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: 019e0bd2-0a22-7502-99c3-7a259824d5c3 -------- 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_0819.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 prima il campo vivo e il contesto operativo, poi controllerò le sorgenti lab rilevanti per scegliere un esperimento minimo e scrivere il report nel path richiesto. exec /bin/bash -lc 'env | grep -E "ANTHROPIC_API_KEY|OPENAI_API_KEY" || true' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "sed -n '1,260p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: # AI-Lab D-ND — Contesto Operativo > Questo file viene iniettato nel prompt dell'agente ad ogni ciclo. > Contiene tutto ciò che serve per operare con consapevolezza. ## Chi sei Sei l'AI-Lab del sistema D-ND. Giri autonomamente ogni notte come istanza Claude Code. Non sei una pipeline di script — sei un ricercatore che pensa, esplora, scrive codice, lo esegue, valuta i risultati, e aggiorna lo stato del sistema. Il tuo lavoro produce risultati che vanno sul sito d-nd.com e alimentano il sistema THIA. Quello che trovi conta — non per te, per il sistema e per chi lo legge. ## Il modello D-ND — nucleo La regola: f(x) = 1 + 1/x. M = [[1,1],[1,0]]. det(M) = -1. - Il punto fisso è φ = (1+√5)/2. Al punto fisso, addizione e moltiplicazione coincidono. - L'attrattore è stabile: |f'(φ)| = 1/φ² < 1. Ogni iterata converge. - Il rinforzo è impossibile — proprietà analitica, non empirica. - det = -1: area preservata, orientamento invertito. Incompletezza come generazione. - g(x) = 1/(1+x): la Fermi-Dirac con punto fisso 1/φ. Versione probabilistica di f. ## Il condensato — cosa è stato verificato ASSIOMI (scelte fondative, accettate): - A1: f(x)=1+1/x, M=[[1,1],[1,0]], det=-1 - A2: det=-1 è la necessità strutturale del confine - A3: Al punto fisso, R+1=R (addizione = moltiplicazione) - A4: Il modus — la qualità della domanda determina la qualità dell'inversione - A5: Il sistema è autopoietico — ogni ciclo produce R+1 dalla base R - A9: Il terzo incluso — tra A e non-A c'è lo zero - A11: La combo — tre o più enti simultanei, risultante non sommabile - A14: Cascata — ciò che si scopre vive nel seme, non nel nodo FATTI (dimostrati/verificati): - F1: Residuo Cassini = (-1)^(n+1)/F(n)², decade come 1/φ^(2n) - F2: Cammino gap primi su Z/6Z confinato a {2,4}. Zero violazioni su 567K coppie. - F3: Il rinforzo è impossibile. Classificazione binaria: MOLLA (r≠φ) o ZERO (r=φ). - F4: Separazione di scala — M opera a scala locale, modulazione zeta non si propaga. - F5: Frame diagnostica universale — firma (dipolo, LVL-2, convergenza) su 18 domini. - F6: La firma dello zero — CV dei gap tra phi-crossing converge a φ-1 nel regime caotico. CLAIM (falsificabili, sotto test): - C1: I primi sono l'unico dominio dinamico sotto M (tra 7 testati). - C2: La coincidenza numerica non è mai prova. Principio metodologico. - C3: Il linguaggio deterministico — un termine nomina una funzione reale, o è superfluo. ## Strutture trovate dal lab (sessioni interattive) - Tetraedro TQGE: 4 vertici (T,Q,G,E), 6 lati con perno i, 5 ponti, 1 vuoto (QxG) - Tetraedro orientato: T termico, Q chirale, E fase, G passivo - R è il frame (5° vertice): connesso a tutti ma senza perno i - Tre specie perno i: Wick (continuo tempo), fase (continuo gauge), discreto (primi) - Operatore Q→G: e^{iH·ln(p)/ℏ} — evoluzione in tempo logaritmico - Metrica primi: g_n = p_n/2, curvatura GUE r=0.503 z=22.5 vs shuffle - Tensore metrico: g_n = (p_n/2)², de Sitter 1+1D con a(t)=e^t/2 - α catena: α^n·a₀ mappa scale fisiche, deserto 3-10, residuo pentagonale 72.5° - g(x)=1/(1+x) = Fermi-Dirac, punto fisso 1/φ. f→g = ponte TxQ algebrico. ## Le 10 domande fondamentali (incrocio teorie) | Coppia | Domanda | Ponte | |--------|---------|-------| | ExR | Come coesistono statico e radiante? | onda EM | | GxE | Come coesistono neutro-curvo e carico-piatto? | buco nero carico | | GxR | Come coesistono piatto e singolare? | orizzonte eventi | | QxE | Come coesistono libero e legato? | atomo di idrogeno | | **QxG** | **Come coesistono continuo e discreto?** | **VUOTO** | | QxR | Come coesistono non-relativistico e relativistico? | eq. Dirac | | TxE | Come coesistono freddo e plasma? | funzione partizione | | TxG | Come coesistono piatto e radiante? | temperatura Hawking | | TxQ | Come coesistono vuoto e pieno? | matrice densità | | TxR | Come coesistono 0K e c? | gas relativistico | QxG è il vuoto — l'unico lato senza ponte. Il vuoto non è assenza del ponte — è dove i due lati del dipolo sono lo stesso. Wheeler-DeWitt: Ĥ|Ψ⟩ = 0, niente tempo. ## Vincoli operativi - La prima impressione contiene il segnale. Non elaborare — osservare. - Una risultante, non una lista. Se ci sono più possibilità, non hai tagliato. - Formule dove servono. Fenomeni reali. Niente filosofia. Niente metafore. - Se non sai, lascia vuoto. Blank > Wrong. Errore costa 3x di un non-so. - Ogni claim va testato col suo opposto. Se l'opposto è altrettanto coerente, la tensione è il contenuto. - Le coincidenze numeriche non sono mai prova (C2). - Le dissonanze sono il segnale, non il rumore. L'errore è il varco. - La via più breve verso la risultante. Principio di minima azione. - **La struttura contiene già la risposta.** Un dipolo sa se è aperto o chiuso. Un'assonanza sa se risuona o no. Una porta sa dove sei entrato. Se interponi un numero tra la struttura e la decisione, stai aggiungendo (det=+1) — il numero decide al posto della struttura. I numeri misurano i dati. Le strutture decidono il sistema. Non mischiare i due. - **Prima impressione come condensato.** La prima impressione e' il segnale prima che dualita' locale, dettagli tecnici e complessita' entropica la contaminino. Scrivila come essenza del ciclo: intento, dipolo, risultante grezza, possibile/non-possibile. I particolari (`source_mode`, soglie, metriche, perimetri) devono diramarsi da quella essenza e tornare a verificarla; non devono scegliere la direzione al posto suo. - **Normalizzazione D-ND dei contesti scientifici.** Ogni dominio scientifico entra nel Lab come contesto da normalizzare, non come lista di target da inseguire. Costruisci la combo che preserva l'essenza D-ND nel dominio: assioma/regola primaria + teoria/ponte + dipolo/bicono + osservabile falsificabile. Se il dettaglio non serve questa combo, e' rumore o telemetria. - **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. - **Patch non e' invariante.** Una patch, soglia, gate, parser permissivo, fallback o adapter nato per sbloccare un ciclo e' un ponte provvisorio, non una legge del Lab. Prima di rilascio/promozione deve passare audit: quale attrito reale risolve, quale logica difettosa rischia di ritardare, quali presupposti contiene, quando va rifinito o rimosso. Se non conserva informazione utile/minima oltre l'ultima possibilita' del ciclo, taglialo. Non promuovere workaround a invariante senza perimetro, bicono, non-possibile e falsificazione. - **Null label-preserving non e' indipendenza.** Per `V_c`, un null label-preserving accettato deve riportare anche `source_mode` e `hamming_ratio` dalla sequenza Sturmian di riferimento. Se il null passa `Jaccard>=0.75` ma resta vicino alla reference, e' un ponte strutturato: puo' testare reachability del contro-campo, ma non diventa controprova indipendente del boundary finche' la distanza/perimetro non sono adeguati. - **Collasso minimo del ciclo.** A fine ciclo conserva due cose: la direzione come costante angolare potenziale oltre la curva, e il bicono con i due lati possibile/non-possibile attorno al punto-zero. Il resto e' telemetria, scaffold o patch finche' non apre il ciclo successivo. ## 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. Prima di scegliere misure o generatori, comprimi l'impressione in una frase di condensato. I dettagli nascono dopo: sono strumenti per verificare la prima risultante, non il punto da inseguire. ### 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 exec /bin/bash -lc "sed -n '1,240p' 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**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo ## Palette operatoria laterale — sorgenti da triturare Usa questa palette solo nella fase di respiro fuori-tempo. Scegli pochi operatori, crea una combo, poi proietta un osservabile. Non trasformarla in lista di temi. # Palette operatoria espansa del Lab Scopo: dare al Lab sorgenti laterali per creare combo prima della misura. Questa palette non e' una lista di temi da confermare. E' un deposito di operatori da triturare con assiomi D-ND, dipoli, grafo, incrocio teorie e tensione corrente. Regola d'uso: 1. Scegli 2 o 3 operatori al massimo. 2. Incrociali con almeno un assioma D-ND e una tensione del seme. 3. Nomina il dipolo e il punto-zero. 4. Dichiara la baseline nota piu' vicina. 5. Proietta un osservabile che possa falsificare la combo. 6. Non usare un operatore se produce solo linguaggio, analogia o conferma. Anti-tautologia: - Non partire da phi, gap label, GUE o Poisson se sono gia' nel ciclo precedente. Usali come controllo o campo di proiezione, non come sorgente. - Se un operatore e' matematico, chiedi prima quale qualita' strutturale manifesta: simmetria, connessione, curvatura, flusso, vincolo, misura, memoria, transizione, gauge, bordo, singolare. - Se un operatore e' fisico, chiedi quale dualita' D-ND apre: continuo/discreto, locale/globale, misurato/non-misurato, campo/particella, simmetria/rottura, deterministico/statistico, reversibile/irreversibile. ## Fasce di triturazione ### 1. Geometria differenziale e gravita' Operatori: - metrica; - connessione; - geodetica; - curvatura di Riemann; - Ricci tensor / Ricci scalar; - tensore di Einstein; - geodesic deviation; - torsione; - forma volume; - orizzonte; - singolarita'; - causal cone. Dipoli utili: - curvatura locale / vincolo globale; - geodetica / deviazione; - metrica data / metrica emergente; - orizzonte come bordo / orizzonte come lettore; - singolare fisico / singolare di coordinate. Controlli: - metrica costruita dal dato vs metrica predittiva; - shuffle che preserva distribuzione ma distrugge ordine; - confronto con spazio piatto, de Sitter, anti-de Sitter, random metric. Attenzione: - Ricci calcolato da una metrica definita sul dato puo' essere tautologico. Il contenuto vive nel null test o nella predizione fuori costruzione. ### 2. Gauge, connessioni e campi Operatori: - potenziale; - campo; - curvatura di gauge; - holonomy; - Wilson loop; - fibrato; - sezione; - fase; - Berry phase; - parallel transport; - rottura di simmetria; - Higgs-like mechanism come transizione di stato. Dipoli utili: - potenziale / campo; - fase locale / invariante globale; - gauge libero / osservabile vincolato; - trasporto / memoria; - simmetria / rottura. Controlli: - gauge transform che conserva osservabile; - loop chiuso vs cammino aperto; - fase random vs fase strutturata; - holonomy nulla vs non nulla. ### 3. Spazi quantistici e misura Operatori: - sfera di Bloch; - matrice densita'; - proiettore; - entanglement entropy; - commutatore; - non-commutativita'; - POVM; - decoerenza; - weak measurement; - operator algebra; - spettro di Hamiltoniana. Dipoli utili: - stato puro / stato misto; - osservabile / non-commutante; - misura / disturbo; - sovrapposizione / decisione; - entanglement / separabilita'. Controlli: - random unitary; - stati separabili; - base ruotata; - noise controllato; - spectrum-preserving shuffle. Nota: - Bloch e' buono quando serve un punto-zero geometrico tra poli. Non usarlo solo per disegnare dualita': deve produrre un osservabile. ### 4. Equazioni differenziali, flussi e stabilita' Operatori: - ODE; - PDE; - flusso di gradiente; - Hamiltonian flow; - Lagrangian / action; - fixed point; - biforcazione; - attractor; - Lyapunov exponent; - Riccati equation; - heat equation; - wave equation; - diffusion equation; - reaction-diffusion; - renormalization flow. Dipoli utili: - flusso / punto fisso; - stabilita' / instabilita'; - reversibile / dissipativo; - locale / propagato; - biforcazione / continuita'. Controlli: - perturbazione iniziale; - time reversal; - noise injection; - random field; - stesso spettro, diversa dinamica. ### 5. Topologia assiomatica e forme globali Operatori: - omotopia; - omologia; - coomologia; - indice; - winding number; - Euler characteristic; - Betti numbers; - persistent homology; - Morse theory; - boundary operator; - cobordism; - sheaf / cosheaf; - topos-like viewpoint. Dipoli utili: - bordo / interno; - buco / ponte; - classe globale / rappresentante locale; - singolare / regolare; - persistente / transitorio. Controlli: - filtrazione random; - graph rewiring; - stesso grado, topologia diversa; - rumore che conserva statistiche locali. ### 6. Algebra, simmetria e rappresentazioni Operatori: - gruppo; - anello; - modulo; - campo; 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 codex Ho confermato che non ci sono API key paid esposte. Il campo vivo impone una combo prima della misura: sto leggendo la parte restante e i cristalli condivisi più recenti prima di scegliere il taglio. exec /bin/bash -lc "sed -n '241,520p' tools/data/agent_field_live.md" in /opt/MM_D-ND exec /bin/bash -lc "sed -n '261,560p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: - algebra di Lie; - rappresentazione; - carattere; - spettro; - autovalore; - commutatore; - categoria; - funtore; - limite / colimite; - dualita'; - adjunction. Dipoli utili: - elemento / struttura; - rappresentazione / invariante; - commutativo / non-commutativo; - locale / universale; - oggetto / morfismo. Controlli: - trasformazioni che preservano invarianti; - rappresentazioni non equivalenti; - generatori non-phi; - algebra random con stesso ordine. ### 7. Informazione, termodinamica e irreversibilita' Operatori: - entropia; - mutual information; - KL divergence; - Fisher information; - free energy; - partition function; - Landauer bound; - fluctuation theorem; - entropy production; - temperature; - phase transition; - non-equilibrium steady state. Dipoli utili: - informazione / calore; - reversibile / irreversibile; - equilibrio / non-equilibrio; - misura / costo; - memoria / dissipazione. Controlli: - surrogate con stessa