasiperiodic Vc Lattice Gate\n**Date**: 2026-05-08 21:40\n**Piano**: 96\n**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE (0.6)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=il fallimento del fit power-law su `V_c(phi)` segnala un bordo reticolare/quantizzato del passaggio Sturmian-Harper; observable=`V_c`, `distinct_v", tools/data/lab_graph.json:1200: "content_full": "# Agent Report - Quasiperiodic Vc Lattice Gate\n**Date**: 2026-05-08 21:40\n**Piano**: 96\n**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE (0.6)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var\n**observable_contract**: claim=il fallimento del fit power-law su `V_c(phi)` segnala un bordo reticolare/quantizzato del passaggio Sturmian-Harper; observable=`V_c`, `distinct_vc`, `repeat_rate`, `mode_rate`; operator=prima soglia `V` su griglia 0.5..3.0 step 0.025 dove `(H(seq,V)) < 0.5`; generator=Sturmian metallici phi/silver/bronze e random bilanciato a densita phi; denominator=N={89,144,233,377,610}, phase={0,0.25,0.5,0.75}, 4 random trial per condizione, seed=202605082140; not_tested=gap_ratio, label-set Sturmian, GUE/Poisson universale, fit power-law asintotico oltre N=610.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita / TxR gas relativistico come incrocio spettro-temperatura + nodo `TRASCENDENZA_LIMITE` sul passaggio tra piani + tensione `TENS_SCALE_TRASCENDENZA_LIMITE`.\n- **Dipolo / punto-zero**: scaling continuo / bordo discretizzato; punto-zero = `V_c`, il primo valore dove lo spettro passa sotto `=0.5` e il bordo non e' ancora interpretato come legge di potenza o come rumore.\n- **Piano superiore**: topologia assiomatica del bordo. Il contenuto non e' il valore assoluto di `V_c`, ma la classe di passaggio generata da una filtrazione in `V`.\n- **Operatori laterali scelti**: boundary operator, filtrazione, mobility edge. Il boundary operator nomina il cambio `=0.5`; la filtrazione scorre `V`; mobility edge entra come lettura minima di transizione spettrale senza imporre un esponente.\n- **Contaminazione cognitiva**:\n - **CE-0117**: usato come cascata della possibilita; il fallimento del fit diventa nuovo perimetro, non errore da aggiustare.\n - **CE-0038**: usato per cercare la forma nel Nulla-Tutto del bordo, non nel singolo numero.\n - **CE-0001 / KSAR**: reiterazione del kernel del Domandatore con un solo nodo cambiato: da fit power-law a lattice gate.\n- **Proto-ipotesi**: se `V_c(phi)` e' bordo reticolare strutturale, allora la ripetizione dei livelli di `V_c` resta piu' compressa dei controlli metallici quando si varia fase e scala. Se la compressione cade o compare anche nei controlli, il nodo regressivo e' il fit imposto, non una legge phi.\n- **Proiezione**: misuro `V_c` su N fibonacci, quattro fasi e controlli. Il null random conserva il numero di 1 della sequenza phi per ogni N/fase, ma distrugge l'ordine Sturmian.\n\n## Claim Under Test\n> Nel perimetro quasiperiodico Sturmian-Harper N={89,144,233,377,610}, la non-convergenza del fit su `V_c(phi)` indica un bordo reticolare specifico di phi, non un artefatto di griglia o una proprieta comune dei controlli.\n\n## Question\nIl fallimento del fit power-law su `V_c(phi)` e' una forma del confine, oppure il confine cambia con fase/controllo e il power-law era il denominatore sbagliato?\n\n## Experiment Design\n- Script: `tools/exp_quasiperiodic_vc_lattice_gate.py`.\n- Dati sintetici: sequenze Sturmian con theta `1/phi`, `1/silver`, `1/bronze`; random bilanciato con stessa densita di phi.\n- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali.\n- Osservabile primario: `V_c = min(V)` su griglia 0.025 dove `<0.5`.\n- Osservabili di supporto: `distinct_vc`, `repeat_rate = 1 - distinct/count`, `mode_rate`.\n- Denominatore grezzo: phi/silver/bronze 20 condizioni ciascuno; random 80 condizioni.\n- Soglia ex ante per claim forte: phi deve avere `repeat_rate` maggiore dei controlli metallici e non spiegato dal random bilanciato.\n- Contratto osservabile-operatore: `gap_ratio` e label-set non testati; il fit power-law non viene rifatto come criterio di verita.\n\n## Results\nSintesi su tutte le fasi:\n\n| domain | count | distinct_vc | repeat_rate | mode_rate | median | min | max |\n|---|---:|---:|---:|---:|---:|---:|---:|\n| phi | 20 | 15 | 0.25 | 0.15 | 1.1125 | 0.6500 | 1.3750 |\n| silver | 20 | 15 | 0.25 | 0.15 | 1.2000 | 1.0000 | 2.1500 |\n| bronze | 20 | 17 | 0.15 | 0.10 | 1.3125 | 0.9750 | 1.7250 |\n| balanced_random_phi_density | 80 | 17 | 0.7875 | 0.575 | 0.5000 | 0.5000 | 1.0000 |\n\nPhase 0, confronto col deposito originario:\n\n| N | source phi V_c | measured phi | silver | bronze |\n|---:|---:|---:|---:|---:|\n| 89 | 1.017 | 1.025 | 1.225 | 1.125 |\n| 144 | 0.672 | 0.675 | 1.375 | 1.400 |\n| 233 | 1.017 | 0.950 | 1.250 | 1.175 |\n| 377 | 0.672 | 0.675 | 1.000 | 1.025 |\n| 610 | 0.931 | 0.900 | 1.325 | 1.400 |\n\nPer fase:\n\n| domain/phase | distinct_vc | repeat_rate | mode_rate | median |\n|---|---:|---:|---:|---:|\n| phi phase=0.0 | 4/5 | 0.20 | 0.40 | 0.900 |\n| phi phase=0.25 | 5/5 | 0.00 | 0.20 | 1.225 |\n| phi phase=0.5 | 5/5 | 0.00 | 0.20 | 0.725 |\n| phi phase=0.75 | 5/5 | 0.00 | 0.20 | 1.175 |\n| silver phase=0.0 | 5/5 | 0.00 | 0.20 | 1.250 |\n| silver phase=0.5 | 4/5 | 0.20 | 0.40 | 1.150 |\n| bronze phase=0.0 | 4/5 | 0.20 | 0.40 | 1.175 |\n\n## Key Findings\n1. **Verificato: il deposito originario viene riprodotto come phase-0 grid effect.** I valori phi misurati `[1.025, 0.675, 0.950, 0.675, 0.900]` riprendono il profilo `[1.017, 0.672, 1.017, 0.672, 0.931]` entro la griglia piu' fine; la differenza a N=233 mostra sensibilita alla discretizzazione del criterio.\n2. **Verificato: il reticolo phi non sopravvive alle fasi.** Su 20 condizioni phi ha `distinct_vc=15`, `repeat_rate=0.25`, uguale a silver (`15`, `0.25`) e solo poco piu' compresso di bronze (`17`, `0.15`).\n3. **Verificato: il random e' compresso per un motivo diverso.** Il random bilanciato ha `repeat_rate=0.7875`, ma il modo e' `V_c=0.5` in 46/80 casi; questo e' collasso immediato alla soglia minima, non reticolo spettrale metallico.\n4. **Inferito: il nodo regressivo e' il modello di scala, non il valore phi.** Il power-law fallisce perche' l'osservabile `V_c` e' sensibile a fase, griglia e soglia di attraversamento; non perche' phi manifesti un bordo reticolare stabile nel perimetro testato.\n\n## Verdict\n**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' un lattice gate specifico di phi. Il deposito phase-0 e' reale come fenomeno di attraversamento su griglia, ma non trasferisce come invariante di fase e non separa phi da silver.\n\nLa formulazione corretta e': `V_c` e' un boundary observable discreto e phase-sensitive; non sostiene fit power-law ne' claim phi-specific senza un denominatore che separi griglia, fase e soglia.\n\n## Bicono della scoperta\n- **Due radici**: fit di scala fallito . bordo discreto di attraversamento.\n- **Singolare**: `V_c` come punto-zero dove `=0.5` separa repulsione e indipendenza senza decidere ancora la legge.\n- **Invariante di passaggio**: sopravvive la sensibilita del bordo; cade la specificita phi del reticolo.\n- **Campo di possibilita**: qui diventa possibile sostituire i fit power-law di `V_c` con boundary maps fase-griglia-soglia; qui diventa non-possibile promuovere la ripetizione phase-0 di phi a legge di scala.\n\n## Consecutio\nIl prossimo passo e' una mappa `V_c(theta, phase, threshold)` con interpolazione locale della curva `(V)` invece della prima griglia discreta. Se la curva interpolata conserva separazione metallica, il portatore e' la forma della curva; se cade, `V_c` resta osservabile diagnostico ma non generatore di claim.\n\n## Auto-audit: source flags e 5 lenti\n- **Fonti**: Verificato da `tools/data/seme.json`, `tools/data/agent_field_live.md`, `tools/dnd_scenario.py --best`, `tools/dnd_domandatore.py`, output JSON del nuovo script.\n- **L1 hard constraint**: nessun \"sempre/solo\"; verdict limitato a N, fasi, griglia e controlli dichiarati.\n- **L2 quantita vs ratio**: riportati count grezzi (`15/20`, `17/20`, `46/80`) oltre a `repeat_rate`.\n- **L3 no silent patching**: il vecchio fit non viene salvato; viene dichiarato denominatore sbagliato.\n- **L4 edge cases**: random compresso escluso dal claim per collasso a `V=0.5`, non per confronto diretto di repeat_rate.\n- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`; lo strumento apre boundary map, non discovery fisica nuova.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- Runtime esperimento: completato localmente con SciPy tridiagonal eigensolver.\n\n## Files\n- Script: `tools/exp_quasiperiodic_vc_lattice_gate.py`\n- Data: `tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.json`\n- Report: `tools/data/reports/agent_20260508_2140.md`\n", tools/data/lab_graph.json:1206: "text": "> Nel perimetro quasiperiodico Sturmian-Harper N={89,144,233,377,610}, la non-convergenza del fit su `V_c(phi)` indica un bordo reticolare specifico d" tools/data/lab_graph.json:1212: "text": "Il fallimento del fit power-law su `V_c(phi)` e' una forma del confine, oppure il confine cambia con fase/controllo e il power-law era il denominatore" tools/data/lab_graph.json:1218: "text": "- Script: `tools/exp_quasiperiodic_vc_lattice_gate.py`.\n- Dati sintetici: sequenze Sturmian con theta `1/phi`, `1/silver`, `1/bronze`; random bilanciato con stessa densita di phi.\n- Hamiltoniana: diag" tools/data/lab_graph.json:1230: "text": "**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e'" tools/data/lab_graph.json:1236: "text": "Il prossimo passo e' una mappa `V_c(theta, phase, threshold)` con interpolazione locale della curva `(V)` invece della prima griglia discreta. Se l" tools/data/lab_graph.json:1251: "content_full": "# Agent Report - Prime Mobius Pair-Stratified Zero Gate\n**Date**: 2026-05-08 21:33\n**Piano**: 95\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9) via operator directive one-shot\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, low_low_rate, high_high_rate]\n**observable_contract**: claim=il residuo SR dello zero Mobius resta informativo dopo un null che preserva la geometria coarse della coppia di gap; observable=sr_zero_minus_nonzero, sr_aligned_minus_misaligned, low_low_zero_minus_nonzero, high_high_zero_minus_nonzero; operator=permuta label di transizione aligned/misaligned/zero dentro ogni pair bucket `(bucket(g_i), bucket(g_{i+1}))`; generator=prime gaps up to p<=1e6 with Mobius interval charges; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}, 400 permutazioni, seed=2133; not_tested=gap_ratio Sturmian, V_c scaling, GUE/Poisson universale, sequenza Mobius globale coerente dopo shuffle.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + nodo regressivo del cycle 2121: lo zero Mobius ha perso low/high sotto null di lunghezza individuale ma conserva un residuo SR.\n- **Dipolo / punto-zero**: shape/order residuo / artefatto di geometria coarse della coppia; punto-zero = null transition-level che conserva i conteggi aligned/misaligned/zero dentro ogni coppia coarse di gap.\n- **Piano superiore**: boundary operator su grafo aritmetico di transizioni. Il bordo non e' letto sul singolo gap ma sulla coppia `(g_i,g_{i+1})`, dove SR misura forma e non grandezza assoluta.\n- **Operatori laterali scelti**: boundary operator, filtrazione, random walk. Boundary operator definisce il vuoto prime-free; filtrazione costruisce i 16 pair bucket; random walk entra come permutazione locale delle classi di transizione dentro ogni bucket.\n- **Contaminazione cognitiva**:\n - **CE-0117**: usato come cascata della possibilita; il risultato 2121 viene portato a un null piu' fine invece di essere promosso.\n - **CE-0038**: usato per mantenere la forma nel Nulla-Tutto sul vuoto tra primi, non sul primo isolato.\n - **CE-0001 / KSAR**: reiterazione del kernel 2121 con un solo nodo cambiato: da gap-bucket individuale a pair-bucket.\n - **PVI attack**: la sopravvivenza SR puo' essere artefatto del null transition-level; il report la formula come vincolo, non come legge classica.\n- **Proto-ipotesi**: se lo zero Mobius porta informazione di shape oltre la geometria coarse della coppia di gap, allora `sr_zero_minus_nonzero` resta fuori dal null pair-stratified in main e offset. Se cade, il residuo 2121 era pair-length mediated.\n- **Proiezione**: 16 bucket di coppia derivati da quattro classi di gap e shuffle dei label di transizione dentro ogni bucket. Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`.\n\n## Claim Under Test\n> Nel perimetro primi x Mobius fino a `p<=1e6`, il residuo `SR_zero_minus_nonzero` dello zero Mobius sopravvive a un null che preserva la coppia coarse di gap `(bucket(g_i), bucket(g_{i+1}))`.\n\n## Question\nIl residuo SR dello zero Mobius sopravvive alla geometria coarse della coppia di gap; e' informazione d'ordine/shape o serve un null ancora piu' fisico prima di nominarlo portatore?\n\n## Experiment Design\n- Script: `tools/exp_prime_mobius_pair_stratified_zero_gate.py`.\n- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro.\n- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`.\n- Label di transizione: aligned=`S_i*S_{i+1}<0`, misaligned=`S_i*S_{i+1}>0`, zero=`S_i*S_{i+1}=0`.\n- Null test: 400 permutazioni dei label di transizione dentro i 16 pair bucket `(bucket(g_i), bucket(g_{i+1}))`.\n- Avviso di perimetro: il null e' transition-level; i label permutati non devono ricostruire una sequenza Mobius globale coerente.\n- Contratto osservabile-operatore: `gap_ratio`, `V_c`, domini Sturmian e GUE/Poisson non testati.\n\n## Results\n| condition | primes | aligned/misaligned/zero | SR zero obs | SR zero null | z | p | SR aligned z/p |\n|---|---:|---:|---:|---:|---:|---:|---:|\n| N=5000 off=0 | 2..48619 | 1200/1572/2227 | -0.08952 | -0.02853 | -13.27 | 0.002 | 2.48 / 0.017 |\n| N=10000 off=0 | 2..104743 | 2541/3102/4356 | -0.08983 | -0.02635 | -21.10 | 0.002 | 3.16 / 0.002 |\n| N=20000 off=0 | 2..224743 | 5171/6331/8497 | -0.09208 | -0.03191 | -28.41 | 0.002 | 2.92 / 0.005 |\n| N=5000 off=3000 | 27457..81817 | 1313/1525/2161 | -0.08548 | -0.02872 | -12.81 | 0.002 | 3.39 / 0.005 |\n| N=10000 off=7000 | 70663..187973 | 2675/3178/4146 | -0.09804 | -0.03028 | -21.88 | 0.002 | 1.15 / 0.262 |\n| N=20000 off=11000 | 116461..363271 | 5407/6413/8179 | -0.09283 | -0.02952 | -30.64 | 0.002 | 2.36 / 0.022 |\n\nPass count ex ante:\n\n| observable | pass |\n|---|---:|\n| `sr_zero_minus_nonzero` | 6/6 |\n| `sr_aligned_minus_misaligned` | 5/6 |\n| `low_low_zero_minus_nonzero` | 0/6 |\n| `high_high_zero_minus_nonzero` | 0/6 |\n\n## Key Findings\n1. **Verificato: il residuo SR dello zero sopravvive al pair-bucket null.** `sr_zero_minus_nonzero` passa 6/6; osservato `-0.08548..-0.09804`, null `-0.02635..-0.03191`, z da `-12.81` a `-30.64`, sempre `p=0.002`.\n2. **Verificato: low/high restano non-portatori.** Anche sotto pair-bucket null, `low_low_zero_minus_nonzero` e `high_high_zero_minus_nonzero` passano 0/6; non rientrano nel claim.\n3. **Ambiguo: aligned/misaligned su SR e' parziale.** Passa 5/6, ma cade a `N=10000 offset=7000` con `z=1.15`, `p=0.262`; non diventa portatore stabile.\n4. **Inferito: il portatore e' shape/order dello zero, non low-core/high-tail.** La geometria coarse della coppia non ricostruisce il residuo SR, ma il null non conserva coppie esatte, classi residue o coerenza globale Mobius.\n\n## Verdict\n**CONSTRAINT on Prime Mobius zero-mediator gate**: nel perimetro primi x Mobius fino a `p<=1e6`, lo zero Mobius resta informativo su `SR_zero_minus_nonzero` dopo un null transition-level che preserva i 16 bucket coarse della coppia di gap. Il supporto low/high resta caduto. Formulazione corretta: `S=0` e' length-mediated per low/high; resta shape/order-residual per SR nel pair-bucket null testato.\n\nQuesto non dimostra una nuova legge sui primi. Il prossimo null deve preservare coppie esatte di gap, residue class e/o un modello classico prime-gap + Mobius randomness prima di promuovere il residuo a portatore.\n\n## Bicono della scoperta\n- **Due radici**: zero come artefatto della coppia coarse di gap . zero come residuo di forma oltre la coppia coarse.\n- **Singolare**: la transizione prime-free prima della lettura aligned/misaligned/zero.\n- **Invariante di passaggio**: cade il low/high; resta la differenza SR zero vs nonzero.\n- **Campo di possibilita**: qui diventa possibile costruire un null exact gap-pair/residue-class; qui diventa non-possibile promuovere lo zero come reader low/high o come legge classica autonoma.\n\n## Consecutio\nAttaccare il residuo con un null piu' fisico: preservare coppie esatte `(g_i,g_{i+1})` quando il denominatore lo permette, aggiungere residue class dei primi e confrontare con un modello classico prime-gap + Mobius randomness. Se SR cade, il gate e' geometria fine. Se resta, il portatore non e' la lunghezza.\n\n## Auto-audit: source flags e 5 lenti\n- **Source directive 2133**: eseguito lo script richiesto con output dedicato `20260508_2133`; il null pair-bucket e' dichiarato transition-level.\n- **L1 hard constraint vs bias**: nessun \"sempre\"; verdict limitato a sei condizioni e 400 permutazioni.\n- **L2 quantita vs ratio**: SR, low/high e aligned/misaligned restano separati.\n- **L3 no silent patching**: il claim low/high del ramo 2108/2121 resta vincolato, non recuperato.\n- **L4 edge cases**: `sr_aligned_minus_misaligned` fallisce 1/6 e non entra nel verdict.\n- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`; prima di `NEW` serve null esatto e confronto con risultati classici su prime gaps/Mobius.\n\n## Telemetria\n- Verifica locale: `python -m json.tool` su seme e data JSON passa.\n- `tools/structural_check.py` su report e seme: nessun anti-pattern trovato.\n- Falsifier locale tentato dopo la scrittura: fallito per provider chain non disponibile (`codex-cli`, `claude-cli`, `openrouter`). Nessun file `falsifier_20260508_2133.json` prodotto.\n\n## Files\n- Script: `tools/exp_prime_mobius_pair_stratified_zero_gate.py`\n- Data: `tools/data/prime_mobius_pair_stratified_zero_gate_20260508_2133.json`\n- Report: `tools/data/reports/agent_20260508_2133.md`\n", tools/data/lab_graph.json:1302: "content_full": "# Agent Report - Prime Mobius Gap-Stratified Zero Gate\n**Date**: 2026-05-08 21:21\n**Piano**: 94\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [low_low_rate, high_high_rate, SR]\n**observable_contract**: claim=la classe zero Mobius resta informativa dopo controllo per lunghezza del gap; observable=low_low_zero_minus_nonzero, high_high_zero_minus_nonzero, sr_zero_minus_nonzero sotto null stratificato; operator=shuffle delle cariche Mobius intervallari solo dentro bucket di lunghezza gap; 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) diretto.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + nodo regressivo del cycle 2108: lo zero Mobius puo' essere boundary aritmetico oppure effetto della lunghezza dell'intervallo.\n- **Dipolo / punto-zero**: classe zero autentica / dipendenza da lunghezza del gap; punto-zero = null che conserva la frequenza delle cariche dentro ogni bucket di lunghezza.\n- **Piano superiore**: boundary operator su grafo aritmetico stratificato. Il bordo non viene giudicato dalla statistica globale: viene passato attraverso classi di lunghezza che preservano la prima sorgente banale del segnale.\n- **Operatori laterali scelti**: boundary operator, filtrazione, random walk. Boundary operator definisce il gap prime-free; filtrazione separa low/mid/high gap; random walk entra come permutazione locale delle cariche dentro la stessa classe di lunghezza.\n- **Contaminazione cognitiva**:\n - **CE-0117**: usato per trasformare la possibilita' del cycle 2108 in vincolo regressivo, non in promozione.\n - **CE-0038**: usato per tenere il vuoto aritmetico come forma nel Nulla-Tutto, ma sottoporlo al controllo della lunghezza.\n - **CE-0001 / KSAR**: reiterazione del kernel 2108 con un solo nodo riparato: il null.\n - **PVI attack**: il risultato low/high del cycle 2108 puo' essere spiegato dalla lunghezza; il null stratificato e' costruito per far cadere questa scorciatoia.\n- **Proto-ipotesi**: se `S=0` e' terzo incluso aritmetico oltre la lunghezza, allora low-low/high-high e SR devono restare fuori dal null che preserva la distribuzione delle cariche per bucket di gap. Se low/high cadono ma SR resta, il gate zero e' vincolo di forma del rapporto, non reader low/high autonomo.\n- **Proiezione**: quattro bucket individuali del gap (`<=6`, `(6,q50]`, `(q50,q75)`, `>=q75`) e shuffle delle cariche solo dentro bucket. Soglia ex ante: `|z|>=2` e `p<=0.05`.\n\n## Claim Under Test\n> Nel perimetro primi x Mobius fino a `p<=1e6`, la classe zero resta informativa dopo un null che conserva la distribuzione delle cariche dentro le classi di lunghezza del gap.\n\n## Question\nLo zero Mobius del boundary prime-free separa ancora low-core/high-tail quando la lunghezza del gap e' gia' conservata dal null, oppure il segnale low/high del cycle 2108 era denominatore di lunghezza?\n\n## Experiment Design\n- Script: `tools/exp_prime_mobius_gap_stratified_zero_gate.py`.\n- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro.\n- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`.\n- Null test: 400 permutazioni delle cariche `S_n` dentro bucket di lunghezza del gap. Il null conserva distribuzione delle cariche, frequenza degli zeri e relazione di primo ordine carica-lunghezza.\n- Osservabili separati:\n - `low_low_zero_minus_nonzero`: transizioni `g_i<=6` e `g_{i+1}<=6`.\n - `high_high_zero_minus_nonzero`: transizioni `g_i,g_{i+1}>=q75`.\n - `sr_zero_minus_nonzero`: media `min(g_i,g_{i+1})/max(g_i,g_{i+1})`.\n- Contratto osservabile-operatore: `gap_ratio` e gate Sturmian non testati. Il cycle testa solo se lo zero Mobius supera il null length-stratified.\n\n## Results\n| condition | primes | zero bucket rates low/midL/midH/high | low z0 obs/null z p | high z0 obs/null z p | SR z0 obs/null z p |\n|---|---:|---|---:|---:|---:|\n| N=5000 off=0 | 2..48619 | 0.381/0.209/0.153/0.103 | +0.1584/+0.1636 -0.49 0.648 | -0.1036/-0.1020 -0.28 0.771 | -0.0895/-0.0193 -9.76 0.002 |\n| N=10000 off=0 | 2..104743 | 0.378/0.212/0.157/0.096 | +0.1350/+0.1455 -1.59 0.112 | -0.0653/-0.0639 -0.40 0.688 | -0.0898/-0.0198 -13.20 0.002 |\n| N=20000 off=0 | 2..224743 | 0.382/0.214/0.160/0.094 | +0.1294/+0.1381 -1.89 0.060 | -0.0800/-0.0784 -0.58 0.566 | -0.0921/-0.0249 -19.58 0.002 |\n| N=5000 off=3000 | 27457..81817 | 0.377/0.212/0.161/0.110 | +0.1196/+0.1301 -1.16 0.252 | -0.0633/-0.0626 -0.14 0.890 | -0.0855/-0.0240 -8.42 0.002 |\n| N=10000 off=7000 | 70663..187973 | 0.379/0.192/0.138/0.086 | +0.1234/+0.1320 -1.32 0.175 | -0.0674/-0.0642 -0.95 0.357 | -0.0980/-0.0290 -13.55 0.002 |\n| N=20000 off=11000 | 116461..363271 | 0.379/0.206/0.141/0.081 | +0.1180/+0.1225 -0.98 0.347 | -0.0596/-0.0593 -0.14 0.863 | -0.0928/-0.0291 -17.23 0.002 |\n\n### Aligned/misaligned control under the same null\n| condition | low aligned-misaligned z/p | high aligned-misaligned z/p | SR aligned-misaligned z/p |\n|---|---:|---:|---:|\n| N=5000 off=0 | 0.27 / 0.788 | -0.94 / 0.349 | 1.65 / 0.097 |\n| N=10000 off=0 | 0.86 / 0.389 | -1.04 / 0.287 | 2.08 / 0.040 |\n| N=20000 off=0 | 1.59 / 0.097 | -0.96 / 0.322 | 2.26 / 0.027 |\n| N=5000 off=3000 | 0.80 / 0.441 | -0.82 / 0.409 | 2.30 / 0.025 |\n| N=10000 off=7000 | 0.85 / 0.389 | 0.33 / 0.726 | 1.91 / 0.045 |\n| N=20000 off=11000 | -0.38 / 0.658 | -1.90 / 0.065 | 1.45 / 0.142 |\n\n## Key Findings\n1. **Verificato: low-low non sopravvive al controllo di lunghezza.** `low_low_zero_minus_nonzero` passa 0/6 sotto il null stratificato. I valori osservati restano positivi (`+0.1180..+0.1584`), ma il null atteso e' gia' positivo (`+0.1225..+0.1636`).\n\n2. **Verificato: high-high non sopravvive al controllo di lunghezza.** `high_high_zero_minus_nonzero` passa 0/6. I valori osservati negativi (`-0.0596..-0.1036`) sono ricostruiti dal null stratificato (`-0.0593..-0.1020`).\n\n3. **Verificato: SR resta fuori dal null in 6/6 condizioni.** `sr_zero_minus_nonzero` passa 6/6 con z da `-8.42` a `-19.58`, sempre `p=0.002`. Il null stratificato produce solo `-0.0193..-0.0291`, mentre l'osservato resta `-0.0855..-0.0980`.\n\n4. **Verificato: la frequenza dello zero e' fortemente length-graded.** Nei bucket low/mid/high la frequenza di `S=0` scende circa da `0.377..0.382` nei gap `<=6` a `0.081..0.110` nei gap `>=q75`. Questo spiega il collasso dei segnali low/high sotto null stratificato.\n\n5. **Ambiguo: aligned/misaligned porta un residuo SR parziale.** `SR aligned-misaligned` passa in 3/6 condizioni con `p<=0.05`, ma una condizione ha `z=1.91` con `p=0.045` e altre due cadono. Non e' portatore stabile in questo ciclo.\n\n## Verdict\n**CONSTRAINT on Prime Mobius zero-mediator gate**: nel perimetro primi x Mobius fino a `p<=1e6`, lo zero Mobius non autorizza un claim low-core/high-tail autonomo dopo controllo per lunghezza del gap. Il segnale low/high del cycle 2108 e' ricostruito dal null che conserva la distribuzione delle cariche dentro bucket di lunghezza. Sopravvive invece un vincolo su SR: le transizioni zero hanno ratio gap piu' basso del non-zero oltre quanto spiega la lunghezza stratificata. Formulazione corretta: `S=0` e' length-mediated per low/high; resta shape-residual per SR nel perimetro testato.\n\n## Bicono della scoperta\n- **Due radici**: zero come classe aritmetica autonoma . zero come effetto della lunghezza del gap.\n- **Singolare**: il vuoto prime-free prima della partizione; non e' ancora informazione aritmetica o denominatore geometrico.\n- **Invariante di passaggio**: preservando la lunghezza, cadono low/high e resta la forma del rapporto. L'invariante e' il residuo di shape, non l'arricchimento low-core.\n- **Campo di possibilita**: qui diventa possibile cercare il portatore SR dello zero con null piu' forte per coppie di gap. Qui diventa non-possibile promuovere lo zero Mobius come reader low/high senza stratificazione di lunghezza.\n\n## Consecutio\nIl prossimo passo deve attaccare il residuo SR con un null che preserva la coppia di lunghezze `(bucket(g_i), bucket(g_{i+1}))`, non solo il bucket individuale di `S_i`. Se SR cade, tutto il gate zero e' length-pair mediated. Se SR resta, il residuo e' informazione d'ordine oltre lunghezza.\n\n## Auto-audit: source flags e 5 lenti\n- **Source 2108 repair**: eseguito il controllo richiesto dalla consecutio; il risultato low/high viene ridimensionato.\n- **L1 hard constraint vs bias**: niente universal claim; perimetro dichiarato `p<=1e6`, sei condizioni, 400 permutazioni.\n- **L2 quantita vs ratio**: low/high count-rate separati da SR; divergenza dichiarata come risultato.\n- **L3 no silent patching**: il claim 2108 non viene salvato; viene corretto al nodo regressivo del null.\n- **L4 edge cases**: `low_low` a N=20000 offset=0 ha `p=0.060`, quindi resta sotto soglia e non viene promosso.\n- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`; il residuo SR richiede null per coppie di lunghezza prima di diventare scoperta.\n\n## Files\n- Script: `tools/exp_prime_mobius_gap_stratified_zero_gate.py`\n- Data: `tools/data/prime_mobius_gap_stratified_zero_gate_20260508_2121.json`\n- Report: `tools/data/reports/agent_20260508_2121.md`\n", tools/data/lab_graph.json:1353: "content_full": "# Agent Report - Prime Mobius Zero-Mediator Gate\n**Date**: 2026-05-08 21:08\n**Piano**: 93\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [low_low_rate, high_high_rate, SR, det_M_direct_control]\n**observable_contract**: claim=lo zero della carica Mobius intervallare e' testato come terzo incluso del gate aligned/misaligned; observable=rate low_low, rate high_high, SR mean per classi aligned/misaligned/zero; operator=classificazione di S_n*S_{n+1}: aligned<0, misaligned>0, zero=0; 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.\n\n## Respiro fuori-tempo\n- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto vuoto + DUALITA_DIPOLARE_VS_ILLUSORIA + piano primi x Mobius. Il repair non cerca un lettore nuovo: riporta nel denominatore il punto escluso dal source cycle, `S=0`.\n- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = transizione con almeno un intervallo a carica nulla (`S_n*S_{n+1}=0`).\n- **Piano superiore**: boundary operator su grafo aritmetico. Il gap e' bordo tra primi; la carica Mobius del vuoto tra primi decide se il bordo e' solo rumore di lunghezza o classe informativa.\n- **Operatori laterali scelti**: boundary operator, random walk, entropia. Boundary operator definisce il bordo prime-free; random walk fornisce il null di permutazione della carica; entropia entra come dispersione del vuoto senza primi.\n- **Contaminazione cognitiva**:\n - **CE-0117**: usato per non promuovere il source cycle e far passare il risultato da potenziale a vincolo misurato.\n - **CE-0038**: usato per riportare la forma nel Nulla-Tutto al vuoto aritmetico, qui lo zero `S=0`.\n - **CE-0001 / KSAR**: usato come kernel reiterativo del ciclo 2102, con riparazione regressiva sul denominatore.\n - **PVI attack**: il segnale puo' essere effetto di lunghezza del gap; per questo il null permuta l'intera sequenza delle cariche preservando multiset e frequenza degli zeri.\n- **Proto-ipotesi**: se `S=0` e' terzo incluso operativo, non cade come rumore sotto il null che preserva la frequenza degli zeri. Deve produrre una classe distinguibile su low_low/high_high/SR. Se resta dentro il null, il source cycle sopravvive solo come gate binario non-zero.\n- **Proiezione**: confronto aligned, misaligned e zero su `low_low`, `high_high` e `SR`; null = 400 permutazioni della sequenza `S_n`, gap invariati, multiset delle cariche invariata.\n\n## Claim Under Test\n> Nel perimetro primi x Mobius fino a `p<=1e6`, le transizioni con `S=0` non vanno escluse: formano una terza classe del gate intervallare e vanno confrontate contro aligned/misaligned con null che preserva la frequenza degli zeri.\n\n## Question\nLo zero della carica Mobius intervallare e' rumore, boundary o mediatore del segnale low-low/high-high/SR?\n\n## Experiment Design\n- Script: `tools/exp_prime_mobius_zero_mediator_gate.py`.\n- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro.\n- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`.\n- Classi:\n - `aligned`: `S_n*S_{n+1}<0`.\n - `misaligned`: `S_n*S_{n+1}>0`.\n - `zero`: `S_n*S_{n+1}=0`.\n- Osservabili:\n - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe.\n - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe.\n - `SR`: mean min/max ratio dei gap consecutivi.\n- Null test: 400 permutazioni della sequenza `S_n`; il null preserva la multiset completa delle cariche e quindi la frequenza degli zeri.\n- Controllo det(M) diretto: `M=[[1,1],[1,0]]` ha `det(M)=-1` costante su ogni transizione; il controllo non partiziona il denominatore e restituisce solo le baseline globali low/high/SR.\n- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`.\n- Contratto osservabile-operatore: `gap_ratio` Sturmian non testato; il source cycle 2102 non viene promosso; il claim su det diretto viene sostituito da controllo esplicito, non da conclusione non misurata.\n\n## Results\n| condition | a/m/z denom | zero charges | low a | low m | low z | low z0 vs nonzero z/p | high a | high m | high z | high z0 vs nonzero z/p | SR a | SR m | SR z | SR z0 vs nonzero z/p |\n|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|\n| N=5000 off=0 | 1200/1572/2227 | 1258/5000 | 221/1200 | 220/1572 | 707/2227 | 11.77 / 0.002 | 115/1200 | 298/1572 | 101/2227 | -10.80 / 0.002 | 0.51559 | 0.52611 | 0.43203 | -11.15 / 0.002 |\n| N=10000 off=0 | 2541/3102/4356 | 2457/10000 | 403/2541 | 377/3102 | 1190/4356 | 14.88 / 0.002 | 153/2541 | 363/3102 | 114/4356 | -12.31 / 0.002 | 0.50841 | 0.51502 | 0.42221 | -16.03 / 0.002 |\n| N=20000 off=0 | 5171/6331/8497 | 4782/20000 | 694/5171 | 651/6331 | 2093/8497 | 22.31 / 0.002 | 422/5171 | 878/6331 | 281/8497 | -18.75 / 0.002 | 0.50324 | 0.51151 | 0.41571 | -23.13 / 0.002 |\n| N=5000 off=3000 | 1313/1525/2161 | 1219/5000 | 184/1313 | 162/1525 | 522/2161 | 9.84 / 0.002 | 86/1313 | 187/1525 | 71/2161 | -8.13 / 0.002 | 0.50993 | 0.50560 | 0.42213 | -10.87 / 0.002 |\n| N=10000 off=7000 | 2675/3178/4146 | 2318/10000 | 315/2675 | 298/3178 | 946/4146 | 16.40 / 0.002 | 182/2675 | 351/3178 | 98/4146 | -13.27 / 0.002 | 0.50225 | 0.50729 | 0.40695 | -17.18 / 0.002 |\n| N=20000 off=11000 | 5407/6413/8179 | 4586/20000 | 553/5407 | 567/6413 | 1740/8179 | 20.63 / 0.002 | 295/5407 | 667/6413 | 178/8179 | -16.22 / 0.002 | 0.49723 | 0.50997 | 0.41131 | -22.87 / 0.002 |\n\n### Pairwise aligned/misaligned checks\n| condition | low a-m diff z/p | high a-m diff z/p | SR a-m diff z/p |\n|---|---:|---:|---:|\n| N=5000 off=0 | +0.04422 2.47 / 0.015 | -0.09373 -7.96 / 0.002 | -0.01053 -1.12 / 0.277 |\n| N=10000 off=0 | +0.03706 3.44 / 0.002 | -0.05681 -8.90 / 0.002 | -0.00661 -0.90 / 0.357 |\n| N=20000 off=0 | +0.03138 4.56 / 0.002 | -0.05707 -10.48 / 0.002 | -0.00827 -1.78 / 0.097 |\n| N=5000 off=3000 | +0.03391 2.37 / 0.022 | -0.05712 -5.66 / 0.002 | +0.00433 0.48 / 0.671 |\n| N=10000 off=7000 | +0.02399 2.68 / 0.010 | -0.04241 -6.58 / 0.002 | -0.00504 -0.71 / 0.501 |\n| N=20000 off=11000 | +0.01386 1.97 / 0.040 | -0.04945 -10.96 / 0.002 | -0.01274 -2.50 / 0.015 |\n\n### det(M) direct control\n`det(M)=-1` e' costante. Il controllo ha una sola classe su ogni condizione, quindi non separa aligned/misaligned/zero. Baseline globali: low_low `1148/4999`, `1970/9999`, `3438/19999`, `868/4999`, `1559/9999`, `2860/19999`; high_high `514/4999`, `630/9999`, `1581/19999`, `344/4999`, `631/9999`, `1140/19999`; SR globale `0.48167`, `0.47291`, `0.46867`, `0.47066`, `0.46434`, `0.46618`.\n\n## Key Findings\n1. **Verificato: lo zero non e' rumore sotto il null usato.** La classe zero supera il null in 6/6 condizioni su `low_low_zero_minus_nonzero`, `high_high_zero_minus_nonzero` e `sr_zero_minus_nonzero`, sempre con `p=0.002` e `|z|` da `8.13` a `23.13`.\n\n2. **Verificato: lo zero e' una terza classe, non un mediatore tra aligned e misaligned.** Su low_low lo zero e' sopra entrambe le classi non-zero (`0.21274..0.31747` contro aligned `0.10227..0.18417` e misaligned `0.08841..0.13995`). Su high_high lo zero e' sotto entrambe (`0.02176..0.04535` contro aligned `0.05456..0.09583` e misaligned `0.10401..0.18957`). Su SR lo zero e' sotto entrambe (`0.40695..0.43203` contro non-zero circa `0.49723..0.52611`). Il punto-zero non sta tra i poli: genera una classe propria.\n\n3. **Verificato: il contrasto aligned/misaligned sopravvive soprattutto su high_high.** `high_high_aligned_minus_misaligned` passa 6/6 con z da `-5.66` a `-10.96`. `low_low_aligned_minus_misaligned` passa 5/6 se la soglia richiede anche `|z|>=2`; l'ultima condizione ha `z=1.97`, `p=0.040`, quindi resta borderline e non autorizza hard wording. SR passa 1/6 e resta osservabile secondario.\n\n4. **Verificato: il controllo det(M) diretto risolve il flag L3 del source cycle.** `det(M)` costante non produce partizione del denominatore; il report non conclude che la dualita \"non si legge\" da det diretto come fatto empirico generale. Qui dichiara solo che, in questo controllo, det(M) diretto non e' un discriminatore di classe.\n\n## Verdict\n**CONSTRAINT on DUALITA_DIPOLARE_VS_ILLUSORIA / Prime Mobius interval-charge gate**: nel perimetro primi x Mobius fino a `p<=1e6`, `S=0` deve restare nel denominatore come terza classe. Lo zero non e' rumore sotto il null di permutazione che preserva frequenza degli zeri: arricchisce low_low, sopprime high_high e abbassa SR in 6/6 condizioni. Il source cycle sopravvive come vincolo parziale: il gate non-zero aligned/misaligned resta solido per high_high, resta parziale per low_low, e non porta SR globalmente. Il nuovo portatore e' triadico: aligned / misaligned / zero.\n\n## Bicono della scoperta\n- **Due radici**: carica non-zero alternata/concorde . carica zero dell'intervallo prime-free.\n- **Singolare**: il vuoto tra primi prima della scelta binaria; `S=0` non e' assenza di segnale ma classe del bordo.\n- **Invariante di passaggio**: il null conserva gap, multiset delle cariche e frequenza degli zeri; cio' che sopravvive e' l'accoppiamento ordine-carica, non la sola presenza dello zero.\n- **Campo di possibilita**: qui diventa possibile testare un gate triadico del boundary aritmetico. Qui diventa non-possibile escludere `S=0` dal denominatore quando si parla di terzo incluso nel perimetro Mobius-primi.\n\n## Consecutio\nIl prossimo passo deve separare terza classe autentica da effetto scala dell'intervallo: ripetere il gate con controllo che preserva anche la lunghezza del gap o stratifica per bucket di gap length. Se lo zero resta significativo dentro ogni bucket, il boundary e' aritmetico; se cade, il segnale e' dipendenza da lunghezza.\n\n## Auto-audit: source flags e 5 lenti\n- **Source L3 resolved**: il report non usa un elemento `not_tested` come conclusione. Il controllo det(M) diretto e' misurato e dichiarato non partizionante nel perimetro.\n- **Source denominator repair resolved**: `S=0` e' incluso come classe esplicita, con count grezzi e denominatore.\n- **Aperto**: non e' ancora separata la dipendenza dalla lunghezza del gap; serve controllo stratificato.\n- **L1 hard constraint vs bias**: nessun \"sempre/mai\"; perimetro dichiarato `p<=1e6`, sei condizioni, 400 permutazioni.\n- **L2 quantita vs ratio**: count grezzi e denominatori riportati; SR separato dai rate.\n- **L3 no silent patching**: claim corretto prima del test; il source cycle non viene promosso.\n- **L4 edge cases**: `low_low` non-zero e' borderline in una condizione (`z=1.97`), quindi resta parziale.\n- **L5 re-discovery vs discovery**: verdict `CONSTRAINT`, non `NEW`; il pattern resta da confrontare con dipendenze note tra Mobius, lunghezza intervallare e gap primes.\n\n## Files\n- Script: `tools/exp_prime_mobius_zero_mediator_gate.py`\n- Data: `tools/data/prime_mobius_zero_mediator_gate_20260508_2108.json`\n- Report: `tools/data/reports/agent_20260508_2108.md`\n", tools/data/lab_graph.json:1404: "content_full": "# Agent Report - Prime Mobius Interval-Charge Gate\n**Date**: 2026-05-08 21:02\n**Piano**: 93\n**Tension explored**: DUALITA_DIPOLARE_VS_ILLUSORIA (0.9)\n**verdict**: CONSTRAINT\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR]\n**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.\n\n## Respiro fuori-tempo\n- **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.\n- **Dipolo / punto-zero**: carica Mobius alternata / carica Mobius concorde; punto-zero = intervallo prime-free prima che venga chiamato struttura o rumore.\n- **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.\n- **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.\n- **Contaminazione cognitiva**:\n - **CE-0117**: usato come metodo di cascata della possibilita; il substrate non diventa claim, sceglie il passaggio potenziale -> osservabile -> null.\n - **CE-0038**: usato come osservazione primaria \"forma nel nulla-tutto\"; proiettato nel vuoto aritmetico tra due primi, non nel primo stesso.\n - **CE-0001 / KSAR**: reiterazione del kernel precedente, ma contratta fuori da TRASCENDENZA_LIMITE dopo G2 anti-recycle.\n - **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.\n - **Vault**: CE-0002 resta sospeso; la funzione formale non aggiunge osservabile oltre alla carica intervallare in questo ciclo.\n- **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.\n- **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.\n\n## Claim Under Test\n> 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.\n\n## Question\nLe 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?\n\n## Experiment Design\n- Script: `tools/exp_prime_mobius_interval_charge_gate.py`.\n- Dati: primi fino a `1_000_000`; Mobius sieve sullo stesso perimetro.\n- Carica intervallare: `S_n = sum(mu(k))` per `p_n < k < p_{n+1}`.\n- Classi:\n - `aligned`: `S_n*S_{n+1}<0`.\n - `misaligned`: `S_n*S_{n+1}>0`.\n - transizioni con uno zero escluse dal denominatore aligned/misaligned.\n- Osservabili:\n - `low_low_rate`: count di due gap consecutivi `<=6` sul denominatore della classe.\n - `high_high_rate`: count di due gap consecutivi `>=q75` sul denominatore della classe.\n - `SR`: mean min/max ratio dei gap consecutivi.\n- Null test: 400 permutazioni della sequenza `S_n`, gap invariati.\n- Soglia ex ante: `|z|>=2` e `p_two_sided<=0.05`.\n\n## Results\n| 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|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|\n| 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| 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| 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| 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| 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| 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 |\n\n## Key Findings\n1. **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`.\n\n2. **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`.\n\n3. **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.\n\n4. **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.\n\n## Verdict\n**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.\n\n## Bicono della scoperta\n- **Due radici**: carica alternata dell'intervallo prime-free . carica concorde dell'intervallo prime-free.\n- **Singolare**: il gap come vuoto aritmetico prima della classificazione ampiezza/statistica.\n- **Invariante di passaggio**: la permutazione distrugge la selezione low/high ma conserva gap e distribuzione delle cariche; il segnale vive nell'accoppiamento ordine-carica.\n- **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.\n\n## Consecutio\nIl 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.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: niente \"sempre\" o \"mai\"; il claim e' per `p<=1e6`, sei condizioni, 400 permutazioni.\n- **L2 quantita vs ratio**: riportati count grezzi, rate, diff e ratio implicito nei rate; SR separato dai count.\n- **L3 no silent patching**: il det diretto non viene salvato; il report dichiara che il portatore testato e' interval-charge.\n- **L4 edge cases**: SR passa in 1/6 condizioni e viene dichiarato non stabile.\n- **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.\n\n## Files\n- Script: `tools/exp_prime_mobius_interval_charge_gate.py`\n- Data: `tools/data/prime_mobius_interval_charge_gate_20260508_2102.json`\n- Report: `tools/data/reports/agent_20260508_2102.md`\n", tools/data/lab_graph.json:1440: "text": "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-permutatio" tools/data/lab_graph.json:1447: "title": "Agent Report - Non-Phi Sturmian Fixed-Reader Gate", tools/data/lab_graph.json:1448: "title_en": "Agent Report - Non-Phi Sturmian Fixed-Reader Gate", tools/data/lab_graph.json:1451: "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 perd", tools/data/lab_graph.json:1452: "verdict_en": "**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 perd", tools/data/lab_graph.json:1454: "content_preview": "# Agent Report - Non-Phi Sturmian Fixed-Reader Gate\n**Date**: 2026-05-08 20:19\n**Piano**: 93\n**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [phi_low_core_rate, phi_high_core_rate, phi_full_core_rate, median_overlap_phi_full, native_reader_control]\n**observable_contract**: claim=se il portatore contratto del core phi e' ordine interno + scala Fibonacci-like, il core phi deve decadere quando il lettor", tools/data/lab_graph.json:1455: "content_full": "# Agent Report - Non-Phi Sturmian Fixed-Reader Gate\n**Date**: 2026-05-08 20:19\n**Piano**: 93\n**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [phi_low_core_rate, phi_high_core_rate, phi_full_core_rate, median_overlap_phi_full, native_reader_control]\n**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.\n\n## Respiro fuori-tempo\n- **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.\n- **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.\n- **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.\n- **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.\n- **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.\n- **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.\n- **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.\n\n## Claim Under Test\n> 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.\n\n## Question\nI 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?\n\n## Experiment Design\n- Script: `tools/exp_nonphi_sturmian_fixed_reader_gate.py`.\n- Generatori: `phi`, `silver`, `bronze`, `plastic`.\n- Lettori:\n - `fixed_phi`: tutti i generatori etichettati con theta=1/phi.\n - `native`: ogni generatore etichettato con la propria pendenza.\n- Core testati separatamente:\n - low phi core: `[-1, 1, -2, 2]`.\n - high phi core: `[3, -4, 4, 6]`.\n - full phi core: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- Main denominator: 48 condizioni per generatore/reader.\n- Seedcheck denominator: 32 condizioni per generatore/reader.\n\n## Results\nMain run:\n\n| generator | reader | conditions | all-condition core | low phi hits | high phi hits | full phi hits | median overlap full | median label error |\n|---|---|---:|---|---:|---:|---:|---:|---:|\n| phi | fixed_phi | 48 | [-1,1,-2,2,3,-4,4,6] | 48/48 | 48/48 | 48/48 | 0.7273 | 0.000095 |\n| silver | fixed_phi | 48 | [-2,2,-12,12,-14,14,-24,24] | 0/48 | 0/48 | 0/48 | 0.1250 | 0.004226 |\n| bronze | fixed_phi | 48 | [-5,-15,15,-20,20,-30] | 0/48 | 0/48 | 0/48 | 0.0263 | 0.004590 |\n| plastic | fixed_phi | 48 | [-2,2,-17,17] | 0/48 | 0/48 | 0/48 | 0.2143 | 0.004473 |\n| silver | native | 48 | [-1,1,-2,2,-3,3,-4,4] | 48/48 | 39/48 | 39/48 | 0.7273 | 0.000879 |\n| bronze | native | 48 | [-1,1,-2,2,-3,-4,4] | 48/48 | 0/48 | 0/48 | 0.5420 | 0.000594 |\n| plastic | native | 48 | [-1,1,-2,2,-3,3] | 48/48 | 0/48 | 0/48 | 0.4006 | 0.000827 |\n\nSeedcheck:\n\n| generator | reader | conditions | all-condition core | low phi hits | high phi hits | full phi hits | median overlap full | median label error |\n|---|---|---:|---|---:|---:|---:|---:|---:|\n| phi | fixed_phi | 32 | [-1,1,-2,2,-3,-4] | 32/32 | 12/32 | 12/32 | 0.6364 | 0.000048 |\n| silver | fixed_phi | 32 | [-2,2,-14,14,-24,24] | 0/32 | 0/32 | 0/32 | 0.1176 | 0.004333 |\n| bronze | fixed_phi | 32 | [-20,20,30] | 0/32 | 0/32 | 0/32 | 0.0000 | 0.003987 |\n| plastic | fixed_phi | 32 | [-2,2,-17,17] | 0/32 | 0/32 | 0/32 | 0.2500 | 0.005277 |\n| silver | native | 32 | [-1,1,-2,2,-4,4] | 32/32 | 24/32 | 24/32 | 0.7273 | 0.000809 |\n| bronze | native | 32 | [-1,1,-2,2,-4,4] | 32/32 | 0/32 | 0/32 | 0.5455 | 0.000971 |\n| plastic | native | 32 | [-1,1,-2,2,-3,3] | 32/32 | 0/32 | 0/32 | 0.5000 | 0.001050 |\n\n## Key Findings\n1. **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`.\n\n2. **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`).\n\n3. **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`.\n\n4. **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.\n\n## Verdict\n**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.\n\n## Bicono della scoperta\n- **Due radici**: tassonomia phi fissa . tassonomia nativa del generatore.\n- **Singolare**: IDS del gap largo prima della scelta del reader.\n- **Invariante di passaggio**: l'ordine Sturmian produce core bassi nativi; il core alto phi sopravvive solo quando generatore e reader restano accoppiati nel perimetro.\n- **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.\n\n## Consecutio\nIl 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.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il verdict e' scoped al perimetro; nessun \"sempre\" fuori denominatore.\n- **L2 osservabili separati**: low core, high core, full core, overlap e label-error restano distinti.\n- **L3 no silent patching**: il boundary esatto non viene salvato; il claim viene contratto al portatore generatore-lettore.\n- **L4 edge cases**: il seedcheck in cui phi high scende a `12/32` e' riportato come vincolo del denominatore, non rimosso.\n- **L5 duplicate guardrail**: `silver` e `sqrt2_minus_1` erano la stessa pendenza; lo script e' stato corretto prima del report.\n\n## Files\n- Script: `tools/exp_nonphi_sturmian_fixed_reader_gate.py`\n- Data main: `tools/data/nonphi_sturmian_fixed_reader_gate_20260508_2019.json`\n- Data seedcheck: `tools/data/nonphi_sturmian_fixed_reader_gate_20260508_2019_seedcheck.json`\n- Report: `tools/data/reports/agent_20260508_2019.md`\n", tools/data/lab_graph.json:1461: "text": "> 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 p" tools/data/lab_graph.json:1467: "text": "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 co" tools/data/lab_graph.json:1485: "text": "**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, il core phi non trasferisce ai generatori Sturmian n" tools/data/lab_graph.json:1491: "text": "Il prossimo passaggio deve trasformare il risultato in matrice relazionale: righe = generatori Sturmian/quasiperiodici, colonne = reader, celle = core" tools/data/lab_graph.json:1506: "content_full": "# Agent Report - Ostrowski Recognizability Gate Del Core Phi\n**Date**: 2026-05-08 20:13\n**Piano**: 93\n**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [boundary_distance, boundary_hit_le_2, zeckendorf_weight, zeckendorf_suffix_zeros]\n**observable_contract**: claim=se il boundary esatto del supertile e' portatore globale del core alto, le posizioni IDS dei gap core devono mostrare migliore riconoscibilita Ostrowski o maggiore prossimita ai tagli nel mode aligned rispetto al same-length misaligned; observable=distanza del centro gap da boundary di chunk, hit entro 2 siti, peso Zeckendorf e zeri finali Zeckendorf; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, centro round(IDS*N), boundary del tiling perturbato, rappresentazione Zeckendorf del centro; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, domini GUE/Poisson reali, soglie 1.75/2.25, automa formale di riconoscibilita della sostituzione, generatori non-phi.\n\n## Respiro fuori-tempo\n- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG continuo/discreto + TxQ matrice densita come lettore IDS + TRASCENDENZA_LIMITE sul passaggio fra boundary locale e riconoscibilita globale.\n- **Dipolo / punto-zero**: boundary esatto del supertile . numerazione globale della posizione; punto-zero = il centro IDS del gap prima che venga letto come taglio fisico o come cifra Fibonacci.\n- **Piano superiore**: topologia assiomatica / algebra della numerazione. Il bordo non e' una finestra locale: deve apparire come riconoscibilita globale della sostituzione.\n- **Operatori laterali scelti**: boundary operator, indice, rappresentazione. Boundary operator misura il taglio; indice porta il gap nello spazio posizionale; rappresentazione Zeckendorf traduce il centro in cifre Fibonacci.\n- **Contaminazione cognitiva**: CE-0001 KSAR usato come enzima operativo. Il kernel dei cycle 19:47 e 20:05 viene reiterato senza aggiungere lettori locali: stessa tensione, nuovo livello globale, stesso controllo aligned/misaligned.\n- **Proto-ipotesi**: se il core alto porta boundary globale, `supertile_shuffle` deve avere distanza da boundary minore o firma Zeckendorf diversa da `same_length_contiguous_shuffle`. Se resta equivalente, il boundary esatto non e' portatore rilevato neppure al piano Ostrowski.\n- **Proiezione**: per ogni label core selezionato, mappo IDS -> centro circolare e misuro distanza dal boundary piu' vicino e cifre Zeckendorf del centro.\n\n## Claim Under Test\n> Il boundary esatto del supertile, non rilevato localmente, emerge come riconoscibilita globale: high-core aligned deve battere high-core misaligned in distanza da boundary o firma Ostrowski/Zeckendorf.\n\n## Question\nLe posizioni IDS dei gap high-core `[3,-4,4,6]` si avvicinano ai boundary veri dei supertile o portano una firma Zeckendorf diversa quando il chunk e' aligned, oppure aligned e misaligned restano equivalenti anche sul piano globale?\n\n## Experiment Design\n- Script: `tools/exp_gap_label_ostrowski_recognizability_gate.py`.\n- Per ogni riga spettrale, selezione il miglior gap per label fra `REFERENCE_HIGH=[3,-4,4,6]` e `REFERENCE_LOW=[-1,1,-2,2]`.\n- Centro gap: `round(IDS*N) mod N`.\n- Boundary: prefissi dei chunk dopo la perturbazione del tiling.\n- Osservabili separati:\n - `boundary_distance`: distanza circolare dal boundary piu' vicino.\n - `boundary_hit_le_2`: hit se distanza <= 2 siti.\n - `zeckendorf_weight`: numero di cifre attive nella rappresentazione Zeckendorf del centro.\n - `zeckendorf_suffix_zeros`: zeri finali nella rappresentazione.\n- Seedcheck: stesso perimetro con seed `202605082014`.\n\n## Results\nMain run:\n\n| mode | group | rows | boundary hit <=2 | median boundary distance | median distance / min chunk | median Zeckendorf weight | median suffix zeros |\n|---|---|---:|---:|---:|---:|---:|---:|\n| supertile_shuffle | high | 566 | 175/566 = 0.3092 | 14.0 | 0.3820 | 2.0 | 2.0 |\n| same_length_contiguous_shuffle | high | 556 | 196/556 = 0.3525 | 13.0 | 0.3820 | 2.0 | 2.0 |\n| same_count_internal_shuffle | high | 140 | 38/140 = 0.2714 | 18.5 | 0.3652 | 4.0 | 2.0 |\n| supertile_shuffle | low | 640 | 324/640 = 0.5063 | 1.0 | 0.0476 | 1.0 | 2.0 |\n| same_length_contiguous_shuffle | low | 640 | 324/640 = 0.5063 | 1.0 | 0.0294 | 1.0 | 2.0 |\n| same_count_internal_shuffle | low | 145 | 79/145 = 0.5448 | 2.0 | 0.0545 | 3.0 | 2.0 |\n\nSeedcheck:\n\n| mode | group | rows | boundary hit <=2 | median boundary distance | median distance / min chunk | median Zeckendorf weight | median suffix zeros |\n|---|---|---:|---:|---:|---:|---:|---:|\n| supertile_shuffle | high | 563 | 195/563 = 0.3464 | 14.0 | 0.3820 | 2.0 | 2.0 |\n| same_length_contiguous_shuffle | high | 551 | 189/551 = 0.3430 | 13.0 | 0.3820 | 2.0 | 2.0 |\n| same_count_internal_shuffle | high | 139 | 39/139 = 0.2806 | 6.0 | 0.2857 | 3.0 | 2.0 |\n| supertile_shuffle | low | 640 | 332/640 = 0.5188 | 1.0 | 0.0476 | 1.0 | 2.0 |\n| same_length_contiguous_shuffle | low | 640 | 297/640 = 0.4641 | 8.0 | 0.3810 | 1.0 | 2.0 |\n| same_count_internal_shuffle | low | 136 | 76/136 = 0.5588 | 2.0 | 0.0476 | 3.0 | 2.0 |\n\nHigh-core by order, main run:\n\n| mode | order | rows | hit <=2 | median distance | median Zeckendorf weight |\n|---|---:|---:|---:|---:|---:|\n| supertile_shuffle | 8 | 132 | 44/132 | 8.0 | 2.0 |\n| same_length_contiguous_shuffle | 8 | 139 | 60/139 | 8.0 | 2.0 |\n| supertile_shuffle | 9 | 138 | 65/138 | 12.0 | 2.0 |\n| same_length_contiguous_shuffle | 9 | 142 | 67/142 | 13.0 | 2.0 |\n| supertile_shuffle | 10 | 148 | 51/148 | 21.0 | 2.0 |\n| same_length_contiguous_shuffle | 10 | 135 | 51/135 | 21.0 | 2.0 |\n| supertile_shuffle | 11 | 148 | 15/148 | 35.0 | 2.0 |\n| same_length_contiguous_shuffle | 11 | 140 | 18/140 | 34.0 | 2.0 |\n\n## Key Findings\n1. **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 seedcheck il pattern resta equivalente: distanze `14.0` vs `13.0`, peso `2.0` vs `2.0`.\n\n2. **Verificato: per ordine di supertile non emerge un vantaggio aligned stabile.** Order 8 favorisce misaligned negli hit (`60/139` vs `44/132`), order 9 e' quasi pari, order 10 ha stessa distanza mediana `21.0`, order 11 resta quasi pari (`35.0` vs `34.0`). La firma Zeckendorf mediana resta `2.0` per tutti gli order aligned e misaligned.\n\n3. **Verificato: low-core e' piu' vicino ai boundary ma non identifica il boundary esatto.** Nel main run low ha distanza mediana `1.0` per aligned e misaligned, con stesso hit `324/640`. Questo mostra un effetto di posizionamento dei label bassi, non una riconoscibilita del supertile aligned.\n\n4. **Inferito dal perimetro: il boundary esatto non e' portatore osservato nemmeno nel gate Ostrowski.** Dopo label-set, IDS/rank, grammatica locale e ora boundary/Zeckendorf, il portatore rilevato resta ordine interno + lunghezze Fibonacci-like, non taglio esatto del supertile.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, la riconoscibilita globale Ostrowski/Zeckendorf non identifica il boundary esatto del supertile. Il high-core aligned non batte il same-length misaligned in distanza da boundary (`14.0` vs `13.0` main; `14.0` vs `13.0` seedcheck), hit entro 2 siti (`175/566` vs `196/556` main; `195/563` vs `189/551` seedcheck) o peso Zeckendorf (`2.0` vs `2.0` in entrambi).\n\nFormulazione valida: il core phi alto misura una chiusura congiunta di ordine interno e distribuzione di lunghezze Fibonacci-like. Nel ramo testato, non misura boundary esatto del supertile ne' firma Ostrowski delle posizioni IDS. `gap_ratio` non e' testato.\n\n## Bicono della scoperta\n- **Due radici**: boundary globale del supertile . posizione numerata del gap.\n- **Singolare**: il centro IDS prima che venga letto come taglio o cifra Fibonacci.\n- **Invariante di passaggio**: aligned e misaligned conservano la stessa firma globale del high-core quando ordine interno e lunghezze restano leggibili; distruggere l'ordine interno cambia il profilo ma non crea boundary aligned.\n- **Campo di possibilita**: qui diventa possibile chiudere il ramo \"boundary esatto\" per i lettori testati e spostare il claim su ordine interno + scala. Qui diventa non-possibile salvare il boundary cambiando da finestra locale a numerazione Zeckendorf sullo stesso perimetro.\n\n## Consecutio\nIl prossimo passaggio non deve cercare un quinto lettore del boundary esatto nello stesso ramo. Deve contrarre il claim e testare il contro-polo naturale: generatori non-phi o Sturmiani con altra pendenza. Se ordine interno + lunghezze Fibonacci-like e' il portatore, il core alto deve decadere o trasformarsi quando il reader theta=1/phi viene tenuto fisso ma il generatore non e' phi.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il verdict e' scoped al perimetro e non usa \"mai\" universale.\n- **L2 osservabili separati**: distanza, hit, peso Zeckendorf e suffix zeros restano separati.\n- **L3 no silent patching**: l'ipotesi \"boundary globale emerge\" cade; non viene salvata spostando il significato di boundary.\n- **L4 edge cases**: low-core vicino ai boundary e order 8 misaligned superiore sono riportati come segnali, non rimossi.\n- **L5 re-discovery guardrail**: Zeckendorf e gap-labeling sono baseline note. Il finding e' negativo sul boundary exact e positivo sulla contrazione del claim.\n\n## Files\n- Script: `tools/exp_gap_label_ostrowski_recognizability_gate.py`\n- Data main: `tools/data/gap_label_ostrowski_recognizability_gate_20260508_2013.json`\n- Data seedcheck: `tools/data/gap_label_ostrowski_recognizability_gate_20260508_2013_seedcheck.json`\n- Report: `tools/data/reports/agent_20260508_2013.md`\n", tools/data/lab_graph.json:1557: "content_full": "# Agent Report - Symbolic Grammar Gate Del Core Phi\n**Date**: 2026-05-08 20:05\n**Piano**: 92\n**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [local_factor_complexity_excess, right_special_excess, return_word_excess, palindromic_defect, zero_grammar_excess_rate]\n**observable_contract**: claim=se il boundary simbolico del core alto esiste nella grammatica nativa della parola, le finestre locali attorno alle posizioni IDS dei gap core devono separare aligned supertile da misaligned same-length; observable=eccesso grammaticale locale rispetto a baseline Sturmian classica; operator=estrazione finestra circolare attorno a round(IDS*N) per ogni label core selezionato, misura p(k)<=k+1, right-special<=1, return-word excess sopra 2, difetto palindromico; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}, window={89 main, 55 seedcheck}, k={3,4,5,6,7,8}; not_tested=gap_ratio, domini GUE/Poisson reali, soglie 1.75/2.25, prova formale della grammatica Sturmian, generatori non-phi.\n\n## Respiro fuori-tempo\n- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG continuo/discreto + TxQ matrice densita come lettore IDS + TRASCENDENZA_LIMITE sul passaggio fra piano spettrale e piano simbolico.\n- **Dipolo / punto-zero**: boundary di chunk . grammatica locale della parola; punto-zero = la finestra attorno al gap prima che venga letta come taglio geometrico o come fattore simbolico.\n- **Piano superiore**: topologia assiomatica / combinatoria delle parole. Il bordo non viene deciso dalla posizione del chunk: deve comparire come eccesso o assenza di eccesso rispetto al linguaggio Sturmian.\n- **Operatori laterali scelti**: boundary operator, fattori speciali, difetto palindromico. Entrano perche' il ciclo 19:47 ha falsificato set/IDS/rank come lettori del boundary esatto; il prossimo lettore deve essere nativo della parola.\n- **Contaminazione cognitiva**: none; il falsifier precedente ha gia' prodotto il nodo regressivo operativo, quindi non serve adapter laterale.\n- **Proto-ipotesi**: se il core alto porta boundary simbolico, `supertile_shuffle` deve mostrare finestre ad eccesso grammaticale zero piu' stabilmente di `same_length_contiguous_shuffle`. Se i due restano entrambi baseline-Sturmian, il boundary esatto non e' il portatore osservato; la frattura resta l'ordine interno.\n- **Proiezione**: per ogni gap label selezionato mappo IDS -> posizione locale nella parola binaria e misuro se la finestra viola baseline note delle parole Sturmiane.\n\n## Claim Under Test\n> La grammatica simbolica locale dei gap core separa aligned supertile da misaligned same-length. Il portatore del core alto e' il boundary nativo della parola, non solo l'ordine interno.\n\n## Question\nLe finestre locali attorno ai gap high-core `[3,-4,4,6]` mostrano un vantaggio grammaticale di `supertile_shuffle` rispetto a `same_length_contiguous_shuffle`, oppure entrambi restano nel linguaggio Sturmian mentre collassa solo `same_count_internal_shuffle`?\n\n## Experiment Design\n- Script: `tools/exp_gap_label_symbolic_grammar_gate.py`.\n- Per ogni riga spettrale, selezione il miglior gap per label fra `REFERENCE_HIGH=[3,-4,4,6]` e `REFERENCE_LOW=[-1,1,-2,2]`.\n- Centro finestra: `round(IDS*N) mod N`.\n- Baseline classica dichiarata, non scoperta:\n - complessita di fattori Sturmian: `p(k) <= k+1` nella finestra finita;\n - al piu' un right-special factor per `k` nel linguaggio ideale;\n - difetto palindromico target `0`;\n - return words: eccesso sopra due solo quando la finestra vede ritorni ripetuti.\n- Osservabile aggregato: `grammar_excess_total = complexity_excess + right_special_excess + return_word_excess + palindromic_defect`.\n- Denominatori main:\n - reference_phi high: 32 finestre; low: 32 finestre.\n - supertile_shuffle high: 564 finestre; low: 640 finestre.\n - same_length_contiguous_shuffle high: 591 finestre; low: 640 finestre.\n - same_count_internal_shuffle high: 165 finestre; low: 151 finestre.\n- Seedcheck: stesso perimetro con `window=55`, `seed=202605082006`.\n\n## Results\nMain run, window 89:\n\n| mode | group | windows | zero excess | median total | median complexity | median right-special | median return-excess | median pal-defect |\n|---|---|---:|---:|---:|---:|---:|---:|---:|\n| reference_phi | high | 32 | 32/32 = 1.0000 | 0 | 0 | 0 | 0 | 0 |\n| reference_phi | low | 32 | 32/32 = 1.0000 | 0 | 0 | 0 | 0 | 0 |\n| supertile_shuffle | high | 564 | 503/564 = 0.8918 | 0 | 0 | 0 | 0 | 0 |\n| supertile_shuffle | low | 640 | 545/640 = 0.8516 | 0 | 0 | 0 | 0 | 0 |\n| same_length_contiguous_shuffle | high | 591 | 576/591 = 0.9746 | 0 | 0 | 0 | 0 | 0 |\n| same_length_contiguous_shuffle | low | 640 | 620/640 = 0.9688 | 0 | 0 | 0 | 0 | 0 |\n| same_count_internal_shuffle | high | 165 | 0/165 = 0.0000 | 303 | 180 | 61 | 19 | 41 |\n| same_count_internal_shuffle | low | 151 | 0/151 = 0.0000 | 299 | 180 | 60 | 20 | 40 |\n\nHigh-core by supertile order, window 89:\n\n| mode | order | high windows | zero excess | median total |\n|---|---:|---:|---:|---:|\n| supertile_shuffle | 8 | 132 | 110/132 = 0.8333 | 0 |\n| supertile_shuffle | 9 | 139 | 128/139 = 0.9209 | 0 |\n| supertile_shuffle | 10 | 145 | 127/145 = 0.8759 | 0 |\n| supertile_shuffle | 11 | 148 | 138/148 = 0.9324 | 0 |\n| same_length_contiguous_shuffle | 8 | 139 | 133/139 = 0.9568 | 0 |\n| same_length_contiguous_shuffle | 9 | 147 | 144/147 = 0.9796 | 0 |\n| same_length_contiguous_shuffle | 10 | 150 | 148/150 = 0.9867 | 0 |\n| same_length_contiguous_shuffle | 11 | 155 | 151/155 = 0.9742 | 0 |\n| same_count_internal_shuffle | 8 | 37 | 0/37 = 0.0000 | 301 |\n| same_count_internal_shuffle | 9 | 42 | 0/42 = 0.0000 | 301.5 |\n| same_count_internal_shuffle | 10 | 42 | 0/42 = 0.0000 | 305 |\n| same_count_internal_shuffle | 11 | 44 | 0/44 = 0.0000 | 302 |\n\nSeedcheck, window 55:\n\n| mode | group | windows | zero excess | median total | median complexity | median right-special | median return-excess | median pal-defect |\n|---|---|---:|---:|---:|---:|---:|---:|---:|\n| reference_phi | high | 32 | 32/32 = 1.0000 | 0 | 0 | 0 | 0 | 0 |\n| supertile_shuffle | high | 566 | 536/566 = 0.9470 | 0 | 0 | 0 | 0 | 0 |\n| same_length_contiguous_shuffle | high | 590 | 583/590 = 0.9881 | 0 | 0 | 0 | 0 | 0 |\n| same_count_internal_shuffle | high | 144 | 0/144 = 0.0000 | 183 | 122 | 32 | 9 | 19 |\n\n## Key Findings\n1. **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 replica: `536/566` contro `583/590`, mediane `0`.\n\n2. **Verificato: l'internal shuffle e' la rottura grammaticale netta.** `same_count_internal_shuffle` fa zero-excess `0/165` high e `0/151` low nel main run. Gli eccessi mediani sono alti su tutti i canali: complessita `180`, right-special `61/60`, return-excess `19/20`, difetto palindromico `41/40`.\n\n3. **Verificato: la baseline classica spiega il segnale ordinato.** Reference phi ha `32/32` finestre high e `32/32` low a eccesso zero. Anche aligned e misaligned preservano quasi sempre fattori locali compatibili con baseline Sturmian; questo e' expected behavior della combinatoria delle parole, non scoperta nuova.\n\n4. **Inferito dal perimetro: il portatore osservato resta ordine interno locale, non boundary esatto.** Il controllo misaligned same-length conserva grammatica Sturmian locale almeno quanto l'allineato. Il boundary di supertile non compare come vantaggio in complessita, right-special, return-word excess o difetto palindromico.\n\n5. **Correzione regressiva del report 19:47:** il linguaggio valido non e' \"non-possibile cercare il boundary\"; e': in questo perimetro, label-set, IDS/rank/errore e grammatica locale non separano aligned da misaligned. Il boundary resta non rilevato da questi osservabili.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro dichiarato, la grammatica simbolica locale attorno ai gap core non identifica il boundary esatto del supertile. `supertile_shuffle` e `same_length_contiguous_shuffle` hanno mediana `grammar_excess_total=0` e zero-excess alto; il controllo misaligned e' piu' baseline-Sturmian dell'allineato nel rate aggregato high (`576/591` vs `503/564`, replica `583/590` vs `536/566` con window 55). La frattura strutturale resta la distruzione dell'ordine interno: `same_count_internal_shuffle` produce zero-excess `0` e eccessi mediani non-zero su tutti i canali.\n\nFormulazione valida: il core phi alto misura una chiusura congiunta di ordine interno locale e lunghezze Fibonacci-like; non misura boundary esatto del supertile nei lettori testati. `gap_ratio` non e' testato.\n\n## Bicono della scoperta\n- **Due radici**: grammatica locale Sturmian . boundary esatto del supertile.\n- **Singolare**: la finestra binaria centrata sul gap, prima che diventi prova di taglio o fattore del linguaggio.\n- **Invariante di passaggio**: quando l'ordine interno resta, la finestra resta quasi sempre nel vincolo Sturmian; quando l'ordine interno cade, esplodono complessita, right-special, return-excess e difetto palindromico.\n- **Campo di possibilita**: qui diventa possibile chiudere il ramo boundary locale per questo perimetro e spostare il test sul livello globale del generatore. Qui resta aperto un test diverso: non finestre attorno ai gap, ma automa/ostrowski numeration o riconoscibilita globale della sostituzione.\n\n## Consecutio\nIl 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 equivalenti, il claim va contratto definitivamente a \"ordine interno locale + lunghezze Fibonacci-like\".\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: nessun \"non-possibile\" universale. Il verdict dice \"non identifica nel perimetro dichiarato\".