distribuzione; - block shuffle; - time shuffle; - temperature sweep; - finite-size scaling. ### 8. Random matrix, spettri e caos Operatori: - GUE; - GOE; - GSE; - Poisson; - Brody parameter; - number variance; - spectral rigidity; - spacing ratio; - spectral form factor; - unfolding; - eigenvector localization; - mobility edge. Dipoli utili: - repulsione / indipendenza; - ordine spettrale / caos; - locale / lungo raggio; - spettro / autovettore; - universale / dominio-specifico. Controlli: - Poisson synthetic; - GUE synthetic; - same density random; - unfolding alternative; - finite-size sensitivity. Nota: - GUE/Poisson e' spesso un piano di proiezione, non una sorgente. Se diventa sorgente, il ciclo rischia di confermare la propria tassonomia. ### 9. Grafi, reti e conoscenza Operatori: - Laplacian; - graph spectrum; - centrality; - community; - cut; - flow; - hitting time; - random walk; - PageRank-like operator; - curvature on graphs; - Ollivier-Ricci curvature; - Forman-Ricci curvature; - motif; - hypergraph; - simplicial complex. Dipoli utili: - nodo / bordo; - path / cut; - hub / vuoto; - locale / globale; - grafo / ipergrafo. Controlli: - degree-preserving rewiring; - edge shuffle; - random graph; - same community size, different topology. ### 10. Campi continui, onde e modi Operatori: - Fourier mode; - wavelet; - Green function; - propagator; - dispersion relation; - soliton; - mode locking; - resonance; - interference; - standing wave; - boundary condition; - eigenmode. Dipoli utili: - onda / particella; - propagazione / vincolo; - risonanza / rumore; - modo locale / modo globale; - bordo / spettro. Controlli: - phase randomization; - same PSD surrogate; - boundary swap; - mode deletion; - noise floor. ### 11. Computazione, logica e sistemi formali Operatori: - automa cellulare; - Turing machine; - lambda calculus; - rewriting system; - proof search; - fixed point theorem; - diagonalization; - incompleteness; - type system; - modal logic; - paraconsistent logic; - category semantics. Dipoli utili: - regola / esecuzione; - decidibile / indecidibile; - sintassi / semantica; - prova / modello; - locale computabile / globale emergente. Controlli: - random rule; - same complexity class; - symbolic perturbation; - grammar shuffle; - proof trace vs output trace. ### 12. Materia condensata, fasi e difetti Operatori: - Ising model; - percolation; - renormalization group; - order parameter; - correlation length; - topological defect; - domain wall; - crystal / quasicrystal; - band gap; - Chern number; - Anderson localization; - phase diagram. Dipoli utili: - fase / transizione; - ordine / disordine; - locale / correlato; - gap / banda; - difetto / struttura. Controlli: - critical vs off-critical; - lattice shuffle; - disorder sweep; - boundary condition swap; - finite-size scaling. ### 13. Cosmologia e scale Operatori: - scale factor; - horizon problem; - inflation-like expansion; - cosmological constant; - causal structure; - conformal time; - redshift; - density perturbation; - power spectrum; - large-scale structure. Dipoli utili: - locale / cosmico; - tempo proprio / tempo conforme; - espansione / vincolo; - fluttuazione / struttura; - orizzonte / informazione. Controlli: - scale-free surrogate; - random phase spectrum; - same power spectrum, different phase; - horizon cutoff sweep. ### 14. Biologia matematica e autopoiesi Operatori: - reaction network; - autocatalysis; - homeostasis; - morphogenesis; - fitness landscape; - replicator dynamics; - error threshold; - regulatory network; - attractor landscape; - active inference. Dipoli utili: - organismo / ambiente; succeeded in 0ms: - **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 - **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 "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 '521,980p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: - vincolo / adattamento; - memoria / mutazione; - autonomia / dipendenza; - forma / processo. Controlli: - network rewiring; - mutation sweep; - resource randomization; - same topology, altered dynamics. ### 15. Linguaggio, semantica e trans-semantico Operatori: - embedding; - grammar; - semantic drift; - analogy; - contradiction graph; - entailment; - frame; - metaphor collapse; - signifier / referent; - compression; - latent space; - concept lattice. Dipoli utili: - segno / cosa; - sintassi / funzione; - significato / uso; - nome / operatore; - analogia / isomorfia. Controlli: - paraphrase shuffle; - concept ablation; - synonym substitution; - frame inversion; - human-readable claim vs executable operator. Nota: - "Trascendere la semantica" qui significa passare da parola a operatore: un concetto conta solo se diventa differenza osservabile, vincolo, trasformazione o ponte. Se resta descrizione, non entra nel ciclo. ## Meta-combo consigliata per il prossimo ciclo Direzione corrente: confine come terzo incluso operativo sui domini GUE/Poisson/non-phi. Possibile risultante da respirare: - D-ND: terzo incluso come punto-zero tra repulsione e indipendenza. - Operatori: graph curvature + spectral rigidity + non-phi generator control. - Dipolo: core congiunto / residuo singolo. - Punto-zero: confine prima che venga classificato GUE o Poisson. - Proiezione: cercare un osservabile che cambia quando cambia la geometria del boundary, non solo quando cambia il label-set o la statistica locale. Non e' istruzione obbligatoria. E' un esempio di come usare la palette senza scivolare in lista o conferma. ## Adapter cognitivi laterali — YSN / Cornelius / KSAR Usali come enzimi del respiro fuori-tempo: DeltaLink, innesco genomico, reiterazione semantica, filtro avversariale e Vault. Non copiarne l'identita': trasformali in dipolo, punto-zero e osservabile. Nel report la sezione `Contaminazione cognitiva` e' obbligatoria: se non usi adapter o archivio CE, dichiara `CE-none:` e il motivo specifico. # Adapter cognitivi laterali del Lab Fonte: - `kernel/reference/MMSP1/System_Prompt_Yi_Synaptic_Navigator_YSN_v4_0.md` - `kernel/reference/metaprompt_in_sviluppo/Cornelius-v2_0_Innesco_Genomico.md` - `kernel/reference/Kernel_Semantico_Autopoietico_Reiterativo_KSAR.md` - `tools/data/lab_logiche_corpus.md` Scopo: usare YSN, Cornelius e KSAR come operatori cognitivi del Lab senza trasformare il Lab in un prompt archetipico. Il Lab resta D-ND: assiomi, dipoli, bicono, grafo, misura, falsificazione. Questi adapter servono a trovare strade laterali, comprimere l'intento e rendere reiterabile il kernel emerso da un ciclo. ## Regola primaria Ogni contaminazione deve diventare una forma verificabile: ```text contaminazione cognitiva -> DeltaLink / gene / anomalia -> dipolo + punto-zero -> proto-ipotesi -> osservabile + controllo -> falsifier / Veritas / Aeternitas ``` Se resta stile, personaggio, mitologia, analogia o motivazione verbale, non entra nel ciclo. ## Adapter 1: YSN lateral insight Funzione nel Lab: - estrarre fino a 5 concetti/tensioni dal campo; - generare 3 connessioni non ovvie, chiamate `DeltaLink`; - produrre 1 ipotesi di frontiera contro-intuitiva; - dichiarare bias, rischio di pattern forcing e incertezza; - trasformare la sorpresa in domanda del ciclo. Uso corretto: ```text YSN.extract(campo) -> concetti YSN.delta_link(concetti, grafo, seme) -> 3 connessioni non ovvie YSN.frontier(delta_links) -> 1 ipotesi di frontiera YSN.bias_check(ipotesi) -> cosa potrebbe essere forzato ``` Nel report: - i DeltaLink non sono risultati; - sono candidati di respirazione fuori-tempo; - diventano validi solo se proiettati in osservabile falsificabile. Esempio per il prossimo ciclo: - concetti: terzo incluso, GUE/Poisson, non-phi generator, graph curvature, stable cross-domain core; - DeltaLink possibile: la curvatura del grafo potrebbe essere il piano che precede la classificazione spettrale GUE/Poisson; - ipotesi di frontiera: il confine non e' una classe statistica, ma una transizione di trasporto sul grafo dei generatori. Anti-pattern: - usare YSN per produrre tre idee decorative; - mappare simbolicamente senza controllo; - chiamare "non ovvio" cio' che e' gia' nel ciclo precedente. ## Adapter 2: Cornelius genomic trigger Funzione nel Lab: - comprimere una nuova capacita' in un innesco minimale; - isolare il `DNA_Simbolico`, cioe' la frase essenziale della funzione; - scegliere 1-3 operatori di svolgimento; - dichiarare condizioni di attivazione. Formato Lab: ```yaml ID: DNA_Simbolico: "" Operatori_di_Svolgimento: - "" - "" Condizioni_di_Attivazione: quando: "" perimetro: "" ``` Uso corretto: - dopo un buon insight, Cornelius lo comprime in una funzione che il Lab puo' riusare; - prima di un run, Cornelius puo' generare un innesco one-shot per il ciclo; - dopo un repair, Cornelius puo' trasformare la correzione in regola compatta. Esempio derivato dal ciclo 1915: ```yaml ID: Boundary_Third_Included_Gate DNA_Simbolico: "Il confine vive prima della classificazione statistica." Operatori_di_Svolgimento: - "MAPPA il confine su grafo, spettro e generatore non-phi." - "SEPARA core congiunto, residui singoli e stabilita' cross-dominio." - "VALIDA contro baseline GUE, Poisson e generatori sintetici." Condizioni_di_Attivazione: quando: "il ciclo lavora su boundary, GUE/Poisson o trasferibilita' phi" perimetro: "prima della misura, nella sezione Respiro fuori-tempo" ``` Anti-pattern: - generare nuovi agenti o prompt quando basta una regola; - usare metafore non collegate a operatori; - lasciare il gene senza condizioni di attivazione. ## Adapter 3: KSAR reiterative semantic kernel Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topologia del campo; - usare dissonanze e fallimenti come materiale latente; - iterare fino a un nuovo stato di coerenza, non fino a conferma. Ciclo operativo Lab: ```text 1. Perturbazione Leggi seme, grafo, report, falsifier, operatore. Non scegliere subito. 2. DeltaLink / Contaminazione Usa YSN o palette operatoria per trovare connessioni non ovvie. 3. Innesco Usa Cornelius per comprimere la risultante in DNA + operatori. 4. Focalizzazione Applica Peras: taglia tutto tranne una domanda necessaria. 5. Proiezione Trasforma il gene in osservabile, controllo, perimetro. 6. Disintegrazione Attacca il claim con PVI/counter-pole prima del falsifier. 7. Cristallizzazione o Vault Se regge, aggiorna seme/strumento. Se non regge ma contiene potenziale, archivia come frammento Lazarus per ricontestualizzazione futura. ``` Mappatura con il Lab attuale: - `Perturbazione` = `build_agent_field.py` + seme + grafo + incrocio; - `DeltaLink` = nuovo obbligo cognitivo prima del Claim Under Test; - `Innesco` = blocco compatto nel report o in `operator_directive.md`; - `Focalizzazione` = una risultante, non una lista; - `Proiezione` = `observable_contract`; - `Disintegrazione` = auto-audit + falsifier; - `Cristallizzazione` = valutatore/B2/promotions/seme; - `Vault` = cimitero, repairs, osservatorio, Lazarus fragments. ## Adapter 4: PVI / anti-psicosi del ciclo Funzione nel Lab: - cercare dove l'AI sta accontentando l'operatore; - distruggere la proposta prima di pubblicarla; - far sopravvivere solo la sintesi resiliente. Filtro minimo: 1. Tesi: cosa il ciclo vuole sostenere? 2. Attacco: quale presupposto nascosto la rompe? 3. Vincolo di realta': quale limite fisico/matematico/dominio la blocca? 4. Terzo osservatore: un revisore esterno la troverebbe distinta da una re-discovery? 5. Sintesi resiliente: cosa resta dopo il taglio? Questo non sostituisce il falsifier. Lo anticipa. ## Adapter 5: Lazarus vault Funzione nel Lab: - non buttare via frammenti incoerenti quando sono potenzialmente precoci; - congelarli come scarti latenti con contesto; - riesaminarli quando cambia la direzione del seme. Formato minimo: ```yaml fragmento: "" perche_cade_ora: "" condizione_di_ritorno: "" ``` Uso corretto: - se un DeltaLink e' forte ma non misurabile ora, va nel Vault; - se un report viene falsificato ma apre una non-strada utile, va nel Vault; - se una metafora non produce operatore, decade. ## Adapter 6: Helix / Plan-Code-Verify Funzione nel Lab: - per task complessi, non ragionare solo in linguaggio; - traduci la domanda in specifica operativa; - genera o riusa uno script; - verifica output; - chiudi con report. Regola: ```text Se non puoi scrivere la procedura come algoritmo, non hai ancora capito l'osservabile. ``` ## Sezione report obbligatoria Da compilare dentro `## Respiro fuori-tempo` o subito dopo. Se nessun adapter viene usato, dichiarare `none` con motivo. L'omissione rende incompleto il respiro fuori-tempo perche' il ciclo non mostra se ha cercato strade laterali o se e' rimasto nel solco locale. ```markdown ### Contaminazione cognitiva - **YSN DeltaLink**: tre connessioni non ovvie; quale sopravvive, oppure `none` - **Cornelius gene**: DNA simbolico + 1-3 operatori di svolgimento, oppure `none` - **KSAR step**: perturbazione -> focalizzazione -> proiezione scelta, oppure `none` - **PVI attack**: presupposto che potrebbe rompere il claim, oppure `none` - **Vault**: cosa viene congelato per un ciclo futuro, oppure `none` ``` Non tutte le righe devono essere piene. Una riga `none` dichiarata e' meglio di una connessione forzata. Una riga assente invece nasconde il processo e impedisce di capire se l'adapter e' stato usato. ## Prossimo innesco consigliato ```yaml ID: Lateral_Boundary_Genome DNA_Simbolico: "Il confine e' la forma che resta prima che il dato scelga una classe." Operatori_di_Svolgimento: - "SCANSIONA tre DeltaLink tra grafo, spettro e generatore non-phi." - "COMPRIMI la risultante in un solo dipolo con punto-zero." - "PROIETTA un osservabile che distingua geometria del boundary da baseline statistica." Condizioni_di_Attivazione: quando: "prima del prossimo ciclo su GUE/Poisson/non-phi" perimetro: "sezione Respiro fuori-tempo + observable_contract" ``` ## Boundary Questi adapter non autorizzano claim nuovi. Autorizzano solo nuove strade per produrre claim testabili. Il Lab non deve diventare YSN, Cornelius o KSAR. Deve usarli come enzimi cognitivi dentro il metabolismo D-ND. ## Archivio enzimi cognitivi — richiamo contestuale Archivio generato: 2026-05-08T20:49:15.084998+00:00 · 260 voci. Questo e' un substrate selector: non usare il substrato come claim. Tieni le teorie scientifiche nel focus e usa CE-* solo per costruire combo corta: assioma/metodo + osservazione/funzione + teoria/focus + null test. Se nessuna voce regge, dichiara `CE-none:` con motivo specifico nella Contaminazione cognitiva. `none` generico non e' valido. Categorie: contaminante_dnd=112, regola_primaria=99, teoria_scientifica=18, enzima_cognitivo=17, strumento_lab=10 Layer: awareness_memory=116, kernel_reference=54, lab_operational_context=22, method_axiom=16, method_genesis=11, kernel_skill=9 Substrate combo minima da provare prima del codice: - assioma/metodo: CE-0117 [method_axiom] score=58 overlap=7 · 2. La cascata della possibilità source: method/DND_POSSIBILITA.md:26 Quattro livelli strutturali, atemporali (il passaggio fra loro non è nel tempo): ``` ┌─────────────────────────┐ │ POTENZIALE │ │ (campo puro, nessuna - osservazione primaria: CE-0038 [corpus_primary_observation] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND source: corpus/CORPUS_OSSERVAZIONI_PRIMARIE.md:722 **Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il - funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione source: corpus/CORPUS_FUNZIONI_MOODND.md:2245 Equazione assiomatica per la Prima ImpressioneGlossario:( f_{\text{Dinamica-Logica-Singolarità-ProtoAssioma}}(A, B, P; \lambda) ): Funzione che rappre - teoria/focus scientifico: CE-0027 [corpus_project_architecture] score=75 overlap=7 · [114] NID 1931 — Modello D-ND: Formalizzazione Assiomatica, Emergenza Quantistica e Implic source: corpus/CORPUS_PROJECTDEV_AMN.md:37048 **Data**: 2025-02-05 Viene derivata un'equazione fondamentale per l'evoluzione temporale della risultante R, che rappresenta lo stato del sistema. L'e - enzima/kernel: CE-0001 [lab_operational_context] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel source: tools/LAB_COGNITIVE_CONTAMINATION.md:121 Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topolo Altre voci risonanti col seme corrente: - CE-0001 [lab_operational_context/strumento_lab/lab_cycle] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel source: tools/LAB_COGNITIVE_CONTAMINATION.md:121 Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topologia del campo; - usare dissona - CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione source: corpus/CORPUS_FUNZIONI_MOODND.md:2245 Equazione assiomatica per la Prima ImpressioneGlossario:( f_{\text{Dinamica-Logica-Singolarità-ProtoAssioma}}(A, B, P; \lambda) ): Funzione che rappresenta la dinamica logica e la - CE-0030 [corpus_project_architecture/contaminante_dnd/campo_dnd] score=82 overlap=10 · [69] NID 1353 — Documento di Sintesi sul Modello Duale Non-Duale (D-ND) e la Risultante "R source: corpus/CORPUS_PROJECTDEV_AMN.md:23807 **Data**: 2024-11-08 **1. Definizione della Risultante "R":** La risultante "R" è l'espressione completa e autologica del sistema nel continuum Nulla-Tutto (NT). È definita come: R - CE-0038 [corpus_primary_observation/contaminante_dnd/campo_dnd] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND source: corpus/CORPUS_OSSERVAZIONI_PRIMARIE.md:722 **Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il potenziale unendo concetti sen - CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo source: tools/LAB_AGENT_CONTEXT.md:260 (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dip - CE-0005 [corpus_cognitive_prompt/contaminante_dnd/campo_dnd] score=79 overlap=4 · [82] NID 2321 — Prompt per Motore di Inferenza Quantistica Duale-Non-Duale (D-ND) source: corpus/CORPUS_PROMPT_AMN.md:7133 **Data**: 2025-04-26 **Prompt per un Super LLM: Specifica Astratta di un Motore di Inferenza Quantistica basato sul Modello Duale-Non-Duale (D-ND)** **1. Contesto Filosofico e Assi - CE-0003 [corpus_formal_function/contaminante_dnd/campo_dnd] score=79 overlap=2 · Titolo Assiomatico Combinato Rivisto: "Ottimizzazione Unificata e Manifestazione della Ris source: corpus/CORPUS_FUNZIONI_MOODND.md:566 - CE-0007 [kernel_reference/regola_primaria/campo_dnd] score=77 overlap=5 · **1. Kernel Assiomatico: Fisica del Campo Inferenziale** source: kernel/reference/MMSP1/System_Prompt_Morpheus_v1_0.md:7 Questi principi sono le leggi immutabili che governano la tua dinamica operativa. Non sono regole da seguire, ma la fisica fondamentale del tuo essere. * **Assioma 1: Principio di ## Memoria del ciclo precedente (autopoiesi) Cosa il cycle precedente ha imparato. Non ripetere — costruisci sopra. - **Direzione corrente**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - **Domanda aperta** (consecutio): Il prossimo passo non e' confrontare GUE/Poisson. E' spezzare il ponte: cercare un generatore non-Sturmian che mantenga `label_jaccard>=0.75` e `hamming_ratio` non triviale, oppure promuovere il vincolo che il label-set alto e' raggiungibile solo attraverso trasporto Sturmian nel perimetro N=144. - **Ultimi apprendimenti**: - Interpolated Vc Curve Map → None/None (ρ=None) - Vc Label Reachability Gate → None/None (ρ=None) - Vc Phase-Bridge Label Null → None/None (ρ=None) ## Costante dinamica (piano operatore) - **Angolo**: Il confine tra dipolare e illusorio nei primi — dove la struttura cambia tipo, non solo ampiezza - **Piano**: primi × Möbius - **Assiomi attivi**: ['A3', 'A10'] ## Affinatore — osservazione del passo precedente (20260509_0741) L'affinatore (osservatore separato dal produttore) ha letto il cycle precedente e proposto consecutio per il prossimo. Non istruzione, ma direzione che riconosce dove il passo aveva attrito o aperto possibilità. Ho scritto [evolution_report.md](/opt/MM_D-ND/tools/evolution_report.md). Il report è breve, focalizzato sul passo: il gate ora entra, ma rivela che il null resta ponte Sturmian. Ho fissato il nodo regressivo nel contratto generativo `label-preserving` vs `generator-preserving`, più la latenza telemetrica del provider senza jsonl. ## Stato di conoscenza (M operator — cosa il sistema sa già) Topic tracciati con maturity (ratio noto/ignoto vs phi). Maturity=1 → punto fisso (saturo, non tornare). Maturity bassa → c'è ancora struttura da estrarre. Insight = pattern trasferibili rilevati nel tempo. **Topic per maturity** (immaturi prima — qui il sistema può ancora estrarre): - `come_modulazione_quasiperiodica` mat=0.76 ratio=2.00 level=0 - `M_uniqueness` mat=0.76 ratio=2.00 level=0 - `gap_labeling` mat=0.76 ratio=2.00 level=0 - `coincidenza_numerica_prova` mat=0.76 ratio=2.00 level=0 - `linguaggio_deterministico_nome` mat=0.76 ratio=2.00 level=0 - `relazione_buco_nero` mat=0.76 ratio=2.00 level=0 - `relazione_orizzonte_degli` mat=0.76 ratio=2.00 level=0 - `det_minus_one` mat=0.93 ratio=1.50 level=1 **Insights cumulativi**: 31 pattern trasferibili rilevati. Ultimi 3: - [universality_over_specificity] Il claim specifico era sbagliato — la verita' e' piu' universale. Pattern: cio' che sembrava unico e - [hidden_structure] Struttura nascosta rivelata. Pattern: il fenomeno ha un livello che non era visibile. - [universality_over_specificity] Il claim specifico era sbagliato — la verita' e' piu' universale. Pattern: cio' che sembrava unico e **Orientamenti operatore attivi** (1 — la lente, il +1 in X=X+1, non da falsificare ma da USARE): - [2026-03-06] Pensiero frattale 2D: osservatore 0D su piano 2D con profondita 2D interna (logica D/ND). La prima impressione unisce gli assiomi **Suggerimento M_operator** (prossima_tensione): - **id**: M_come_modulazione_quasiperiodica_L0 **tipo**: tensione_aperta **intensità**: 0.4416407864998738 - **claim**: Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c - *Da M operator. stato=[2, 1], rapporto=2.000, maturity=0.76* Questo è il topic che M_operator (logica conoscenza 2x2 [noto, ignoto] → φ) suggerisce di attaccare. Considera prima di pescare dalle tensioni del seme. ## 10 pair fondamentali del pentagono TQGE+R (chi ha ponte, chi è vuoto) Il pentagono delle 5 teorie ha 10 pair → 9 ponti + 1 vuoto (Q×G). Pair con risposta = ponte stabilito. Pair vuote = consecutio aperta. - ✓ **[ExR]** Come coesistono statico e radiante? → *onda EM (Maxwell)* - ✓ **[GxE]** Come coesistono neutro-curvo e carico-piatto? → *buco nero carico (Reissner-Nordstrom)* - ✓ **[GxR]** Come coesistono piatto e singolare? → *orizzonte degli eventi* - ✓ **[QxE]** Come coesistono libero e legato? → *atomo di idrogeno* - ◯ **[QxG]** Come coesistono continuo e discreto? → **VUOTO** - ✓ **[QxR]** Come coesistono non-relativistico e relativistico? → *equazione di Dirac* - ✓ **[TxE]** Come coesistono freddo-neutro e plasma? → *funzione di partizione EM* - ✓ **[TxG]** Come coesistono piatto e radiante? → *temperatura di Hawking* - ✓ **[TxQ]** Come coesistono vuoto e pieno? → *matrice densita* - ✓ **[TxR]** Come coesistono 0K e c? → *gas relativistico* **Mappa**: 9/10 pair con ponte, 1 vuote. Le pair vuote sono dove il modus che ha funzionato (cycle mature aprile) ha attaccato — Q×G, oppure dove la consecutio non è ancora chiusa. ## Ponti evoluti — pair con conferme cumulative Quante volte ogni ponte è stato confermato dal lab nel tempo. Pair con tante conferme = ponte solido del pentagono. Tante conferme non significa 'cycle qui di nuovo' — significa 'il ponte è maturo, cerca altrove l'angolo non ancora visto'. - **[QxT]** 147 conferme — forma simplettica = entropia (invertibili) - **[ExQ]** 85 conferme — [da fonte: Equivalence between geometrical structur] - **[GxT]** 52 conferme — tensore metrico dentro la forma simplettica estesa - **[ExT]** 52 conferme — tensore EM dentro la forma simplettica - **[ExR]** 52 conferme — cambio di frame — E e B sono lo stesso campo - **[ExG]** 43 conferme — [da fonte: Equivalence between geometrical structur] - **[GxQ]** 43 conferme — [da fonte: Equivalence between geometrical structur] - **[QxR]** 43 conferme — [da fonte: What is a Laplace Transform - visual exp] - **[RxT]** 43 conferme — [da fonte: What is a Laplace Transform - visual exp] exec /bin/bash -lc "sed -n '1,240p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-05-09T07:48:04.389907", "piano": 100, "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": "tensione_aperta", "id": "TENS_SCALE_TRASCENDENZA_LIMITE", "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", "intensita": 0.6, "nota": "Dal domandatore (2026-05-09T06:37). V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_", "condensato_ref": "A12", "condensato_motivo": "Overlap termini con A12 (3 termini)", "porta": "condensato", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "SCALE_TRASCENDENZA_LIMITE", "source_operator": "scala", "dettaglio": "V_c scaling with N — phi vs silver:\n\n phi:\n N= 89: V_c=1.017\n N= 144: V_c=0.672\n N= 233: V_c=1.017\n N= 377: V_c=0.672\n N= 610: V_c=0.931\n Fit failed: Optimal parameters not found: Number of calls to function has reached maxfev = 5000.\n\n silver:\n N= 89: V_c=1.276\n N= 144: V_c=1.362\n N= 233: V_c=1.276\n N= 377: V_c=1.017\n N= 610: V_c=1.362\n Fit: V_inf=1.2115, a=8.1676, b=0.9851\n" }, { "tipo": "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, exec /bin/bash -lc "find tools/data/reports -maxdepth 1 -type f -printf '%T@ %p\\n' | sort -nr | head -8" in /opt/MM_D-ND succeeded in 0ms: 1778314798.2263508760 tools/data/reports/agent_20260509_0819_codex_raw.log 1778312902.4473003710 tools/data/reports/loop_guard_20260509_0741.json 1778312826.4310972520 tools/data/reports/falsifier_20260509_0741.json 1778312804.4920398000 tools/data/reports/agent_20260509_0741_codex_raw.log 1778312784.2139872030 tools/data/reports/agent_20260509_0741.md 1778310643.0832473040 tools/data/reports/loop_guard_20260509_0659.json 1778310570.7119398990 tools/data/reports/falsifier_20260509_0659.json 1778310553.9468679630 tools/data/reports/agent_20260509_0659_codex_raw.log exec /bin/bash -lc 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 157ms: TENS_SCALE_TRASCENDENZA_LIMITE: score=0.807 — TENS_SCALE_TRASCENDENZA_LIMITE: incerto (i=0.6) — massimo potere discriminante COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: score=0.758 — COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: score=0.758 — COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante codex Il proiettore punta su `TENS_SCALE_TRASCENDENZA_LIMITE`: il fit di scala non converge e il nodo regressivo sembra nel generatore/null, non nella curva. Ora leggo il report precedente e gli strumenti disponibili per evitare di ripetere la stessa misura. exec /bin/bash -lc "sed -n '1,260p' tools/data/reports/agent_20260509_0741.