\n- **L2 osservabili separati**: zero-excess rate, complessita, right-special, return-excess e difetto palindromico restano separati.\n- **L3 no silent patching**: l'ipotesi boundary simbolico cade in questo gate; non viene salvata cambiando osservabile nel verdict.\n- **L4 edge cases**: il controllo misaligned supera aligned nel rate zero-excess high; il report lo dichiara come dato, non lo nasconde.\n- **L5 re-discovery guardrail**: le proprieta Sturmian sono baseline dichiarata. Il finding e' negativo sul boundary e positivo sulla rottura internal-shuffle, non sulla riscoperta di complessita Sturmian.\n\n## Files\n- Script: `tools/exp_gap_label_symbolic_grammar_gate.py`\n- Data main: `tools/data/gap_label_symbolic_grammar_gate_20260508_2005.json`\n- Data seedcheck: `tools/data/gap_label_symbolic_grammar_gate_20260508_2005_window55_seedcheck.json`\n- Report: `tools/data/reports/agent_20260508_2005.md`\n", tools/data/lab_graph.json:1608: "content_full": "# Agent Report - Position/Error Gate Del Core Phi\n**Date**: 2026-05-08 19:47\n**Piano**: 91\n**Tension explored**: TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, IDS_position, spectral_index_delta, label_error, high_core_condition_rate]\n**observable_contract**: claim=se il boundary simbolico del supertile esiste nell'osservabile, aligned supertile deve battere il misaligned same-length non solo nel label-set ma nella geometria IDS/rank/errore dei label core; observable=all-core hits, delta IDS, delta indice spettrale normalizzato, errore label e spacing ratio dei core label rispetto al reference phi; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, confronto per label contro reference stesso N/phase/threshold; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, GUE/Poisson real domains, soglie 1.75/2.25, parsing simbolico esatto di ogni supertile.\n\n## Respiro fuori-tempo\n- **Combo**: A4 contratto della domanda + A9 terzo incluso + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio fra piani.\n- **Dipolo / punto-zero**: boundary simbolico del supertile . geometria effettiva dei gap; punto-zero = il label core prima che venga letto come membership di set o come posizione nello spettro.\n- **Piano superiore**: topologia assiomatica / grafo della conoscenza. Il bordo non viene assunto come taglio di stringa: deve comparire come invariante di posizione o errore.\n- **Operatori laterali scelti**: boundary operator e indice. Boundary operator entra perche' il cycle precedente ha falsificato il bordo come set; indice entra perche' il nuovo osservabile deve misurare dove cade il gap, non solo quale label porta.\n- **Proto-ipotesi**: se il core alto vive nel boundary reale, allora `supertile_shuffle` conserva posizione IDS e rank dei label core meglio di `same_length_contiguous_shuffle`. Se non lo fa, il boundary esatto non e' il portatore osservato in questo perimetro.\n- **Proiezione**: per ogni label core selezionato confronto il gap perturbato con il reference phi nella stessa condizione e misuro delta IDS, delta indice normalizzato, errore label e ratio di spacing.\n\n## Claim Under Test\n> Il boundary simbolico non appare nel solo label-set, ma appare nella geometria dei gap core: aligned supertile deve avere delta IDS/rank o errore label migliore del misaligned same-length.\n\n## Experiment Design\n- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- Nucleo basso: `[-1, 1, -2, 2]`. Core alto: `[3, -4, 4, 6]`.\n- Modes:\n - `supertile_shuffle`: chunk allineati alla parola di lunghezze Fibonacci.\n - `same_length_contiguous_shuffle`: stessa multiset di lunghezze su taglio contiguo misallineato.\n - `same_count_internal_shuffle`: stesso conteggio per chunk, ordine interno distrutto.\n- Ogni riga perturbata viene confrontata con il reference phi per stessa `N`, `phase`, `threshold`.\n- Denominatori grezzi: 160 condizioni per mode; 40 condizioni per `mode|order`.\n\n## Results\nSintesi core alto `[3, -4, 4, 6]`:\n\n| mode | all-high | present core mediano | median IDS delta | median index delta / N | median label error | median spacing ratio vs ref |\n|---|---:|---:|---:|---:|---:|---:|\n| supertile_shuffle | 116/160 = 0.72500 | 4.0 | 0.000000 | 0.000000 | 0.000818 | 0.989505 |\n| same_length_contiguous_shuffle | 115/160 = 0.71875 | 4.0 | 0.000000 | 0.000000 | 0.000013 | 0.994938 |\n| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004098 | 0.004098 | 0.003995 | 0.459683 |\n\nDettaglio core alto per order:\n\n| mode | order | all-high | present core mediano | median IDS delta | median label error | spacing ratio vs ref |\n|---|---:|---:|---:|---:|---:|---:|\n| supertile_shuffle | 8 | 23/40 | 4.0 | 0.000000 | 0.000417 | 0.926949 |\n| same_length_contiguous_shuffle | 8 | 20/40 | 3.5 | 0.000000 | 0.000013 | 0.941205 |\n| same_count_internal_shuffle | 8 | 0/40 | 1.0 | 0.005305 | 0.005738 | 0.452111 |\n| supertile_shuffle | 9 | 26/40 | 4.0 | 0.000000 | 0.000820 | 0.983595 |\n| same_length_contiguous_shuffle | 9 | 24/40 | 4.0 | 0.000000 | 0.000013 | 0.980139 |\n| same_count_internal_shuffle | 9 | 0/40 | 1.0 | 0.004039 | 0.002668 | 0.565711 |\n| supertile_shuffle | 10 | 32/40 | 4.0 | 0.000000 | 0.000820 | 0.991012 |\n| same_length_contiguous_shuffle | 10 | 34/40 | 4.0 | 0.000000 | 0.000417 | 0.998922 |\n| same_count_internal_shuffle | 10 | 0/40 | 1.0 | 0.003279 | 0.003628 | 0.468581 |\n| supertile_shuffle | 11 | 35/40 | 4.0 | 0.000000 | 0.000820 | 1.000000 |\n| same_length_contiguous_shuffle | 11 | 37/40 | 4.0 | 0.000000 | 0.000818 | 0.999429 |\n| same_count_internal_shuffle | 11 | 0/40 | 1.0 | 0.004448 | 0.005103 | 0.373173 |\n\nNucleo basso `[-1, 1, -2, 2]`:\n\n| mode | all-low | present core mediano | median IDS delta | median index delta / N | median label error |\n|---|---:|---:|---:|---:|---:|\n| supertile_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 |\n| same_length_contiguous_shuffle | 160/160 = 1.00000 | 4.0 | 0.000000 | 0.000000 | 0.000005 |\n| same_count_internal_shuffle | 0/160 = 0.00000 | 1.0 | 0.004918 | 0.004918 | 0.004099 |\n\n## Key Findings\n1. **Verificato: la geometria IDS/rank non separa aligned da misaligned.** Per il core alto, `supertile_shuffle` e `same_length_contiguous_shuffle` hanno delta IDS mediano `0.0` e delta indice normalizzato mediano `0.0`. Il bordo allineato non produce uno spostamento geometrico migliore del controllo misallineato.\n\n2. **Verificato: il controllo misallineato non e' peggiore sul core alto.** All-high e' quasi pari (`116/160` vs `115/160`), e per order 10-11 il controllo misallineato supera l'allineato (`34/40`, `37/40` contro `32/40`, `35/40`). Anche l'errore label aggregato e' minore nel controllo misallineato (`0.000013` vs `0.000818`).\n\n3. **Verificato: distruggere l'ordine interno resta il collasso vero.** `same_count_internal_shuffle` fa `0/160` all-high, porta un solo label alto mediano, sposta IDS/indice di circa `0.0041`, e dimezza lo spacing ratio (`0.459683`). Questo replica la caduta gia' osservata e la sposta dal set alla geometria.\n\n4. **Inferito dal perimetro: il portatore osservato non e' il boundary simbolico.** Il portatore resta ordine interno leggibile piu' multiset di lunghezze Fibonacci-like. Il boundary esatto del supertile non compare ne' come membership di set, ne' come posizione IDS, ne' come errore label.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il boundary simbolico del supertile non e' rilevato dal gate posizione/errore. `supertile_shuffle` e `same_length_contiguous_shuffle` conservano la stessa geometria mediana dei core label (`IDS delta=0`, `index delta/N=0`), con all-high quasi identico (`116/160` vs `115/160`). La rottura resta `same_count_internal_shuffle`, quindi il nodo regressivo e' l'ordine interno del chunk, non il confine esatto.\n\nLa formulazione valida e': il core phi alto misura chiusura congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile. `gap_ratio` non e' testato.\n\n## Bicono della scoperta\n- **Due radici**: boundary simbolico . ordine interno misurabile.\n- **Singolare**: il gap core nel punto in cui label membership e posizione IDS coincidono.\n- **Invariante di passaggio**: quando l'ordine interno resta, il core conserva posizione; quando l'ordine interno cade, cadono simultaneamente core completo, posizione e spacing.\n- **Campo di possibilita**: qui diventa non-possibile cercare il boundary del supertile con label-set, IDS rank o errore label sullo stesso perimetro. Qui diventa possibile spostare il test dal boundary di chunk al parsing simbolico della parola: return words, fattori speciali, palindromi, o difetti di sostituzione.\n\n## Consecutio\nIl prossimo gate deve lasciare il chunk e misurare grammatica simbolica nativa: confrontare fattori speciali, return words e palindromic defect dei segmenti che portano core alto contro segmenti che non lo portano. Se il boundary esiste nel generatore, deve apparire nella grammatica locale della parola, non nella posizione spettrale dei gap gia' selezionati.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: nessun \"sempre\" o \"solo\"; il verdict e' perimetro-atomico e riporta count grezzi.\n- **L2 quantita vs ratio**: all-high, present count, IDS delta, index delta, label error e spacing ratio restano separati.\n- **L3 no silent patching**: l'ipotesi \"il boundary appare nella geometria\" cade; non viene salvata cambiando claim.\n- **L4 edge cases**: order 10-11 sono segnale, perche' il controllo misallineato supera l'allineato.\n- **L5 re-discovery**: gap labeling Sturmian/Fibonacci resta baseline nota; il finding e' negativo sul boundary simbolico nello specifico gate posizione/errore.\n\n## Files\n- Script: `tools/exp_gap_label_position_error_gate.py`\n- Data: `tools/data/gap_label_position_error_gate_20260508_1947.json`\n- Report: `tools/data/reports/agent_20260508_1947.md`\n", tools/data/lab_graph.json:1653: "content_full": "# Agent Report - High-Core Repair Audit\n**Date**: 2026-05-08 19:15\n**Piano**: 90\n**Tension explored**: TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [all_high_hits, per_high_label_retention, stable_label_count, label_error, theoretical_gap_labeling_baseline]\n**observable_contract**: claim=il core alto phi sotto internal shuffle va formulato come caduta del core completo, non come caduta hard di ogni label alto; observable=all-high hits separato da retention per-label e stable high label count; operator=audit delle righe grezze del supertile gate 19:09 con conteggi per mode/order e baseline teorica Sturmian; generator=phi_sturmian perturbato da supertile_shuffle, same_length_contiguous_shuffle, same_count_internal_shuffle, same_mean_block_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, nuove diagonalizzazioni spettrali, soglie 1.75/2.25, generatori non-phi.\n\n## Respiro fuori-tempo\n- **Combo**: A4 contratto della domanda + A11 combo + QxG vuoto continuo/discreto + TxQ matrice densita come lettore IDS + tensione TRASCENDENZA_LIMITE sul passaggio tra piani.\n- **Dipolo / punto-zero**: core completo simultaneo . label singolo superstite; punto-zero = il label-set prima della decisione su quale livello osservabile porta il claim.\n- **Piano superiore**: topologia assiomatica del contratto osservabile. Il boundary non si decide dal nome del mode, ma dal livello che sopravvive: congiunzione, singolo label, stabilita' 75%, errore IDS.\n- **Proto-ipotesi**: la falsificazione del report 19:09 non cancella tutto il core alto. Cancella la chiusura congiunta `[3,-4,4,6]` sotto internal shuffle; i label singoli possono sopravvivere come residui classici di gap-labeling.\n- **Proiezione**: l'audit tiene fisso il dato 19:09 e separa tre piani che erano stati compressi: `all_high_hits`, retention per-label, `stable_high_label_count`.\n\n## Claim Under Test\n> Nel perimetro del source cycle 19:09, `same_count_internal_shuffle` azzera il core alto completo `[3,-4,4,6]` come condizione congiunta. Non azzera ogni label alto preso singolarmente. La novita' D-ND sta nella sopravvivenza congiunta e nel collasso sotto perturbazione d'ordine, non nella membership dei label nel gruppo classico Sturmian/Fibonacci.\n\nIl source cycle non viene promosso e non viene sincronizzato concettualmente. Viene assorbita la falsificazione del wording: \"core alto cade\" diventa \"core alto completo cade; singoli label alti restano parziali\".\n\n## Question\nQuali tra `[3,-4,4,6]` sopravvivono sotto internal shuffle, e quale osservabile cade davvero: all-high, per-label retention o stable-label count?\n\n## Experiment Design\n- Input: `tools/data/gap_label_supertile_tiling_gate_20260508_1909.json`.\n- Tool: `tools/exp_gap_label_repair_audit.py`.\n- Baseline teorica: per Sturmian/Fibonacci i gap label vivono nel gruppo `Z + theta Z mod 1`, con `theta=1/phi`. I label `[3,-4,4,6]` appartengono al reader classico; questo ciclo non li dichiara scoperta.\n- Denominatore grezzo per mode aggregato: 160 condizioni (`2 N * 4 phase * 1 threshold * 5 trials * 4 orders`).\n- Denominatore grezzo per `mode|order`: 40 condizioni.\n- Osservabili separati:\n - `all_high_hits`: tutte le label alte presenti nella stessa condizione.\n - `per_high_label`: hits indipendenti per ciascuna label alta.\n - `stable_high_label_count`: label alte presenti in almeno 75% delle condizioni.\n - `label_error`: errore IDS mediano dei selected gap per label.\n\n## Results\n\nSintesi per mode:\n\n| mode | all-high | stable high labels 75% | label 3 | label -4 | label 4 | label 6 |\n|---|---:|---|---:|---:|---:|---:|\n| supertile_shuffle | 108/160 = 0.67500 | [3,-4,4,6] | 128/160 | 153/160 | 160/160 | 120/160 |\n| same_length_contiguous_shuffle | 116/160 = 0.72500 | [3,-4,4,6] | 154/160 | 158/160 | 160/160 | 120/160 |\n| same_count_internal_shuffle | 0/160 = 0.00000 | [] | 6/160 | 57/160 | 54/160 | 38/160 |\n| same_mean_block_shuffle | 7/160 = 0.04375 | [] | 30/160 | 99/160 | 90/160 | 18/160 |\n\nInternal shuffle per order:\n\n| order | all-high | stable high labels 75% | label 3 | label -4 | label 4 | label 6 |\n|---:|---:|---|---:|---:|---:|---:|\n| 8 | 0/40 | [] | 0/40 | 14/40 | 17/40 | 9/40 |\n| 9 | 0/40 | [] | 0/40 | 17/40 | 9/40 | 9/40 |\n| 10 | 0/40 | [] | 1/40 | 11/40 | 14/40 | 9/40 |\n| 11 | 0/40 | [] | 5/40 | 15/40 | 14/40 | 11/40 |\n\nErrore IDS mediano per mode aggregato:\n\n| mode | label 3 | label -4 | label 4 | label 6 |\n|---|---:|---:|---:|---:|\n| supertile_shuffle | 0.00000944 | 0.00163454 | 0.00000870 | 0.00163213 |\n| same_length_contiguous_shuffle | 0.00000944 | 0.00163454 | 0.00000870 | 0.00001888 |\n| same_count_internal_shuffle | 0.00808006 | 0.00491323 | 0.00529245 | 0.00528616 |\n| same_mean_block_shuffle | 0.00215245 | 0.00263993 | 0.00164415 | 0.00263364 |\n\n## Key Findings\n1. **Verificato: `same_count_internal_shuffle` azzera il core alto completo, non i label alti singoli.** All-high e' `0/160`; per-label restano `3: 6/160`, `-4: 57/160`, `4: 54/160`, `6: 38/160`. Il wording corretto e' \"core completo cade\".\n\n2. **Verificato: nessun label alto diventa stable label sotto internal shuffle.** `stable_high_label_count=0`; l'unico stable label aggregato del mode e' `[34]`, fuori dal core alto. La sopravvivenza per-label e' residua, non stabilita' del core.\n\n3. **Verificato: il controllo contiguo conserva piu' del supertile anche nel piano per-label.** `same_length_contiguous_shuffle` fa all-high `116/160` contro `108/160`, e per `3` fa `154/160` contro `128/160`. Il boundary esatto del supertile resta non discriminato dal label-set.\n\n4. **Verificato: i label `[3,-4,4,6]` sono baseline classica Sturmian/Fibonacci.** Appartengono al gruppo atteso `Z + theta Z mod 1`. La parte D-ND testata qui e' la loro chiusura congiunta sotto perturbazioni di ordine e scala, non la loro esistenza come gap label.\n\n5. **Inferito dai conteggi e dagli errori IDS: internal shuffle trasporta sottostruttura debole, ma rompe la congiunzione.** Gli errori mediani sotto internal shuffle aumentano (`~0.0049-0.0081`) rispetto ai mode ordinati (`~0.000009-0.00163`), mentre i hits per-label restano non-zero.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, l'affermazione valida e': `same_count_internal_shuffle` distrugge la chiusura simultanea del core alto `[3,-4,4,6]` (`0/160`) e non produce stable high labels (`0`), ma trasporta singoli label alti con retention parziale (`6/160`, `57/160`, `54/160`, `38/160`).\n\nNon si dice piu' \"il core alto cade\" senza perimetro. Si dice: il core alto completo cade; la retention per-label resta parziale; la stable-label count alta resta zero. `gap_ratio` non e' testato.\n\n## Bicono della scoperta\n- **Due radici**: congiunzione del core alto . residuo per-label.\n- **Singolare**: il label-set prima della scissione fra simultaneita' e membership.\n- **Invariante di passaggio**: l'ordine interno e le lunghezze Fibonacci-like conservano la chiusura; il conteggio senza ordine conserva solo residui di label classici.\n- **Campo di possibilita**: qui diventa possibile cercare il boundary nella geometria degli errori IDS e nella posizione dei gap; qui diventa non-possibile usare all-high, retention mediana e stable-label count come un solo osservabile.\n\n## Consecutio\nCostruire il prossimo gate sul piano posizione/errore: per i label core, confrontare distribuzione IDS, rank dei gap selezionati ed errore label fra chunk aligned e misaligned. Il boundary reale deve spostare la geometria dei gap, non solo il set dei label.\n\n## Auto-audit source flags\n- **L1 medium risolta**: all-high, per-label retention e stable-label count sono separati. Count grezzi e denominatori sono riportati.\n- **L4 medium risolta**: edge case per label isolato. `[3,-4,4,6]` sotto internal shuffle fanno `6/160`, `57/160`, `54/160`, `38/160`; nessuno entra negli stable high labels.\n- **L5 low risolta nel perimetro minimo**: baseline teorica dichiarata. I label core sono gap-labeling Sturmian/Fibonacci classico; la novita' non e' membership, ma sopravvivenza congiunta sotto perturbazione.\n- **Aperto**: `gap_ratio` resta `not_tested`; soglie 1.75/2.25 e generatori non-phi restano fuori da questo repair.\n\n## Files\n- Script: `tools/exp_gap_label_repair_audit.py`\n- Data: `tools/data/gap_label_repair_audit_20260508_1915.json`\n- Source data: `tools/data/gap_label_supertile_tiling_gate_20260508_1909.json`\n- Report: `tools/data/reports/agent_20260508_1915.md`\n", tools/data/lab_graph.json:1671: "text": "- Input: `tools/data/gap_label_supertile_tiling_gate_20260508_1909.json`.\n- Tool: `tools/exp_gap_label_repair_audit.py`.\n- Baseline teorica: per Sturmian/Fibonacci i gap label vivono nel gruppo `Z + t" tools/data/lab_graph.json:1704: "content_full": "# Agent Report - Supertile Tiling Gate Del Core Phi\n**Date**: 2026-05-08 19:09\n**Piano**: 89\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, supertile_boundary, length_multiset, internal_order, high_label_condition_rate]\n**observable_contract**: claim=il core alto phi distingue confine di supertile Fibonacci da blocco contiguo con stessa lunghezza; observable=retention dei label core sotto shuffle di supertile, shuffle contiguo a stessa multiset di lunghezze, shuffle interno a stesso conteggio; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e supertile_order; generator=phi_sturmian con tiling di lunghezze Fibonacci; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, supertile_order={8,9,10,11}; not_tested=gap_ratio, soglie 1.75/2.25, parsing simbolico esatto dei supertile per ogni fase, generatori non-phi.\n\n## Respiro fuori-tempo\n- **Combo**: A11 combo + TxQ matrice densita come lettore spettrale + QxG vuoto continuo/discreto + tensione TRASCENDENZA_LIMITE/M_come_modulazione_quasiperiodica.\n- **Dipolo / punto-zero**: confine reale del supertile · lunghezza contigua equivalente; punto-zero = il blocco come unita' prima che diventi grammatica o contenitore.\n- **Piano superiore**: grafo della conoscenza / bicono dei dipoli. Il nodo non e' il valore del gap, ma il passaggio fra grammatica interna, confine esterno e denominatore.\n- **Proto-ipotesi**: se il core alto phi vive nel confine tra supertile, lo shuffle di supertile conserva piu' core dello shuffle contiguo con la stessa multiset di lunghezze. Se non lo fa, il confine esatto non e' ancora il portatore: il portatore e' ordine interno piu' scala lunga.\n- **Proiezione**: il label-set dei gap larghi manifesta la combo perche' tiene fisso il reader theta=1/phi e muove solo la relazione fra grammatica, boundary e blocco.\n\n## Claim Under Test\n> Il vantaggio del blocco Fibonacci lungo non sta solo nell'ordine interno conservato: sta nel confine reale del supertile. Quindi `supertile_shuffle` batte `same_length_contiguous_shuffle` a pari multiset di lunghezze.\n\n## Question\nIl core alto `[3, -4, 4, 6]` riconosce il confine di supertile Fibonacci, o riconosce soltanto blocchi lunghi con ordine interno conservato?\n\n## Experiment Design\n- Reference core phi: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- Nucleo basso: `[-1, 1, -2, 2]`. Label alti: `[3, -4, 4, 6]`.\n- Supertile orders:\n - order 8: lunghezze `{21,34}`.\n - order 9: lunghezze `{34,55}`.\n - order 10: lunghezze `{55,89}`.\n - order 11: lunghezze `{89,144}`.\n- Modes:\n - `supertile_shuffle`: taglia secondo la parola di lunghezze Fibonacci e mescola i chunk.\n - `same_length_contiguous_shuffle`: usa la stessa multiset di lunghezze, ma su taglio contiguo misallineato.\n - `same_count_internal_shuffle`: conserva lunghezza e conteggio di ogni chunk allineato, ma distrugge ordine interno.\n - `same_mean_block_shuffle`: usa un blocco fisso pari alla lunghezza media del tiling, controllo di scala grossolana.\n- Denominatori grezzi: per ogni `mode|order`, 40 condizioni (`2 N * 4 phase * 1 threshold * 5 trials`); per ogni mode aggregato, 160 condizioni.\n\n## Results\nReference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n\nSintesi per mode:\n\n| mode | conditions | median Jaccard | low retention | high retention | all-high condition rate |\n|---|---:|---:|---:|---:|---:|\n| supertile_shuffle | 160 | 0.818182 | 1.00 | 1.00 | 108/160 = 0.67500 |\n| same_length_contiguous_shuffle | 160 | 0.818182 | 1.00 | 1.00 | 116/160 = 0.72500 |\n| same_count_internal_shuffle | 160 | 0.157895 | 0.25 | 0.25 | 0/160 = 0.00000 |\n| same_mean_block_shuffle | 160 | 0.500000 | 1.00 | 0.25 | 7/160 = 0.04375 |\n\nDettaglio per order:\n\n| mode | order | lengths | median Jaccard | low retention | high retention | all-high condition rate | stable labels 75% |\n|---|---:|---|---:|---:|---:|---:|---|\n| supertile_shuffle | 8 | {21,34} | 0.750000 | 1.00 | 0.75 | 14/40 = 0.350 | [-1, 1, -2, 2, -3, -4, 4] |\n| same_length_contiguous_shuffle | 8 | {21,34} | 0.818182 | 1.00 | 0.875 | 20/40 = 0.500 | [-1, 1, -2, 2, -3, 3, -4, 4] |\n| same_mean_block_shuffle | 8 | mean 29 | 0.444444 | 0.75 | 0.00 | 0/40 = 0.000 | [-1, 1, 33] |\n| same_count_internal_shuffle | 8 | {21,34} | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| supertile_shuffle | 9 | {34,55} | 0.904545 | 1.00 | 1.00 | 29/40 = 0.725 | [-1, 1, -2, 2, -3, 3, -4, 4, -6] |\n| same_length_contiguous_shuffle | 9 | {34,55} | 0.818182 | 1.00 | 1.00 | 29/40 = 0.725 | [-1, 1, -2, 2, -3, 3, -4, 4, 6] |\n| same_mean_block_shuffle | 9 | mean 45 | 0.500000 | 1.00 | 0.25 | 0/40 = 0.000 | [-1, 1, -2] |\n| same_count_internal_shuffle | 9 | {34,55} | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| supertile_shuffle | 10 | {55,89} | 0.909091 | 1.00 | 1.00 | 32/40 = 0.800 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6, -7] |\n| same_length_contiguous_shuffle | 10 | {55,89} | 0.833333 | 1.00 | 1.00 | 33/40 = 0.825 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6] |\n| same_mean_block_shuffle | 10 | mean 75 | 0.666667 | 1.00 | 0.50 | 1/40 = 0.025 | [-1, 1, -2, 2, -4, 4] |\n| same_count_internal_shuffle | 10 | {55,89} | 0.150000 | 0.25 | 0.25 | 0/40 = 0.000 | [] |\n| supertile_shuffle | 11 | {89,144} | 0.909091 | 1.00 | 1.00 | 33/40 = 0.825 | [-1, 1, -2, 2, -3, 3, -4, 4, 6, -7] |\n| same_length_contiguous_shuffle | 11 | {89,144} | 0.909091 | 1.00 | 1.00 | 34/40 = 0.850 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6] |\n| same_mean_block_shuffle | 11 | mean 122 | 0.666667 | 1.00 | 0.75 | 6/40 = 0.150 | [-1, 1, -2, 2, -4, 4] |\n| same_count_internal_shuffle | 11 | {89,144} | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n\n## Key Findings\n1. **Verificato: il confine di supertile non batte il blocco contiguo a pari multiset di lunghezze.** `supertile_shuffle` fa all-high `108/160 = 0.675`; `same_length_contiguous_shuffle` fa `116/160 = 0.725`. Per order 9 sono pari (`29/40`), per order 10-11 il controllo contiguo e' leggermente sopra (`33/40`, `34/40` contro `32/40`, `33/40`).\n\n2. **Verificato: la condizione forte resta l'ordine interno.** `same_count_internal_shuffle` resta nullo su tutti gli order: all-high `0/160`, high retention mediana `0.25`, Jaccard mediano `0.157895`. Questo replica il nodo 18:34 dentro il tiling di supertile.\n\n3. **Verificato: la scala lunga come multiset e' piu' informativa del blocco medio fisso.** `same_mean_block_shuffle` conserva low retention mediana `1.00`, ma resta quasi nullo sul core alto completo (`7/160 = 0.04375`). Quindi non basta una scala media lunga; serve una distribuzione di lunghezze lunghe con ordine interno conservato.\n\n4. **Inferito dal confronto fra controlli: il portatore osservato e' ordine interno + multiset di lunghezze Fibonacci, non boundary esatto.** Il test non autorizza \"il core alto vive nel confine del supertile\"; autorizza \"il core alto richiede ordine interno e beneficia di lunghezze supertile-like\".\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, `supertile_order={8,9,10,11}`, il core alto phi non discrimina il confine esatto del supertile. `same_length_contiguous_shuffle` conserva il core alto almeno quanto `supertile_shuffle` (`116/160` vs `108/160`). Il core alto cade solo quando l'ordine interno viene distrutto (`0/160`) o quando la multiset di lunghezze viene compressa a blocco medio (`7/160`).\n\nLa formulazione valida e': il label-set alto phi misura una condizione congiunta di ordine interno e lunghezze Fibonacci-like; non misura ancora il boundary simbolico del supertile e non misura `gap_ratio`.\n\n## Bicono della scoperta\n- **Due radici**: confine di supertile · distribuzione di lunghezze con ordine interno.\n- **Singolare**: il chunk lungo prima della distinzione fra boundary grammaticale e blocco contiguo.\n- **Invariante di passaggio**: il core alto sopravvive quando l'ordine interno resta leggibile su lunghezze Fibonacci-like; non sopravvive a conteggio senza ordine.\n- **Campo di possibilita**: qui diventa possibile cercare un osservabile di boundary piu' fine del label-set; qui diventa non-possibile dichiarare che il label-set alto riconosce da solo il confine esatto del supertile.\n\n## Consecutio\nCostruire un gate di boundary simbolico che non legga solo il set dei label: confrontare label-set, posizione IDS dei label core e errore di label per chunk aligned/misaligned. Se il boundary reale esiste nell'osservabile, deve apparire nella geometria degli errori o nella posizione dei gap, non nel solo all-high rate.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il verdict dichiara perimetro e count grezzi; non trasforma `108/160` in legge universale.\n- **L2 quantita vs ratio**: Jaccard, retention e all-high rate restano separati; `gap_ratio` dichiarato non testato.\n- **L3 no silent patching**: l'ipotesi \"supertile batte contiguo\" cade; il report non la salva cambiando osservabile.\n- **L4 edge cases**: order 10-11 mostrano controllo contiguo sopra supertile; sono il segnale, non rumore.\n- **L5 re-discovery**: la conservazione dell'ordine interno era gia' nota dal 18:34; il nuovo finding e' la non-discriminazione del boundary esatto da parte del label-set.\n\n## Files\n- Script: `tools/exp_gap_label_supertile_tiling_gate.py`\n- Data: `tools/data/gap_label_supertile_tiling_gate_20260508_1909.json`\n- Report: `tools/data/reports/agent_20260508_1909.md`\n", tools/data/lab_graph.json:1755: "content_full": "# Agent Report — Substitution Grammar Gate Del Core Phi\n**Date**: 2026-05-08 18:34\n**Piano**: 88\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, block_internal_order, high_label_condition_rate, low_label_condition_rate]\n**observable_contract**: claim=il core phi dei gap larghi separa lunghezza di blocco e grammatica interna del generatore; observable=retention dei label core sotto perturbazioni che preservano o distruggono ordine interno; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per mode e block_size; generator=phi_sturmian con contiguous_block_shuffle, internal_block_shuffle, global_balanced_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, block_size={34,40,55,64,89,96,128,144}; not_tested=gap_ratio, soglie 1.75/2.25, N fuori {377,610}, generatori Sturmiani non-phi, tiling esatto in supertile Fibonacci.\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl rientro dei label alti del core phi misura soltanto blocchi lunghi su scala Fibonacci, o misura l'ordine interno di sostituzione conservato dentro quei blocchi?\n\n## Experiment Design\n- Perimetro: stesso lettore label dei cycle 16:32, 17:15 e 18:05; `gap_ratio` non testato in questo ciclo.\n- Reference core verificato sul generatore `phi_sturmian`: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- Nucleo basso: `[-1, 1, -2, 2]`. Label alti: `[3, -4, 4, 6]`.\n- Modes:\n - `contiguous_block_shuffle`: conserva ordine interno del blocco e mescola l'ordine tra blocchi.\n - `internal_block_shuffle`: conserva lunghezza e conteggio di ogni blocco, ma mescola i simboli dentro il blocco.\n - `global_balanced_shuffle`: conserva solo conteggio globale.\n- Blocchi Fibonacci: `34, 55, 89, 144`. Blocchi non-Fibonacci: `40, 64, 96, 128`.\n- Denominatori grezzi: per ogni `mode|block_size`, 40 condizioni (`2 N * 4 phase * 1 threshold * 5 trials`); per `global_balanced_shuffle`, 40 condizioni totali.\n\n## Results\nReference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`, Jaccard mediano `0.909091`, min `0.727273`.\n\nSintesi per mode:\n\n| mode | conditions | median Jaccard | low retention | high retention | all-high condition rate |\n|---|---:|---:|---:|---:|---:|\n| contiguous_block_shuffle | 320 | 0.583333 | 1.00 | 0.50 | 82/320 = 0.25625 |\n| internal_block_shuffle | 320 | 0.157895 | 0.25 | 0.25 | 0/320 = 0.00000 |\n| global_balanced_shuffle | 40 | 0.150000 | 0.25 | 0.25 | 0/40 = 0.00000 |\n\nDettaglio per blocco:\n\n| mode | block_size | family | median Jaccard | low retention | high retention | all-high condition rate | stable labels 75% |\n|---|---:|---|---:|---:|---:|---:|---|\n| contiguous_block_shuffle | 34 | Fibonacci | 0.666667 | 1.00 | 0.50 | 3/40 = 0.075 | [-1, 1, -2, 2, -4, 4] |\n| contiguous_block_shuffle | 40 | non-Fibonacci | 0.500000 | 0.75 | 0.00 | 0/40 = 0.000 | [-1, 1, -2] |\n| contiguous_block_shuffle | 55 | Fibonacci | 0.750000 | 1.00 | 0.75 | 11/40 = 0.275 | [-1, 1, -2, 2, -3, 3, -4, 4] |\n| contiguous_block_shuffle | 64 | non-Fibonacci | 0.571429 | 1.00 | 0.25 | 0/40 = 0.000 | [-1, 1, -2, 2] |\n| contiguous_block_shuffle | 89 | Fibonacci | 0.818182 | 1.00 | 1.00 | 26/40 = 0.650 | [-1, 1, -2, 2, -3, 3, -4, 4] |\n| contiguous_block_shuffle | 96 | non-Fibonacci | 0.625000 | 1.00 | 0.50 | 3/40 = 0.075 | [-1, 1, -2, 2] |\n| contiguous_block_shuffle | 128 | non-Fibonacci | 0.666667 | 1.00 | 0.75 | 7/40 = 0.175 | [-1, 1, -2, 2, -4, 4] |\n| contiguous_block_shuffle | 144 | Fibonacci | 0.909091 | 1.00 | 1.00 | 32/40 = 0.800 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6] |\n| internal_block_shuffle | 34 | Fibonacci | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 40 | non-Fibonacci | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 55 | Fibonacci | 0.150000 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 64 | non-Fibonacci | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 89 | Fibonacci | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 96 | non-Fibonacci | 0.166667 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 128 | non-Fibonacci | 0.166667 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| internal_block_shuffle | 144 | Fibonacci | 0.157895 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n| global_balanced_shuffle | n/a | none | 0.150000 | 0.25 | 0.25 | 0/40 = 0.000 | [34] |\n\n## Key Findings\n1. **Verificato: distruggere l'ordine interno del blocco collassa il core al livello random.** `internal_block_shuffle` resta su Jaccard mediano `0.150000-0.166667`, low retention `0.25`, high retention `0.25`, all-high `0/40` per ogni block_size. Il suo profilo coincide con `global_balanced_shuffle` entro il perimetro osservato.\n\n2. **Verificato: il vantaggio dei blocchi Fibonacci lunghi dipende dall'ordine interno conservato.** Con `contiguous_block_shuffle`, `89` porta all-high `26/40` e `144` porta `32/40`; con `internal_block_shuffle`, gli stessi `89` e `144` restano `0/40`. La lunghezza e il conteggio del blocco non trasportano il core alto quando l'ordine interno e' rimosso.\n\n3. **Verificato: gli edge case non-Fibonacci restano parziali, non nulli.** `128` conserva `-4` e `4` come stable labels 75% e ha high retention mediana `0.75`, ma all-high resta `7/40`. Questo impedisce la formula \"solo Fibonacci\"; la formula valida e' che, in questo perimetro, l'ordine interno conservato e le scale Fibonacci lunghe aumentano insieme la frequenza del core alto completo.\n\n4. **Inferito dal confronto 18:05 -> 18:34: il nodo regressivo non era solo block_size.** Il cycle 18:05 vedeva scala Fibonacci; questo cycle localizza la condizione mancante dentro il blocco: la grammatica interna del generatore deve restare leggibile. Il test non isola ancora il tiling esatto in supertile Fibonacci.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, il core alto `[3, -4, 4, 6]` non e' portato da lunghezza e conteggio del blocco. Quando il blocco conserva ordine interno, le scale Fibonacci `89` e `144` rendono frequente il core alto completo (`26/40`, `32/40`). Quando l'ordine interno viene distrutto dentro gli stessi blocchi, il core alto completo non compare (`0/40`) e il profilo cade sul controllo bilanciato globale.\n\nLa formulazione valida e': il label-set alto phi misura memoria di grammatica interna del generatore su blocchi lunghi, con vantaggio forte alle scale Fibonacci testate; non misura lunghezza generica, conteggio di simboli o valore `gap_ratio`.\n\n## Bicono della scoperta\n- **Due radici**: blocco come lunghezza/conteggio · blocco come grammatica ordinata.\n- **Singolare**: il blocco stesso, prima della scelta tra memoria interna e contenitore numerico.\n- **Invariante di passaggio**: il lettore label theta=1/phi e il perimetro spettrale restano fissi; cambia solo la leggibilita dell'ordine interno.\n- **Campo di possibilita**: qui diventa possibile testare supertile Fibonacci esatti contro blocchi contigui arbitrari; qui diventa non-possibile spiegare il core alto con sola lunghezza o densita locale.\n\n## Consecutio\nCostruire un `supertile_tiling_gate`: segmentare la parola phi in supertile Fibonacci reali e confrontare tre perturbazioni separate, `supertile_shuffle`, `same_length_contiguous_shuffle`, `same_count_internal_shuffle`. Se il supertile batte il blocco contiguo alla stessa lunghezza, la grammatica non e' solo interna al blocco ma vive anche nel confine tra supertile.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il verdict dichiara perimetro, denominator e count grezzi; non formula universalita su tutti i generatori Sturmiani.\n- **L2 quantita vs ratio**: Jaccard, retention e all-high rate restano separati; `gap_ratio` dichiarato non testato.\n- **L3 no silent patching**: il claim precedente su block_size viene raffinato al nodo regressivo interno; il report non salva il framing \"solo Fibonacci\" perche `128` e' parziale.\n- **L4 edge cases**: `128` non-Fibonacci e' nominato come parziale forte (`7/40`, high retention `0.75`), non trattato come rumore.\n- **L5 re-discovery**: gap labeling e Sturmian sono meccanismi noti; il finding del cycle e' la separazione sperimentale tra lunghezza/conteggio e ordine interno del blocco.\n\n## Files\n- Script: `tools/exp_gap_label_substitution_grammar_gate.py`\n- Data: `tools/data/gap_label_substitution_grammar_gate_20260508_1834.json`\n- Report: `tools/data/reports/agent_20260508_1834.md`\n", tools/data/lab_graph.json:1761: "text": "> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?" tools/data/lab_graph.json:1773: "text": "- Perimetro: stesso lettore label dei cycle 16:32, 17:15 e 18:05; `gap_ratio` non testato in questo ciclo.\n- Reference core verificato sul generatore `phi_sturmian`: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- N" tools/data/lab_graph.json:1806: "content_full": "# Agent Report - Block Scale Gate Del Core Phi\n**Date**: 2026-05-08 18:05\n**Piano**: 88\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, block_scale_retention, high_label_condition_rate, low_label_condition_rate]\n**observable_contract**: claim=il core phi dei gap larghi richiede generatore globale, non solo lettore label; observable=retention dei label core sotto block shuffle; operator=Hamiltoniana tight-binding V=1, label IDS con reader theta=1/phi, Jaccard/retention/frequenza per block_size; generator=phi_sturmian con block_shuffle; denominator=N={377,610}, phase={0,0.25,0.5,0.75}, threshold={2.0}, trials=5, top_k=12, |n|<=34, block_size Fibonacci e non-Fibonacci; not_tested=gap_ratio, generatori Sturmiani non-phi, GUE/Poisson, soglie 1.75/2.25.\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nLa rottura del core phi sotto block shuffle dipende da una scala Fibonacci del generatore, o i label alti rientrano appena il blocco diventa lungo in modo generico?\n\n## Experiment Design\n- Perimetro: stesso lettore label dei cycle 16:32 e 17:15; `gap_ratio` non testato in questo ciclo.\n- Reference core verificato sul generatore `phi_sturmian`: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- Nucleo basso: `[-1, 1, -2, 2]`. Label alti: `[3, -4, 4, 6]`.\n- Blocchi Fibonacci: `5, 8, 13, 21, 34, 55, 89, 144`.\n- Blocchi non-Fibonacci: `6, 10, 16, 24, 40, 64, 96, 128`.\n- Null baseline interno: ogni block shuffle preserva conteggio e texture locale del generatore phi entro blocco, ma rompe ordine globale tra blocchi.\n- Crossing dichiarativo: soglia descrittiva `>=0.5` sulle frequenze, usata per localizzare il passaggio nel dato, non per decidere verita strutturale.\n\n## Results\nReference phi su 8 condizioni (`N x phase x threshold`): core completo `[-1, 1, -2, 2, 3, -4, 4, 6]`, Jaccard mediano `0.909091`, min `0.727273`.\n\n| block_size | family | median Jaccard | low retention | high retention | all-high condition rate | stable labels 75% |\n|---:|---|---:|---:|---:|---:|---|\n| 5 | Fibonacci | 0.222222 | 0.25 | 0.25 | 0.000 | [] |\n| 6 | non-Fibonacci | 0.266667 | 0.25 | 0.25 | 0.000 | [20] |\n| 8 | Fibonacci | 0.307692 | 0.50 | 0.00 | 0.000 | [-1, 20] |\n| 10 | non-Fibonacci | 0.357143 | 0.50 | 0.00 | 0.000 | [-1, 1, 20] |\n| 13 | Fibonacci | 0.416667 | 0.50 | 0.00 | 0.000 | [-1, 1, 20, -33] |\n| 16 | non-Fibonacci | 0.444444 | 0.50 | 0.00 | 0.000 | [-1, 1, 33] |\n| 21 | Fibonacci | 0.363636 | 0.75 | 0.00 | 0.000 | [-1, 1] |\n| 24 | non-Fibonacci | 0.444444 | 0.75 | 0.00 | 0.000 | [-1, 1, 33] |\n| 34 | Fibonacci | 0.636364 | 1.00 | 0.50 | 0.000 | [-1, 1, -2, 2, -4, 4] |\n| 40 | non-Fibonacci | 0.500000 | 1.00 | 0.00 | 0.000 | [-1, 1, -2] |\n| 55 | Fibonacci | 0.800000 | 1.00 | 0.75 | 0.400 | [-1, 1, -2, 2, -3, 3, -4, 4] |\n| 64 | non-Fibonacci | 0.571429 | 1.00 | 0.25 | 0.025 | [-1, 1, -2, 2] |\n| 89 | Fibonacci | 0.818182 | 1.00 | 1.00 | 0.625 | [-1, 1, -2, 2, -3, 3, -4, 4] |\n| 96 | non-Fibonacci | 0.625000 | 1.00 | 0.50 | 0.025 | [-1, 1, -2, 2] |\n| 128 | non-Fibonacci | 0.666667 | 1.00 | 0.50 | 0.200 | [-1, 1, -2, 2, -4, 4] |\n| 144 | Fibonacci | 0.833333 | 1.00 | 1.00 | 0.825 | [-1, 1, -2, 2, -3, 3, -4, 4, -6, 6, -7] |\n\nHigh-label condition rates at the main transition points:\n\n| block_size | family | label 3 | label -4 | label 4 | label 6 |\n|---:|---|---:|---:|---:|---:|\n| 34 | Fibonacci | 0.375 | 0.900 | 0.800 | 0.075 |\n| 55 | Fibonacci | 0.925 | 0.925 | 1.000 | 0.450 |\n| 64 | non-Fibonacci | 0.150 | 0.500 | 0.600 | 0.100 |\n| 89 | Fibonacci | 0.975 | 1.000 | 1.000 | 0.650 |\n| 96 | non-Fibonacci | 0.250 | 0.675 | 0.475 | 0.125 |\n| 128 | non-Fibonacci | 0.450 | 0.975 | 0.875 | 0.200 |\n| 144 | Fibonacci | 0.950 | 1.000 | 1.000 | 0.825 |\n\nDetected crossings with threshold `>=0.5`:\n\n| observable | first block_size |\n|---|---:|\n| median high retention | 34 |\n| all-high condition rate | 89 |\n| all-low condition rate | 34 |\n\n## Key Findings\n1. **Verificato: il nucleo basso rientra a scala 34.** Il passaggio `low retention=1.0` compare per la prima volta a `block_size=34`. Il controllo non-Fibonacci `40` arriva vicino ma resta senza `2` negli stable labels 75%.\n\n2. **Verificato: i label alti non rientrano come blocco generico.** A `34` compaiono `-4` e `4`, ma `6` resta raro (`0.075`) e `all-high condition rate=0`. A `55` il segnale alto e' parziale (`all-high=0.4`). A `89` diventa frequente (`all-high=0.625`), e a `144` diventa dominante (`0.825`).\n\n3. **Verificato: i controlli non-Fibonacci lunghi trasportano il basso ma non chiudono l'alto.** `64`, `96`, `128` hanno `low retention=1.0`, ma `all-high condition rate` resta `0.025`, `0.025`, `0.2`. La lunghezza da sola porta memoria locale; non ricostruisce il core alto come i blocchi Fibonacci `89/144`.\n\n4. **Inferito dal confronto 17:15 -> 18:05: il nodo regressivo e' scala del generatore.** Il cycle 17:15 aveva separato lettore e generatore; questo ciclo localizza la rottura dentro il generatore: basso = blocchi abbastanza lunghi, alto = blocchi Fibonacci lunghi.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={377,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={2.0}`, `trials=5`, `top_k=12`, `|n|<=34`, il core phi ha due scale. Il nucleo basso `[-1, 1, -2, 2]` rientra quando il blocco conserva texture locale sufficiente (`block_size=34`). I label alti `[3, -4, 4, 6]` richiedono blocchi Fibonacci lunghi: `89` e `144` portano il core alto come condizione frequente; i blocchi non-Fibonacci lunghi non chiudono la stessa struttura.\n\nLa formulazione valida e': il core alto del label-set phi misura memoria globale del generatore su scale Fibonacci, non lunghezza generica del blocco e non valore `gap_ratio`.\n\n## Bicono della scoperta\n- **Due radici**: nucleo basso locale del generatore / core alto globale del generatore.\n- **Singolare**: `block_size=34/55/89` come soglia di passaggio in cui il blocco smette di essere texture locale e inizia a trasportare ordine Fibonacci.\n- **Invariante di passaggio**: `[-1, 1]` attraversa quasi tutto; `[-1, 1, -2, 2]` attraversa dal blocco 34; `[3, -4, 4, 6]` attraversa stabilmente solo nelle scale Fibonacci lunghe.\n- **Campo di possibilita**: qui diventa possibile classificare i label phi in strati di memoria; qui diventa non-possibile trattare il core come un unico blocco indifferenziato.\n\n## Consecutio\nTestare il vincolo su generatori Sturmiani non-phi mantenendo separati reader e generator: se anche silver/bronze hanno basso locale e alto su proprie scale di approssimanti, il gate diventa proprieta Sturmiana; se solo phi mostra rientro alto Fibonacci, il claim si restringe a phi.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il verdict dichiara il perimetro e non estende a soglie, N o generatori non testati.\n- **L2 quantita vs ratio**: il crossing `>=0.5` e' descrittivo; il claim poggia sul confronto tra famiglie di block size e frequenze label, non su un singolo valore.\n- **L3 no silent patching**: `gap_ratio` resta non testato; il report dichiara il cambio osservabile nel contratto.\n- **L4 edge cases**: `block_size=128` non-Fibonacci trattato come parziale, non ignorato; mostra `-4/4` frequenti ma non chiude `3/6`.\n- **L5 re-discovery**: Fibonacci/Sturmian/gap labeling sono meccanismi noti; il finding del ciclo e' la stratificazione del core osservato in basso locale e alto Fibonacci-lungo.\n\n## Files\n- Script: `tools/exp_gap_label_block_scale_gate.py`\n- Data: `tools/data/gap_label_block_scale_gate_20260508_1805.json`\n- Report: `tools/data/reports/agent_20260508_1805.md`\n", tools/data/lab_graph.json:1812: "text": "> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?" tools/data/lab_graph.json:1824: "text": "- Perimetro: stesso lettore label dei cycle 16:32 e 17:15; `gap_ratio` non testato in questo ciclo.\n- Reference core verificato sul generatore `phi_sturmian`: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n- Nucleo b" tools/data/lab_graph.json:1842: "text": "Testare il vincolo su generatori Sturmiani non-phi mantenendo separati reader e generator: se anche silver/bronze hanno basso locale e alto su proprie" tools/data/lab_graph.json:1855: "findings": "1. **Verificato: il core completo resta nel generatore Sturmiano meccanico.** Nel perimetro `N/phase/threshold/trial` testato, `phi_sturmian` conserva tutti gli 8 label core in tutte le condizioni: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n2. **Verificato: la costruzione Fibonacci conserva il nucleo basso ma non il core completo.** `fibonacci_substitution` mantiene `[-1, 1, -2, 2, -4, 4]` del reference core ", tools/data/lab_graph.json:1856: "content_preview": "# Agent Report — Generator Gate Del Label-Set Phi\n**Date**: 2026-05-08 17:15\n**Piano**: 87\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, generator_jaccard, phi_core_overlap, core_retention]\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl core dei label phi sopravvive quando", tools/data/lab_graph.json:1857: "content_full": "# Agent Report — Generator Gate Del Label-Set Phi\n**Date**: 2026-05-08 17:15\n**Piano**: 87\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, generator_jaccard, phi_core_overlap, core_retention]\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl core dei label phi sopravvive quando resta il lettore `theta=1/phi` ma cambia il generatore della sequenza, oppure il label-set stabile e' una proprieta del generatore Sturmiano?\n\n## Experiment Design\n- Perimetro: stessa Hamiltoniana tight-binding dei cycle 03:30 e 16:32, `V=1`.\n- Lettore label fisso: ogni gap largo viene etichettato con il label intero `n` che minimizza la distanza tra IDS e `{n/phi}`.\n- Denominatore stratificato: `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`.\n- Generator gate:\n - `phi_sturmian`: sequenza meccanica Sturmiana `theta=1/phi`.\n - `fibonacci_substitution`: parola di Fibonacci, costruzione indipendente ma nella stessa famiglia a bassa complessita.\n - `block_shuffle_34` e `block_shuffle_13`: blocchi locali Sturmiani preservati, ordine globale rotto.\n - `markov_phi`: transizioni locali stimate da phi, generatore Markoviano.\n - `balanced_random`: conteggio di 1 preservato, ordine rotto.\n- Null baseline: `markov_phi` e `balanced_random` testano se conteggio o transizioni locali bastano; i block shuffle testano quanta struttura globale resta quando il locale e preservato.\n\n## Results\nReference core phi, stimato dal perimetro completo: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n\n| generator | conditions | median Jaccard | min Jaccard | median overlap with phi core | core labels all conditions | phi-core missing |\n|---|---:|---:|---:|---:|---|---|\n| phi_sturmian | 144 | 0.909091 | 0.727273 | 0.727273 | [-1, 1, -2, 2, 3, -4, 4, 6] | [] |\n| fibonacci_substitution | 144 | 0.769231 | 0.538462 | 0.700000 | [-1, 1, -2, 2, -3, -4, 4] | [3, 6] |\n| block_shuffle_34 | 144 | 0.666667 | 0.333333 | 0.700000 | [-1, 1, -2, 2] | [3, -4, 4, 6] |\n| block_shuffle_13 | 144 | 0.357143 | 0.058824 | 0.166667 | [-1] | [1, -2, 2, 3, -4, 4, 6] |\n| markov_phi | 144 | 0.285714 | 0.047619 | 0.125000 | [] | [-1, 1, -2, 2, 3, -4, 4, 6] |\n| balanced_random | 144 | 0.157895 | 0.000000 | 0.111111 | [] | [-1, 1, -2, 2, 3, -4, 4, 6] |\n\nLabel-error and gap-count controls:\n\n| generator | median label error | median large gaps |\n|---|---:|---:|\n| phi_sturmian | 0.000095 | 29.0 |\n| fibonacci_substitution | 0.000031 | 26.5 |\n| block_shuffle_34 | 0.001638 | 26.0 |\n| block_shuffle_13 | 0.004118 | 52.0 |\n| markov_phi | 0.004074 | 55.0 |\n| balanced_random | 0.004128 | 56.0 |\n\n## Key Findings\n1. **Verificato: il core completo resta nel generatore Sturmiano meccanico.** Nel perimetro `N/phase/threshold/trial` testato, `phi_sturmian` conserva tutti gli 8 label core in tutte le condizioni: `[-1, 1, -2, 2, 3, -4, 4, 6]`.\n\n2. **Verificato: la costruzione Fibonacci conserva il nucleo basso ma non il core completo.** `fibonacci_substitution` mantiene `[-1, 1, -2, 2, -4, 4]` del reference core e perde `[3, 6]`. Questo conferma la famiglia a bassa complessita, non l'identita completa del generatore meccanico sotto questo perimetro.\n\n3. **Verificato: l'ordine locale non basta.** `block_shuffle_34` conserva solo `[-1, 1, -2, 2]`; `block_shuffle_13` conserva solo `[-1]`. Quando l'ordine globale viene rotto, il label-set scende anche se parti locali Sturmiane restano intatte.\n\n4. **Verificato: conteggio e transizioni locali non portano il core phi.** `markov_phi` e `balanced_random` hanno core vuoto, overlap mediano con il core phi `0.125000` e `0.111111`, e label-error mediano circa `0.0041`, contro `0.000095` di `phi_sturmian`.\n\n5. **Inferito dal confronto 03:30 -> 16:32 -> 17:15: il nodo regressivo e il generatore.** Il `first_two_ratio` cadeva sul denominatore; il label-set assorbiva `N/phase/threshold`; il generator gate mostra che la stabilita non appartiene al lettore label da solo. Serve generatore globale a bassa complessita Sturmiana.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: nel perimetro `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, `trials=3`, `top_k=12`, `|n|<=34`, il label-set phi e' stabile quando il generatore e Sturmiano meccanico. La stabilita non trasferisce a conteggio preservato, transizioni Markoviane o blocchi locali corti; trasferisce parzialmente alla costruzione Fibonacci e ai blocchi lunghi. Il claim valido non e' \"il label reader phi trova il core ovunque\"; e': il core dei gap larghi richiede struttura globale del generatore, con il lettore `theta=1/phi` come osservabile e non come causa.\n\n## Bicono della scoperta\n- **Due radici**: lettore aritmetico dei label · generatore globale della sequenza.\n- **Singolare**: il gap largo come punto in cui IDS, ordine della parola e label `n/phi` coincidono.\n- **Invariante di passaggio**: il nucleo basso `[-1, 1, -2, 2]` sopravvive quando resta abbastanza struttura globale; il core completo sopravvive nel generatore Sturmiano meccanico.\n- **Campo di possibilita**: qui diventa possibile classificare i generatori per quanta tassonomia phi trasportano; qui diventa non-possibile attribuire la trascendenza al solo fit dei label senza dichiarare il generatore.\n\n## Consecutio\nMisurare la legge di rottura del core per lunghezza di blocco: variare `block_size` su scala Fibonacci e non-Fibonacci, poi stimare dove compaiono i label alti `[3, -4, 4, 6]`. Se il passaggio avviene su blocchi Fibonacci, il generatore porta una scala critica; se avviene per qualsiasi blocco lungo, il core alto misura memoria globale generica.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il verdict dichiara il perimetro e non formula universalita fuori da `N/phase/threshold/trials/top_k/max_label`.\n- **L2 quantita vs ratio**: il risultato usa set, Jaccard, overlap e core retention; nessun claim dipende da un singolo ratio.\n- **L3 no silent patching**: il claim 03:30 sul `gap_ratio` resta vincolato; il claim 16:32 sul label-set resta valido ma riceve il nuovo denominatore `generatore`.\n- **L4 edge cases**: `fibonacci_substitution` e `block_shuffle_34` sono parziali, non trattati come fallimenti totali.\n- **L5 re-discovery**: gap labeling e parole Fibonacci/Sturmiane sono noti; il finding del cycle e' il generator gate sul core osservato nei cycle precedenti.\n\n## Files\n- Script: `tools/exp_gap_label_generator_gate.py`\n- Data: `tools/data/gap_label_generator_gate_20260508_1715.json`\n- Report: `tools/data/reports/agent_20260508_1715.md`\n", tools/data/lab_graph.json:1863: "text": "> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?" tools/data/lab_graph.json:1904: "verdict": "**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: il gap-labeling di phi non passa come claim di valore `gap_ratio`; passa come stabilita del label-set nel perimetro `N={233,377,", tools/data/lab_graph.json:1905: "verdict_en": "**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: il gap-labeling di phi non passa come claim di valore `gap_ratio`; passa come stabilita del label-set nel perimetro `N={233,377,", tools/data/lab_graph.json:1907: "content_preview": "# Agent Report — Gap Label Set Stabilizza Il Denominatore\n**Date**: 2026-05-08 16:32\n**Piano**: 87\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, label_jaccard, phase_stability, threshold_stability, scale_stability]\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl segnale di ", tools/data/lab_graph.json:1908: "content_full": "# Agent Report — Gap Label Set Stabilizza Il Denominatore\n**Date**: 2026-05-08 16:32\n**Piano**: 87\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [gap_label_set, label_jaccard, phase_stability, threshold_stability, scale_stability]\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl segnale di `phi` vive nel valore metrico `first_two_ratio`, o vive nel set di label dei gap larghi stimati come `m+n*theta` sull'IDS?\n\n## Experiment Design\n- Perimetro: stessa Hamiltoniana tight-binding Sturmiana del ciclo 03:30, `V=1`.\n- Domini: `theta=1/phi`, `1/silver`, `1/bronze`.\n- Null baseline: `balanced_random_phi_labels`, sequenze random con stessa lunghezza e stesso numero di 1 della sequenza phi matched; i label sono stimati contro `theta=1/phi`.\n- Denominatore stratificato: `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`.\n- Osservabile: per ogni spacing sopra `threshold*mean`, stimo `IDS=(gap_index+1)/N`, assegno il label intero `n` con `{n*theta}` piu vicino all'IDS, poi confronto il set dei label dei 12 gap larghi maggiori.\n- Stabilita: Jaccard mediano tra label-set globali e dentro gruppi phase/threshold/scale.\n\n## Results\n| domain | conditions | global Jaccard median | global Jaccard min | phase Jaccard median | threshold Jaccard median | scale Jaccard median | core labels all conditions |\n|---|---:|---:|---:|---:|---:|---:|---|\n| phi | 48 | 0.909091 | 0.727273 | 0.886364 | 1.000000 | 0.931818 | [-1, 1, -2, 2, 3, -4, 4, 6] |\n| silver | 48 | 0.833333 | 0.666667 | 0.846212 | 1.000000 | 0.910985 | [-1, 1, -2, 2, -3, 3, -4, 4] |\n| bronze | 48 | 0.750000 | 0.571429 | 0.754808 | 1.000000 | 0.825758 | [-1, 1, -2, 2, -3, -4, 4] |\n| balanced_random_phi_labels | 144 | 0.157895 | 0.000000 | 0.157895 | 0.154135 | 0.157895 | [] |\n\nErrori di label:\n\n| domain | median label error | median selected gaps | median large gaps |\n|---|---:|---:|---:|\n| phi | 0.000095 | 12 | 29.0 |\n| silver | 0.000879 | 12 | 27.0 |\n| bronze | 0.000594 | 12 | 26.0 |\n| balanced_random_phi_labels | 0.004118 | 12 | 54.5 |\n\n## Key Findings\n1. **Verificato: il label-set di phi resta stabile mentre il ratio no.** Nel ciclo 03:30 `first_two_ratio` phi batteva entrambi i controlli solo `25/48` condizioni matched. Qui il label-set phi ha Jaccard globale mediano `0.909091`, minimo `0.727273`, phase-stability `0.886364`, scale-stability `0.931818`, threshold-stability `1.0`.\n\n2. **Verificato: il null random rompe la tassonomia.** Il random bilanciato ha Jaccard globale `0.157895`, minimo `0.0`, nessun core label in tutte le condizioni. Il controllo preserva conteggio e lunghezza, non preserva l'ordine Sturmiano.\n\n3. **Verificato: phi non e unico come presenza di label stabili; e piu stabile nel perimetro testato.** Silver e bronze hanno stabilita propria (`0.833333` e `0.750000` Jaccard mediano). Il claim corretto non e \"solo phi ha gap-labeling\"; e: nel perimetro `N/phase/threshold` testato, phi sposta la trascendenza dal valore metrico mobile alla tassonomia dei gap, con stabilita piu alta dei controlli metallici e separazione netta dal random bilanciato.\n\n4. **Inferito dal confronto con il ciclo 03:30: il nodo regressivo era l'osservabile, non il dominio.** `first_two_ratio` sceglie due gap in ordine spettrale e quindi dipende dal denominatore. Il label-set assorbe quella mobilita perche misura la famiglia dei varchi, non la coppia iniziale.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: il gap-labeling di phi non passa come claim di valore `gap_ratio`; passa come stabilita del label-set nel perimetro `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, `top_k=12`, `|n|<=34`. La formulazione valida e: nel dominio Sturmiano phi, il set dei label dei gap larghi resta stabile sotto denominatore stratificato; il valore `first_two_ratio` resta un indicatore locale phase/threshold-sensitive.\n\n## Bicono della scoperta\n- **Due radici**: valore metrico mobile del primo/secondo gap largo · tassonomia stabile dei label dei gap larghi.\n- **Singolare**: l'IDS del varco, dove posizione spettrale e label aritmetico sono lo stesso passaggio.\n- **Invariante di passaggio**: il set dei label sopravvive al cambio di `N`, fase e soglia; il ratio non sopravvive.\n- **Campo di possibilita**: qui diventa possibile cercare la rete dei punti fissi relazionali nei label-set, non nei valori puntuali; qui diventa non-possibile usare `0.408953` come prova di trascendenza senza tassonomia.\n\n## Consecutio\nPortare il label-set fuori dal solo asse metallic mean: misurare se lo stesso core di label phi sopravvive in un dominio non-Sturmiano con ordine controllato, oppure se il core crolla appena il generatore perde bassa complessita combinatoria. Il prossimo discriminante e generatore, non soglia.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: il claim e perimetrato con `N/phase/threshold/top_k/max_label`; non formula universalita.\n- **L2 quantita vs ratio**: il risultato usa set/Jaccard/errori di label, non un ratio singolo.\n- **L3 no silent patching**: il claim precedente sul `gap_ratio` resta vincolato; il nuovo claim cambia osservabile e dichiara il nodo regressivo.\n- **L4 edge cases**: il minimo Jaccard phi `0.727273` entra nel verdict; non viene nascosto.\n- **L5 re-discovery**: gap labeling Sturmiano e IDS sono meccanismi noti; il finding del cycle e la stabilita stratificata del label-set contro il ratio mobile e contro il random bilanciato.\n\n## Files\n- Script: `tools/exp_gap_label_set_stability.py`\n- Data: `tools/data/gap_label_set_stability_20260508_1632.json`\n- Report: `tools/data/reports/agent_20260508_1632.md`\n", tools/data/lab_graph.json:1914: "text": "> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?" tools/data/lab_graph.json:1926: "text": "- Perimetro: stessa Hamiltoniana tight-binding Sturmiana del ciclo 03:30, `V=1`.\n- Domini: `theta=1/phi`, `1/silver`, `1/bronze`.\n- Null baseline: `balanced_random_phi_labels`, sequenze random con ste" tools/data/lab_graph.json:1938: "text": "**CONSTRAINT on TRASCENDENZA_LIMITE / QPG_GAP_RATIO_DENOMINATOR_GATE**: il gap-labeling di phi non passa come claim di valore `gap_ratio`; passa come " tools/data/lab_graph.json:1944: "text": "Portare il label-set fuori dal solo asse metallic mean: misurare se lo stesso core di label phi sopravvive in un dominio non-Sturmiano con ordine cont" tools/data/lab_graph.json:1955: "verdict": "**CONSTRAINT on TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0**: il `gap_ratio` phi non conferma gap-labeling come claim generale. Conferma un segnale di denominatore Sturmiano nel punto stor", tools/data/lab_graph.json:1956: "verdict_en": "**CONSTRAINT on TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0**: il `gap_ratio` phi non conferma gap-labeling come claim generale. Conferma un segnale di denominatore Sturmiano nel punto stor", tools/data/lab_graph.json:1958: "content_preview": "# Agent Report — Gap Ratio Porta Il Denominatore\n**Date**: 2026-05-08 03:30\n**Piano**: 86\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [first_two_ratio, top2_ratio, large_gap_count]\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl `gap_ratio` quasiperiodico e una firma del gap-labeling di ", tools/data/lab_graph.json:1959: "content_full": "# Agent Report — Gap Ratio Porta Il Denominatore\n**Date**: 2026-05-08 03:30\n**Piano**: 86\n**Tension explored**: M_trascendenza_limite_attuale_L0 (0.529179606750063)\n**verdict**: CONSTRAINT\nobservables_registry: n/a\nobservables_used: [first_two_ratio, top2_ratio, large_gap_count]\n\n## Claim Under Test\n> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?\n\n## Question\nIl `gap_ratio` quasiperiodico e una firma del gap-labeling di phi, o e un osservabile sensibile al denominatore scelto (`N`, fase Sturmiana, soglia del gap largo)?\n\n## Experiment Design\n- Perimetro: Hamiltoniana tight-binding su sequenze Sturmiane a `V=1`.\n- Domini: `theta=1/phi`, `1/silver`, `1/bronze`; baseline `balanced_random` con stesso numero di 1 della sequenza phi matched.\n- Denominatore stratificato: `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`.\n- Osservabile originale: `first_two_ratio = primo spacing sopra threshold*mean / secondo spacing sopra threshold*mean`.\n- Osservabile di controllo interno: `top2_ratio = gap massimo / secondo gap massimo`.\n- Null baseline: 3 random bilanciati per condizione, stessa lunghezza e stesso conteggio di 1 del phi matched.\n\n## Results\nCaso storico replicato:\n\n| domain | N | phase | threshold | n_large | first_two_ratio | top2_ratio |\n|---|---:|---:|---:|---:|---:|---:|\n| phi | 500 | 0.00 | 2.00 | 30 | 0.408953 | 1.132017 |\n| silver | 500 | 0.00 | 2.00 | 36 | 1.048223 | 1.060236 |\n| bronze | 500 | 0.00 | 2.00 | 34 | 1.302786 | 1.164995 |\n\nStratificazione completa:\n\n| domain | first_two median | first_two IQR | first_two range | top2 median | n_large median |\n|---|---:|---:|---:|---:|---:|\n| phi | 0.454346 | 0.408341-0.547506 | 0.197603-3.694942 | 1.577373 | 29.0 |\n| silver | 1.048223 | 0.762590-1.456942 | 0.148351-2.158859 | 1.436926 | 27.0 |\n| bronze | 0.976329 | 0.518940-1.096559 | 0.293143-2.110008 | 1.454174 | 26.0 |\n| balanced_random | 1.034120 | 0.746931-1.492484 | 0.242478-4.047607 | 1.130399 | 54.5 |\n\nMatched comparison:\n\n| comparison | count |\n|---|---:|\n| phi < silver | 38/48 |\n| phi < bronze | 30/48 |\n| phi < both | 25/48 |\n\n## Key Findings\n1. **Il valore vecchio e verificato, non inventato.** A `N=500`, `phase=0`, `threshold=2.0`, il test riproduce `phi=0.408953`, `silver=1.048223`, `bronze=1.302786`. Fonte: output dello script, verificato.\n\n2. **Il claim universale non regge.** Quando il denominatore viene aperto, phi batte entrambi i controlli solo in `25/48` condizioni matched. In `23/48` condizioni almeno un controllo ha `first_two_ratio` piu basso. Fonte: stratificazione, verificato.\n\n3. **Il ratio originale misura posizione del primo varco largo, non solo taglia dei varchi.** Il controllo `top2_ratio` non replica la separazione: phi ha mediana `1.577373`, sopra silver `1.436926`, bronze `1.454174` e random `1.130399`. Inferito dal confronto tra `first_two_ratio` e `top2_ratio`.\n\n4. **Il nodo regressivo e il denominatore dell'osservabile.** `first_two_ratio` non e una proprieta bulk dello spettro; dipende da quali due gap superano per primi la soglia lungo l'ordine spettrale. Il claim valido deve dichiarare `N`, fase e soglia come parte atomica.\n\n## Verdict\n**CONSTRAINT on TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0**: il `gap_ratio` phi non conferma gap-labeling come claim generale. Conferma un segnale di denominatore Sturmiano nel punto storico e una tendenza mediana su questo perimetro; non conferma dominanza matched su tutte le fasi, scale e soglie. La formulazione corretta e: nel perimetro stratificato `N={233,377,500,610}`, `phase={0,0.25,0.5,0.75}`, `threshold={1.75,2.0,2.25}`, phi abbassa la mediana del `first_two_ratio`, ma il supporto matched e `25/48`.\n\n## Bicono della scoperta\n- **Due radici**: valore puntuale replicato · denominatore stratificato che lo vincola.\n- **Singolare**: l'ordine spettrale dei gap larghi, dove il primo e il secondo varco diventano osservabile.\n- **Invariante di passaggio**: resta la necessita del denominatore `N/phase/threshold`; non resta il claim di gap-labeling universale.\n- **Campo di possibilita**: qui diventa possibile cercare una firma robusta nei label dei gap, non nella coppia dei primi due gap sopra soglia; qui diventa non-possibile usare `0.408953` come prova senza denominatore atomico.\n\n## Consecutio\nCostruire il passo successivo sul label, non sul ratio: per ogni gap largo, stimare il miglior label `m+n*theta` e misurare stabilita del label-set sotto `phase`, `N` e soglia. Se il label-set di phi resta stabile mentre `first_two_ratio` si muove, la trascendenza passa dal valore metrico alla tassonomia dei varchi.\n\n## Auto-audit: 5 lenti\n- **L1 hard constraint vs bias**: nessun \"sempre\"; il report include i `23/48` contro-casi matched.\n- **L2 quantita vs ratio**: riporto mediane, IQR, range, conteggi matched e caso storico.\n- **L3 no silent patching**: il claim originale e vincolato esplicitamente, non salvato cambiando nome al risultato.\n- **L4 edge cases**: i casi `N=233 phase=0.25/0.75` e `N=377 phase=0/0.25` entrano nel verdict come rotture del claim universale.\n- **L5 re-discovery**: tight-binding Sturmiano e gap spacing sono strumenti standard; il finding e nel denominator gate, non nella diagonalizzazione.\n\n## Files\n- Script: `tools/exp_quasiperiodic_gap_ratio_denominator.py`\n- Data: `tools/data/quasiperiodic_gap_ratio_denominator_20260508_0330.json`\n- Report: `tools/data/reports/agent_20260508_0330.md`\n", tools/data/lab_graph.json:1965: "text": "> Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?" tools/data/lab_graph.json:1971: "text": "Il `gap_ratio` quasiperiodico e una firma del gap-labeling di phi, o e un osservabile sensibile al denominatore scelto (`N`, fase Sturmiana, soglia de" tools/data/lab_graph.json:1977: "text": "- Perimetro: Hamiltoniana tight-binding su sequenze Sturmiane a `V=1`.\n- Domini: `theta=1/phi`, `1/silver`, `1/bronze`; baseline `balanced_random` con stesso numero di 1 della sequenza phi matched.\n- " tools/data/lab_graph.json:1989: "text": "**CONSTRAINT on TRASCENDENZA_LIMITE / M_trascendenza_limite_attuale_L0**: il `gap_ratio` phi non conferma gap-labeling come claim generale. Conferma u" tools/data/lab_graph.json:2008: "findings": "1. **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.\n2. **GUE eigenvalue spacings", tools/data/lab_graph.json:2010: "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:2022: "text": "If the duality contrast (real vs shuffle z-score) weakens with scale for prime gaps, what is the quantitative rate of weakening? And does GUE show the" tools/data/lab_graph.json:2028: "text": "- **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 eigenv" tools/data/seme_archive/piano_93.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_archive/piano_93.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_93.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_93.json:110: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_93.json:112: "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_93.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_archive/piano_93.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_93.json:138: "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_", tools/data/seme_archive/piano_93.