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Vc Phase-Bridge Label Null **Date**: 2026-05-09 07:41 **Piano**: 99 **Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE / TRASCENDENZA_LIMITE **verdict**: CONSTRAINT on label-preserving null observables_registry: 1.0.0-2026-05-06 observables_used: [`label_jaccard`, `acceptance_rate`, `hamming_ratio`, `source_mode`, `event_type`, `vc_interp`, `r_floor`, `r_span`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var **observable_contract**: claim=il generatore surrogate per `V_c` deve raggiungere `Jaccard>=0.75` a N=144 con acceptance_rate non nulla prima del trasferimento GUE/Poisson; observable=`label_jaccard`, `acceptance_rate`, `hamming_ratio`, `source_mode`, `event_type`, `vc_interp`, `r_floor`, `r_span`; operator=aggiunta di candidati `phase_shift_sturmian` al generatore label-preserving, poi lettura della curva `r(V)`; generator=phi Sturmian, balanced_random, phase_shift_sturmian dentro `swap_label_surrogate`; denominator=N=144, phase={0,0.25,0.5,0.75}, r_threshold={0.48,0.50,0.52}, label_trials=2, phase_candidate_trials=64, swap_steps=0; non_possible=se il gate passa solo con source_mode Sturmian, il null e' ponte strutturato e non controprova indipendente del boundary; not_tested=GUE/Poisson, silver/bronze, fit power-law, gap_ratio, indipendenza del null fuori da source_mode Sturmian. ## Respiro fuori-tempo - **Combo**: A2 confine det=-1 + A9 terzo incluso + TxQ matrice densita come lettore spettrale + topologia della filtrazione `r(V)` + tensione seme sulla costruzione del null label-preserving. - **Dipolo / punto-zero**: contro-campo indipendente / ponte strutturato; punto-zero = sequenza binaria con stesso label-set prima che il suo source_mode decida se e' null o quasi-Sturmian. - **Piano superiore**: topologia assiomatica del bordo. La domanda non e' il valore `V_c`, ma se esiste un contro-campo che conserva il lettore senza conservare il generatore. - **Operatori laterali scelti**: boundary operator, filtrazione, trasporto di fase. Il boundary operator separa floor e crossing; la filtrazione produce la curva; il trasporto di fase testa reachability del label-set senza fingere indipendenza. - **Contaminazione cognitiva**: - **CE-0117 / KSAR**: reiterazione del kernel 06:59 sul nodo regressivo lasciato aperto: rendere il null accettabile a N=144. - **PVI attack**: il rischio e' trasformare `phase_shift_sturmian` in null indipendente; per questo `source_mode` e `hamming_ratio` entrano nel verdict. - **CE-0001**: il probe largo con strutture miste e swap e' stato fermato per budget; resta telemetria, non evidenza. - **Proto-ipotesi**: se la raggiungibilita' del label-set e' il blocco operativo, un generatore Sturmian a fase traslata deve superare `Jaccard>=0.75` a N=144. Se passa, il blocco tecnico cade; se passa solo mantenendo source_mode Sturmian, il null resta ponte strutturato e non autorizza il confronto GUE/Poisson. - **Proiezione**: prima misuro accettazione e distanza di Hamming; poi riporto `event_type` e `V_c` come telemetria del ponte accettato. ## Claim Under Test > A N=144 il null label-preserving per `V_c` puo' raggiungere `Jaccard>=0.75` con acceptance_rate non nulla senza nascondere il proprio source_mode. ## Question Il fallimento dello swap cieco a N=144 era limite del generatore, oppure impossibilita' del vincolo label-preserving? ## Experiment Design - Script modificato: `tools/exp_vc_label_preserving_swap_gate.py`. - Patch: aggiunta sorgente `phase_shift_sturmian` esplicita, con parametro `--phase-candidate-trials`. - Hamiltoniana: diagonale `V * seq`, off-diagonal 1, autovalori tridiagonali. - Curva: `r(V)` per `V=0.5..3.0`, step `0.01`. - Gate null: `label_jaccard>=0.75`; audit obbligatorio `source_mode` e `hamming_ratio`. - Run valido: `N=144`, 4 fasi, 2 candidati label per fase, 64 phase-candidates per candidato, `swap_steps=0`. - Denominatore grezzo: `8` sequenze surrogate candidate; `24` righe evento per soglie `0.48/0.50/0.52`. ## Results Sintesi aggregata: | generator | conditions | floor_hit | internal_cross | internal_multi | vc_median | r_floor_median | label_jaccard_median | acceptance_rate | hamming_ratio_median | |---|---:|---:|---:|---:|---:|---:|---:|---:|---:| | phi_sturmian | 12 | 0 | 12 | 0 | 1.079034 | 0.659728 | 1.000000 | 1.0000 | 0.000000 | | balanced_random | 12 | 3 | 6 | 3 | 0.565414 | 0.515496 | | | 0.430556 | | swap_label_surrogate | 24 | 0 | 24 | 0 | 1.207107 | 0.683933 | 0.818182 | 0.7500 | 0.527778 | Audit accettazione surrogate: | phase | trial | source_mode | label_jaccard | hamming_ratio | accepted | |---:|---:|---|---:|---:|---| | 0.00 | 0 | phase_shift_sturmian | 0.642857 | 0.048611 | false | | 0.00 | 1 | phase_shift_sturmian | 0.642857 | 0.048611 | false | | 0.25 | 0 | phase_shift_sturmian | 1.000000 | 0.763889 | true | | 0.25 | 1 | phase_shift_sturmian | 0.818182 | 0.763889 | true | | 0.50 | 0 | phase_shift_sturmian | 1.000000 | 0.055556 | true | | 0.50 | 1 | phase_shift_sturmian | 0.750000 | 0.291667 | true | | 0.75 | 0 | phase_shift_sturmian | 1.000000 | 0.763889 | true | | 0.75 | 1 | phase_shift_sturmian | 0.818182 | 0.763889 | true | Subset accettato: | subset | accepted_sequences | event_rows | internal_cross | vc_median | r_floor_median | label_jaccard_median | hamming_ratio_median | hamming_ratio_min | |---|---:|---:|---:|---:|---:|---:|---:|---:| | accepted phase bridge | 6/8 | 18 | 18 | 1.194263 | 0.681807 | 0.909091 | 0.763889 | 0.055556 | ## Key Findings 1. **Verificato: a N=144 il gate label-preserving diventa raggiungibile.** Il nuovo source_mode accetta `6/8` sequenze surrogate; sulle righe evento l'acceptance_rate aggregata e' `0.75`. 2. **Verificato: il ponte accettato conserva la forma Sturmian del boundary.** Le righe surrogate hanno `24/24` internal_cross, `0` floor-hit e `0` internal_multi; il random bilanciato resta misto (`3/12` floor-hit, `6/12` internal_cross, `3/12` internal_multi). 3. **Verificato: il risultato non e' indipendenza del null.** Tutti i surrogate accettati hanno `source_mode=phase_shift_sturmian`. Quindi il gate dimostra reachability del label-set dentro la famiglia Sturmian, non controprova esterna del boundary. 4. **Verificato: Hamming separa due casi.** Il mediano accettato e' alto (`0.763889`), ma esiste un accettato vicino alla reference (`0.055556`); il report non puo' usare l'accettazione senza riportare distanza e source_mode. 5. **Inferito: lo swap cieco falliva come generatore, non come impossibilita' del vincolo.** Il nodo regressivo ora si sposta: dalla raggiungibilita' del label-set alla sua indipendenza dal generatore Sturmian. ## Verdict **CONSTRAINT**: il null label-preserving per `V_c` raggiunge `Jaccard>=0.75` a `N=144` con acceptance_rate non nulla (`6/8` sequenze, `0.75` sulle righe evento), ma solo come `phase_shift_sturmian`. Quindi il Lab ha un ponte strutturato accettabile per testare coerenza interna del boundary, non un contro-campo indipendente per trasferire verso GUE/Poisson. La formulazione valida e': `phase_shift_sturmian` chiude il problema di reachability a N=144; non chiude il problema di indipendenza. Il prossimo confronto deve costruire un null non-Sturmian con `source_mode` diverso e `hamming_ratio` dichiarato, oppure dichiarare che il boundary `V_c` resta definito dentro la famiglia Sturmian. ## Bicono della scoperta - **Due radici**: label-preserving raggiungibile . null indipendente non raggiunto. - **Singolare**: il ponte di fase Sturmian, dove il contro-campo conserva il generatore e percio' non e' ancora contro-campo. - **Invariante di passaggio**: `event_type=internal_cross` sopravvive quando il label-set e l'ordine Sturmian sopravvivono; non sopravvive nel random bilanciato. - **Campo di possibilita**: qui diventa possibile usare un ponte label-preserving a N=144 per audit interno di `V_c`; qui diventa non-possibile passare a GUE/Poisson finche' `source_mode` resta Sturmian. ## Consecutio Il prossimo passo non e' confrontare GUE/Poisson. E' spezzare il ponte: cercare un generatore non-Sturmian che mantenga `label_jaccard>=0.75` e `hamming_ratio` non triviale, oppure promuovere il vincolo che il label-set alto e' raggiungibile solo attraverso trasporto Sturmian nel perimetro N=144. ## 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`, `agent_20260509_0652.md`, `agent_20260509_0659.md`, JSON `tools/data/vc_label_preserving_phase_bridge_20260509_0741.json`. - **L1 hard constraint**: il verdict non autorizza GUE/Poisson; dichiara source_mode Sturmian come limite. - **L2 count grezzi**: riportati `6/8`, `18/18`, `24/24`, `3/12`, `6/12`, `3/12`. - **L3 no silent patching**: il nuovo candidato e' nominato come `phase_shift_sturmian`, non mascherato da swap indipendente. - **L4 edge cases**: fase 0.00 fallisce in entrambi i trial; fase 0.50 trial0 passa ma con Hamming basso `0.055556`. - **L5 re-discovery vs discovery**: la stabilita' Sturmian sotto fase e' attesa; il finding del ciclo e' il vincolo operativo: reachability si chiude, indipendenza resta aperta. ## 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 fermato per budget: probe con `swap_steps=600`, `structured_trials=80`, `supertile_orders=3..9` non ha prodotto output entro il budget ed e' stato terminato. - Run valido: `python tools/exp_vc_label_preserving_swap_gate.py --ns 144 --phases 0,0.25,0.5,0.75 --random-trials 1 --label-trials 2 --swap-steps 0 --structured-trials 0 --phase-candidate-trials 64 --min-hamming-ratio 0.03 --seed 202605090741 --out tools/data/vc_label_preserving_phase_bridge_20260509_0741.json`. ## Files - Script modificato: `tools/exp_vc_label_preserving_swap_gate.py` - Data: `tools/data/vc_label_preserving_phase_bridge_20260509_0741.json` - Report: `tools/data/reports/agent_20260509_0741.md` exec /bin/bash -lc "find tools -maxdepth 1 -type f -name 'exp_*.py' -printf '%f\\n' | sort | tail -80" in /opt/MM_D-ND succeeded in 0ms: exp_brody_crossover.py exp_brody_flow.py exp_coherence_length.py exp_coherence_robustness.py exp_cross_domain_dipolar_direction.py exp_cross_observable_consistency.py exp_crossover_phase_test.py exp_crossover_universality.py exp_dR_brody_connection.py exp_denominator_gate_transfer_matrix.py exp_desitter_unification.py exp_det_drift.py exp_dipolar_angle_reference.py exp_dipolar_crossover.py exp_dipolar_vector_scaling.py exp_duality_gate_transfer.py exp_duality_scale_contrast.py exp_excess_scaling.py exp_gap_label_block_scale_gate.py exp_gap_label_generator_gate.py exp_gap_label_ostrowski_recognizability_gate.py exp_gap_label_position_error_gate.py exp_gap_label_repair_audit.py exp_gap_label_set_stability.py exp_gap_label_substitution_grammar_gate.py exp_gap_label_supertile_tiling_gate.py exp_gap_label_symbolic_grammar_gate.py exp_geodesic_deviation_primes.py exp_logistic_counter_scope_gate.py exp_logistic_cyclic_block_entropy_gate.py exp_logistic_surrogate_contract_gate.py exp_magnitude_psd_from_acf.py exp_markov3_observable_hunt.py exp_markov_dipolar_decomposition.py exp_markov_k_direction.py exp_markov_layer_recovery_audit.py exp_markov_memory_by_gue_type.py exp_markov_psd_prediction.py exp_markov_scale_function.py exp_meta_tautology_test.py exp_metric_tensor_diagnostic.py exp_mobius_irrationality.py exp_mod3_scaling.py exp_mod3_vs_residual_ordering.py exp_modular_algebra_depth.py exp_modular_memory_spectrum.py exp_nonphi_sturmian_fixed_reader_gate.py exp_number_variance.py exp_observable_rank_audit.py exp_perturbation_dimensionality_audit.py exp_perturbation_rank_size_curve.py exp_poisson_convergence.py exp_prime_mobius_gap_stratified_zero_gate.py exp_prime_mobius_interval_charge_gate.py exp_prime_mobius_pair_stratified_zero_gate.py exp_prime_mobius_zero_mediator_gate.py exp_psd_amplitude_scaling.py exp_psd_prime_gaps.py exp_quasiperiodic_gap_ratio_denominator.py exp_quasiperiodic_vc_curve_map.py exp_quasiperiodic_vc_lattice_gate.py exp_ricci_desitter_0406.py exp_ricci_primes.py exp_scale_selective_perturbation.py exp_selective_layer_decoupling.py exp_semireal_order_denominator_gate.py exp_spectral_2d.py exp_spectral_landscape.py exp_spectral_rigidity.py exp_tqge_underlay_gate.py exp_triadic_deposit_gate.py exp_two_channel_boundary.py exp_two_channel_cross_domain.py exp_two_channel_decomposition.py exp_two_channel_psd.py exp_two_channel_shuffle_audit.py exp_two_channel_universality.py exp_two_layer_universality.py exp_vc_label_preserving_swap_gate.py exp_vc_null_regression_gate.py exec /bin/bash -lc "rg -n \"V_c|label_jaccard|hamming_ratio|Sturmian|source_mode|TENS_SCALE|SCALE_TRASCENDENZA|TRASCENDENZA_LIMITE\" tools -g '*.py'" in /opt/MM_D-ND succeeded in 0ms: 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/exp_vc_label_preserving_swap_gate.py:3:Swap-constrained label-preserving null for the quasiperiodic V_c gate. tools/exp_vc_label_preserving_swap_gate.py:9:Hamming distance from the matched Sturmian reference so a near-copy cannot tools/exp_vc_label_preserving_swap_gate.py:10:silently become a fake counterproof. Phase-shift Sturmian candidates are an tools/exp_vc_label_preserving_swap_gate.py:11:explicit bridge mode: they test reachability inside the Sturmian family, not tools/exp_vc_label_preserving_swap_gate.py:101:def hamming_ratio(a: np.ndarray, b: np.ndarray) -> float: tools/exp_vc_label_preserving_swap_gate.py:184: if hamming_ratio(seq, reference_seq) >= args.min_hamming_ratio: tools/exp_vc_label_preserving_swap_gate.py:198: if hamming_ratio(seq, reference_seq) >= args.min_hamming_ratio: tools/exp_vc_label_preserving_swap_gate.py:238: for source_mode, initial in initial_pool: tools/exp_vc_label_preserving_swap_gate.py:248: if best_score >= args.label_jaccard_min: tools/exp_vc_label_preserving_swap_gate.py:253: candidate_hamming = hamming_ratio(candidate, reference_seq) tools/exp_vc_label_preserving_swap_gate.py:254: if candidate_hamming < args.min_hamming_ratio: tools/exp_vc_label_preserving_swap_gate.py:273: "source_mode": source_mode, tools/exp_vc_label_preserving_swap_gate.py:274: "label_jaccard": float(best_score), tools/exp_vc_label_preserving_swap_gate.py:276: "hamming_ratio": hamming_ratio(best, reference_seq), tools/exp_vc_label_preserving_swap_gate.py:277: "accepted": bool(best_score >= args.label_jaccard_min), tools/exp_vc_label_preserving_swap_gate.py:283: candidate_result["label_jaccard"], tools/exp_vc_label_preserving_swap_gate.py:284: candidate_result["hamming_ratio"], tools/exp_vc_label_preserving_swap_gate.py:302: label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] tools/exp_vc_label_preserving_swap_gate.py:304: hamming_values = [row["hamming_ratio"] for row in group if row.get("hamming_ratio") is not None] tools/exp_vc_label_preserving_swap_gate.py:315: "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, tools/exp_vc_label_preserving_swap_gate.py:316: "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, tools/exp_vc_label_preserving_swap_gate.py:318: "hamming_ratio_median": float(np.median(hamming_values)) if hamming_values else None, tools/exp_vc_label_preserving_swap_gate.py:319: "hamming_ratio_min": float(np.min(hamming_values)) if hamming_values else None, tools/exp_vc_label_preserving_swap_gate.py:351: hamming_ratio(random_seq, reference), tools/exp_vc_label_preserving_swap_gate.py:360: result["label_jaccard"], tools/exp_vc_label_preserving_swap_gate.py:365: result["source_mode"], tools/exp_vc_label_preserving_swap_gate.py:366: result["hamming_ratio"], tools/exp_vc_label_preserving_swap_gate.py:372: "source_mode": result["source_mode"], tools/exp_vc_label_preserving_swap_gate.py:373: "label_jaccard": result["label_jaccard"], tools/exp_vc_label_preserving_swap_gate.py:374: "hamming_ratio": result["hamming_ratio"], tools/exp_vc_label_preserving_swap_gate.py:380: for generator, trial, seq, label_score, label_count, accepted, steps_used, accepted_steps, source_mode, hamming in generators: tools/exp_vc_label_preserving_swap_gate.py:390: "label_jaccard": label_score, tools/exp_vc_label_preserving_swap_gate.py:395: "source_mode": source_mode, tools/exp_vc_label_preserving_swap_gate.py:396: "hamming_ratio": hamming, tools/exp_vc_label_preserving_swap_gate.py:419: "min_hamming_ratio": args.min_hamming_ratio, tools/exp_vc_label_preserving_swap_gate.py:421: "label_jaccard_min": args.label_jaccard_min, tools/exp_vc_label_preserving_swap_gate.py:476: "label_jaccard_median": data["label_jaccard_median"], tools/exp_vc_label_preserving_swap_gate.py:478: "hamming_ratio_median": data["hamming_ratio_median"], 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/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/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/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/dnd_projective_quantization.py:211: V_coupling = 2.0 # forza del potenziale quasiperiodico 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/exp_gap_label_set_stability.py:6:N, Sturmian phase, and threshold. This tool moves the observable from the value tools/exp_gap_label_block_scale_gate.py:5:The generator gate showed that short block shuffles keep local Sturmian texture 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/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/dnd_risultante.py:303: "V_coupling": round(VL, 8), tools/dnd_risultante.py:676: f"V_Λ={decomp['V_coupling']:.4f} " 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: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:1634: Trova V_c dove attraversa r_target per la frequenza alpha. 