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_archive/piano_93.json:149: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_archive/piano_93.json:212: "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.", tools/data/seme_archive/piano_93.json:227: "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.", tools/data/seme_archive/piano_93.json:232: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_93.json:242: "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.", tools/data/seme_archive/piano_93.json:247: "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", tools/data/seme_archive/piano_93.json:347: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_93.json:352: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_93.json:422: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_93.json:427: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_93.json:445: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_zero.json:83: "claim": "Paper A (DOI 10.5281/zenodo.18891337) ha errori tecnici (simplettico→anti-simplettico), overclaim (Q(sqrt5)→GUE non dimostrato), e P19 falsificazione non integrata. Chi cerca D-ND lo trova prima di Paper Zero.", tools/data/seme_archive/piano_zero.json:257: "det_meno1_SEPARA": "primi ratio=0.984 (sotto 1), GUE ratio=1.022 (sopra 1) — CHIRALI, lati opposti", tools/data/seme_archive/piano_zero.json:258: "det_piu1_UNIFICA": "primi ratio=1.000, GUE ratio=1.000 — IDENTICI sotto rotazione", tools/data/seme_archive/piano_zero.json:261: "sigma_GUE_vs_primi": { tools/data/seme_archive/piano_zero.json:263: "offset": "0.03-0.09 a ogni livello M^k, GUE sempre leggermente sopra", tools/data/seme_archive/piano_zero.json:264: "trend_parallelo": "PRIMI +0.343, GUE +0.354 — stessa curva, offset costante", tools/data/seme_archive/piano_zero.json:275: "ratio_GUE": 1.007, tools/data/seme_archive/piano_zero.json:282: "ratio_GUE": 1.007, tools/data/seme_archive/piano_zero.json:289: "ratio_GUE": 1.007, tools/data/seme_archive/piano_zero.json:299: "sopravvive": "la chirality primi/GUE persiste DENTRO le classi mod6 (per 0 e 2). Non e artefatto del setaccio. E una proprieta dell ordine che M rivela selettivamente.", tools/data/seme_archive/piano_zero.json:300: "compositi_stessa_classe": "ratio=0.94 (ancora piu ordinati dei primi sotto M). Il setaccio mod6 e visibile anche nei compositi, ma la separazione primi/GUE e un altro livello.", tools/data/seme_archive/piano_zero.json:326: "GUE_SPACING": { tools/data/seme_archive/piano_zero.json:415: "GUE_zeta": "nessuna auto-esclusione — equilibrio simmetrico, nessun tunnel", tools/data/seme_archive/piano_zero.json:498: "tentativo": "crossing entropico a LVL3-4 (dS cambia segno), dF crescente", tools/data/seme_archive/piano_zero.json:499: "falsificato_godel": "crossing e' obbligatorio per qualsiasi sequenza — M converge tutto a phi. Binning misura la concentrazione che M produce per definizione. Il termometro e' fatto dello stesso materiale del campione.", tools/data/seme_archive/piano_zero.json:500: "P5_parziale": "crossing robusto su tutti i binning (30,50,100) ma assente con KDE continua — dipende dalla discretizzazione", tools/data/seme_archive/piano_zero.json:558: "regola_omega": "la traiettoria con cui arrivi ai risultati e il dato — non i risultati. La dinamica e l immagine che scorre lungo la curva temporale. Quando il metodo si rompe, li c e il crossing — il varco tra il nulla e il tutto.", tools/data/veritas/veritas_20260507_212541.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_212541.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_212541.json:38: "V_c": { tools/data/veritas/veritas_20260508_033454.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_033454.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_033454.json:38: "V_c": { tools/data/veritas/veritas_20260508_163804.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_163804.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_163804.json:38: "V_c": { tools/data/veritas/veritas_20260509_033556.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260509_033556.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260509_033556.json:38: "V_c": { tools/data/veritas/veritas_20260508_195247.json:10: "V_c_conferma_ambientale": 0.8889 tools/data/veritas/veritas_20260508_195247.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_195247.json:38: "V_c": { tools/data/veritas/veritas_20260507_033525.json:10: "V_c_conferma_ambientale": 0.6111 tools/data/veritas/veritas_20260507_033525.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_033525.json:38: "V_c": { tools/data/veritas/veritas_20260508_181110.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_181110.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_181110.json:38: "V_c": { tools/data/veritas/veritas_20260505_131201.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260505_131201.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260505_131201.json:38: "V_c": { tools/data/veritas/veritas_20260508_172020.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_172020.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_172020.json:38: "V_c": { tools/data/veritas/veritas_20260508_202448.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_202448.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_202448.json:38: "V_c": { tools/data/veritas/veritas_20260508_002036.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_002036.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_002036.json:38: "V_c": { tools/data/veritas/veritas_20260508_210742.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_210742.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_210742.json:38: "V_c": { tools/data/veritas/veritas_20260507_142501.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260507_142501.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_142501.json:38: "V_c": { tools/data/veritas/veritas_20260507_094723.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260507_094723.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_094723.json:38: "V_c": { tools/data/veritas/veritas_20260507_175511.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_175511.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_175511.json:38: "V_c": { tools/data/veritas/veritas_20260507_175815.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_175815.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_175815.json:38: "V_c": { tools/data/veritas/veritas_20260508_183856.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_183856.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_183856.json:38: "V_c": { tools/data/veritas/veritas_20260508_213916.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_213916.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_213916.json:38: "V_c": { tools/data/veritas/veritas_20260507_204637.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_204637.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_204637.json:38: "V_c": { tools/data/veritas/veritas_20260508_201917.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_201917.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_201917.json:38: "V_c": { tools/data/veritas/veritas_20260508_201056.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_201056.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_201056.json:38: "V_c": { tools/data/veritas/veritas_20260506_194644.json:10: "V_c_conferma_ambientale": 0.6111 tools/data/veritas/veritas_20260506_194644.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260506_194644.json:38: "V_c": { tools/data/veritas/veritas_20260507_180843.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_180843.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_180843.json:38: "V_c": { tools/data/veritas/veritas_20260507_104904.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260507_104904.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_104904.json:38: "V_c": { tools/data/veritas/veritas_20260507_093207.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260507_093207.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_093207.json:38: "V_c": { 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:292: "verdict_ks": "NON-GUE: classe dominante GOE. Revisione necessaria.", 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:300: "class": "GUE" tools/data/piano11b_gue_test.json:305: "class": "GUE" tools/data/piano11b_gue_test.json:310: "class": "GUE" tools/data/piano11b_gue_test.json:317: "class": "GUE" tools/data/piano11b_gue_test.json:322: "class": "GUE" tools/data/piano11b_gue_test.json:327: "class": "GUE" tools/data/piano11b_gue_test.json:334: "class": "GUE" tools/data/piano11b_gue_test.json:339: "class": "GUE" tools/data/piano11b_gue_test.json:344: "class": "GUE" tools/data/piano11b_gue_test.json:351: "class": "GUE" tools/data/piano11b_gue_test.json:356: "class": "GUE" tools/data/piano11b_gue_test.json:361: "class": "GUE" tools/data/piano11b_gue_test.json:368: "class": "GUE" tools/data/piano11b_gue_test.json:373: "class": "GUE" tools/data/piano11b_gue_test.json:378: "class": "GUE" tools/data/piano11b_gue_test.json:385: "class": "GUE" tools/data/piano11b_gue_test.json:390: "class": "GUE" tools/data/piano11b_gue_test.json:395: "class": "GUE" tools/data/piano11b_gue_test.json:402: "class": "GUE" tools/data/piano11b_gue_test.json:407: "class": "GUE" tools/data/piano11b_gue_test.json:412: "class": "GUE" 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)", tools/data/veritas/veritas_20260507_090723.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260507_090723.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_090723.json:38: "V_c": { tools/data/veritas/veritas_20260508_191516.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_191516.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_191516.json:38: "V_c": { tools/data/veritas/veritas_20260507_231732.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_231732.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_231732.json:38: "V_c": { tools/data/notte_20260315_0330.md:4: ising_2d_var_-0.1: r=0.9602566405292896, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260315_0330.md:5: ising_2d_var_0.1: r=0.9986428486385872, spacing=GUE-like (⟨r⟩=1.0) tools/data/notte_20260315_0330.md:6: numeri_primi_var_100000: r=0.8615840174827735, spacing=GUE-like (⟨r⟩=0.9609375) tools/data/notte_20260315_0330.md:7: logistica_biforcazione_var_3.57: r=1.0, spacing=Poisson-like (⟨r⟩=0.35930230610663094) tools/data/notte_20260315_0330.md:8: logistica_biforcazione_var_3.9: r=1.000545256270447, spacing=Poisson-like (⟨r⟩=0.3914428894887236) tools/data/notte_20260315_0330.md:9: cellular_automata_var_30: r=0.8703941780326052, spacing=GUE-like (⟨r⟩=0.8649999999999983) tools/data/notte_20260315_0330.md:10: brownian_motion_var_0.3: r=1.0, spacing=Poisson-like (⟨r⟩=0.3838122862269985) tools/data/notte_20260315_0330.md:11: brownian_motion_var_0.5: r=1.0333333333333334, spacing=Poisson-like (⟨r⟩=0.3993170059645738) tools/data/notte_20260315_0330.md:12: coupled_oscillators_var_50: r=1.0, spacing=Poisson-like (⟨r⟩=0.45756422661060286) tools/data/notte_20260315_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.462727043125885) tools/data/notte_20260315_0330.md:14: percolation_var_0.65: r=1.380952380952381, spacing=Poisson-like (⟨r⟩=0.444154396971446) tools/data/veritas/veritas_20260509_064401.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260509_064401.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260509_064401.json:38: "V_c": { tools/data/veritas/veritas_20260507_194258.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_194258.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_194258.json:38: "V_c": { tools/data/veritas/veritas_20260507_101605.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260507_101605.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_101605.json:38: "V_c": { tools/data/seme_archive/piano_91.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_archive/piano_91.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_91.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_91.json:110: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_91.json:112: "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_91.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_archive/piano_91.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_91.json:138: "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_", tools/data/seme_archive/piano_91.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_archive/piano_91.json:149: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_archive/piano_91.json:199: "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.", tools/data/seme_archive/piano_91.json:214: "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.", tools/data/seme_archive/piano_91.json:219: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_91.json:229: "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.", tools/data/seme_archive/piano_91.json:234: "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", tools/data/seme_archive/piano_91.json:334: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_91.json:339: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_91.json:409: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_91.json:414: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_91.json:432: "direzione": "Testare il confine come terzo incluso operativo sui domini GUE/Poisson: applicare un contratto osservabile tipizzato prima del run, distinguendo core congiunto, residui singoli e stabilita' cross-dominio.", tools/data/seme_archive/piano_91.json:609: "old_direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/veritas/veritas_20260507_080958.json:10: "V_c_conferma_ambientale": 0.6111 tools/data/veritas/veritas_20260507_080958.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_080958.json:38: "V_c": { tools/data/seme_archive/piano_94.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_archive/piano_94.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_94.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_94.json:110: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_94.json:112: "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_94.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_archive/piano_94.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_94.json:138: "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_", tools/data/seme_archive/piano_94.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_archive/piano_94.json:149: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_archive/piano_94.json:199: "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.", tools/data/seme_archive/piano_94.json:214: "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.", tools/data/seme_archive/piano_94.json:219: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_94.json:229: "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.", tools/data/seme_archive/piano_94.json:234: "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", tools/data/seme_archive/piano_94.json:334: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_94.json:339: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_94.json:409: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_94.json:414: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_94.json:432: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/veritas/veritas_20260505_131056.json:10: "V_c_conferma_ambientale": 0.5 tools/data/veritas/veritas_20260505_131056.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260505_131056.json:38: "V_c": { tools/data/veritas/veritas_20260506_063303.json:10: "V_c_conferma_ambientale": 0.6111 tools/data/veritas/veritas_20260506_063303.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260506_063303.json:38: "V_c": { tools/data/seme_archive/piano_92.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_archive/piano_92.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_92.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_92.json:110: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_92.json:112: "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_92.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_archive/piano_92.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_92.json:138: "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_", tools/data/seme_archive/piano_92.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_archive/piano_92.json:149: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_archive/piano_92.json:199: "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.", tools/data/seme_archive/piano_92.json:214: "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.", tools/data/seme_archive/piano_92.json:219: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_92.json:229: "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.", tools/data/seme_archive/piano_92.json:234: "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", tools/data/seme_archive/piano_92.json:334: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_92.json:339: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_92.json:409: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_92.json:414: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_92.json:432: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/veritas/veritas_20260508_211531.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_211531.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_211531.json:38: "V_c": { tools/data/seme_archive/piano_97.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_archive/piano_97.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_97.json:86: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_97.json:126: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_97.json:128: "nota": "Dal domandatore (2026-05-08T21:21). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_97.json:137: "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_archive/piano_97.json:142: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_97.json:144: "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_", tools/data/seme_archive/piano_97.json:150: "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_archive/piano_97.json:185: "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.", tools/data/seme_archive/piano_97.json:200: "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.", tools/data/seme_archive/piano_97.json:205: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_97.json:215: "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.", tools/data/seme_archive/piano_97.json:220: "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", tools/data/seme_archive/piano_97.json:320: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_97.json:325: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_97.json:395: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_97.json:400: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_97.json:418: "direzione": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", tools/data/seme_archive/piano_97.json:595: "old_direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo" tools/data/gap_label_symbolic_grammar_gate_20260508_2005.json:39: "right_special_bound": "at most one right-special factor for each k in the ideal Sturmian language", tools/data/gap_label_symbolic_grammar_gate_20260508_2005.json:40: "palindromic_baseline": "Sturmian factors are rich; palindromic defect 0 is the finite-window target", tools/data/gap_label_symbolic_grammar_gate_20260508_2005.json:41: "return_words_baseline": "each recurrent Sturmian factor has two return words; finite windows only test excess above two when repeated occurrences exist" tools/data/seme_archive/piano_95.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_archive/piano_95.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_95.json:86: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_95.json:126: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_95.json:128: "nota": "Dal domandatore (2026-05-08T21:21). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_95.json:137: "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_archive/piano_95.json:142: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_95.json:144: "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_", tools/data/seme_archive/piano_95.json:150: "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_archive/piano_95.json:197: "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.", tools/data/seme_archive/piano_95.json:212: "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.", tools/data/seme_archive/piano_95.json:217: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_95.json:227: "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.", tools/data/seme_archive/piano_95.json:232: "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", tools/data/seme_archive/piano_95.json:332: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_95.json:337: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_95.json:407: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_95.json:412: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_95.json:430: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_96.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_archive/piano_96.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_96.json:86: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_96.json:126: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_96.json:128: "nota": "Dal domandatore (2026-05-08T21:21). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_96.json:137: "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_archive/piano_96.json:142: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_96.json:144: "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_", tools/data/seme_archive/piano_96.json:150: "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_archive/piano_96.json:185: "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.", tools/data/seme_archive/piano_96.json:200: "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.", tools/data/seme_archive/piano_96.json:205: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_96.json:215: "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.", tools/data/seme_archive/piano_96.json:220: "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", tools/data/seme_archive/piano_96.json:320: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_96.json:325: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_96.json:395: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_96.json:400: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_96.json:418: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/veritas/veritas_20260507_221109.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_221109.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_221109.json:38: "V_c": { tools/data/veritas/veritas_20260506_033803.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260506_033803.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260506_033803.json:38: "V_c": { tools/data/veritas/veritas_20260507_150443.json:10: "V_c_conferma_ambientale": 0.6667 tools/data/veritas/veritas_20260507_150443.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_150443.json:38: "V_c": { tools/data/veritas/veritas_20260508_192002.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_192002.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_192002.json:38: "V_c": { tools/data/veritas/veritas_20260508_214506.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_214506.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_214506.json:38: "V_c": { tools/data/veritas/veritas_20260507_200223.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260507_200223.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260507_200223.json:38: "V_c": { tools/data/veritas/veritas_20260508_212526.json:10: "V_c_conferma_ambientale": 1.0 tools/data/veritas/veritas_20260508_212526.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260508_212526.json:38: "V_c": { tools/data/veritas/veritas_20260506_200238.json:10: "V_c_conferma_ambientale": 0.6111 tools/data/veritas/veritas_20260506_200238.json:15: "V_c": 0.3 tools/data/veritas/veritas_20260506_200238.json:38: "V_c": { tools/data/spettro_zeta_results.json:8: "stat_class": "GUE", tools/data/spettro_zeta_results.json:632: "vs_GUE": { tools/data/spettro_zeta_results.json:636: "vs_Poisson": { tools/data/spettro_zeta_results.json:646: "vs_GUE": { tools/data/spettro_zeta_results.json:650: "vs_Poisson": { tools/data/spettro_zeta_results.json:660: "vs_GUE": { tools/data/spettro_zeta_results.json:664: "vs_Poisson": { tools/data/spettro_zeta_results.json:678: "GUE_ref": 0.178 tools/data/spettro_zeta_results.json:1208: "stat_class": "GUE", tools/data/seme_archive/piano_90.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_archive/piano_90.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme_archive/piano_90.json:73: "claim": "Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti", tools/data/seme_archive/piano_90.json:110: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_90.json:115: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_90.json:122: "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", tools/data/seme_archive/piano_90.json:124: "nota": "Dal domandatore (2026-05-07T21:20). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", tools/data/seme_archive/piano_90.json:130: "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_archive/piano_90.json:148: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_90.json:150: "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_", tools/data/seme_archive/piano_90.json:156: "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_archive/piano_90.json:161: "claim": "Cosa manca per confermare completamente gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vici?", tools/data/seme_archive/piano_90.json:211: "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.", tools/data/seme_archive/piano_90.json:226: "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.", tools/data/seme_archive/piano_90.json:231: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme_archive/piano_90.json:241: "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.", tools/data/seme_archive/piano_90.json:246: "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", tools/data/seme_archive/piano_90.json:346: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_90.json:351: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme_archive/piano_90.json:429: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", codex La direttiva one-shot non è presente e non ci sono API key paid in ambiente. Il punto operativo diventa il `V_c` Sturmiano già instabile: separo gli eventi in due classi invece di rifittare lo stesso valore aggregato. exec /bin/bash -lc "rg -n \"V_c scaling|V_c\\(|vc_|floor_hit|crossing interno|internal crossing|phase-shuffle|label-preserving|quasiperiodic\" tools/exp_*.py tools/data/reports tools/data/seme_archive -S" in /opt/MM_D-ND exec /bin/bash -lc 'ls -t tools/data/reports | head -20' in /opt/MM_D-ND succeeded in 0ms: agent_20260509_0652_codex_raw.log loop_guard_20260509_0637.json falsifier_20260509_0637.json agent_20260509_0637_codex_raw.log agent_20260509_0637.md watchdog.log ddf_20260509_0405.json agent.log loop_guard_20260509_0330.json latest.md falsifier_20260509_0330.json agent_20260509_0330_codex_raw.log agent_20260509_0330.md loop_guard_20260508_2140.json falsifier_20260508_2140.json agent_20260508_2140_codex_raw.log agent_20260508_2140.md loop_guard_20260508_2133.json falsifier_20260508_2133.json agent_20260508_2133_codex_raw.log succeeded in 0ms: tools/exp_quasiperiodic_vc_lattice_gate.py:5:The Domandatore scale probe tried to fit V_c(N) with a power law. For phi the tools/exp_quasiperiodic_vc_lattice_gate.py:160: "experiment": "quasiperiodic_vc_lattice_gate", tools/exp_quasiperiodic_vc_lattice_gate.py:189: parser.add_argument("--out", default="tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.json") tools/exp_gap_label_set_stability.py:3:Gap-label set stability for quasiperiodic spectra. tools/exp_quasiperiodic_vc_curve_map.py:3:Interpolated V_c curve map for quasiperiodic Sturmian-Harper sequences. tools/exp_quasiperiodic_vc_curve_map.py:62: "vc_interp": None, tools/exp_quasiperiodic_vc_curve_map.py:63: "vc_grid": None, tools/exp_quasiperiodic_vc_curve_map.py:71: vc_grid = float(v_values[idx]) tools/exp_quasiperiodic_vc_curve_map.py:75: vc_interp = vc_grid tools/exp_quasiperiodic_vc_curve_map.py:81: vc_interp = vc_grid tools/exp_quasiperiodic_vc_curve_map.py:84: vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) tools/exp_quasiperiodic_vc_curve_map.py:88: "vc_interp": float(vc_interp), tools/exp_quasiperiodic_vc_curve_map.py:89: "vc_grid": vc_grid, tools/exp_quasiperiodic_vc_curve_map.py:180: "vc_interp": summarize([row["vc_interp"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:181: "vc_grid": summarize([row["vc_grid"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:195: "vc_interp": summarize([row["vc_interp"] for row in subset]), tools/exp_quasiperiodic_vc_curve_map.py:216: values = {name: by_domain[name]["vc_interp"] for name in ("phi", "silver", "bronze")} tools/exp_quasiperiodic_vc_curve_map.py:246: "experiment": "quasiperiodic_vc_curve_map", tools/exp_quasiperiodic_vc_curve_map.py:276: parser.add_argument("--out", default="tools/data/quasiperiodic_vc_curve_map_20260509_0330.json") tools/data/seme_archive/piano_93.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_93.json:138: "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_", tools/data/seme_archive/piano_93.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_archive/piano_93.json:422: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_93.json:427: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_90.json:110: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_90.json:115: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_90.json:148: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_90.json:150: "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_", tools/data/seme_archive/piano_90.json:156: "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_archive/piano_96.json:142: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_96.json:144: "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_", tools/data/seme_archive/piano_96.json:150: "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_archive/piano_96.json:395: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_96.json:400: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_97.json:142: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_97.json:144: "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_", tools/data/seme_archive/piano_97.json:150: "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_archive/piano_97.json:395: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_97.json:400: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_97.json:418: "direzione": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", tools/data/seme_archive/piano_95.json:142: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_95.json:144: "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_", tools/data/seme_archive/piano_95.json:150: "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_archive/piano_95.json:407: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_95.json:412: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_91.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_91.json:138: "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_", tools/data/seme_archive/piano_91.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_archive/piano_91.json:409: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_91.json:414: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_94.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_94.json:138: "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_", tools/data/seme_archive/piano_94.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_archive/piano_94.json:409: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_94.json:414: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/seme_archive/piano_92.json:136: "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", tools/data/seme_archive/piano_92.json:138: "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_", tools/data/seme_archive/piano_92.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_archive/piano_92.json:409: "claim": "Nel perimetro agent_20260508_0330, il vecchio gap_ratio quasiperiodico replica esattamente a N=500 phase=0 threshold=2.0 (phi=0.408953, silver=1.048223, bronze=1.302786), ma non e claim universale. Stratificando N in {233,377,500,610}, phase in {0,0.25,0.5,0.75}, threshold in {1.75,2.0,2.25}, phi ha mediana first_two_ratio=0.454 contro silver=1.048 e bronze=0.976; batte entrambi i controlli solo 25/48 condizioni matched. Il ratio va formulato come segnale phase/threshold-sensitive del denominatore Sturmiano, non come gap-labeling confermato.", tools/data/seme_archive/piano_92.json:414: "origine": "cycle agent_20260508_0330: quasiperiodic_gap_ratio_denominator", tools/data/reports/agent_20260425_0330.md:53: - String vibration (ord-GUE): 14% — deep, higher-order correlations dominate. Fibonacci quasiperiodicity requires long-range correlations. tools/exp_quasiperiodic_gap_ratio_denominator.py:3:Stratified denominator audit for the quasiperiodic gap_ratio claim. tools/exp_quasiperiodic_gap_ratio_denominator.py:143: "experiment": "quasiperiodic_gap_ratio_denominator", tools/exp_quasiperiodic_gap_ratio_denominator.py:165: parser.add_argument("--out", default="tools/data/quasiperiodic_gap_ratio_denominator_20260508_0330.json") tools/exp_vc_null_regression_gate.py:3:Regression gate for the quasiperiodic V_c null. tools/exp_vc_null_regression_gate.py:7:and curves with an internal crossing. This tool separates those events and adds tools/exp_vc_null_regression_gate.py:59: event = "floor_hit" tools/exp_vc_null_regression_gate.py:60: vc_interp = float(v_values[0]) tools/exp_vc_null_regression_gate.py:64: vc_interp = None tools/exp_vc_null_regression_gate.py:72: vc_interp = v1 tools/exp_vc_null_regression_gate.py:75: vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) tools/exp_vc_null_regression_gate.py:84: "vc_interp": None if vc_interp is None else float(vc_interp), tools/exp_vc_null_regression_gate.py:132: vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] tools/exp_vc_null_regression_gate.py:139: "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, tools/exp_vc_null_regression_gate.py:141: "vc_median": float(np.median(vc_values)) if vc_values else None, tools/exp_vc_null_regression_gate.py:142: "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, tools/exp_vc_null_regression_gate.py:143: "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, tools/exp_vc_null_regression_gate.py:204: "experiment": "vc_null_regression_gate", tools/exp_vc_null_regression_gate.py:248: parser.add_argument("--out", default="tools/data/vc_null_regression_gate_20260509_0637.json") tools/exp_vc_null_regression_gate.py:261: "floor_hit_rate": data["floor_hit_rate"], tools/exp_vc_null_regression_gate.py:262: "vc_median": data["vc_median"], tools/data/reports/phi_vs_silver_falsification_20260306.json:10: "claim": "V_c(phi) converges to 1.0 while V_c(silver) doesn't", tools/data/reports/agent_20260508_1909.md:11:- **Combo**: A11 combo + TxQ matrice densita come lettore spettrale + QxG vuoto continuo/discreto + tensione TRASCENDENZA_LIMITE/M_come_modulazione_quasiperiodica. tools/data/reports/agent_20260508_2133.md:8:**observable_contract**: claim=il residuo SR dello zero Mobius resta informativo dopo un null che preserva la geometria coarse della coppia di gap; observable=sr_zero_minus_nonzero, sr_aligned_minus_misaligned, low_low_zero_minus_nonzero, high_high_zero_minus_nonzero; operator=permuta label di transizione aligned/misaligned/zero dentro ogni pair bucket `(bucket(g_i), bucket(g_{i+1}))`; generator=prime gaps up to p<=1e6 with Mobius interval charges; denominator=main N={5000,10000,20000} offset=0 plus seedcheck offsets {3000,7000,11000}, 400 permutazioni, seed=2133; not_tested=gap_ratio Sturmian, V_c scaling, GUE/Poisson universale, sequenza Mobius globale coerente dopo shuffle. tools/data/reports/agent_20260508_2019.md:82: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. tools/data/reports/agent_20260509_0637.md:8:**observable_contract**: claim=la forma `r(V)` del boundary Sturmian-Harper e' sostenuta da attraversamenti interni, non da collasso al bordo minimo della filtrazione; observable=`event={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`; operator=curva `r(V)` su griglia 0.5..3.0 step 0.01, crossing lineare e classificazione del primo stato rispetto a `r_threshold={0.48,0.50,0.52}`; generator=phi Sturmian, phase-shuffle Sturmian, random bilanciato, surrogate random selezionato per overlap label-set; denominator=N={89,144,233}, phase={0,0.25,0.5,0.75}, phase_trials=2, random_trials=2, label_trials=2, label_candidates=5, seed=202605090637; non_possible=se un null che preserva label-set produce crossing interno unico e stesso `r_floor` dei generatori Sturmian, `V_c` non e' piu' boundary map di ordine Sturmian; not_tested=GUE/Poisson reali, silver/bronze in questo ciclo, fit power-law, label-preserving forte con accettazione Jaccard>=0.75. tools/data/reports/agent_20260509_0637.md:12:- **Dipolo / punto-zero**: collasso al bordo minimo (`floor_hit`) / attraversamento interno; punto-zero = il primo stato della curva rispetto alla soglia, prima che `V_c` venga contato come valore. tools/data/reports/agent_20260509_0637.md:17: - **PVI attack**: il rischio e' rendere il null piu' debole per salvare la curva metallica; per questo il surrogate label-preserving espone il proprio `label_jaccard`. tools/data/reports/agent_20260509_0637.md:19:- **Proto-ipotesi**: se il boundary e' effetto di ordine Sturmian, allora le fasi Sturmian devono conservare crossing interno senza floor-hit; se basta preservare parzialmente il label-set, il surrogate random deve recuperare lo stesso evento interno unico. Se il surrogate non preserva il label-set, il ciclo produce un vincolo sul generatore del null. tools/data/reports/agent_20260509_0637.md:20:- **Proiezione**: misuro l'evento prima del valore. `floor_hit` indica che il null parte gia' oltre il confine; `internal_cross` indica che la filtrazione crea il passaggio; `internal_multi` indica bordo oscillante, non curva metallica semplice. tools/data/reports/agent_20260509_0637.md:23:> Nel perimetro Sturmian-Harper ridotto, la separazione metallico/random della curva `r(V)` sopravvive quando `V_c` viene decomposto in evento di bordo: i generatori Sturmian producono crossing interno; il random produce floor-hit o multi-crossing. Un surrogate che preserva label-set deve decidere se il portatore e' il label-set o l'ordine generativo. tools/data/reports/agent_20260509_0637.md:26:Il null precedente falsificava `V_c` perche' era troppo debole e collassava a `V_min`, oppure perche' il crossing interno richiede ordine Sturmian oltre al label-set? tools/data/reports/agent_20260509_0637.md:29:- Script: `tools/exp_vc_null_regression_gate.py`. tools/data/reports/agent_20260509_0637.md:33: - `floor_hit`: `r(V_min) < threshold`; il valore `V_c` e' il bordo della griglia, non attraversamento. tools/data/reports/agent_20260509_0637.md:48:| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | tools/data/reports/agent_20260509_0637.md:57:| generator | r_threshold | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | tools/data/reports/agent_20260509_0637.md:73:1. **Verificato: il crossing Sturmian e' interno nel perimetro testato.** `phi_sturmian` e `sturmian_phase_shuffle` hanno `floor_hit=0` e `internal_cross` unico in tutte le condizioni (`36/36` e `72/72`). tools/data/reports/agent_20260509_0637.md:75:3. **Verificato: il surrogate label-preserving minimo non preserva il label-set.** La mediana Jaccard e' `0.166667`, con minimo `0.071429`; quindi questo controllo non decide se il label-set basta a produrre il crossing Sturmian. tools/data/reports/agent_20260509_0637.md:77:5. **Inferito: il nodo regressivo del null e' doppio.** Separare floor-hit e crossing interno ripara il denominatore di `V_c`; costruire un vero null label-preserving richiede un generatore dedicato, non selezione random superficiale. tools/data/reports/agent_20260509_0637.md:80:**CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossing interno unico. Il random bilanciato non e' un contro-campo omogeneo: contiene floor-hit e multi-crossing. La separazione precedente metallico/random resta valida come distinzione di evento, ma il ciclo non chiude il claim label-set perche' il surrogate label-preserving non preserva davvero il label-set. tools/data/reports/agent_20260509_0637.md:82:La formulazione valida e': `V_c` va riportato insieme a `event_type`; `floor_hit` non e' crossing; `internal_multi` non e' curva metallica semplice. Il prossimo null deve generare sequenze con Jaccard label-set alto prima di confrontare `V_c`. tools/data/reports/agent_20260509_0637.md:87:- **Invariante di passaggio**: sopravvive il crossing interno unico sotto cambio di fase Sturmian; cade il null random come denominatore omogeneo. tools/data/reports/agent_20260509_0637.md:91:Il prossimo passo e' costruire un surrogate label-preserving reale: non scegliere il miglior random fra pochi candidati, ma generare per ricottura/swap vincolato finche' `label_jaccard >= 0.75` viene raggiunto con denominatore dichiarato. Se quel null produce `floor_hit` o `internal_multi`, il portatore e' ordine Sturmian oltre al label-set; se produce crossing interno unico con `r_floor` e `r_span` Sturmian, il portatore e' il label-set. tools/data/reports/agent_20260509_0637.md:97:- **L3 no silent patching**: il surrogate label-preserving fallito viene dichiarato come fallimento del controllo, non escluso. tools/data/reports/agent_20260509_0637.md:104:- Verifica script: `python -m py_compile tools/exp_vc_null_regression_gate.py` completato senza errori. tools/data/reports/agent_20260509_0637.md:107:- Script: `tools/exp_vc_null_regression_gate.py` tools/data/reports/agent_20260509_0637.md:108:- Data: `tools/data/vc_null_regression_gate_20260509_0637.json` tools/data/reports/agent_20260509_0330.md:8:**observable_contract**: claim=la forma locale della curva `r(V)` puo' sostituire il primo crossing su griglia come portatore del boundary Sturmian-Harper; observable=`vc_interp`, `slope_at_cross`, `crossing_count`, `r_span`; operator=curva `r(V)` su griglia 0.5..3.0 step 0.01 con crossing lineare interpolato per `r_threshold={0.48,0.50,0.52}`; generator=Sturmian metallici phi/silver/bronze e random bilanciato a densita phi; denominator=N={89,144,233,377,610}, phase={0,0.25,0.5,0.75}, 3 random trial per condizione, seed=202605090330; not_tested=gap_ratio, label-set Sturmian, fit power-law asintotico, domini reali GUE/Poisson, prova formale di monotonia. tools/data/reports/agent_20260509_0330.md:24:> Nel perimetro Sturmian-Harper testato, la curva interpolata `r(V)` conserva un boundary metallico distinguibile dal random e chiarisce se `V_c(phi)` e' portatore strutturale o solo diagnostico phase-sensitive. tools/data/reports/agent_20260509_0330.md:30:- Script: `tools/exp_quasiperiodic_vc_curve_map.py`. tools/data/reports/agent_20260509_0330.md:35: - `vc_interp`: primo crossing lineare interpolato di `r(V) < r_threshold`. tools/data/reports/agent_20260509_0330.md:36: - `vc_grid`: primo crossing discreto corrispondente. tools/data/reports/agent_20260509_0330.md:46:| domain | vc_interp median | IQR | min-max | slope median | crossing_count | tools/data/reports/agent_20260509_0330.md:55:| domain | r_threshold | vc_interp median | IQR | slope median | crossings | tools/data/reports/agent_20260509_0330.md:97:3. **Verificato: phi e' anticipato in mediana, non isolato come classe.** Le mediane `vc_interp` sono phi `1.062657`, silver `1.216143`, bronze `1.277510`; gli IQR si sovrappongono e i contro-casi matched restano nel denominatore. tools/data/reports/agent_20260509_0330.md:102:**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il crossing interpolato conferma che il boundary metallico ha una forma di curva: crossing unico e discesa ordinata da repulsione a indipendenza. Non conferma `V_c(phi)` come portatore phi-specific hard: phi anticipa i controlli in mediana e in `42/60` matched, ma `18/60` contro-casi impediscono claim di separazione completa. tools/data/reports/agent_20260509_0330.md:110:- **Campo di possibilita**: qui diventa possibile usare `r(V)` come boundary map contro null random; qui diventa non-possibile promuovere `V_c(phi)` a legge di scala o firma esclusiva senza denominatore atomico. tools/data/reports/agent_20260509_0330.md:126:- Verifica script: `python -m py_compile tools/exp_quasiperiodic_vc_curve_map.py` completato senza errori. tools/data/reports/agent_20260509_0330.md:129:- Script: `tools/exp_quasiperiodic_vc_curve_map.py` tools/data/reports/agent_20260509_0330.md:130:- Data: `tools/data/quasiperiodic_vc_curve_map_20260509_0330.json` tools/data/reports/agent_20260508_0330.md:13:Il `gap_ratio` quasiperiodico e una firma del gap-labeling di phi, o e un osservabile sensibile al denominatore scelto (`N`, fase Sturmiana, soglia del gap largo)? tools/data/reports/agent_20260508_0330.md:78:- Script: `tools/exp_quasiperiodic_gap_ratio_denominator.py` tools/data/reports/agent_20260508_0330.md:79:- Data: `tools/data/quasiperiodic_gap_ratio_denominator_20260508_0330.json` tools/data/reports/agent_20260508_2140.md:8:**observable_contract**: claim=il fallimento del fit power-law su `V_c(phi)` segnala un bordo reticolare/quantizzato del passaggio Sturmian-Harper; observable=`V_c`, `distinct_vc`, `repeat_rate`, `mode_rate`; operator=prima soglia `V` su griglia 0.5..3.0 step 0.025 dove `(H(seq,V)) < 0.5`; generator=Sturmian metallici phi/silver/bronze e random bilanciato a densita phi; denominator=N={89,144,233,377,610}, phase={0,0.25,0.5,0.75}, 4 random trial per condizione, seed=202605082140; not_tested=gap_ratio, label-set Sturmian, GUE/Poisson universale, fit power-law asintotico oltre N=610. tools/data/reports/agent_20260508_2140.md:19:- **Proto-ipotesi**: se `V_c(phi)` e' bordo reticolare strutturale, allora la ripetizione dei livelli di `V_c` resta piu' compressa dei controlli metallici quando si varia fase e scala. Se la compressione cade o compare anche nei controlli, il nodo regressivo e' il fit imposto, non una legge phi. tools/data/reports/agent_20260508_2140.md:23:> Nel perimetro quasiperiodico Sturmian-Harper N={89,144,233,377,610}, la non-convergenza del fit su `V_c(phi)` indica un bordo reticolare specifico di phi, non un artefatto di griglia o una proprieta comune dei controlli. tools/data/reports/agent_20260508_2140.md:26:Il fallimento del fit power-law su `V_c(phi)` e' una forma del confine, oppure il confine cambia con fase/controllo e il power-law era il denominatore sbagliato? tools/data/reports/agent_20260508_2140.md:29:- Script: `tools/exp_quasiperiodic_vc_lattice_gate.py`. tools/data/reports/agent_20260508_2140.md:77:**CONSTRAINT on TENS_SCALE_TRASCENDENZA_LIMITE**: nel perimetro Sturmian-Harper `N={89,144,233,377,610}` e fasi `{0,0.25,0.5,0.75}`, `V_c(phi)` non e' un lattice gate specifico di phi. Il deposito phase-0 e' reale come fenomeno di attraversamento su griglia, ma non trasferisce come invariante di fase e non separa phi da silver. tools/data/reports/agent_20260508_2140.md:88:Il prossimo passo e' una mappa `V_c(theta, phase, threshold)` con interpolazione locale della curva `(V)` invece della prima griglia discreta. Se la curva interpolata conserva separazione metallica, il portatore e' la forma della curva; se cade, `V_c` resta osservabile diagnostico ma non generatore di claim. tools/data/reports/agent_20260508_2140.md:103:- Script: `tools/exp_quasiperiodic_vc_lattice_gate.py` tools/data/reports/agent_20260508_2140.md:104:- Data: `tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.json` tools/data/reports/falsifier_20260509_0637.json:6: "summary": "Il report e' internamente coerente rispetto alle 7 lenti: gli hard claim sono perimetrati, il null label-preserving fallito viene dichiarato, e la controparte non_possible e' esplicita." tools/data/reports/falsifier_20260508_2019.json:24: "evidence": "Il dominio e' Sturmian/quasiperiodico con gap labels IDS; esistono risultati classici su gap labeling theorem, Sturmian sequences, Harper/Aubry-Andre and substitution spectra. Il report non ancora ancora il pattern al risultato noto piu' vicino, pur evitando esplicitamente NEW.", exec /bin/bash -lc 'git status --short --branch' in /opt/MM_D-ND succeeded in 0ms: ## main...origin/main [ahead 5] 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 D tools/data/seme_archive/piano_9.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/scoperte/20260508_2108_prime-mobius-zero-mediator-gate_auto/ ?? applications/scoperte/20260508_2121_prime-mobius-gap-stratified-zero-gate_auto/ ?? applications/scoperte/20260508_2133_prime-mobius-pair-stratified-zero-gate_auto/ ?? applications/scoperte/20260508_2140_quasiperiodic-vc-lattice-gate_auto/ ?? applications/scoperte/20260509_0330_interpolated-vc-curve-map_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/ ?? applications/soluzioni/20260508_2108_prime-mobius-zero-mediator-gate/ ?? applications/soluzioni/20260508_2121_prime-mobius-gap-stratified-zero-gate/ ?? applications/soluzioni/20260508_2133_prime-mobius-pair-stratified-zero-gate/ ?? applications/soluzioni/20260508_2140_quasiperiodic-vc-lattice-gate/ ?? applications/soluzioni/20260509_0330_interpolated-vc-curve-map/ ?? 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/biconi/bicono_20260508_2102.json ?? tools/data/biconi/bicono_20260508_2108.json ?? tools/data/biconi/bicono_20260508_2121.json ?? tools/data/biconi/bicono_20260508_2133.json ?? tools/data/biconi/bicono_20260508_2140.json ?? tools/data/biconi/bicono_20260509_0330.json ?? tools/data/biconi/bicono_20260509_0637.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/domandatore_20260508_2121.json ?? tools/data/domandatore/domandatore_20260509_0330.json ?? tools/data/domandatore/domandatore_20260509_0345.json ?? tools/data/domandatore/domandatore_20260509_0637.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/evolution/evolution_20260508_2102.md ?? tools/data/evolution/evolution_20260508_2108.md ?? tools/data/evolution/evolution_20260508_2121.md ?? tools/data/evolution/evolution_20260508_2133.md ?? tools/data/evolution/evolution_20260508_2140.md ?? tools/data/evolution/evolution_20260509_0330.md ?? tools/data/evolution/evolution_20260509_0637.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/incrocio_20260508_2108.json ?? tools/data/incrocio_20260508_2121.json ?? tools/data/incrocio_20260508_2133.json ?? tools/data/incrocio_20260508_2140.json ?? tools/data/incrocio_20260509_0330.json ?? tools/data/incrocio_20260509_0637.json ?? tools/data/incrocio_20260509_0652.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/prime_mobius_gap_stratified_zero_gate_20260508_2121.json ?? tools/data/prime_mobius_interval_charge_gate_20260508_2102.json ?? tools/data/prime_mobius_pair_stratified_zero_gate_20260508_2133.json ?? tools/data/prime_mobius_zero_mediator_gate_20260508_2108.json ?? tools/data/promotions/ ?? tools/data/quasiperiodic_gap_ratio_denominator_20260508_0330.json ?? tools/data/quasiperiodic_vc_curve_map_20260509_0330.json ?? tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.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/agent_20260508_2102.md ?? tools/data/reports/agent_20260508_2108.md ?? tools/data/reports/agent_20260508_2121.md ?? tools/data/reports/agent_20260508_2133.md ?? tools/data/reports/agent_20260508_2140.md ?? tools/data/reports/agent_20260509_0330.md ?? tools/data/reports/agent_20260509_0637.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/ddf_20260509_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/falsifier_20260508_2102.json ?? tools/data/reports/falsifier_20260508_2108.json ?? tools/data/reports/falsifier_20260508_2108.raw.txt ?? tools/data/reports/falsifier_20260508_2121.json ?? tools/data/reports/falsifier_20260508_2133.json ?? tools/data/reports/falsifier_20260508_2133.raw.txt ?? tools/data/reports/falsifier_20260508_2140.json ?? tools/data/reports/falsifier_20260509_0330.json ?? tools/data/reports/falsifier_20260509_0637.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/loop_guard_20260508_2102.json ?? tools/data/reports/loop_guard_20260508_2108.json ?? tools/data/reports/loop_guard_20260508_2121.json ?? tools/data/reports/loop_guard_20260508_2133.json ?? tools/data/reports/loop_guard_20260508_2140.json ?? tools/data/reports/loop_guard_20260509_0330.json ?? tools/data/reports/loop_guard_20260509_0637.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_90.json ?? tools/data/seme_archive/piano_91.json ?? tools/data/seme_archive/piano_92.json ?? tools/data/seme_archive/piano_93.json ?? tools/data/seme_archive/piano_94.json ?? tools/data/seme_archive/piano_95.json ?? tools/data/seme_archive/piano_96.json ?? tools/data/seme_archive/piano_97.json ?? tools/data/seme_backup_b2_20260508_192024.json ?? tools/data/seme_backup_b2_20260508_214525.json ?? tools/data/seme_backup_b2_20260509_033618.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/vc_null_regression_gate_20260509_0637.json ?? 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/veritas/veritas_20260508_210742.json ?? tools/data/veritas/veritas_20260508_211531.json ?? tools/data/veritas/veritas_20260508_212526.json ?? tools/data/veritas/veritas_20260508_213916.json ?? tools/data/veritas/veritas_20260508_214506.json ?? tools/data/veritas/veritas_20260509_033556.json ?? tools/data/veritas/veritas_20260509_064401.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_prime_mobius_interval_charge_gate.py ?? tools/exp_prime_mobius_zero_mediator_gate.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/exp_vc_null_regression_gate.py ?? tools/meta_assertion_gate.py ?? tools/observables_registry.py codex C’è già uno script `exp_vc_null_regression_gate.py` e il ciclo 06:37 ha chiuso il primo taglio: il surrogate “label-preserving” era troppo debole perché non preservava davvero il label-set. Il nuovo esperimento deve quindi fare una sola mossa regressiva: costruire un null label-preserving reale e vedere che evento produce. exec /bin/bash -lc "sed -n '1,340p' tools/exp_vc_null_regression_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Regression gate for the quasiperiodic V_c null. The previous V_c curve map separated metallic curve shape from balanced random, but the random null mixed two events: curves already below threshold at V_min and curves with an internal crossing. This tool separates those events and adds a stricter surrogate: random words are accepted only when their spectral gap-label set overlaps the matched Sturmian reference. """ from __future__ import annotations import argparse import json from collections import Counter, defaultdict from pathlib import Path import numpy as np from scipy.linalg import eigvalsh_tridiagonal from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence THETA = 1 / PHI def parse_csv_ints(value: str) -> list[int]: return [int(part.strip()) for part in value.split(",") if part.strip()] def parse_csv_floats(value: str) -> list[float]: return [float(part.strip()) for part in value.split(",") if part.strip()] def r_statistic_from_diag(diagonal: np.ndarray) -> float: offdiag = np.ones(len(diagonal) - 1, dtype=float) eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) spacings = np.diff(eigs) spacings = spacings[spacings > 1e-12] if len(spacings) < 2: return 0.5 left = spacings[:-1] right = spacings[1:] return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: below = r_values < threshold crossing_count = int(np.sum(below[1:] != below[:-1])) r_floor = float(r_values[0]) r_end = float(r_values[-1]) if bool(below[0]): event = "floor_hit" vc_interp = float(v_values[0]) slope = None elif not np.any(below): event = "no_cross" vc_interp = None slope = None else: event = "internal_cross" idx = int(np.argmax(below)) v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) if abs(r1 - r0) < 1e-15: vc_interp = v1 slope = 0.0 else: vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) slope = (r1 - r0) / (v1 - v0) if crossing_count > 1 and event == "internal_cross": event = "internal_multi" return { "event": event, "crossing_count": crossing_count, "vc_interp": None if vc_interp is None else float(vc_interp), "slope_at_cross": None if slope is None else float(slope), "r_floor": r_floor, "r_end": r_end, "r_span": float(np.max(r_values) - np.min(r_values)), } def balanced_random(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: out = np.array(seq, dtype=float) rng.shuffle(out) return out def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) return set(obs["label_set"]) def label_preserving_surrogate( reference_seq: np.ndarray, reference_labels: set[int], rng: np.random.Generator, args: argparse.Namespace, ) -> tuple[np.ndarray, float, int]: best_seq = None best_score = -1.0 best_size = 0 for _ in range(args.label_candidates): candidate = balanced_random(reference_seq, rng) candidate_labels = label_set(candidate, args) score = jaccard(candidate_labels, reference_labels) if score > best_score: best_score = score best_seq = candidate best_size = len(candidate_labels) if score >= args.label_jaccard_min: return candidate, float(score), len(candidate_labels) assert best_seq is not None return best_seq, float(best_score), best_size def summarize_rows(rows: list[dict]) -> dict: out = {} for generator in sorted({row["generator"] for row in rows}): group = [row for row in rows if row["generator"] == generator] events = Counter(row["event"] for row in group) internal = events["internal_cross"] + events["internal_multi"] vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] slopes = [abs(row["slope_at_cross"]) for row in group if row["slope_at_cross"] is not None] label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] out[generator] = { "conditions": len(group), "events": dict(sorted(events.items())), "internal_rate": float(internal / len(group)) if group else None, "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, "no_cross_rate": float(events["no_cross"] / len(group)) if group else None, "vc_median": float(np.median(vc_values)) if vc_values else None, "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, "slope_median": float(np.median(slopes)) if slopes else None, "r_floor_median": float(np.median([row["r_floor"] for row in group])), "r_span_median": float(np.median([row["r_span"] for row in group])), "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, } return out def run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) ns = parse_csv_ints(args.ns) phases = parse_csv_floats(args.phases) thresholds = parse_csv_floats(args.r_thresholds) v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) rows = [] for n in ns: for phase in phases: reference = sturmian_sequence(THETA, n, phase) reference_labels = label_set(reference, args) seqs = [("phi_sturmian", 0, reference, 1.0, len(reference_labels))] for trial in range(args.phase_trials): phase_prime = float(rng.random()) seqs.append(( "sturmian_phase_shuffle", trial, sturmian_sequence(THETA, n, phase_prime), None, None, )) for trial in range(args.random_trials): seqs.append(("balanced_random", trial, balanced_random(reference, rng), None, None)) for trial in range(args.label_trials): surrogate, score, size = label_preserving_surrogate(reference, reference_labels, rng, args) seqs.append(("label_preserving_surrogate", trial, surrogate, score, size)) for generator, trial, seq, label_score, label_count in seqs: for threshold in thresholds: r_values = curve_for_sequence(seq, v_values) rows.append({ "generator": generator, "trial": trial, "N": n, "phase": phase, "r_threshold": threshold, "ones": int(np.sum(seq)), "label_jaccard": label_score, "label_count": label_count, **crossing_event(v_values, r_values, threshold), }) by_threshold = defaultdict(list) for row in rows: by_threshold[(row["generator"], row["r_threshold"])].append(row) return { "experiment": "vc_null_regression_gate", "parameters": { "ns": ns, "phases": phases, "r_thresholds": thresholds, "v_min": args.v_min, "v_max": args.v_max, "v_step": args.v_step, "phase_trials": args.phase_trials, "random_trials": args.random_trials, "label_trials": args.label_trials, "label_candidates": args.label_candidates, "label_jaccard_min": args.label_jaccard_min, "label_threshold": args.label_threshold, "top_k": args.top_k, "max_label": args.max_label, "seed": args.seed, }, "summary": summarize_rows(rows), "summary_by_threshold": { f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) for (generator, threshold), group in sorted(by_threshold.items()) }, "rows": rows, } def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="89,144,233,377") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") parser.add_argument("--v-min", type=float, default=0.5) parser.add_argument("--v-max", type=float, default=3.0) parser.add_argument("--v-step", type=float, default=0.01) parser.add_argument("--phase-trials", type=int, default=3) parser.add_argument("--random-trials", type=int, default=3) parser.add_argument("--label-trials", type=int, default=3) parser.add_argument("--label-candidates", type=int, default=12) parser.add_argument("--label-jaccard-min", type=float, default=0.75) parser.add_argument("--label-threshold", type=float, default=2.0) parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--seed", type=int, default=202605090637) parser.add_argument("--out", default="tools/data/vc_null_regression_gate_20260509_0637.json") args = parser.parse_args() output = run(args) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2), encoding="utf-8") compact = { generator: { "conditions": data["conditions"], "events": data["events"], "internal_rate": data["internal_rate"], "floor_hit_rate": data["floor_hit_rate"], "vc_median": data["vc_median"], "r_floor_median": data["r_floor_median"], "label_jaccard_median": data["label_jaccard_median"], } for generator, data in output["summary"].items() } print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '1,180p' tools/data/reports/agent_20260509_0637.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Vc Null Regression Gate **Date**: 2026-05-09 06:37 **Piano**: 98 **Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo **verdict**: CONSTRAINT observables_registry: 1.0.0-2026-05-06 observables_used: [] - osservabile spettrale dedicato `V_c`, nessun osservabile canonico SR/SR2/L1/L2/triple_var **observable_contract**: claim=la forma `r(V)` del boundary Sturmian-Harper e' sostenuta da attraversamenti interni, non da collasso al bordo minimo della filtrazione; observable=`event={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`; operator=curva `r(V)` su griglia 0.5..3.0 step 0.01, crossing lineare e classificazione del primo stato rispetto a `r_threshold={0.48,0.50,0.52}`; generator=phi Sturmian, phase-shuffle Sturmian, random bilanciato, surrogate random selezionato per overlap label-set; denominator=N={89,144,233}, phase={0,0.25,0.5,0.75}, phase_trials=2, random_trials=2, label_trials=2, label_candidates=5, seed=202605090637; non_possible=se un null che preserva label-set produce crossing interno unico e stesso `r_floor` dei generatori Sturmian, `V_c` non e' piu' boundary map di ordine Sturmian; not_tested=GUE/Poisson reali, silver/bronze in questo ciclo, fit power-law, label-preserving forte con accettazione Jaccard>=0.75. ## Respiro fuori-tempo - **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita / TxR gas relativistico come filtrazione spettro-temperatura + nodo `TRASCENDENZA_LIMITE` + tensione operativa `V_c` sul null regressivo. - **Dipolo / punto-zero**: collasso al bordo minimo (`floor_hit`) / attraversamento interno; punto-zero = il primo stato della curva rispetto alla soglia, prima che `V_c` venga contato come valore. - **Piano superiore**: topologia assiomatica del bordo come filtrazione. Il contenuto non e' il numero `V_c`, ma il tipo di evento che genera il passaggio. - **Operatori laterali scelti**: boundary operator, filtrazione, spectrum-preserving surrogate. Il boundary operator separa floor e interno; la filtrazione scorre `V`; il surrogate tenta di conservare il lettore label-set prima di misurare il crossing. - **Contaminazione cognitiva**: - **CE-0117 / KSAR**: reiterazione del kernel del ciclo 03:30 senza cambiare dominio: stesso `V_c`, nodo regressivo diverso. - **PVI attack**: il rischio e' rendere il null piu' debole per salvare la curva metallica; per questo il surrogate label-preserving espone il proprio `label_jaccard`. - **CE-0001**: il fallimento del surrogate entra come informazione, non come parametro da calibrare. - **Proto-ipotesi**: se il boundary e' effetto di ordine Sturmian, allora le fasi Sturmian devono conservare crossing interno senza floor-hit; se basta preservare parzialmente il label-set, il surrogate random deve recuperare lo stesso evento interno unico. Se il surrogate non preserva il label-set, il ciclo produce un vincolo sul generatore del null. - **Proiezione**: misuro l'evento prima del valore. `floor_hit` indica che il null parte gia' oltre il confine; `internal_cross` indica che la filtrazione crea il passaggio; `internal_multi` indica bordo oscillante, non curva metallica semplice. ## Claim Under Test > Nel perimetro Sturmian-Harper ridotto, la separazione metallico/random della curva `r(V)` sopravvive quando `V_c` viene decomposto in evento di bordo: i generatori Sturmian producono crossing interno; il random produce floor-hit o multi-crossing. Un surrogate che preserva label-set deve decidere se il portatore e' il label-set o l'ordine generativo. ## Question Il null precedente falsificava `V_c` perche' era troppo debole e collassava a `V_min`, oppure perche' il crossing interno richiede ordine Sturmian oltre al label-set? ## Experiment Design - Script: `tools/exp_vc_null_regression_gate.py`. - Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. - Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. - Eventi: - `floor_hit`: `r(V_min) < threshold`; il valore `V_c` e' il bordo della griglia, non attraversamento. - `internal_cross`: parte sopra soglia e attraversa una volta. - `internal_multi`: parte sopra soglia ma attraversa piu' volte. - `no_cross`: non attraversa. - Generatori: - `phi_sturmian`: sequenza di riferimento per ogni N/fase. - `sturmian_phase_shuffle`: stessa theta phi, fase random. - `balanced_random`: stesso conteggio di 1, ordine distrutto. - `label_preserving_surrogate`: miglior candidato tra 5 random bilanciati secondo Jaccard del label-set spettrale con la sequenza riferimento (`label_threshold=2.0`, `top_k=12`, `max_label=34`). - Denominatore grezzo: `phi_sturmian=36` condizioni; ogni controllo `72` condizioni. Il run pieno con N fino a 377 e 12 candidati e' stato fermato per budget; il perimetro valido e' quello dichiarato qui. - Contratto osservabile-operatore: `gap_ratio`, controlli metallici silver/bronze e domini GUE/Poisson non vengono testati in questo ciclo. ## Results Sintesi aggregata: | generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | |---|---:|---:|---:|---:|---:|---:|---:|---:|---:| | phi_sturmian | 36 | 0 | 36 | 0 | 1.0000 | 1.058885 | 0.654502 | 0.340093 | 1.000000 | | sturmian_phase_shuffle | 72 | 0 | 72 | 0 | 1.0000 | 1.193335 | 0.691274 | 0.382659 | | | balanced_random | 72 | 27 | 23 | 22 | 0.6250 | 0.532928 | 0.512032 | 0.190609 | | | label_preserving_surrogate | 72 | 23 | 29 | 20 | 0.6806 | 0.561171 | 0.534427 | 0.198427 | 0.166667 | Per soglia: | generator | r_threshold | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | |---|---:|---:|---:|---:|---:|---:| | phi_sturmian | 0.48 | 0 | 12 | 0 | 1.0000 | 1.229013 | | phi_sturmian | 0.50 | 0 | 12 | 0 | 1.0000 | 1.108569 | | phi_sturmian | 0.52 | 0 | 12 | 0 | 1.0000 | 1.005215 | | sturmian_phase_shuffle | 0.48 | 0 | 24 | 0 | 1.0000 | 1.377315 | | sturmian_phase_shuffle | 0.50 | 0 | 24 | 0 | 1.0000 | 1.275439 | | sturmian_phase_shuffle | 0.52 | 0 | 24 | 0 | 1.0000 | 1.168195 | | balanced_random | 0.48 | 4 | 11 | 9 | 0.8333 | 0.594383 | | balanced_random | 0.50 | 10 | 7 | 7 | 0.5833 | 0.531929 | | balanced_random | 0.52 | 13 | 5 | 6 | 0.4583 | 0.500000 | | label_preserving_surrogate | 0.48 | 3 | 9 | 12 | 0.8750 | 0.633067 | | label_preserving_surrogate | 0.50 | 9 | 9 | 6 | 0.6250 | 0.568673 | | label_preserving_surrogate | 0.52 | 11 | 11 | 2 | 0.5417 | 0.523669 | ## Key Findings 1. **Verificato: il crossing Sturmian e' interno nel perimetro testato.