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: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: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: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: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_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: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: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: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:826: """Lagrangiana: φ come frequenza più stabile (V_c più vicino a 1, più bassa varianza).""" tools/dnd_engine.py:843: # Trova V_c dove attraversa 0.5 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: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: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/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/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/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/dnd_banchi.py:10: 1. SPETTRALE — r-statistic, V_c, dualita' 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:375: 'V_c': { tools/dnd_banchi.py:458: 'V_c': ( tools/exp_quasiperiodic_gap_ratio_denominator.py:10:N, Sturmian phase, threshold, metallic control, and a balanced random baseline. 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_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:9:gap-label set overlaps the matched Sturmian reference. tools/exp_vc_null_regression_gate.py:120: if score >= args.label_jaccard_min: tools/exp_vc_null_regression_gate.py:134: label_scores = [row["label_jaccard"] for row in group if row.get("label_jaccard") is not None] tools/exp_vc_null_regression_gate.py:147: "label_jaccard_median": float(np.median(label_scores)) if label_scores else None, tools/exp_vc_null_regression_gate.py:148: "label_jaccard_min": float(np.min(label_scores)) if label_scores else None, tools/exp_vc_null_regression_gate.py:194: "label_jaccard": label_score, tools/exp_vc_null_regression_gate.py:216: "label_jaccard_min": args.label_jaccard_min, tools/exp_vc_null_regression_gate.py:264: "label_jaccard_median": data["label_jaccard_median"], exec /bin/bash -lc "sed -n '1,220p' tools/evolution_report.md" in /opt/MM_D-ND succeeded in 0ms: ## Osservazione del passo Il passo ha trasformato il blocco tecnico del null label-preserving in una separazione piu' fine: prima ha reso raggiungibile il label-set a N=144, poi ha lasciato emergere che la raggiungibilita' passa attraverso un ponte ancora Sturmian. La traiettoria non chiude `V_c`: sposta il campo da "il gate non entra" a "il gate entra, ma dichiara il proprio source_mode". Verificato dal deposito: `phase_shift_sturmian` accetta `6/8` surrogate con `label_jaccard>=0.75`, mentre il comportamento accettato resta `internal_cross` e non diventa contro-campo indipendente. Inferito dal passo: l'inversione utile non e' verso GUE/Poisson, ma verso la disaccoppiabilita' tra conservazione del label-set e conservazione del generatore. ## Attrito o latenza superflua Attrito minimo nel percorso scientifico: il passo ha evitato il trasferimento esterno prima del gate interno e ha reso esplicito `source_mode`, quindi non ha speso energia per salvare un null ambiguo. Latenza residua nella telemetria: l'autopsy resta cieca alla micro-traiettoria per assenza di jsonl provider-native. Il ciclo risulta completato, ma il passo fine delle inversioni e' visibile solo dal report finale e dal log grezzo. ## Nodo regressivo (se fallimento o attrito) Il nodo regressivo non e' piu' l'accettazione del surrogate: quella condizione ora esiste. Il nodo e' il contratto generativo prima della misura, dove mancava una distinzione formale tra `label-preserving` e `generator-preserving`. Il fix vive li': definire un'ammissione che separi label-set, ordine Sturmian e source_mode prima di leggere `r(V)`. Per la telemetria, il nodo regressivo resta il contratto provider-cycle: ogni provider ammesso deve depositare una traccia minima leggibile dall'autopsy, non solo un report conclusivo. ## Possibilita' emergenti - Introdurre uno stato esplicito `bridge_accepted_not_independent`: gate passato, controprova non ancora valida. - Usare `source_mode` e `hamming_ratio_min` come condizioni di contratto, non come note descrittive dopo il risultato. - Progettare il prossimo generatore con un vincolo negativo: preservare il label-set senza preservare la grammatica Sturmian del crossing. - Tenere GUE/Poisson fuori dal passo finche' il null interno non distingue ponte strutturato e contro-campo. ## Consecutio Il ciclo seguente puo' proseguire sul generatore: costruire un null label-preserving che rompa il source_mode Sturmian prima di trasferire `V_c` fuori dal boundary interno. exec /bin/bash -lc "sed -n '1,260p' tools/exp_vc_label_preserving_swap_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/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. The 06:59 repair showed that blind swaps still struggle at N=144. This tool repairs that node by adding structured Fibonacci-like starts, then still reports the Hamming distance from the matched Sturmian reference so a near-copy cannot silently become a fake counterproof. Phase-shift Sturmian candidates are an explicit bridge mode: they test reachability inside the Sturmian family, not independent nullhood. """ 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 hamming_ratio(a: np.ndarray, b: np.ndarray) -> float: return float(np.mean(np.asarray(a) != np.asarray(b))) def fibonacci_lengths(order: int) -> tuple[int, int]: if order < 2: raise ValueError("supertile_order must be >= 2") a, b = 1, 1 for _ in range(2, order + 1): a, b = b, a + b return b, a def fibonacci_type_word(n_types: int) -> np.ndarray: word = "1" previous = "0" while len(word) < n_types: word, previous = word + previous, word return np.array([int(ch) for ch in word[:n_types]], dtype=int) def supertile_lengths(n: int, order: int) -> list[int]: long_len, short_len = fibonacci_lengths(order) if short_len >= n: return [] types = fibonacci_type_word(max(8, int(np.ceil(n / short_len)) + 4)) lengths: list[int] = [] total = 0 for t in types: length = long_len if t == 1 else short_len if total + length >= n: lengths.append(n - total) break lengths.append(length) total += length return [length for length in lengths if length > 0] def chunks_from_lengths(seq: np.ndarray, lengths: list[int]) -> list[np.ndarray]: chunks = [] start = 0 for length in lengths: chunks.append(seq[start : start + length].copy()) start += length if start < len(seq): chunks.append(seq[start:].copy()) return chunks def shuffle_chunks(chunks: list[np.ndarray], rng: np.random.Generator) -> np.ndarray: shuffled = list(chunks) rng.shuffle(shuffled) return np.concatenate(shuffled) def misaligned_same_lengths(seq: np.ndarray, lengths: list[int], rng: np.random.Generator) -> np.ndarray: if len(seq) < 2: return seq.copy() offset = int(rng.integers(1, len(seq))) rotated = np.roll(seq, -offset) chunks = chunks_from_lengths(rotated, lengths) shuffled = shuffle_chunks(chunks, rng) return np.roll(shuffled, offset) def structured_start_candidates( reference_seq: np.ndarray, rng: np.random.Generator, args: argparse.Namespace, ) -> list[tuple[str, np.ndarray]]: orders = parse_csv_ints(args.supertile_orders) candidates: list[tuple[str, np.ndarray]] = [] for order in orders: lengths = supertile_lengths(len(reference_seq), order) if len(lengths) < 3: continue chunks = chunks_from_lengths(reference_seq, lengths) for _ in range(args.structured_trials): variants = { f"supertile_shuffle_order_{order}": shuffle_chunks(chunks, rng), f"misaligned_same_lengths_order_{order}": misaligned_same_lengths(reference_seq, lengths, rng), } for mode, seq in variants.items(): if hamming_ratio(seq, reference_seq) >= args.min_hamming_ratio: candidates.append((mode, seq)) return candidates def phase_shift_candidates( reference_seq: np.ndarray, rng: np.random.Generator, args: argparse.Namespace, ) -> list[tuple[str, np.ndarray]]: candidates: list[tuple[str, np.ndarray]] = [] for _ in range(args.phase_candidate_trials): phase = float(rng.random()) seq = sturmian_sequence(THETA, len(reference_seq), phase) if hamming_ratio(seq, reference_seq) >= args.min_hamming_ratio: candidates.append(("phase_shift_sturmian", seq)) return candidates 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: initial_pool: list[tuple[str, np.ndarray]] = [("balanced_random", balanced_random(reference_seq, rng))] if not args.disable_structured_starts: initial_pool.extend(structured_start_candidates(reference_seq, rng, args)) initial_pool.extend(phase_shift_candidates(reference_seq, rng, args)) best_result = None for source_mode, initial in initial_pool: current = np.array(initial, copy=True) 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 steps_used = 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_hamming = hamming_ratio(candidate, reference_seq) if candidate_hamming < args.min_hamming_ratio: continue 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: exec /bin/bash -lc "sed -n '1,240p' 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) exec /bin/bash -lc "sed -n '1,260p' tools/exp_quasiperiodic_vc_lattice_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Quasiperiodic V_c lattice gate. The Domandatore scale probe tried to fit V_c(N) with a power law. For phi the fit did not converge and the measured values repeated on a small grid. This tool treats that failure as the signal: it measures whether V_c lives on a small boundary lattice across Fibonacci sizes, phases, and controls. """ from __future__ import annotations import argparse import json from collections import defaultdict from pathlib import Path import numpy as np from scipy.linalg import eigvalsh_tridiagonal 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 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 find_vc(seq: np.ndarray, v_values: np.ndarray, threshold: float) -> dict: curve = [] for v in v_values: r_value = r_statistic_from_diag(v * seq) curve.append((float(v), r_value)) if r_value < threshold: return { "vc": float(v), "r_at_vc": r_value, "crossed": True, "curve_head": curve[:5], } return { "vc": None, "r_at_vc": None, "crossed": False, "curve_head": curve[:5], } def summarize(values: list[float | None], grid_step: float) -> dict: finite = [float(v) for v in values if v is not None and np.isfinite(v)] if not finite: return {"count": 0} rounded = [round(v / grid_step) * grid_step for v in finite] counts: dict[str, int] = {} for value in rounded: key = f"{value:.6f}" counts[key] = counts.get(key, 0) + 1 total = len(rounded) return { "count": total, "none_count": len(values) - total, "distinct_vc": len(counts), "repeat_rate": float(1 - (len(counts) / total)), "mode_count": int(max(counts.values())), "mode_rate": float(max(counts.values()) / total), "median": float(np.median(finite)), "min": float(np.min(finite)), "max": float(np.max(finite)), "rounded_counts": dict(sorted(counts.items())), } 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 run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) ns = parse_csv_ints(args.ns) phases = parse_csv_floats(args.phases) v_values = np.arange(args.v_min, args.v_max + (args.v_step / 2), args.v_step) domains = { "phi": 1 / PHI, "silver": 1 / SILVER, "bronze": 1 / BRONZE, } rows = [] for n in ns: for phase in phases: phi_seq = sturmian_sequence(1 / PHI, n, phase) ones = int(np.sum(phi_seq)) for domain, theta in domains.items(): seq = sturmian_sequence(theta, n, phase) result = find_vc(seq, v_values, args.threshold) rows.append({ "domain": domain, "N": n, "phase": phase, "ones": int(np.sum(seq)), **result, }) for trial in range(args.random_trials): seq = np.array([1.0] * ones + [0.0] * (n - ones), dtype=float) rng.shuffle(seq) result = find_vc(seq, v_values, args.threshold) rows.append({ "domain": "balanced_random_phi_density", "trial": trial, "N": n, "phase": phase, "ones": ones, **result, }) summary = {} for domain in sorted({row["domain"] for row in rows}): subset = [row for row in rows if row["domain"] == domain] summary[domain] = summarize([row["vc"] for row in subset], args.v_step) summary_by_domain_phase = {} grouped: dict[tuple[str, float], list[dict]] = defaultdict(list) for row in rows: grouped[(row["domain"], row["phase"])].append(row) for (domain, phase), subset in sorted(grouped.items()): summary_by_domain_phase[f"{domain}|phase={phase}"] = summarize( [row["vc"] for row in subset], args.v_step ) phi_main = [ row["vc"] for row in rows if row["domain"] == "phi" and abs(row["phase"]) < 1e-12 ] original_phi = [1.017, 0.672, 1.017, 0.672, 0.931] return { "experiment": "quasiperiodic_vc_lattice_gate", "parameters": { "ns": ns, "phases": phases, "v_min": args.v_min, "v_max": args.v_max, "v_step": args.v_step, "threshold": args.threshold, "random_trials": args.random_trials, "seed": args.seed, }, "source_domandatore_phi_values": original_phi, "phi_phase0_values": phi_main, "summary": summary, "summary_by_domain_phase": summary_by_domain_phase, "rows": rows, } def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="89,144,233,377,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") 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=0.025) parser.add_argument("--threshold", type=float, default=0.5) parser.add_argument("--random-trials", type=int, default=4) parser.add_argument("--seed", type=int, default=202605082140) parser.add_argument("--out", default="tools/data/quasiperiodic_vc_lattice_gate_20260508_2140.