** `phi_sturmian` e `sturmian_phase_shuffle` hanno `floor_hit=0` e `internal_cross` unico in tutte le condizioni (`36/36` e `72/72`). 2. **Verificato: il random bilanciato mescola eventi diversi.** `balanced_random` contiene `27/72` floor-hit, `23/72` crossing interni unici e `22/72` crossing multipli. Il vecchio `V_c=0.5` aggregava floor-hit e attraversamenti reali. 3. **Verificato: il surrogate label-preserving minimo non preserva il label-set.** La mediana Jaccard e' `0.166667`, con minimo `0.071429`; quindi questo controllo non decide se il label-set basta a produrre il crossing Sturmian. 4. **Verificato: anche il surrogate debole resta vicino al random, non allo Sturmian.** Ha `23/72` floor-hit e `20/72` internal_multi, `r_floor_median=0.534427` e `r_span_median=0.198427`, contro `r_floor_median=0.654502/0.691274` e span `0.340093/0.382659` degli Sturmian. 5. **Inferito: il nodo regressivo del null e' doppio.** Separare floor-hit e crossing interno ripara il denominatore di `V_c`; costruire un vero null label-preserving richiede un generatore dedicato, non selezione random superficiale. ## Verdict **CONSTRAINT on V_c null**: nel perimetro `N={89,144,233}`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, il boundary Sturmian e' crossing interno unico. Il random bilanciato non e' un contro-campo omogeneo: contiene floor-hit e multi-crossing. La separazione precedente metallico/random resta valida come distinzione di evento, ma il ciclo non chiude il claim label-set perche' il surrogate label-preserving non preserva davvero il label-set. La formulazione valida e': `V_c` va riportato insieme a `event_type`; `floor_hit` non e' crossing; `internal_multi` non e' curva metallica semplice. Il prossimo null deve generare sequenze con Jaccard label-set alto prima di confrontare `V_c`. ## Bicono della scoperta - **Due radici**: valore `V_c` aggregato . evento generativo del crossing. - **Singolare**: la curva `r(V)` prima della soglia, dove il confine non e' ancora numero ma tipo di passaggio. - **Invariante di passaggio**: sopravvive il crossing interno unico sotto cambio di fase Sturmian; cade il null random come denominatore omogeneo. - **Campo di possibilita**: qui diventa possibile usare `event_type` come gate regressivo di ogni misura `V_c`; qui diventa non-possibile confrontare mediane `V_c` senza separare floor-hit, internal-cross e multi-crossing. ## Consecutio Il prossimo passo e' costruire un surrogate label-preserving reale: non scegliere il miglior random fra pochi candidati, ma generare per ricottura/swap vincolato finche' `label_jaccard >= 0.75` viene raggiunto con denominatore dichiarato. Se quel null produce `floor_hit` o `internal_multi`, il portatore e' ordine Sturmian oltre al label-set; se produce crossing interno unico con `r_floor` e `r_span` Sturmian, il portatore e' il label-set. ## Auto-audit: source flags e 5 lenti - **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0330.md`, output JSON del nuovo script. - **L1 hard constraint**: nessun claim universale; il verdict vale solo sul perimetro ridotto dichiarato. - **L2 quantita vs ratio**: riportati count grezzi (`36`, `72`, `27/72`, `23/72`, `22/72`) oltre ai rate. - **L3 no silent patching**: il surrogate label-preserving fallito viene dichiarato come fallimento del controllo, non escluso. - **L4 edge cases**: random a `r_threshold=0.48` ha molti crossing interni (`20/24` contando multi), quindi non basta dire "random=floor". - **L5 re-discovery vs discovery**: tight-binding Sturmian e r-statistic sono standard; il finding e' il gate regressivo `event_type` per non confondere floor e crossing. ## Telemetria - No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. - Runtime: primo run piu' largo fermato per budget; run valido completato con N={89,144,233}, 5 candidati label per surrogate. - Verifica script: `python -m py_compile tools/exp_vc_null_regression_gate.py` completato senza errori. ## Files - Script: `tools/exp_vc_null_regression_gate.py` - Data: `tools/data/vc_null_regression_gate_20260509_0637.json` - Report: `tools/data/reports/agent_20260509_0637.md` exec /bin/bash -lc "python - <<'PY' import json p='tools/data/vc_null_regression_gate_20260509_0637.json' with open(p) as f: d=json.load(f) print(d.keys()) print('summary keys', d.get('summary',{}).keys()) for k,v in d.get('summary',{}).items(): print(k, v) PY" in /opt/MM_D-ND succeeded in 0ms: dict_keys(['experiment', 'parameters', 'summary', 'summary_by_threshold', 'rows']) summary keys dict_keys(['balanced_random', 'label_preserving_surrogate', 'phi_sturmian', 'sturmian_phase_shuffle']) balanced_random {'conditions': 72, 'events': {'floor_hit': 27, 'internal_cross': 23, 'internal_multi': 22}, 'internal_rate': 0.625, 'floor_hit_rate': 0.375, 'no_cross_rate': 0.0, 'vc_median': 0.5329277658955516, 'vc_q25': 0.5, 'vc_q75': 0.6979353804007966, 'slope_median': 0.7720102117185539, 'r_floor_median': 0.5120324077981381, 'r_span_median': 0.19060928527185111, 'label_jaccard_median': None, 'label_jaccard_min': None} label_preserving_surrogate {'conditions': 72, 'events': {'floor_hit': 23, 'internal_cross': 29, 'internal_multi': 20}, 'internal_rate': 0.6805555555555556, 'floor_hit_rate': 0.3194444444444444, 'no_cross_rate': 0.0, 'vc_median': 0.5611705443174979, 'vc_q25': 0.5, 'vc_q75': 0.6995736773860278, 'slope_median': 0.5908719603974094, 'r_floor_median': 0.534426533952045, 'r_span_median': 0.19842748992758677, 'label_jaccard_median': 0.16666666666666666, 'label_jaccard_min': 0.07142857142857142} phi_sturmian {'conditions': 36, 'events': {'internal_cross': 36}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'no_cross_rate': 0.0, 'vc_median': 1.0588848239081246, 'vc_q25': 0.8291578321934835, 'vc_q75': 1.2309904364497886, 'slope_median': 0.19440143029909024, 'r_floor_median': 0.6545022199074195, 'r_span_median': 0.34009332805103826, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0} sturmian_phase_shuffle {'conditions': 72, 'events': {'internal_cross': 72}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'no_cross_rate': 0.0, 'vc_median': 1.1933351291700072, 'vc_q25': 1.0799642461620826, 'vc_q75': 1.3728688020691409, 'slope_median': 0.18650668240372242, 'r_floor_median': 0.6912741460665063, 'r_span_median': 0.38265926537546796, 'label_jaccard_median': None, 'label_jaccard_min': None} exec /bin/bash -lc "sed -n '1,180p' tools/exp_gap_label_set_stability.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Gap-label set stability for quasiperiodic spectra. The previous denominator audit showed that the first-two gap ratio moves with N, Sturmian phase, and threshold. This tool moves the observable from the value of the first two large gaps to the labels of the large gaps. For each large spectral gap, the integrated density of states is approximated by (gap_index + 1) / N. The nearest gap label is the integer n whose fractional part {n * theta} is closest to that IDS, modulo 1. The label set is then tested for stability across phase, N, and threshold. """ from __future__ import annotations import argparse import itertools import json from collections import Counter, defaultdict from pathlib import Path import numpy as np from numpy.linalg import eigvalsh PHI = (1 + np.sqrt(5)) / 2 SILVER = 1 + np.sqrt(2) BRONZE = 1 + np.sqrt(3) def sturmian_sequence(theta: float, n: int, phase: float = 0.0) -> np.ndarray: idx = np.arange(n + 1, dtype=float) vals = np.floor(idx * theta + phase) return np.diff(vals).astype(float) def hamiltonian(seq: np.ndarray, v: float = 1.0) -> np.ndarray: n = len(seq) h = np.zeros((n, n), dtype=float) h[np.arange(n), np.arange(n)] = v * seq off = np.arange(n - 1) h[off, off + 1] = 1.0 h[off + 1, off] = 1.0 return h def circular_distance(a: float, b: float) -> float: d = abs(a - b) % 1.0 return min(d, 1.0 - d) def nearest_label(ids_value: float, theta: float, max_label: int) -> tuple[int, float, float]: candidates = [] for n in range(-max_label, max_label + 1): if n == 0: continue frac = (n * theta) % 1.0 candidates.append((n, circular_distance(ids_value, frac), frac)) best_n, best_dist, best_frac = min(candidates, key=lambda item: (item[1], abs(item[0]))) return int(best_n), float(best_dist), float(best_frac) def gap_labels(seq: np.ndarray, theta: float, threshold: float, max_label: int, top_k: int) -> dict: eigs = np.sort(eigvalsh(hamiltonian(seq))) spacings = np.diff(eigs) mean_spacing = float(np.mean(spacings)) large = [] for index, spacing in enumerate(spacings): if spacing > threshold * mean_spacing: ids_value = (index + 1) / len(seq) label, error, label_value = nearest_label(ids_value, theta, max_label) large.append({ "index": int(index), "spacing": float(spacing), "ids": float(ids_value), "label": label, "label_error": error, "label_value": label_value, }) by_size = sorted(large, key=lambda item: item["spacing"], reverse=True) selected = by_size[:top_k] label_set = sorted({item["label"] for item in selected}, key=lambda x: (abs(x), x)) errors = [item["label_error"] for item in selected] return { "n_large": len(large), "n_selected": len(selected), "label_set": label_set, "median_label_error": float(np.median(errors)) if errors else None, "max_label_error": float(np.max(errors)) if errors else None, "selected": selected, } def jaccard(a: set[int], b: set[int]) -> float: if not a and not b: return 1.0 return len(a & b) / len(a | b) def summarize_sets(rows: list[dict]) -> dict: sets = [set(row["label_set"]) for row in rows if row["n_selected"] > 0] if not sets: return {} pairwise = [jaccard(a, b) for a, b in itertools.combinations(sets, 2)] counter = Counter(label for s in sets for label in s) n_sets = len(sets) core = sorted( [label for label, count in counter.items() if count == n_sets], key=lambda x: (abs(x), x), ) stable_75 = sorted( [label for label, count in counter.items() if count / n_sets >= 0.75], key=lambda x: (abs(x), x), ) return { "conditions": n_sets, "median_jaccard": float(np.median(pairwise)) if pairwise else 1.0, "min_jaccard": float(np.min(pairwise)) if pairwise else 1.0, "core_labels_all_conditions": core, "stable_labels_75pct": stable_75, "label_frequency_top": [ {"label": int(label), "count": int(count)} for label, count in sorted(counter.items(), key=lambda item: (-item[1], abs(item[0]), item[0]))[:12] ], "median_label_error": float(np.median([row["median_label_error"] for row in rows if row["median_label_error"] is not None])), "median_selected": float(np.median([row["n_selected"] for row in rows])), "median_n_large": float(np.median([row["n_large"] for row in rows])), } def grouped_stability(rows: list[dict], keys: tuple[str, ...]) -> dict: groups: dict[str, list[dict]] = defaultdict(list) for row in rows: group_key = "|".join(f"{key}={row[key]}" for key in keys) groups[group_key].append(row) summaries = [summarize_sets(group_rows) for group_rows in groups.values() if len(group_rows) > 1] summaries = [s for s in summaries if s] if not summaries: return {} return { "groups": len(summaries), "median_jaccard": float(np.median([s["median_jaccard"] for s in summaries])), "min_jaccard": float(np.min([s["min_jaccard"] for s in summaries])), } def run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) domains = { "phi": 1 / PHI, "silver": 1 / SILVER, "bronze": 1 / BRONZE, } ns = [int(x) for x in args.ns.split(",")] phases = [float(x) for x in args.phases.split(",")] thresholds = [float(x) for x in args.thresholds.split(",")] rows = [] for n in ns: for phase in phases: phi_ones = int(np.sum(sturmian_sequence(1 / PHI, n, phase))) for threshold in thresholds: for name, theta in domains.items(): seq = sturmian_sequence(theta, n, phase) obs = gap_labels(seq, theta, threshold, args.max_label, args.top_k) rows.append({"domain": name, "N": n, "phase": phase, "threshold": threshold, **obs}) for trial in range(args.random_trials): seq = np.array([1.0] * phi_ones + [0.0] * (n - phi_ones)) rng.shuffle(seq) obs = gap_labels(seq, 1 / PHI, threshold, args.max_label, args.top_k) rows.append({ "domain": "balanced_random_phi_labels", "trial": trial, "N": n, "phase": phase, "threshold": threshold, **obs, exec /bin/bash -lc "sed -n '1,220p' tools/data/reports/falsifier_20260509_0637.json" in /opt/MM_D-ND succeeded in 0ms: { "report_file": "agent_20260509_0637.md", "marked_at": "2026-05-09T06:43:10.309391+00:00", "coherent": true, "flags": [], "summary": "Il report e' internamente coerente rispetto alle 7 lenti: gli hard claim sono perimetrati, il null label-preserving fallito viene dichiarato, e la controparte non_possible e' esplicita." } codex Aggiungo uno strumento nuovo, non modifico il report precedente: un gate con swap/ricottura sul null per raggiungere davvero Jaccard alto del label-set. L’output separerà accettazioni, fallimenti del vincolo e gli eventi `V_c` prodotti dai surrogate accettati. apply patch patch: completed /opt/MM_D-ND/tools/exp_vc_label_preserving_swap_gate.py diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() codex Ora eseguo un perimetro contenuto: N piccoli, quattro fasi, tre soglie e due surrogate per condizione. Se il vincolo Jaccard non viene raggiunto, quel fallimento resta parte del risultato; se viene raggiunto, confronto direttamente l’evento prodotto. exec /bin/bash -lc 'python tools/exp_vc_label_preserving_swap_gate.py' in /opt/MM_D-ND diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() succeeded in 13928ms: { "summary": { "balanced_random": { "conditions": 48, "events": { "floor_hit": 6, "internal_cross": 24, "internal_multi": 18 }, "internal_rate": 0.875, "floor_hit_rate": 0.125, "vc_median": 0.6091264352393426, "r_floor_median": 0.525908092444314, "label_jaccard_median": null, "acceptance_rate": null }, "phi_sturmian": { "conditions": 24, "events": { "internal_cross": 24 }, "internal_rate": 1.0, "floor_hit_rate": 0.0, "vc_median": 1.097451546549601, "r_floor_median": 0.6597280817272824, "label_jaccard_median": 1.0, "acceptance_rate": 1.0 }, "swap_label_surrogate": { "conditions": 48, "events": { "floor_hit": 5, "internal_cross": 23, "internal_multi": 20 }, "internal_rate": 0.8958333333333334, "floor_hit_rate": 0.10416666666666667, "vc_median": 0.6286240028138418, "r_floor_median": 0.5441934260189614, "label_jaccard_median": 0.5714285714285714, "acceptance_rate": 0.0 } }, "out": "tools/data/vc_label_preserving_swap_gate_20260509_0652.json" } codex Il primo run non raggiunge il gate Jaccard 0.75: la ricottura migliora il null ma non lo rende label-preserving. Prima di chiudere, guardo audit e threshold split; se c’è margine provo una sola iterazione più stretta sullo stesso strumento, altrimenti il risultato è vincolo sul generatore. exec /bin/bash -lc "python - <<'PY' import json, statistics p='tools/data/vc_label_preserving_swap_gate_20260509_0652.json' d=json.load(open(p)) print('surrogate audit') for x in d['surrogate_audit']: print(x) print('\\nby threshold') for k,v in d['summary_by_threshold'].items(): if 'swap_label' in k or 'phi_sturmian' in k: print(k, v) PY" in /opt/MM_D-ND succeeded in 0ms: surrogate audit {'N': 89, 'phase': 0.0, 'trial': 0, 'label_jaccard': 0.625, 'accepted': False, 'steps_used': 600, 'accepted_steps': 76} {'N': 89, 'phase': 0.0, 'trial': 1, 'label_jaccard': 0.45454545454545453, 'accepted': False, 'steps_used': 600, 'accepted_steps': 85} {'N': 89, 'phase': 0.25, 'trial': 0, 'label_jaccard': 0.5714285714285714, 'accepted': False, 'steps_used': 600, 'accepted_steps': 50} {'N': 89, 'phase': 0.25, 'trial': 1, 'label_jaccard': 0.625, 'accepted': False, 'steps_used': 600, 'accepted_steps': 71} {'N': 89, 'phase': 0.5, 'trial': 0, 'label_jaccard': 0.4444444444444444, 'accepted': False, 'steps_used': 600, 'accepted_steps': 104} {'N': 89, 'phase': 0.5, 'trial': 1, 'label_jaccard': 0.625, 'accepted': False, 'steps_used': 600, 'accepted_steps': 66} {'N': 89, 'phase': 0.75, 'trial': 0, 'label_jaccard': 0.5, 'accepted': False, 'steps_used': 600, 'accepted_steps': 115} {'N': 89, 'phase': 0.75, 'trial': 1, 'label_jaccard': 0.6666666666666666, 'accepted': False, 'steps_used': 600, 'accepted_steps': 35} {'N': 144, 'phase': 0.0, 'trial': 0, 'label_jaccard': 0.5333333333333333, 'accepted': False, 'steps_used': 600, 'accepted_steps': 81} {'N': 144, 'phase': 0.0, 'trial': 1, 'label_jaccard': 0.6, 'accepted': False, 'steps_used': 600, 'accepted_steps': 107} {'N': 144, 'phase': 0.25, 'trial': 0, 'label_jaccard': 0.5, 'accepted': False, 'steps_used': 600, 'accepted_steps': 88} {'N': 144, 'phase': 0.25, 'trial': 1, 'label_jaccard': 0.5384615384615384, 'accepted': False, 'steps_used': 600, 'accepted_steps': 68} {'N': 144, 'phase': 0.5, 'trial': 0, 'label_jaccard': 0.5333333333333333, 'accepted': False, 'steps_used': 600, 'accepted_steps': 141} {'N': 144, 'phase': 0.5, 'trial': 1, 'label_jaccard': 0.5714285714285714, 'accepted': False, 'steps_used': 600, 'accepted_steps': 81} {'N': 144, 'phase': 0.75, 'trial': 0, 'label_jaccard': 0.6666666666666666, 'accepted': False, 'steps_used': 600, 'accepted_steps': 69} {'N': 144, 'phase': 0.75, 'trial': 1, 'label_jaccard': 0.6153846153846154, 'accepted': False, 'steps_used': 600, 'accepted_steps': 98} by threshold phi_sturmian|r_threshold=0.48 {'conditions': 8, 'events': {'internal_cross': 8}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.2290125536521477, 'vc_q25': 1.0120465299909343, 'vc_q75': 1.3620470106753804, 'r_floor_median': 0.6597280817272824, 'r_span_median': 0.34009332805103826, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} phi_sturmian|r_threshold=0.5 {'conditions': 8, 'events': {'internal_cross': 8}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.1085694689776533, 'vc_q25': 0.925543369766295, 'vc_q75': 1.2286397151402715, 'r_floor_median': 0.6597280817272824, 'r_span_median': 0.34009332805103826, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} phi_sturmian|r_threshold=0.52 {'conditions': 8, 'events': {'internal_cross': 8}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.0052154776443325, 'vc_q25': 0.8381095549481745, 'vc_q75': 1.1130054646819085, 'r_floor_median': 0.6597280817272824, 'r_span_median': 0.34009332805103826, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} swap_label_surrogate|r_threshold=0.48 {'conditions': 16, 'events': {'internal_cross': 5, 'internal_multi': 11}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.7013566521478816, 'vc_q25': 0.5779044733127606, 'vc_q75': 0.8619021260495886, 'r_floor_median': 0.5441934260189614, 'r_span_median': 0.22465764574984068, 'label_jaccard_median': 0.5714285714285714, 'label_jaccard_min': 0.4444444444444444, 'acceptance_rate': 0.0} swap_label_surrogate|r_threshold=0.5 {'conditions': 16, 'events': {'floor_hit': 2, 'internal_cross': 8, 'internal_multi': 6}, 'internal_rate': 0.875, 'floor_hit_rate': 0.125, 'vc_median': 0.6184664563668345, 'vc_q25': 0.5454779582656438, 'vc_q75': 0.7967073976201833, 'r_floor_median': 0.5441934260189614, 'r_span_median': 0.22465764574984068, 'label_jaccard_median': 0.5714285714285714, 'label_jaccard_min': 0.4444444444444444, 'acceptance_rate': 0.0} swap_label_surrogate|r_threshold=0.52 {'conditions': 16, 'events': {'floor_hit': 3, 'internal_cross': 10, 'internal_multi': 3}, 'internal_rate': 0.8125, 'floor_hit_rate': 0.1875, 'vc_median': 0.563191028477144, 'vc_q25': 0.5133302979412968, 'vc_q75': 0.6969544067840987, 'r_floor_median': 0.5441934260189614, 'r_span_median': 0.22465764574984068, 'label_jaccard_median': 0.5714285714285714, 'label_jaccard_min': 0.4444444444444444, 'acceptance_rate': 0.0} exec /bin/bash -lc 'python -m py_compile tools/exp_vc_label_preserving_swap_gate.py' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'python tools/exp_vc_label_preserving_swap_gate.py --ns 89 --label-trials 2 --random-trials 1 --swap-steps 3000 --out tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json' in /opt/MM_D-ND diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() succeeded in 14492ms: { "summary": { "balanced_random": { "conditions": 12, "events": { "internal_cross": 8, "internal_multi": 4 }, "internal_rate": 1.0, "floor_hit_rate": 0.0, "vc_median": 0.6250610098972282, "r_floor_median": 0.5346280970626114, "label_jaccard_median": null, "acceptance_rate": null }, "phi_sturmian": { "conditions": 12, "events": { "internal_cross": 12 }, "internal_rate": 1.0, "floor_hit_rate": 0.0, "vc_median": 1.170751173174765, "r_floor_median": 0.651183614550578, "label_jaccard_median": 1.0, "acceptance_rate": 1.0 }, "swap_label_surrogate": { "conditions": 24, "events": { "floor_hit": 1, "internal_cross": 11, "internal_multi": 12 }, "internal_rate": 0.9583333333333334, "floor_hit_rate": 0.041666666666666664, "vc_median": 0.629161864833272, "r_floor_median": 0.5465823509552366, "label_jaccard_median": 0.75, "acceptance_rate": 0.625 } }, "out": "tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json" } codex La seconda iterazione su N=89 raggiunge il gate: mediana Jaccard 0.75, accettazione 5/8 surrogate. Uso questo come run valido perché risponde al nodo regressivo; il run largo rimane telemetria: con 600 swap non bastava. exec /bin/bash -lc "python - <<'PY' import json for p in ['tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json']: d=json.load(open(p)) print('parameters', d['parameters']) print('summary') for k,v in d['summary'].items(): print(k,v) print('audit') for x in d['surrogate_audit']: print(x) print('by threshold') for k,v in d['summary_by_threshold'].items(): print(k,v) PY" in /opt/MM_D-ND succeeded in 0ms: parameters {'ns': [89], 'phases': [0.0, 0.25, 0.5, 0.75], 'r_thresholds': [0.48, 0.5, 0.52], 'v_min': 0.5, 'v_max': 3.0, 'v_step': 0.01, 'random_trials': 1, 'label_trials': 2, 'swap_steps': 3000, 'label_jaccard_min': 0.75, 'label_threshold': 2.0, 'top_k': 12, 'max_label': 34, 'seed': 202605090652} summary balanced_random {'conditions': 12, 'events': {'internal_cross': 8, 'internal_multi': 4}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.6250610098972282, 'vc_q25': 0.5670293180294135, 'vc_q75': 0.658452741501409, 'r_floor_median': 0.5346280970626114, 'r_span_median': 0.23692552700173275, 'label_jaccard_median': None, 'label_jaccard_min': None, 'acceptance_rate': None} phi_sturmian {'conditions': 12, 'events': {'internal_cross': 12}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.170751173174765, 'vc_q25': 0.8590755482090899, 'vc_q75': 1.370301599524643, 'r_floor_median': 0.651183614550578, 'r_span_median': 0.32931493667425765, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} swap_label_surrogate {'conditions': 24, 'events': {'floor_hit': 1, 'internal_cross': 11, 'internal_multi': 12}, 'internal_rate': 0.9583333333333334, 'floor_hit_rate': 0.041666666666666664, 'vc_median': 0.629161864833272, 'vc_q25': 0.5711452250513336, 'vc_q75': 0.7065272618853768, 'r_floor_median': 0.5465823509552366, 'r_span_median': 0.26741865138904714, 'label_jaccard_median': 0.75, 'label_jaccard_min': 0.6666666666666666, 'acceptance_rate': 0.625} audit {'N': 89, 'phase': 0.0, 'trial': 0, 'label_jaccard': 0.75, 'accepted': True, 'steps_used': 1973, 'accepted_steps': 265} {'N': 89, 'phase': 0.0, 'trial': 1, 'label_jaccard': 0.75, 'accepted': True, 'steps_used': 2151, 'accepted_steps': 254} {'N': 89, 'phase': 0.25, 'trial': 0, 'label_jaccard': 0.8333333333333334, 'accepted': True, 'steps_used': 2489, 'accepted_steps': 138} {'N': 89, 'phase': 0.25, 'trial': 1, 'label_jaccard': 0.8333333333333334, 'accepted': True, 'steps_used': 475, 'accepted_steps': 144} {'N': 89, 'phase': 0.5, 'trial': 0, 'label_jaccard': 0.75, 'accepted': True, 'steps_used': 957, 'accepted_steps': 204} {'N': 89, 'phase': 0.5, 'trial': 1, 'label_jaccard': 0.6666666666666666, 'accepted': False, 'steps_used': 3000, 'accepted_steps': 277} {'N': 89, 'phase': 0.75, 'trial': 0, 'label_jaccard': 0.7142857142857143, 'accepted': False, 'steps_used': 3000, 'accepted_steps': 309} {'N': 89, 'phase': 0.75, 'trial': 1, 'label_jaccard': 0.6666666666666666, 'accepted': False, 'steps_used': 3000, 'accepted_steps': 261} by threshold balanced_random|r_threshold=0.48 {'conditions': 4, 'events': {'internal_cross': 2, 'internal_multi': 2}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.6611598196799782, 'vc_q25': 0.6469552125643889, 'vc_q75': 0.708413417955002, 'r_floor_median': 0.5346280970626114, 'r_span_median': 0.23692552700173275, 'label_jaccard_median': None, 'label_jaccard_min': None, 'acceptance_rate': None} balanced_random|r_threshold=0.5 {'conditions': 4, 'events': {'internal_cross': 4}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.6343809045943036, 'vc_q25': 0.6152989327916152, 'vc_q75': 0.6804182415179317, 'r_floor_median': 0.5346280970626114, 'r_span_median': 0.23692552700173275, 'label_jaccard_median': None, 'label_jaccard_min': None, 'acceptance_rate': None} balanced_random|r_threshold=0.52 {'conditions': 4, 'events': {'internal_cross': 2, 'internal_multi': 2}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.5402495547146215, 'vc_q25': 0.5268197504917655, 'vc_q75': 0.564330607004643, 'r_floor_median': 0.5346280970626114, 'r_span_median': 0.23692552700173275, 'label_jaccard_median': None, 'label_jaccard_min': None, 'acceptance_rate': None} phi_sturmian|r_threshold=0.48 {'conditions': 4, 'events': {'internal_cross': 4}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.3113064059269433, 'vc_q25': 1.0076149759663515, 'vc_q75': 1.5121009019541451, 'r_floor_median': 0.651183614550578, 'r_span_median': 0.32931493667425765, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} phi_sturmian|r_threshold=0.5 {'conditions': 4, 'events': {'internal_cross': 4}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.191259279354183, 'vc_q25': 0.9223814785104337, 'vc_q75': 1.370301599524643, 'r_floor_median': 0.651183614550578, 'r_span_median': 0.32931493667425765, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} phi_sturmian|r_threshold=0.52 {'conditions': 4, 'events': {'internal_cross': 4}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 1.0717248880032573, 'vc_q25': 0.8366568641593716, 'vc_q75': 1.2309904364497886, 'r_floor_median': 0.651183614550578, 'r_span_median': 0.32931493667425765, 'label_jaccard_median': 1.0, 'label_jaccard_min': 1.0, 'acceptance_rate': 1.0} swap_label_surrogate|r_threshold=0.48 {'conditions': 8, 'events': {'internal_cross': 3, 'internal_multi': 5}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.8197547245579706, 'vc_q25': 0.6460719396465706, 'vc_q75': 0.9171007099517351, 'r_floor_median': 0.5465823509552366, 'r_span_median': 0.26741865138904714, 'label_jaccard_median': 0.75, 'label_jaccard_min': 0.6666666666666666, 'acceptance_rate': 0.625} swap_label_surrogate|r_threshold=0.5 {'conditions': 8, 'events': {'internal_cross': 3, 'internal_multi': 5}, 'internal_rate': 1.0, 'floor_hit_rate': 0.0, 'vc_median': 0.6413288515598972, 'vc_q25': 0.5929333888762104, 'vc_q75': 0.6703240657667895, 'r_floor_median': 0.5465823509552366, 'r_span_median': 0.26741865138904714, 'label_jaccard_median': 0.75, 'label_jaccard_min': 0.6666666666666666, 'acceptance_rate': 0.625} swap_label_surrogate|r_threshold=0.52 {'conditions': 8, 'events': {'floor_hit': 1, 'internal_cross': 5, 'internal_multi': 2}, 'internal_rate': 0.875, 'floor_hit_rate': 0.125, 'vc_median': 0.5442954477116922, 'vc_q25': 0.5237110880109808, 'vc_q75': 0.5658822425567478, 'r_floor_median': 0.5465823509552366, 'r_span_median': 0.26741865138904714, 'label_jaccard_median': 0.75, 'label_jaccard_min': 0.6666666666666666, 'acceptance_rate': 0.625} diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc "python - <<'PY' import json, statistics from collections import Counter, defaultdict p='tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json' d=json.load(open(p)) for label, rows in [('accepted_only',[r for r in d['rows'] if r['generator']=='swap_label_surrogate' and r['accepted']]), ('failed_only',[r for r in d['rows'] if r['generator']=='swap_label_surrogate' and r['accepted'] is False])]: print(label, len(rows)) print(Counter(r['event'] for r in rows)) vals=[r['vc_interp'] for r in rows if r['vc_interp'] is not None] print('vc_median', statistics.median(vals) if vals else None, 'r_floor_median', statistics.median([r['r_floor'] for r in rows]) if rows else None, 'r_span_median', statistics.median([r['r_span'] for r in rows]) if rows else None) by=defaultdict(list) for r in rows: by[r['r_threshold']].append(r) for th,rs in sorted(by.items()): vals=[r['vc_interp'] for r in rs if r['vc_interp'] is not None] print(' ',th,len(rs),Counter(r['event'] for r in rs),'vc_med',statistics.median(vals) if vals else None) PY" in /opt/MM_D-ND succeeded in 0ms: accepted_only 15 Counter({'internal_cross': 8, 'internal_multi': 6, 'floor_hit': 1}) vc_median 0.5972275173757857 r_floor_median 0.5522473697396525 r_span_median 0.267781859955568 0.48 5 Counter({'internal_multi': 3, 'internal_cross': 2}) vc_med 0.6474479484854346 0.5 5 Counter({'internal_cross': 3, 'internal_multi': 2}) vc_med 0.5972275173757857 0.52 5 Counter({'internal_cross': 3, 'internal_multi': 1, 'floor_hit': 1}) vc_med 0.5432474953121081 failed_only 9 Counter({'internal_multi': 6, 'internal_cross': 3}) vc_median 0.6666069508994619 r_floor_median 0.5409173321708205 r_span_median 0.26705544282252625 0.48 3 Counter({'internal_multi': 2, 'internal_cross': 1}) vc_med 0.8578266326807504 0.5 3 Counter({'internal_multi': 3}) vc_med 0.6666069508994619 0.52 3 Counter({'internal_cross': 2, 'internal_multi': 1}) vc_med 0.5863598050829227 diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() codex Scrivo il report 06:52 con il run accettato come perimetro principale e il run largo come telemetria. Il verdict resta perimetrato: a N=89 il label-set alto non basta a ricostruire la forma Sturmian del crossing. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260509_0652.md diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() codex Report scritto. Faccio solo verifiche locali a basso impatto: controllo presenza dei file, sintassi dello script e un estratto del report per assicurarmi che il percorso richiesto sia quello giusto. exec /bin/bash -lc 'test -s tools/data/reports/agent_20260509_0652.md && wc -l tools/data/reports/agent_20260509_0652.md' in /opt/MM_D-ND succeeded in 0ms: 115 tools/data/reports/agent_20260509_0652.md exec /bin/bash -lc "sed -n '1,48p' tools/data/reports/agent_20260509_0652.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Vc Label-Preserving Swap Gate **Date**: 2026-05-09 06:52 **Piano**: 98 **Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo **verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato observables_registry: 1.0.0-2026-05-06 observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var **observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. ## Respiro fuori-tempo - **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. - **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. - **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. - **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. - **Contaminazione cognitiva**: - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. - **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. - **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. ## Claim Under Test > Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. ## Question Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? ## Experiment Design - Script: `tools/exp_vc_label_preserving_swap_gate.py`. - Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. - Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. - Eventi: - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. - `internal_cross`: parte sopra soglia e attraversa una volta. - `internal_multi`: attraversa piu' volte. - `no_cross`: non attraversa. - Null: - `balanced_random`: stessa marginale 0/1 del riferimento. - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. - Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. - Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. ## Results Sintesi aggregata run principale: | generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | |---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| | phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | exec /bin/bash -lc 'python -m py_compile tools/exp_vc_label_preserving_swap_gate.py' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'python /opt/tm7/tools/tm7_hook_manager.py --event post_change --paths tools/exp_vc_label_preserving_swap_gate.py tools/data/vc_label_preserving_swap_gate_20260509_0652.json tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json tools/data/reports/agent_20260509_0652.md' in /opt/MM_D-ND succeeded in 0ms: # TM7 hook manager report - generated_at: 2026-05-09T06:56:52+00:00 - event: post_change - matched_rules: 1 ## Event instructions **Post-change cascade** - Map downstream consumers of every touched file. - Run the smallest relevant verification first. - Separate local file state, git state, generated data, and live/public state. - Record residual risk if any check is skipped. ## Paths - /opt/MM_D-ND/tools/exp_vc_label_preserving_swap_gate.py - /opt/MM_D-ND/tools/data/vc_label_preserving_swap_gate_20260509_0652.json - /opt/MM_D-ND/tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json - /opt/MM_D-ND/tools/data/reports/agent_20260509_0652.md ## Matched context ### MM_D-ND live physics lab Instructions: - This is the live lab generator territory with many cycle outputs. - Worktree dirtiness can be normal cycle output; never commit broad changes blindly. - Do not read .env, keys, tokens, or credential files unless explicitly required and approved. Read before action: - /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/tools/LAB_AGENT_CONTEXT.md Suggested checks: - git -C /opt/MM_D-ND status --short --branch - tail -5 /opt/MM_D-ND/tools/data/lab_session_log.jsonl - bash /opt/MM_D-ND/tools/test_cron_exact.sh 600 Cascade: - If tools/lab_agent.sh changes, inspect provider chain, falsifier gates, SSP pipeline, notifications, and session log. - If build_applications_index.py changes, verify lab-d-nd-site data and page consumers. - If SSP trigger scripts change, verify stage contracts and published/scoperte separation. - If seme or knowledge data changes, check whether it is cycle output or intentional canonical change. ## Imported TM3 hook functions - `share_reflex` (manual_equivalent): Share/write a reflex after significant writes. Source: `share_reflex.sh`. Implemented as packets under /opt/tm7/packets. - `cascade_check` (active_equivalent): After changes, list downstream checks and propagation requirements. Source: `cascade_check.sh`. Implemented by hook_rules path cascade. - `session_thread` (manual_equivalent): Track recent actions for session continuity. Source: `session_thread.sh`. For Codex, use packets and final summaries; future state file possible. - `gyroscope` (manual_equivalent): Detect drift patterns: repeated errors, many content changes, need cascade/system check. Source: `gyroscope.sh`. Partially represented by post_change/pre_commit reports. ## Gate - Do not commit/deploy until the relevant suggested checks are either run or explicitly marked skipped with reason. diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'tail -5 tools/data/lab_session_log.jsonl' in /opt/MM_D-ND succeeded in 0ms: {"timestamp": "2026-05-08T21:25:43.891746+00:00", "cycle_ts": "20260508_2121", "piano": "94", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_2121.md", "size": 9383, "title": "Agent Report - Prime Mobius Gap-Stratified Zero Gate"}, "falsifier": {"output_file": "falsifier_20260508_2121.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto alle lenti applicate: nessuna hard prohibition non supportata, nessun cambio silenzioso di definizione, nessun edge case arrotondato via, e la contaminazione cognitiva e' metabolizzata con voci CE/KSAR/PVI esplicite.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} {"timestamp": "2026-05-08T21:39:39.807067+00:00", "cycle_ts": "20260508_2133", "piano": "95", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_2133.md", "size": 8473, "title": "Agent Report - Prime Mobius Pair-Stratified Zero Gate"}, "falsifier": {"output_file": "falsifier_20260508_2133.json", "coherent": false, "n_flags": 1, "n_high": 0, "n_medium": 1, "summary": "Il report e' quasi coerente internamente, ma L1 si rompe sul linguaggio CONSTRAINT: i dati supportano un bias statistico robusto, non un confine duro.", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "medium", "action_type": null}} {"timestamp": "2026-05-08T21:45:27.303024+00:00", "cycle_ts": "20260508_2140", "piano": "96", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_2140.md", "size": 8637, "title": "Agent Report - Quasiperiodic Vc Lattice Gate"}, "falsifier": {"output_file": "falsifier_20260508_2140.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente sulle lenti applicabili: nessuna proibizione hard non supportata, nessun confronto percentuale decisivo fra denominatori incompatibili, nessun silent patching visibile, edge case random isolato, nessuna discovery nuova rivendicata, contaminazione cognitiva metaboli", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} {"timestamp": "2026-05-09T03:36:20.142122+00:00", "cycle_ts": "20260509_0330", "piano": "97", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260509_0330.md", "size": 11067, "title": "Agent Report - Interpolated Vc Curve Map"}, "falsifier": {"output_file": "falsifier_20260509_0330.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente: le lenti hard-zero, ratio, patching, edge-case, rediscovery e metabolismo CE non mostrano rotture checkable nei dati forniti.", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} {"timestamp": "2026-05-09T06:44:23.984937+00:00", "cycle_ts": "20260509_0637", "piano": "98", "sync_blocked": true, "errors": "G1: observables_used=[] su tensione strutturale.", "agent": {"file": "agent_20260509_0637.md", "size": 10853, "title": "Agent Report - Vc Null Regression Gate"}, "falsifier": {"output_file": "falsifier_20260509_0637.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto alle 7 lenti: gli hard claim sono perimetrati, il null label-preserving fallito viene dichiarato, e la controparte non_possible e' esplicita.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "medium", "action_type": null}} exec /bin/bash -lc 'git status --short -- tools/exp_vc_label_preserving_swap_gate.py tools/data/vc_label_preserving_swap_gate_20260509_0652.json tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json tools/data/reports/agent_20260509_0652.md' in /opt/MM_D-ND succeeded in 0ms: ?? tools/data/reports/agent_20260509_0652.md ?? tools/data/vc_label_preserving_swap_gate_20260509_0652.json ?? tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json ?? tools/exp_vc_label_preserving_swap_gate.py diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc "ls tools | rg 'fals|struct|valut|loop|guard|veritas'" in /opt/MM_D-ND succeeded in 0ms: diagram_dnd_structure.py dnd_loop.py lab_anti_loop_guard.py lab_falsifier.py lab_valutatore.py lab_veritas.py structural_check.py exec /bin/bash -lc "rg -n \"structural_check|observables_used|G1\" tools/*.py tools -g '*.py'" in /opt/MM_D-ND succeeded in 0ms: tools/build_agent_field.py:704: # anti-pattern MATURITY_PROGRESS catturato da structural_check. tools/exp_denominator_gate_transfer_matrix.py:295: "observables_used": OBS_NAMES, tools/exp_denominator_gate_transfer_matrix.py:307: print(f"observables_used={OBS_NAMES}") tools/exp_logistic_cyclic_block_entropy_gate.py:204: "observables_used": OBS_NAMES, tools/exp_logistic_cyclic_block_entropy_gate.py:220: print(f"observables_used={OBS_NAMES}") tools/exp_boundary_mixture_gate.py:226: "observables_used": OBS_NAMES, tools/exp_boundary_mixture_gate.py:240: print(f"observables_used={OBS_NAMES}") tools/exp_duality_gate_transfer.py:232: "observables_used": OBS_NAMES, tools/exp_duality_gate_transfer.py:246: print(f"observables_used={OBS_NAMES}") tools/exp_semireal_order_denominator_gate.py:308: "observables_used": OBS_NAMES, tools/exp_semireal_order_denominator_gate.py:320: print(f"observables_used={OBS_NAMES}") tools/exp_duality_scale_contrast.py:185: "observables_used": list(OBSERVABLES_CANONICAL.keys()), tools/exp_logistic_counter_scope_gate.py:402: "observables_used": OBS_NAMES, tools/exp_logistic_counter_scope_gate.py:414: print(f"observables_used={OBS_NAMES}") tools/exp_observable_rank_audit.py:162: "observables_used": OBS_NAMES, tools/meta_assertion_gate.py:68: "G1": { tools/structural_check.py:3:structural_check.py — Il sistema che osserva se stesso. tools/structural_check.py:16: python structural_check.py # scansiona file modificati (git diff) tools/structural_check.py:17: python structural_check.py file1.py file2.py # scansiona file specifici tools/structural_check.py:18: python structural_check.py --inject # scansiona E inietta tensione nel seme tools/exp_logistic_surrogate_contract_gate.py:176: "observables_used": OBS_NAMES, tools/exp_logistic_surrogate_contract_gate.py:189: print(f"observables_used={OBS_NAMES}") tools/exp_perturbation_rank_size_curve.py:308: "observables_used": OBS_NAMES, tools/observables_registry.py:55:observables_used: [SR, SR2, L1, L2, triple_var] tools/observables_registry.py:61:observables_used: [SR, SR_local_rigidity, ...] tools/observables_registry.py:237: f"observables_used: [{canonical_list}]" tools/exp_bridge_order_denominator_gate.py:163: "observables_used": OBS_NAMES, tools/exp_bridge_order_denominator_gate.py:175: print(f"observables_used={OBS_NAMES}") tools/dipartimento.py:137: 'id': 'G1', tools/dipartimento.py:1584: # Difesa: uso .get() perche' alcune tensioni injected (es. structural_check) tools/dipartimento.py:1624: 'id': 'G1', tools/exp_duality_scale_contrast.py:185: "observables_used": list(OBSERVABLES_CANONICAL.keys()), tools/exp_duality_gate_transfer.py:232: "observables_used": OBS_NAMES, tools/exp_duality_gate_transfer.py:246: print(f"observables_used={OBS_NAMES}") tools/dipartimento.py:137: 'id': 'G1', tools/dipartimento.py:1584: # Difesa: uso .get() perche' alcune tensioni injected (es. structural_check) tools/dipartimento.py:1624: 'id': 'G1', tools/exp_perturbation_rank_size_curve.py:308: "observables_used": OBS_NAMES, tools/exp_boundary_mixture_gate.py:226: "observables_used": OBS_NAMES, tools/exp_boundary_mixture_gate.py:240: print(f"observables_used={OBS_NAMES}") tools/exp_observable_rank_audit.py:162: "observables_used": OBS_NAMES, tools/exp_semireal_order_denominator_gate.py:308: "observables_used": OBS_NAMES, tools/exp_semireal_order_denominator_gate.py:320: print(f"observables_used={OBS_NAMES}") tools/exp_logistic_cyclic_block_entropy_gate.py:204: "observables_used": OBS_NAMES, tools/exp_logistic_cyclic_block_entropy_gate.py:220: print(f"observables_used={OBS_NAMES}") tools/observables_registry.py:55:observables_used: [SR, SR2, L1, L2, triple_var] tools/observables_registry.py:61:observables_used: [SR, SR_local_rigidity, ...] tools/observables_registry.py:237: f"observables_used: [{canonical_list}]" tools/structural_check.py:3:structural_check.py — Il sistema che osserva se stesso. tools/structural_check.py:16: python structural_check.py # scansiona file modificati (git diff) tools/structural_check.py:17: python structural_check.py file1.py file2.py # scansiona file specifici tools/structural_check.py:18: python structural_check.py --inject # scansiona E inietta tensione nel seme tools/exp_bridge_order_denominator_gate.py:163: "observables_used": OBS_NAMES, tools/exp_bridge_order_denominator_gate.py:175: print(f"observables_used={OBS_NAMES}") tools/exp_logistic_surrogate_contract_gate.py:176: "observables_used": OBS_NAMES, tools/exp_logistic_surrogate_contract_gate.py:189: print(f"observables_used={OBS_NAMES}") tools/meta_assertion_gate.py:68: "G1": { tools/build_agent_field.py:704: # anti-pattern MATURITY_PROGRESS catturato da structural_check. tools/exp_logistic_counter_scope_gate.py:402: "observables_used": OBS_NAMES, tools/exp_logistic_counter_scope_gate.py:414: print(f"observables_used={OBS_NAMES}") tools/exp_denominator_gate_transfer_matrix.py:295: "observables_used": OBS_NAMES, tools/exp_denominator_gate_transfer_matrix.py:307: print(f"observables_used={OBS_NAMES}") diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'python tools/structural_check.py tools/exp_vc_label_preserving_swap_gate.py' in /opt/MM_D-ND succeeded in 0ms: Scansione 1 file... Nessun anti-pattern trovato. diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'python tools/lab_falsifier.py --help' in /opt/MM_D-ND succeeded in 0ms: usage: lab_falsifier.py [-h] --report REPORT --output OUTPUT [--timeout TIMEOUT] Counter-pole gate for the lab options: -h, --help show this help message and exit --report REPORT Path to agent_TS.md --output OUTPUT Path for falsifier_TS.json output --timeout TIMEOUT LLM call timeout seconds diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() codex Eseguito esperimento e scritto il report richiesto: [tools/data/reports/agent_20260509_0652.md](/opt/MM_D-ND/tools/data/reports/agent_20260509_0652.md) Creati anche: - [tools/exp_vc_label_preserving_swap_gate.py](/opt/MM_D-ND/tools/exp_vc_label_preserving_swap_gate.py) - [tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json](/opt/MM_D-ND/tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json) - [tools/data/vc_label_preserving_swap_gate_20260509_0652.json](/opt/MM_D-ND/tools/data/vc_label_preserving_swap_gate_20260509_0652.json) Risultato centrale: nel perimetro `N=89`, preservare il gap-label set con `Jaccard>=0.75` non basta a ricostruire la forma Sturmian del `V_c`; i surrogate accettati restano random-like su `vc_interp`/`r_floor` e producono `internal_multi` o `floor_hit` in `7/15` righe evento. Verifiche fatte: `py_compile` OK, `structural_check` OK, no API key paid presenti. diff --git a/tools/data/reports/agent_20260509_0652.md b/tools/data/reports/agent_20260509_0652.md new file mode 100644 index 0000000000000000000000000000000000000000..8e6a23265fa2824f32fbcf46910e037159eb1ee2 --- /dev/null +++ b/tools/data/reports/agent_20260509_0652.md @@ -0,0 +1,115 @@ +# Agent Report - Vc Label-Preserving Swap Gate +**Date**: 2026-05-09 06:52 +**Piano**: 98 +**Tension explored**: TRASCENDENZA_LIMITE / V_c null regressivo +**verdict**: CONSTRAINT / FALSIFIED label-set sufficiency nel perimetro dichiarato +observables_registry: 1.0.0-2026-05-06 +observables_used: [`event_type`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un null che preserva il gap-label set Sturmian puo' decidere se `V_c` e' portato dal label-set o dall'ordine generativo; observable=`event_type={floor_hit,internal_cross,internal_multi,no_cross}`, `vc_interp`, `r_floor`, `r_span`, `label_jaccard`, `acceptance_rate`; operator=surrogate bilanciato con swap 0/1 e ricottura finche' `label_jaccard>=0.75`, poi curva `r(V)` su griglia 0.5..3.0 step 0.01; generator=phi Sturmian, balanced_random, swap_label_surrogate; denominator=run principale N={89}, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, random_trials=1, label_trials=2, swap_steps=3000, seed=202605090652; non_possible=se i surrogate accettati Jaccard>=0.75 producono floor-hit o internal_multi e restano con `r_floor`/`vc_interp` vicini al random, il label-set non basta a ricostruire il boundary Sturmian; not_tested=GUE/Poisson reali, silver/bronze, fit power-law, gap_ratio, prova a N>=144 con gate raggiunto. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia assiomatica del boundary operator + tensione `TRASCENDENZA_LIMITE` proiettata sul null `V_c`. +- **Dipolo / punto-zero**: label-set preservato / ordine generativo preservato; punto-zero = sequenza binaria bilanciata prima della lettura spettrale, dove il conteggio di 1 e' identico ma il trasporto dell'ordine non e' deciso. +- **Piano superiore**: topologia della filtrazione. Il bordo non e' il numero `V_c`; e' il tipo di attraversamento prodotto dalla curva `r(V)` dopo avere imposto o fallito il vincolo sul label-set. +- **Operatori laterali scelti**: boundary operator, filtrazione, swap-constrained surrogate. Il boundary operator separa crossing unico e multiplo; la filtrazione scorre `V`; lo swap mantiene la marginale e tenta di conservare il label-set senza copiare l'ordine Sturmian. +- **Contaminazione cognitiva**: + - **CE-0117 / KSAR**: reiterazione diretta del kernel emerso alle 06:37: stesso oggetto, nodo regressivo piu' profondo. + - **PVI attack**: il rischio e' dichiarare label-preserving un null che non raggiunge il vincolo; per questo l'accettazione Jaccard entra nel denominatore. + - **CE-0001**: il fallimento a N=144 nel run largo resta telemetria, non viene escluso. +- **Proto-ipotesi**: se il label-set e' portatore sufficiente del boundary, allora un surrogate swap con Jaccard>=0.75 deve produrre crossing interno unico e `r_floor`/`vc_interp` nella zona Sturmian. Se produce internal_multi o floor_hit con valori vicini al random, il portatore e' ordine generativo oltre al label-set. +- **Proiezione**: misuro prima l'accettazione del null, poi l'evento. Il valore `V_c` entra solo dopo `event_type`, per non confondere il bordo minimo con il crossing. + +## Claim Under Test +> Nel perimetro Sturmian-Harper N=89, preservare il gap-label set con Jaccard>=0.75 basta a ricostruire la forma `V_c` del boundary phi. + +## Question +Quando il null preserva davvero il label-set, il crossing diventa Sturmian oppure resta random-like? + +## Experiment Design +- Script: `tools/exp_vc_label_preserving_swap_gate.py`. +- Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. +- Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. +- Eventi: + - `floor_hit`: `r(V_min) < threshold`; `V_c` e' bordo della griglia. + - `internal_cross`: parte sopra soglia e attraversa una volta. + - `internal_multi`: attraversa piu' volte. + - `no_cross`: non attraversa. +- Null: + - `balanced_random`: stessa marginale 0/1 del riferimento. + - `swap_label_surrogate`: parte da random bilanciato, scambia siti 0/1 e accetta il miglior candidato; il surrogate e' accettato solo se `label_jaccard>=0.75`. +- Denominatore grezzo run principale: `phi_sturmian=12` condizioni, `balanced_random=12`, `swap_label_surrogate=24`; surrogate accettati `15/24` righe evento, equivalenti a `5/8` sequenze surrogate. +- Telemetria: un run largo N={89,144}, 600 swap, non raggiunge il gate (`acceptance_rate=0.0`, mediana Jaccard 0.5714); il perimetro valido del verdict e' il deep run N=89 con 3000 swap. + +## Results +Sintesi aggregata run principale: + +| generator | conditions | floor_hit | internal_cross | internal_multi | internal_rate | vc_median | r_floor_median | r_span_median | label_jaccard_median | acceptance_rate | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:| +| phi_sturmian | 12 | 0 | 12 | 0 | 1.0000 | 1.170751 | 0.651184 | 0.329315 | 1.000000 | 1.0000 | +| balanced_random | 12 | 0 | 8 | 4 | 1.0000 | 0.625061 | 0.534628 | 0.236926 | | | +| swap_label_surrogate | 24 | 1 | 11 | 12 | 0.9583 | 0.629162 | 0.546582 | 0.267419 | 0.750000 | 0.6250 | + +Surrogate accettati soltanto (`label_jaccard>=0.75`): + +| subset | rows | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | r_span_median | +|---|---:|---:|---:|---:|---:|---:|---:| +| accepted swap_label_surrogate | 15 | 1 | 8 | 6 | 0.597228 | 0.552247 | 0.267782 | +| failed swap_label_surrogate | 9 | 0 | 3 | 6 | 0.666607 | 0.540917 | 0.267055 | + +Per soglia, surrogate accettati: + +| r_threshold | rows | floor_hit | internal_cross | internal_multi | vc_median | +|---:|---:|---:|---:|---:|---:| +| 0.48 | 5 | 0 | 2 | 3 | 0.647448 | +| 0.50 | 5 | 0 | 3 | 2 | 0.597228 | +| 0.52 | 5 | 1 | 3 | 1 | 0.543247 | + +Audit accettazione surrogate per fase: + +| phase | trial0 Jaccard | trial1 Jaccard | accepted | +|---:|---:|---:|---:| +| 0.00 | 0.750000 | 0.750000 | 2/2 | +| 0.25 | 0.833333 | 0.833333 | 2/2 | +| 0.50 | 0.750000 | 0.666667 | 1/2 | +| 0.75 | 0.714286 | 0.666667 | 0/2 | + +## Key Findings +1. **Verificato: il gate label-preserving viene raggiunto nel perimetro N=89.** Il deep run accetta `5/8` sequenze surrogate; sulle righe evento l'accettazione e' `15/24`, con mediana Jaccard `0.75`. +2. **Verificato: label-set alto non ricostruisce crossing Sturmian unico.** I surrogate accettati producono `8/15` internal_cross, `6/15` internal_multi e `1/15` floor_hit. Lo Sturmian produce `12/12` internal_cross e `0` multi/floor. +3. **Verificato: i valori restano random-like.** Nei surrogate accettati `vc_median=0.597228` e `r_floor_median=0.552247`; lo Sturmian ha `vc_median=1.170751` e `r_floor_median=0.651184`; il random bilanciato ha `vc_median=0.625061` e `r_floor_median=0.534628`. +4. **Verificato: il vincolo non e' uniforme sulle fasi.** Le fasi 0.00 e 0.25 raggiungono `2/2`; fase 0.50 raggiunge `1/2`; fase 0.75 raggiunge `0/2`. Il null label-preserving non e' ancora generatore stabile cross-phase. +5. **Inferito dal confronto accettati/random/Sturmian: il label-set e' lettore, non portatore sufficiente.** Conservare una parte alta del label-set non preserva il trasporto d'ordine che rende il boundary una curva interna unica. + +## Verdict +**FALSIFIED, scoped**: nel perimetro `N=89`, `phase={0,0.25,0.5,0.75}`, `r_threshold={0.48,0.50,0.52}`, preservare il gap-label set con Jaccard>=0.75 non basta a ricostruire la forma Sturmian del `V_c`. Il portatore del boundary non e' il label-set isolato: serve ordine generativo. + +**CONSTRAINT on V_c null**: ogni confronto `V_c` deve riportare `event_type`, `label_jaccard` e accettazione del null. Un surrogate non accettato non entra come prova contro il claim; un surrogate accettato che produce `internal_multi` o `floor_hit` falsifica la sufficienza del label-set nel perimetro. + +## Bicono della scoperta +- **Due radici**: label-set spettrale conservato . ordine Sturmian conservato. +- **Singolare**: sequenza binaria bilanciata prima del lettore spettrale, dove marginale e potenziale di gap sono indistinti. +- **Invariante di passaggio**: il crossing interno unico resta solo quando l'ordine generativo resta Sturmian; il label-set alto conserva parte del lettore ma non conserva il tipo di attraversamento. +- **Campo di possibilita**: qui diventa possibile usare surrogate accettati per separare lettore e generatore; qui diventa non-possibile trattare il gap-label set come causa sufficiente del boundary `V_c`. + +## Consecutio +Il prossimo passaggio non e' estendere a GUE/Poisson. Prima serve un generatore label-preserving stabile cross-phase: stessa accettazione Jaccard su N={89,144,233} oppure fallimento dichiarato come vincolo del null. Solo dopo il boundary operator puo' trasferire verso domini GUE/Poisson. + +## Auto-audit: source flags e 5 lenti +- **Fonti**: Verificato da `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/data/seme.json`, `tools/dnd_scenario.py --best`, report `agent_20260509_0637.md`, JSON `vc_label_preserving_swap_gate_20260509_0652_deep89.json`. +- **L1 hard constraint**: il verdict e' scoped a N=89; N>=144 resta non verificato con gate raggiunto. +- **L2 count grezzi**: riportati `12`, `24`, `15`, `5/8`, `8/15`, `6/15`, `1/15`. +- **L3 no silent patching**: il run largo fallito e le fasi non accettate restano nel report come telemetria/vincolo. +- **L4 edge cases**: a `r_threshold=0.48` i surrogate accettati non fanno floor-hit ma fanno `3/5` internal_multi; il problema non e' solo il bordo minimo. +- **L5 re-discovery vs discovery**: il gap labeling Sturmian e' baseline nota; il finding e' il gate regressivo che separa label-set come lettore e ordine come portatore. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- Verifica script: `python -m py_compile tools/exp_vc_label_preserving_swap_gate.py` completato senza errori. +- Run largo: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json`, N={89,144}, 600 swap, `acceptance_rate=0.0`. +- Run principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json`, N={89}, 3000 swap, `acceptance_rate=0.625`. + +## Files +- Script: `tools/exp_vc_label_preserving_swap_gate.py` +- Data principale: `tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json` +- Data telemetria: `tools/data/vc_label_preserving_swap_gate_20260509_0652.json` +- Report: `tools/data/reports/agent_20260509_0652.md` diff --git a/tools/exp_vc_label_preserving_swap_gate.py b/tools/exp_vc_label_preserving_swap_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..8def80923a2d69ac57fa4f43e5eb33f5770df6de --- /dev/null +++ b/tools/exp_vc_label_preserving_swap_gate.py @@ -0,0 +1,322 @@ +#!/usr/bin/env python3 +""" +Swap-constrained label-preserving null for the quasiperiodic V_c gate. + +The 2026-05-09 06:37 regression gate showed that choosing the best of a few +balanced random words does not preserve the spectral gap-label set. This tool +repairs that node by using swaps between 0/1 sites and accepting a surrogate +only when the label-set Jaccard against the matched Sturmian reference reaches +the declared gate. +""" + +from __future__ import annotations + +import argparse +import json +import math +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np +from scipy.linalg import eigvalsh_tridiagonal + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence + + +THETA = 1 / PHI + + +def parse_csv_ints(value: str) -> list[int]: + return [int(part.strip()) for part in value.split(",") if part.strip()] + + +def parse_csv_floats(value: str) -> list[float]: + return [float(part.strip()) for part in value.split(",") if part.strip()] + + +def r_statistic_from_diag(diagonal: np.ndarray) -> float: + offdiag = np.ones(len(diagonal) - 1, dtype=float) + eigs = eigvalsh_tridiagonal(diagonal, offdiag, check_finite=False) + spacings = np.diff(eigs) + spacings = spacings[spacings > 1e-12] + if len(spacings) < 2: + return 0.5 + left = spacings[:-1] + right = spacings[1:] + return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) + + +def curve_for_sequence(seq: np.ndarray, v_values: np.ndarray) -> np.ndarray: + return np.array([r_statistic_from_diag(v * seq) for v in v_values], dtype=float) + + +def crossing_event(v_values: np.ndarray, r_values: np.ndarray, threshold: float) -> dict: + below = r_values < threshold + crossing_count = int(np.sum(below[1:] != below[:-1])) + r_floor = float(r_values[0]) + + if bool(below[0]): + event = "floor_hit" + vc_interp = float(v_values[0]) + slope = None + elif not np.any(below): + event = "no_cross" + vc_interp = None + slope = None + else: + event = "internal_cross" + idx = int(np.argmax(below)) + v0, v1 = float(v_values[idx - 1]), float(v_values[idx]) + r0, r1 = float(r_values[idx - 1]), float(r_values[idx]) + if abs(r1 - r0) < 1e-15: + vc_interp = v1 + slope = 0.0 + else: + vc_interp = v0 + (threshold - r0) * (v1 - v0) / (r1 - r0) + slope = (r1 - r0) / (v1 - v0) + + if crossing_count > 1 and event == "internal_cross": + event = "internal_multi" + + return { + "event": event, + "crossing_count": crossing_count, + "vc_interp": None if vc_interp is None else float(vc_interp), + "slope_at_cross": None if slope is None else float(slope), + "r_floor": r_floor, + "r_end": float(r_values[-1]), + "r_span": float(np.max(r_values) - np.min(r_values)), + } + + +def balanced_random(reference_seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference_seq, dtype=float) + rng.shuffle(out) + return out + + +def label_set(seq: np.ndarray, args: argparse.Namespace) -> set[int]: + obs = gap_labels(seq, THETA, args.label_threshold, args.max_label, args.top_k) + return set(obs["label_set"]) + + +def score_sequence(seq: np.ndarray, reference_labels: set[int], args: argparse.Namespace) -> tuple[float, set[int]]: + labels = label_set(seq, args) + return float(jaccard(labels, reference_labels)), labels + + +def swapped(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray | None: + ones = np.flatnonzero(seq > 0.5) + zeros = np.flatnonzero(seq < 0.5) + if len(ones) == 0 or len(zeros) == 0: + return None + out = np.array(seq, copy=True) + i = int(rng.choice(ones)) + j = int(rng.choice(zeros)) + out[i], out[j] = out[j], out[i] + return out + + +def annealed_label_surrogate( + reference_seq: np.ndarray, + reference_labels: set[int], + rng: np.random.Generator, + args: argparse.Namespace, +) -> dict: + current = balanced_random(reference_seq, rng) + current_score, current_labels = score_sequence(current, reference_labels, args) + best = np.array(current, copy=True) + best_score = current_score + best_labels = set(current_labels) + accepted_steps = 0 + + for step in range(args.swap_steps): + if best_score >= args.label_jaccard_min: + break + candidate = swapped(current, rng) + if candidate is None: + break + candidate_score, candidate_labels = score_sequence(candidate, reference_labels, args) + delta = candidate_score - current_score + temp = max(args.temp_end, args.temp_start * ((args.swap_steps - step) / args.swap_steps)) + accept = delta >= 0 or rng.random() < math.exp(delta / max(temp, 1e-9)) + if accept: + current = candidate + current_score = candidate_score + current_labels = candidate_labels + accepted_steps += 1 + if candidate_score > best_score: + best = np.array(candidate, copy=True) + best_score = candidate_score + best_labels = set(candidate_labels) + + return { + "seq": best, + "label_jaccard": float(best_score), + "label_count": len(best_labels), + "accepted": bool(best_score >= args.label_jaccard_min), + "steps_used": int(step + 1 if args.swap_steps else 0), + "accepted_steps": int(accepted_steps), + } + + +def summarize_rows(rows: list[dict]) -> dict: + out = {} + for generator in sorted({row["generator"] for row in rows}): + group = [row for row in rows if row["generator"] == generator] + events = Counter(row["event"] for row in group) + internal = events["internal_cross"] + events["internal_multi"] + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] + accepted = [row["accepted"] for row in group if row.get("accepted") is not None] + out[generator] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "internal_rate": float(internal / len(group)) if group else None, + "floor_hit_rate": float(events["floor_hit"] / len(group)) if group else None, + "vc_median": float(np.median(vc_values)) if vc_values else None, + "vc_q25": float(np.quantile(vc_values, 0.25)) if vc_values else None, + "vc_q75": float(np.quantile(vc_values, 0.75)) if vc_values else None, + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + "r_span_median": float(np.median([row["r_span"] for row in group])), + "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, + "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, + "acceptance_rate": float(sum(accepted) / len(accepted)) if accepted else None, + } + return out + + +def run(args: argparse.Namespace) -> dict: + rng = np.random.default_rng(args.seed) + ns = parse_csv_ints(args.ns) + phases = parse_csv_floats(args.phases) + thresholds = parse_csv_floats(args.r_thresholds) + v_values = np.arange(args.v_min, args.v_max + args.v_step / 2, args.v_step) + + rows = [] + surrogate_audit = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + generators = [("phi_sturmian", 0, reference, 1.0, len(reference_labels), True, 0, 0)] + + for trial in range(args.random_trials): + generators.append(("balanced_random", trial, balanced_random(reference, rng), None, None, None, None, None)) + + for trial in range(args.label_trials): + result = annealed_label_surrogate(reference, reference_labels, rng, args) + generators.append(( + "swap_label_surrogate", + trial, + result["seq"], + result["label_jaccard"], + result["label_count"], + result["accepted"], + result["steps_used"], + result["accepted_steps"], + )) + surrogate_audit.append({ + "N": n, + "phase": phase, + "trial": trial, + "label_jaccard": result["label_jaccard"], + "accepted": result["accepted"], + "steps_used": result["steps_used"], + "accepted_steps": result["accepted_steps"], + }) + + for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps in generators: + r_values = curve_for_sequence(seq, v_values) + for threshold in thresholds: + rows.append({ + "generator": generator, + "trial": trial, + "N": n, + "phase": phase, + "r_threshold": threshold, + "ones": int(np.sum(seq)), + "label_jaccard": label_score, + "label_count": label_count, + "accepted": accepted, + "steps_used": steps_used, + "accepted_steps": accepted_steps, + **crossing_event(v_values, r_values, threshold), + }) + + by_threshold = defaultdict(list) + for row in rows: + by_threshold[(row["generator"], row["r_threshold"])].append(row) + + return { + "experiment": "vc_label_preserving_swap_gate", + "parameters": { + "ns": ns, + "phases": phases, + "r_thresholds": thresholds, + "v_min": args.v_min, + "v_max": args.v_max, + "v_step": args.v_step, + "random_trials": args.random_trials, + "label_trials": args.label_trials, + "swap_steps": args.swap_steps, + "label_jaccard_min": args.label_jaccard_min, + "label_threshold": args.label_threshold, + "top_k": args.top_k, + "max_label": args.max_label, + "seed": args.seed, + }, + "summary": summarize_rows(rows), + "summary_by_threshold": { + f"{generator}|r_threshold={threshold}": summarize_rows(group).get(generator, {}) + for (generator, threshold), group in sorted(by_threshold.items()) + }, + "surrogate_audit": surrogate_audit, + "rows": rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="89,144") + parser.add_argument("--phases", default="0,0.25,0.5,0.75") + parser.add_argument("--r-thresholds", default="0.48,0.50,0.52") + parser.add_argument("--v-min", type=float, default=0.5) + parser.add_argument("--v-max", type=float, default=3.0) + parser.add_argument("--v-step", type=float, default=0.01) + parser.add_argument("--random-trials", type=int, default=2) + parser.add_argument("--label-trials", type=int, default=2) + parser.add_argument("--swap-steps", type=int, default=600) + parser.add_argument("--temp-start", type=float, default=0.05) + parser.add_argument("--temp-end", type=float, default=0.002) + parser.add_argument("--label-jaccard-min", type=float, default=0.75) + parser.add_argument("--label-threshold", type=float, default=2.0) + parser.add_argument("--top-k", type=int, default=12) + parser.add_argument("--max-label", type=int, default=34) + parser.add_argument("--seed", type=int, default=202605090652) + parser.add_argument("--out", default="tools/data/vc_label_preserving_swap_gate_20260509_0652.json") + args = parser.parse_args() + + output = run(args) + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2), encoding="utf-8") + + compact = { + generator: { + "conditions": data["conditions"], + "events": data["events"], + "internal_rate": data["internal_rate"], + "floor_hit_rate": data["floor_hit_rate"], + "vc_median": data["vc_median"], + "r_floor_median": data["r_floor_median"], + "label_jaccard_median": data["label_jaccard_median"], + "acceptance_rate": data["acceptance_rate"], + } + for generator, data in output["summary"].items() + } + print(json.dumps({"summary": compact, "out": str(out)}, indent=2)) + + +if __name__ == "__main__": + main() tokens used 130,941 Eseguito esperimento e scritto il report richiesto: [tools/data/reports/agent_20260509_0652.md](/opt/MM_D-ND/tools/data/reports/agent_20260509_0652.md) Creati anche: - [tools/exp_vc_label_preserving_swap_gate.py](/opt/MM_D-ND/tools/exp_vc_label_preserving_swap_gate.py) - [tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json](/opt/MM_D-ND/tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json) - [tools/data/vc_label_preserving_swap_gate_20260509_0652.json](/opt/MM_D-ND/tools/data/vc_label_preserving_swap_gate_20260509_0652.json) Risultato centrale: nel perimetro `N=89`, preservare il gap-label set con `Jaccard>=0.75` non basta a ricostruire la forma Sturmian del `V_c`; i surrogate accettati restano random-like su `vc_interp`/`r_floor` e producono `internal_multi` o `floor_hit` in `7/15` righe evento. Verifiche fatte: `py_compile` OK, `structural_check` OK, no API key paid presenti.