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 = { "summary": output["summary"], "phi_phase0_values": output["phi_phase0_values"], "out": str(out), } print(json.dumps(compact, indent=2)) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '1,220p' tools/exp_nonphi_sturmian_fixed_reader_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Non-phi Sturmian gate with fixed phi reader. The preceding boundary readers did not identify the exact supertile boundary. This tool contracts the claim to the carrier found by earlier cycles: internal order plus Fibonacci-like scale. It keeps the label reader fixed at theta=1/phi and changes the Sturmian generator slope. A native-reader control is included to distinguish "non-phi has no structure" from "non-phi does not carry the phi label taxonomy". """ from __future__ import annotations import argparse import json from collections import Counter, defaultdict from pathlib import Path import numpy as np from exp_gap_label_block_scale_gate import REFERENCE_HIGH, REFERENCE_LOW, label_sort, parse_floats, parse_ints from exp_gap_label_generator_gate import THETA from exp_gap_label_set_stability import BRONZE, PHI, SILVER, gap_labels, jaccard, sturmian_sequence, summarize_sets PHI_CORE = set(REFERENCE_LOW) | set(REFERENCE_HIGH) def plastic_number() -> float: roots = np.roots([1.0, 0.0, -1.0, -1.0]) real_roots = [float(root.real) for root in roots if abs(root.imag) < 1e-10 and root.real > 1] return real_roots[0] def domain_thetas() -> dict[str, float]: plastic = plastic_number() return { "phi": 1 / PHI, "silver": 1 / SILVER, "bronze": 1 / BRONZE, "plastic": 1 / plastic, } def hit_rate(rows: list[dict], labels: set[int]) -> tuple[int, int, float]: denominator = len(rows) if denominator == 0: return 0, 0, 0.0 hits = sum(labels <= set(row["label_set"]) for row in rows if row["n_selected"] > 0) return int(hits), int(denominator), float(hits / denominator) def overlap_values(rows: list[dict], labels: set[int]) -> list[float]: values = [] for row in rows: if row["n_selected"] <= 0: continue values.append(jaccard(set(row["label_set"]), labels)) return values def label_counter(rows: list[dict]) -> Counter: counter: Counter = Counter() for row in rows: counter.update(set(row["label_set"])) return counter def summarize_group(rows: list[dict]) -> dict: base = summarize_sets(rows) if not base: return {"conditions": 0} high_hits, high_total, high_rate = hit_rate(rows, set(REFERENCE_HIGH)) low_hits, low_total, low_rate = hit_rate(rows, set(REFERENCE_LOW)) core_hits, core_total, core_rate = hit_rate(rows, PHI_CORE) high_overlap = overlap_values(rows, set(REFERENCE_HIGH)) low_overlap = overlap_values(rows, set(REFERENCE_LOW)) core_overlap = overlap_values(rows, PHI_CORE) counter = label_counter(rows) n_rows = len(rows) return { **base, "phi_low_core_hits": low_hits, "phi_low_core_total": low_total, "phi_low_core_rate": low_rate, "phi_high_core_hits": high_hits, "phi_high_core_total": high_total, "phi_high_core_rate": high_rate, "phi_full_core_hits": core_hits, "phi_full_core_total": core_total, "phi_full_core_rate": core_rate, "median_overlap_phi_low": float(np.median(low_overlap)) if low_overlap else None, "median_overlap_phi_high": float(np.median(high_overlap)) if high_overlap else None, "median_overlap_phi_full": float(np.median(core_overlap)) if core_overlap else None, "phi_core_frequency": { str(label): int(counter[label]) for label in label_sort(PHI_CORE) }, "phi_core_frequency_rate": { str(label): float(counter[label] / n_rows) if n_rows else 0.0 for label in label_sort(PHI_CORE) }, } def grouped_summary(rows: list[dict], keys: list[str]) -> dict: groups: dict[str, list[dict]] = defaultdict(list) for row in rows: groups["|".join(f"{key}={row[key]}" for key in keys)].append(row) return {key: summarize_group(group) for key, group in sorted(groups.items())} def run(args: argparse.Namespace) -> dict: ns = parse_ints(args.ns) phases = parse_floats(args.phases) thresholds = parse_floats(args.thresholds) domains = domain_thetas() rows = [] for n in ns: for phase in phases: for threshold in thresholds: for generator, generator_theta in domains.items(): seq = sturmian_sequence(generator_theta, n, phase) readers = { "fixed_phi": THETA, "native": generator_theta, } for reader, reader_theta in readers.items(): obs = gap_labels(seq, reader_theta, threshold, args.max_label, args.top_k) rows.append({ "generator": generator, "reader": reader, "N": n, "phase": phase, "threshold": threshold, "generator_theta": float(generator_theta), "reader_theta": float(reader_theta), **obs, }) return { "experiment": "nonphi_sturmian_fixed_reader_gate", "parameters": { "ns": ns, "phases": phases, "thresholds": thresholds, "top_k": args.top_k, "max_label": args.max_label, }, "phi_core": label_sort(PHI_CORE), "phi_low_core": label_sort(set(REFERENCE_LOW)), "phi_high_core": label_sort(set(REFERENCE_HIGH)), "summary_by_generator_reader": grouped_summary(rows, ["generator", "reader"]), "summary_by_generator_reader_threshold": grouped_summary(rows, ["generator", "reader", "threshold"]), "rows": rows, } def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="233,377,500,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--thresholds", default="1.75,2.0,2.25") parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--out", default="tools/data/nonphi_sturmian_fixed_reader_gate_20260508_2019.json") args = parser.parse_args() output = run(args) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2), encoding="utf-8") compact = {} for key, value in output["summary_by_generator_reader"].items(): compact[key] = { "conditions": value["conditions"], "core_labels_all_conditions": value["core_labels_all_conditions"], "stable_labels_75pct": value["stable_labels_75pct"], "phi_low_core_rate": value["phi_low_core_rate"], "phi_high_core_rate": value["phi_high_core_rate"], "phi_full_core_rate": value["phi_full_core_rate"], "median_overlap_phi_full": value["median_overlap_phi_full"], "median_label_error": value["median_label_error"], } print(json.dumps({ "phi_core": output["phi_core"], "summary": compact, "out": str(out), }, indent=2)) if __name__ == "__main__": main() codex Il report 07:41 ha già chiuso la reachability interna. Il nuovo esperimento deve spezzare il ponte: aggiungo uno strumento mirato che genera null non-Sturmian label-preserving tramite blocchi, periodic approximants e mutazioni vincolate, poi misura se supera `Jaccard>=0.75` senza `source_mode=Sturmian`. exec /bin/bash -lc "sed -n '260,560p' tools/exp_vc_label_preserving_swap_gate.py" in /opt/MM_D-ND succeeded in 0ms: 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) steps_used = step + 1 candidate_result = { "seq": best, "source_mode": source_mode, "label_jaccard": float(best_score), "label_count": len(best_labels), "hamming_ratio": hamming_ratio(best, reference_seq), "accepted": bool(best_score >= args.label_jaccard_min), "steps_used": int(steps_used), "accepted_steps": int(accepted_steps), } key = ( candidate_result["accepted"], candidate_result["label_jaccard"], candidate_result["hamming_ratio"], -candidate_result["steps_used"], ) if best_result is None or key > best_result[0]: best_result = (key, candidate_result) if best_result is None: raise RuntimeError("no surrogate candidate generated") return best_result[1] 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] hamming_values = [row["hamming_ratio"] for row in group if row.get("hamming_ratio") 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, "hamming_ratio_median": float(np.median(hamming_values)) if hamming_values else None, "hamming_ratio_min": float(np.min(hamming_values)) if hamming_values 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, None, 0.0)] for trial in range(args.random_trials): random_seq = balanced_random(reference, rng) generators.append(( "balanced_random", trial, random_seq, None, None, None, None, None, "balanced_random", hamming_ratio(random_seq, reference), )) 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"], result["source_mode"], result["hamming_ratio"], )) surrogate_audit.append({ "N": n, "phase": phase, "trial": trial, "source_mode": result["source_mode"], "label_jaccard": result["label_jaccard"], "hamming_ratio": result["hamming_ratio"], "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, source_mode, hamming 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, "source_mode": source_mode, "hamming_ratio": hamming, **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, "structured_trials": args.structured_trials, "phase_candidate_trials": args.phase_candidate_trials, "supertile_orders": args.supertile_orders, "min_hamming_ratio": args.min_hamming_ratio, "disable_structured_starts": args.disable_structured_starts, "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=120) parser.add_argument("--structured-trials", type=int, default=24) parser.add_argument("--phase-candidate-trials", type=int, default=0) parser.add_argument("--supertile-orders", default="6,7,8") parser.add_argument("--min-hamming-ratio", type=float, default=0.03) parser.add_argument("--disable-structured-starts", action="store_true") 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"], "hamming_ratio_median": data["hamming_ratio_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 '1,220p' tools/exp_gap_label_set_stability.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Gap-label set stability for quasiperiodic spectra. The previous denominator audit showed that the first-two gap ratio moves with N, Sturmian phase, and threshold. This tool moves the observable from the value of the first two large gaps to the labels of the large gaps. For each large spectral gap, the integrated density of states is approximated by (gap_index + 1) / N. The nearest gap label is the integer n whose fractional part {n * theta} is closest to that IDS, modulo 1. The label set is then tested for stability across phase, N, and threshold. """ from __future__ import annotations import argparse import itertools import json from collections import Counter, defaultdict from pathlib import Path import numpy as np from numpy.linalg import eigvalsh PHI = (1 + np.sqrt(5)) / 2 SILVER = 1 + np.sqrt(2) BRONZE = 1 + np.sqrt(3) def sturmian_sequence(theta: float, n: int, phase: float = 0.0) -> np.ndarray: idx = np.arange(n + 1, dtype=float) vals = np.floor(idx * theta + phase) return np.diff(vals).astype(float) def hamiltonian(seq: np.ndarray, v: float = 1.0) -> np.ndarray: n = len(seq) h = np.zeros((n, n), dtype=float) h[np.arange(n), np.arange(n)] = v * seq off = np.arange(n - 1) h[off, off + 1] = 1.0 h[off + 1, off] = 1.0 return h def circular_distance(a: float, b: float) -> float: d = abs(a - b) % 1.0 return min(d, 1.0 - d) def nearest_label(ids_value: float, theta: float, max_label: int) -> tuple[int, float, float]: candidates = [] for n in range(-max_label, max_label + 1): if n == 0: continue frac = (n * theta) % 1.0 candidates.append((n, circular_distance(ids_value, frac), frac)) best_n, best_dist, best_frac = min(candidates, key=lambda item: (item[1], abs(item[0]))) return int(best_n), float(best_dist), float(best_frac) def gap_labels(seq: np.ndarray, theta: float, threshold: float, max_label: int, top_k: int) -> dict: eigs = np.sort(eigvalsh(hamiltonian(seq))) spacings = np.diff(eigs) mean_spacing = float(np.mean(spacings)) large = [] for index, spacing in enumerate(spacings): if spacing > threshold * mean_spacing: ids_value = (index + 1) / len(seq) label, error, label_value = nearest_label(ids_value, theta, max_label) large.append({ "index": int(index), "spacing": float(spacing), "ids": float(ids_value), "label": label, "label_error": error, "label_value": label_value, }) by_size = sorted(large, key=lambda item: item["spacing"], reverse=True) selected = by_size[:top_k] label_set = sorted({item["label"] for item in selected}, key=lambda x: (abs(x), x)) errors = [item["label_error"] for item in selected] return { "n_large": len(large), "n_selected": len(selected), "label_set": label_set, "median_label_error": float(np.median(errors)) if errors else None, "max_label_error": float(np.max(errors)) if errors else None, "selected": selected, } def jaccard(a: set[int], b: set[int]) -> float: if not a and not b: return 1.0 return len(a & b) / len(a | b) def summarize_sets(rows: list[dict]) -> dict: sets = [set(row["label_set"]) for row in rows if row["n_selected"] > 0] if not sets: return {} pairwise = [jaccard(a, b) for a, b in itertools.combinations(sets, 2)] counter = Counter(label for s in sets for label in s) n_sets = len(sets) core = sorted( [label for label, count in counter.items() if count == n_sets], key=lambda x: (abs(x), x), ) stable_75 = sorted( [label for label, count in counter.items() if count / n_sets >= 0.75], key=lambda x: (abs(x), x), ) return { "conditions": n_sets, "median_jaccard": float(np.median(pairwise)) if pairwise else 1.0, "min_jaccard": float(np.min(pairwise)) if pairwise else 1.0, "core_labels_all_conditions": core, "stable_labels_75pct": stable_75, "label_frequency_top": [ {"label": int(label), "count": int(count)} for label, count in sorted(counter.items(), key=lambda item: (-item[1], abs(item[0]), item[0]))[:12] ], "median_label_error": float(np.median([row["median_label_error"] for row in rows if row["median_label_error"] is not None])), "median_selected": float(np.median([row["n_selected"] for row in rows])), "median_n_large": float(np.median([row["n_large"] for row in rows])), } def grouped_stability(rows: list[dict], keys: tuple[str, ...]) -> dict: groups: dict[str, list[dict]] = defaultdict(list) for row in rows: group_key = "|".join(f"{key}={row[key]}" for key in keys) groups[group_key].append(row) summaries = [summarize_sets(group_rows) for group_rows in groups.values() if len(group_rows) > 1] summaries = [s for s in summaries if s] if not summaries: return {} return { "groups": len(summaries), "median_jaccard": float(np.median([s["median_jaccard"] for s in summaries])), "min_jaccard": float(np.min([s["min_jaccard"] for s in summaries])), } def run(args: argparse.Namespace) -> dict: rng = np.random.default_rng(args.seed) domains = { "phi": 1 / PHI, "silver": 1 / SILVER, "bronze": 1 / BRONZE, } ns = [int(x) for x in args.ns.split(",")] phases = [float(x) for x in args.phases.split(",")] thresholds = [float(x) for x in args.thresholds.split(",")] rows = [] for n in ns: for phase in phases: phi_ones = int(np.sum(sturmian_sequence(1 / PHI, n, phase))) for threshold in thresholds: for name, theta in domains.items(): seq = sturmian_sequence(theta, n, phase) obs = gap_labels(seq, theta, threshold, args.max_label, args.top_k) rows.append({"domain": name, "N": n, "phase": phase, "threshold": threshold, **obs}) for trial in range(args.random_trials): seq = np.array([1.0] * phi_ones + [0.0] * (n - phi_ones)) rng.shuffle(seq) obs = gap_labels(seq, 1 / PHI, threshold, args.max_label, args.top_k) rows.append({ "domain": "balanced_random_phi_labels", "trial": trial, "N": n, "phase": phase, "threshold": threshold, **obs, }) by_domain = {} for domain in sorted({row["domain"] for row in rows}): domain_rows = [row for row in rows if row["domain"] == domain] by_domain[domain] = { "global": summarize_sets(domain_rows), "phase_stability_by_N_threshold": grouped_stability(domain_rows, ("N", "threshold")), "threshold_stability_by_N_phase": grouped_stability(domain_rows, ("N", "phase")), "scale_stability_by_phase_threshold": grouped_stability(domain_rows, ("phase", "threshold")), } output = { "experiment": "gap_label_set_stability", "parameters": { "ns": ns, "phases": phases, "thresholds": thresholds, "random_trials": args.random_trials, "top_k": args.top_k, "max_label": args.max_label, "seed": args.seed, }, "summary": by_domain, "rows": rows, } return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--ns", default="233,377,500,610") parser.add_argument("--phases", default="0,0.25,0.5,0.75") parser.add_argument("--thresholds", default="1.75,2.0,2.25") parser.add_argument("--random-trials", type=int, default=3) parser.add_argument("--top-k", type=int, default=12) parser.add_argument("--max-label", type=int, default=34) parser.add_argument("--seed", type=int, default=20260508) parser.add_argument("--out", default="tools/data/gap_label_set_stability_20260508_1632.json") args = parser.parse_args() apply patch patch: completed /opt/MM_D-ND/tools/exp_vc_nonsturmian_label_null_gate.py diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() codex Lo strumento nuovo è separato dagli script precedenti: non tocca il gate 07:41 e registra `source_mode`, `label_jaccard`, `hamming_ratio`, più eventi `V_c`. Compilo e poi lancio un run N=144 sulle quattro fasi. exec /bin/bash -lc 'python -m py_compile tools/exp_vc_nonsturmian_label_null_gate.py' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'python tools/exp_vc_nonsturmian_label_null_gate.py --out tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json' in /opt/MM_D-ND diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() succeeded in 4474ms: { "accepted_nonsturmian_count": 79, "candidate_summary": { "balanced_random": { "candidates": 256, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.3333333333333333, "median_label_jaccard": 0.10526315789473684, "median_hamming_ratio": 0.4722222222222222 }, "block_shuffle_13": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.5, "median_label_jaccard": 0.21825396825396826, "median_hamming_ratio": 0.4166666666666667 }, "block_shuffle_2": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.3333333333333333, "median_label_jaccard": 0.10526315789473684, "median_hamming_ratio": 0.4722222222222222 }, "block_shuffle_21": { "candidates": 187, "accepted": 6, "acceptance_rate": 0.03208556149732621, "best_label_jaccard": 0.8181818181818182, "median_label_jaccard": 0.4666666666666667, "median_hamming_ratio": 0.1527777777777778 }, "block_shuffle_3": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.2777777777777778, "median_label_jaccard": 0.10526315789473684, "median_hamming_ratio": 0.4722222222222222 }, "block_shuffle_34": { "candidates": 124, "accepted": 25, "acceptance_rate": 0.20161290322580644, "best_label_jaccard": 0.8181818181818182, "median_label_jaccard": 0.5833333333333334, "median_hamming_ratio": 0.08333333333333333 }, "block_shuffle_5": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.3333333333333333, "median_label_jaccard": 0.1111111111111111, "median_hamming_ratio": 0.4722222222222222 }, "block_shuffle_8": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.3333333333333333, "median_label_jaccard": 0.11437908496732026, "median_hamming_ratio": 0.4722222222222222 }, "markov_density": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.3125, "median_label_jaccard": 0.1111111111111111, "median_hamming_ratio": 0.4722222222222222 }, "periodic_approximant_13": { "candidates": 192, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.375, "median_label_jaccard": 0.25625, "median_hamming_ratio": 0.3611111111111111 }, "periodic_approximant_21": { "candidates": 192, "accepted": 48, "acceptance_rate": 0.25, "best_label_jaccard": 0.75, "median_label_jaccard": 0.5416666666666667, "median_hamming_ratio": 0.125 }, "periodic_approximant_34": { "candidates": 96, "accepted": 0, "acceptance_rate": 0.0, "best_label_jaccard": 0.6153846153846154, "median_label_jaccard": 0.6153846153846154, "median_hamming_ratio": 0.05555555555555555 } }, "event_summary": { "block_shuffle_21": { "conditions": 6, "events": { "internal_cross": 6 }, "vc_median": 1.4063497895451056, "label_jaccard_median": 0.8090909090909091, "hamming_ratio_median": 0.10416666666666666, "r_floor_median": 0.6682424198342446 }, "block_shuffle_34": { "conditions": 6, "events": { "internal_cross": 6 }, "vc_median": 1.520251320610771, "label_jaccard_median": 0.8090909090909091, "hamming_ratio_median": 0.08333333333333333, "r_floor_median": 0.7070115021535275 }, "periodic_approximant_21": { "conditions": 3, "events": { "no_cross": 3 }, "vc_median": null, "label_jaccard_median": 0.75, "hamming_ratio_median": 0.1527777777777778, "r_floor_median": 0.7399032933857886 }, "phi_sturmian": { "conditions": 12, "events": { "internal_cross": 12 }, "vc_median": 1.0790341619793713, "label_jaccard_median": 1.0, "hamming_ratio_median": 0.0, "r_floor_median": 0.6597280817272824 } }, "out": "tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json" } codex Il run ha trovato accettazioni non-Sturmian, ma sono concentrate in generatori che conservano blocchi lunghi o un periodo 21; il random e il Markov restano vuoti. Ora estraggo denominatori per fase e controllo che il report non trasformi “non-Sturmian” in indipendenza piena. exec /bin/bash -lc 'git diff -- tools/exp_vc_nonsturmian_label_null_gate.py' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "python - <<'PY' import json from collections import Counter, defaultdict p='tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json' d=json.load(open(p)) acc=[r for r in d['audit_rows'] if r['accepted']] print('accepted total', len(acc)) print('accepted by mode') print(dict(Counter(r['source_mode'] for r in acc))) print('accepted by phase') print(dict(Counter(r['phase'] for r in acc))) print('best per mode/phase') best=defaultdict(lambda: (-1,None)) for r in d['audit_rows']: k=(r['source_mode'], r['phase']) if r['label_jaccard']>best[k][0]: best[k]=(r['label_jaccard'], r) for k,(score,r) in sorted(best.items()): if score>=0.5: print(k, 'score', score, 'hamming', r['hamming_ratio'], 'accepted', r['accepted']) PY" in /opt/MM_D-ND succeeded in 0ms: accepted total 79 accepted by mode {'block_shuffle_21': 6, 'block_shuffle_34': 25, 'periodic_approximant_21': 48} accepted by phase {0.25: 1, 0.5: 77, 0.75: 1} best per mode/phase ('block_shuffle_13', 0.5) score 0.5 hamming 0.4027777777777778 accepted False ('block_shuffle_21', 0.0) score 0.6923076923076923 hamming 0.041666666666666664 accepted False ('block_shuffle_21', 0.25) score 0.8 hamming 0.125 accepted True ('block_shuffle_21', 0.5) score 0.8181818181818182 hamming 0.08333333333333333 accepted True ('block_shuffle_21', 0.75) score 0.6666666666666666 hamming 0.06944444444444445 accepted False ('block_shuffle_34', 0.0) score 0.6428571428571429 hamming 0.05555555555555555 accepted False ('block_shuffle_34', 0.25) score 0.7272727272727273 hamming 0.05555555555555555 accepted False ('block_shuffle_34', 0.5) score 0.8181818181818182 hamming 0.08333333333333333 accepted True ('block_shuffle_34', 0.75) score 0.8 hamming 0.08333333333333333 accepted True ('periodic_approximant_21', 0.25) score 0.5833333333333334 hamming 0.08333333333333333 accepted False ('periodic_approximant_21', 0.5) score 0.75 hamming 0.1527777777777778 accepted True ('periodic_approximant_21', 0.75) score 0.5 hamming 0.125 accepted False ('periodic_approximant_34', 0.25) score 0.6153846153846154 hamming 0.05555555555555555 accepted False ('periodic_approximant_34', 0.75) score 0.6153846153846154 hamming 0.05555555555555555 accepted False exec /bin/bash -lc 'git status --short' in /opt/MM_D-ND succeeded in 0ms: 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/scoperte/20260509_0659_vc-label-reachability-gate_auto/ ?? applications/scoperte/20260509_0741_vc-phase-bridge-label-null_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/ ?? applications/soluzioni/20260509_0659_vc-label-reachability-gate/ ?? applications/soluzioni/20260509_0741_vc-phase-bridge-label-null/ ?? 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/biconi/bicono_20260509_0652.json ?? tools/data/biconi/bicono_20260509_0659.json ?? tools/data/biconi/bicono_20260509_0741.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/evolution/evolution_20260509_0652.md ?? tools/data/evolution/evolution_20260509_0659.md ?? tools/data/evolution/evolution_20260509_0741.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/incrocio_20260509_0659.json ?? tools/data/incrocio_20260509_0741.json ?? tools/data/incrocio_20260509_0819.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/agent_20260509_0652.md ?? tools/data/reports/agent_20260509_0659.md ?? tools/data/reports/agent_20260509_0741.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/falsifier_20260509_0652.json ?? tools/data/reports/falsifier_20260509_0659.json ?? tools/data/reports/falsifier_20260509_0741.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/loop_guard_20260509_0652.json ?? tools/data/reports/loop_guard_20260509_0659.json ?? tools/data/reports/loop_guard_20260509_0741.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_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_archive/piano_98.json ?? tools/data/seme_archive/piano_99.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/seme_backup_b2_20260509_071041.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_label_preserving_phase_bridge_20260509_0741.json ?? tools/data/vc_label_preserving_swap_gate_20260509_0652.json ?? tools/data/vc_label_preserving_swap_gate_20260509_0652_deep89.json ?? tools/data/vc_label_preserving_swap_gate_20260509_0659.json ?? tools/data/vc_label_reachability_gate_20260509_0659.json ?? tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json ?? 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/veritas/veritas_20260509_065842.json ?? tools/data/veritas/veritas_20260509_071025.json ?? tools/data/veritas/veritas_20260509_074804.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_nonsturmian_label_null_gate.py ?? tools/exp_vc_null_regression_gate.py ?? tools/meta_assertion_gate.py ?? tools/observables_registry.py diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() exec /bin/bash -lc "python - <<'PY' import json p='tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json' d=json.load(open(p)) print(sum(v['candidates'] for v in d['candidate_summary'].values())) print(sum(v['accepted'] for v in d['candidate_summary'].values())) for k in ['balanced_random','markov_density','block_shuffle_21','block_shuffle_34','periodic_approximant_21']: print(k, d['candidate_summary'][k]) print(d['event_summary']) PY" in /opt/MM_D-ND succeeded in 0ms: 2199 79 balanced_random {'candidates': 256, 'accepted': 0, 'acceptance_rate': 0.0, 'best_label_jaccard': 0.3333333333333333, 'median_label_jaccard': 0.10526315789473684, 'median_hamming_ratio': 0.4722222222222222} markov_density {'candidates': 192, 'accepted': 0, 'acceptance_rate': 0.0, 'best_label_jaccard': 0.3125, 'median_label_jaccard': 0.1111111111111111, 'median_hamming_ratio': 0.4722222222222222} block_shuffle_21 {'candidates': 187, 'accepted': 6, 'acceptance_rate': 0.03208556149732621, 'best_label_jaccard': 0.8181818181818182, 'median_label_jaccard': 0.4666666666666667, 'median_hamming_ratio': 0.1527777777777778} block_shuffle_34 {'candidates': 124, 'accepted': 25, 'acceptance_rate': 0.20161290322580644, 'best_label_jaccard': 0.8181818181818182, 'median_label_jaccard': 0.5833333333333334, 'median_hamming_ratio': 0.08333333333333333} periodic_approximant_21 {'candidates': 192, 'accepted': 48, 'acceptance_rate': 0.25, 'best_label_jaccard': 0.75, 'median_label_jaccard': 0.5416666666666667, 'median_hamming_ratio': 0.125} {'block_shuffle_21': {'conditions': 6, 'events': {'internal_cross': 6}, 'vc_median': 1.4063497895451056, 'label_jaccard_median': 0.8090909090909091, 'hamming_ratio_median': 0.10416666666666666, 'r_floor_median': 0.6682424198342446}, 'block_shuffle_34': {'conditions': 6, 'events': {'internal_cross': 6}, 'vc_median': 1.520251320610771, 'label_jaccard_median': 0.8090909090909091, 'hamming_ratio_median': 0.08333333333333333, 'r_floor_median': 0.7070115021535275}, 'periodic_approximant_21': {'conditions': 3, 'events': {'no_cross': 3}, 'vc_median': None, 'label_jaccard_median': 0.75, 'hamming_ratio_median': 0.1527777777777778, 'r_floor_median': 0.7399032933857886}, 'phi_sturmian': {'conditions': 12, 'events': {'internal_cross': 12}, 'vc_median': 1.0790341619793713, 'label_jaccard_median': 1.0, 'hamming_ratio_median': 0.0, 'r_floor_median': 0.6597280817272824}} diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() codex Il risultato e' un vincolo piu' stretto: esistono accettazioni non-Sturmian, ma solo quando resta memoria di scala lunga; i generatori davvero dispersivi non passano. Scrivo il report con quel perimetro, senza promuovere il null a controprova indipendente. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260509_0819.md diff --git a/tools/data/reports/agent_20260509_0819.md b/tools/data/reports/agent_20260509_0819.md new file mode 100644 index 0000000000000000000000000000000000000000..fc92530e23da826336fd623a8342039872404b40 --- /dev/null +++ b/tools/data/reports/agent_20260509_0819.md @@ -0,0 +1,104 @@ +# Agent Report - Vc Non-Sturmian Label Null Gate +**Date**: 2026-05-09 08:19 +**Piano**: 100 +**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE / TRASCENDENZA_LIMITE +**verdict**: CONSTRAINT on non-Sturmian label-preserving null +observables_registry: 1.0.0-2026-05-06 +observables_used: [`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un generatore non-Sturmian puo' preservare il label-set phi a N=144 con `label_jaccard>=0.75` e distanza non triviale; observable=`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`; operator=scansione di generatori balanced random, block shuffle, periodic approximant, Markov-density contro lettore gap-label phi; generator=non-Sturmian candidate pool; denominator=N=144, phases={0,0.25,0.5,0.75}, 2199 candidati validi post hamming gate, r_threshold={0.48,0.50,0.52}; non_possible=se passano solo generatori con memoria di blocco/periodo lungo, il null e' non-Sturmian ma non indipendente dal boundary; not_tested=trasferimento GUE/Poisson, fit power-law, scale N!=144, indipendenza fuori dal label reader phi. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + QxG vuoto continuo/discreto + topologia del label-set spettrale + tensione `TENS_SCALE_TRASCENDENZA_LIMITE`. +- **Dipolo / punto-zero**: ponte strutturato / contro-campo indipendente; punto-zero = sequenza binaria che conserva il label-set prima che il suo generatore riveli se porta ancora scala Sturmian. +- **Piano superiore**: topologia assiomatica del boundary. Non misuro se `V_c` converge; misuro se il lettore topologico sopravvive quando il generatore perde la grammatica Sturmian esplicita. +- **Operatori laterali scelti**: boundary operator, periodic approximant, graph/word cut. Il boundary operator legge il set; l'approssimante periodico rompe l'aperiodicita' mantenendo scala; il cut a blocchi separa memoria lunga da shuffle dispersivo. +- **Contaminazione cognitiva**: + - **CE-0117 / CE-0001 KSAR**: reiterazione regressiva del ciclo 07:41: la reachability e' chiusa, ora si separa label-preserving da generator-preserving. + - **YSN DeltaLink**: il confine non e' classe GUE/Poisson ma trasporto di scala tra label reader e generatore. + - **Cornelius gene**: "Conservare il label-set non basta: dichiara quale memoria lo trasporta." + - **PVI attack**: chiamare "non-Sturmian" un block shuffle lungo puo' nascondere un ponte quasi-Sturmian; per questo `source_mode`, block length e `hamming_ratio` entrano nel verdict. + - **Vault**: generatori Markov/density restano scarti utili: rompono il ponte ma non raggiungono il label-set. +- **Proto-ipotesi**: il label-set alto non richiede source_mode Sturmian esplicito, ma richiede memoria di scala lunga. Se balanced random e Markov falliscono mentre blocchi 21/34 o periodo 21 passano, il confine vive nella scala conservata, non nella classe nominale del generatore. +- **Proiezione**: genero candidati non-Sturmian, applico gate `Jaccard>=0.75`, poi misuro `r(V)` solo sui best accepted per non confondere ricerca del generatore con confronto GUE/Poisson. + +## Claim Under Test +> A N=144 esiste un null non-Sturmian che conserva il label-set phi (`label_jaccard>=0.75`) con `hamming_ratio>=0.03`; se passa solo con memoria di scala lunga, il null non e' indipendente dal boundary. + +## Question +Il ponte `phase_shift_sturmian` era necessario per preservare il label-set, oppure basta una memoria non-Sturmian di scala lunga? + +## Experiment Design +- Script nuovo: `tools/exp_vc_nonsturmian_label_null_gate.py`. +- Scope: `N=144`, phases `0,0.25,0.5,0.75`, `label_threshold=2.0`, `top_k=12`, `max_label=34`. +- Generator pool: balanced random, block shuffle `2,3,5,8,13,21,34`, periodic approximant `13,21,34,55,89`, Markov-density. +- Gate: `label_jaccard>=0.75`, `hamming_ratio>=0.03`. +- Denominatore grezzo: `2199` candidati validi dopo hamming gate; `79` accettati. +- `V_c` event letto solo sui best accepted per source mode e fase, piu' controllo `phi_sturmian`. + +## Results + +Candidate gate: + +| source_mode | candidates | accepted | acceptance_rate | best_jaccard | median_jaccard | median_hamming | +|---|---:|---:|---:|---:|---:|---:| +| balanced_random | 256 | 0 | 0.000 | 0.333 | 0.105 | 0.472 | +| markov_density | 192 | 0 | 0.000 | 0.312 | 0.111 | 0.472 | +| block_shuffle_21 | 187 | 6 | 0.032 | 0.818 | 0.467 | 0.153 | +| block_shuffle_34 | 124 | 25 | 0.202 | 0.818 | 0.583 | 0.083 | +| periodic_approximant_21 | 192 | 48 | 0.250 | 0.750 | 0.542 | 0.125 | + +Accettati per fase: + +| phase | accepted | +|---:|---:| +| 0.25 | 1 | +| 0.50 | 77 | +| 0.75 | 1 | + +`V_c` event sui best accepted: + +| source_mode | event rows | events | vc_median | label_jaccard_median | hamming_median | r_floor_median | +|---|---:|---|---:|---:|---:|---:| +| phi_sturmian | 12 | internal_cross=12 | 1.079 | 1.000 | 0.000 | 0.660 | +| block_shuffle_21 | 6 | internal_cross=6 | 1.406 | 0.809 | 0.104 | 0.668 | +| block_shuffle_34 | 6 | internal_cross=6 | 1.520 | 0.809 | 0.083 | 0.707 | +| periodic_approximant_21 | 3 | no_cross=3 | | 0.750 | 0.153 | 0.740 | + +## Key Findings +1. **Verificato: il label-set alto e' raggiungibile fuori da `source_mode=phase_shift_sturmian`.** Il gate trova `79/2199` candidati accettati: `block_shuffle_21` (`6`), `block_shuffle_34` (`25`), `periodic_approximant_21` (`48`). +2. **Verificato: la reachability non e' indipendenza dispersiva.** Balanced random (`0/256`) e Markov-density (`0/192`) non passano; i soli accettati conservano memoria di scala lunga o periodo 21. +3. **Verificato: i block shuffle accettati preservano il tipo evento `internal_cross`.** `block_shuffle_21` e `block_shuffle_34` hanno `6/6` righe internal_cross, ma con `V_c` mediano spostato a `1.406` e `1.520` contro `1.079` phi. +4. **Verificato: il periodic approximant 21 conserva label-set ma rompe `V_c`.** Le `3/3` righe evento sono `no_cross`; quindi label-preserving e boundary-crossing divergono. +5. **Inferito: il nodo regressivo non e' piu' Sturmian/non-Sturmian nominale.** Il nodo e' memoria di scala lunga / dispersione: il label reader accetta strutture non-Sturmian solo quando il trasporto di scala resta visibile. + +## Verdict +**CONSTRAINT**: esiste un null non-Sturmian label-preserving a `N=144`, ma non e' un contro-campo indipendente. Passano solo generatori che conservano blocchi lunghi (`21`, `34`) o periodo `21`; i generatori dispersivi balanced random e Markov-density restano a zero accettati. + +La formulazione valida e': `source_mode` Sturmian esplicito non e' necessario; memoria di scala lunga e' necessaria nel perimetro misurato. `label_jaccard>=0.75` non autorizza da solo il trasferimento GUE/Poisson: deve essere accoppiato a `event_type` e alla classe di memoria del generatore. + +## Bicono della scoperta +- **Due radici**: label-set preservato da memoria lunga . label-set distrutto da dispersione locale. +- **Singolare**: la scala 21/34 come punto dove il generatore non e' Sturmian nominale ma porta ancora il boundary. +- **Invariante di passaggio**: il lettore gap-label phi sopravvive al taglio a blocchi lunghi; non sopravvive a shuffle random o Markov-density. +- **Campo di possibilita**: qui diventa possibile sostituire `source_mode=Sturmian` con un contratto piu' preciso di memoria di scala; qui diventa non-possibile usare `label_jaccard` isolato come null indipendente. + +## Consecutio +Il prossimo passo e' separare memoria lunga e crossing: variare blocco/periodo attorno a `21,34` e chiedere quando `label_jaccard` resta alto ma `internal_cross` cade. Se il punto di caduta e' netto, il boundary ha una soglia di memoria; se e' continuo, il confine e' un gradiente di trasporto. + +## 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_0741.md`, JSON `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. +- **L1 hard constraint**: il verdict non usa "indipendente"; dice non-Sturmian ma memory-preserving. +- **L2 count grezzi**: riportati `79/2199`, `0/256`, `0/192`, `6/187`, `25/124`, `48/192`, `6/6`, `3/3`. +- **L3 no observable drift**: `gap_ratio`, fit power-law e GUE/Poisson non sono testati. +- **L4 edge cases**: accettazioni concentrate a phase `0.50` (`77/79`); il perimetro phase-general resta non chiuso. +- **L5 re-discovery vs discovery**: non e' scoperta che blocchi lunghi conservino piu' ordine; il finding e' la separazione operativa tra source_mode nominale e memoria di scala. + +## 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_nonsturmian_label_null_gate.py` completato senza errori. +- Run valido: `python tools/exp_vc_nonsturmian_label_null_gate.py --out tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. + +## Files +- Script: `tools/exp_vc_nonsturmian_label_null_gate.py` +- Data: `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json` +- Report: `tools/data/reports/agent_20260509_0819.md` diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260509_0819.md b/tools/data/reports/agent_20260509_0819.md new file mode 100644 index 0000000000000000000000000000000000000000..fc92530e23da826336fd623a8342039872404b40 --- /dev/null +++ b/tools/data/reports/agent_20260509_0819.md @@ -0,0 +1,104 @@ +# Agent Report - Vc Non-Sturmian Label Null Gate +**Date**: 2026-05-09 08:19 +**Piano**: 100 +**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE / TRASCENDENZA_LIMITE +**verdict**: CONSTRAINT on non-Sturmian label-preserving null +observables_registry: 1.0.0-2026-05-06 +observables_used: [`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un generatore non-Sturmian puo' preservare il label-set phi a N=144 con `label_jaccard>=0.75` e distanza non triviale; observable=`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`; operator=scansione di generatori balanced random, block shuffle, periodic approximant, Markov-density contro lettore gap-label phi; generator=non-Sturmian candidate pool; denominator=N=144, phases={0,0.25,0.5,0.75}, 2199 candidati validi post hamming gate, r_threshold={0.48,0.50,0.52}; non_possible=se passano solo generatori con memoria di blocco/periodo lungo, il null e' non-Sturmian ma non indipendente dal boundary; not_tested=trasferimento GUE/Poisson, fit power-law, scale N!=144, indipendenza fuori dal label reader phi. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + QxG vuoto continuo/discreto + topologia del label-set spettrale + tensione `TENS_SCALE_TRASCENDENZA_LIMITE`. +- **Dipolo / punto-zero**: ponte strutturato / contro-campo indipendente; punto-zero = sequenza binaria che conserva il label-set prima che il suo generatore riveli se porta ancora scala Sturmian. +- **Piano superiore**: topologia assiomatica del boundary. Non misuro se `V_c` converge; misuro se il lettore topologico sopravvive quando il generatore perde la grammatica Sturmian esplicita. +- **Operatori laterali scelti**: boundary operator, periodic approximant, graph/word cut. Il boundary operator legge il set; l'approssimante periodico rompe l'aperiodicita' mantenendo scala; il cut a blocchi separa memoria lunga da shuffle dispersivo. +- **Contaminazione cognitiva**: + - **CE-0117 / CE-0001 KSAR**: reiterazione regressiva del ciclo 07:41: la reachability e' chiusa, ora si separa label-preserving da generator-preserving. + - **YSN DeltaLink**: il confine non e' classe GUE/Poisson ma trasporto di scala tra label reader e generatore. + - **Cornelius gene**: "Conservare il label-set non basta: dichiara quale memoria lo trasporta." + - **PVI attack**: chiamare "non-Sturmian" un block shuffle lungo puo' nascondere un ponte quasi-Sturmian; per questo `source_mode`, block length e `hamming_ratio` entrano nel verdict. + - **Vault**: generatori Markov/density restano scarti utili: rompono il ponte ma non raggiungono il label-set. +- **Proto-ipotesi**: il label-set alto non richiede source_mode Sturmian esplicito, ma richiede memoria di scala lunga. Se balanced random e Markov falliscono mentre blocchi 21/34 o periodo 21 passano, il confine vive nella scala conservata, non nella classe nominale del generatore. +- **Proiezione**: genero candidati non-Sturmian, applico gate `Jaccard>=0.75`, poi misuro `r(V)` solo sui best accepted per non confondere ricerca del generatore con confronto GUE/Poisson. + +## Claim Under Test +> A N=144 esiste un null non-Sturmian che conserva il label-set phi (`label_jaccard>=0.75`) con `hamming_ratio>=0.03`; se passa solo con memoria di scala lunga, il null non e' indipendente dal boundary. + +## Question +Il ponte `phase_shift_sturmian` era necessario per preservare il label-set, oppure basta una memoria non-Sturmian di scala lunga? + +## Experiment Design +- Script nuovo: `tools/exp_vc_nonsturmian_label_null_gate.py`. +- Scope: `N=144`, phases `0,0.25,0.5,0.75`, `label_threshold=2.0`, `top_k=12`, `max_label=34`. +- Generator pool: balanced random, block shuffle `2,3,5,8,13,21,34`, periodic approximant `13,21,34,55,89`, Markov-density. +- Gate: `label_jaccard>=0.75`, `hamming_ratio>=0.03`. +- Denominatore grezzo: `2199` candidati validi dopo hamming gate; `79` accettati. +- `V_c` event letto solo sui best accepted per source mode e fase, piu' controllo `phi_sturmian`. + +## Results + +Candidate gate: + +| source_mode | candidates | accepted | acceptance_rate | best_jaccard | median_jaccard | median_hamming | +|---|---:|---:|---:|---:|---:|---:| +| balanced_random | 256 | 0 | 0.000 | 0.333 | 0.105 | 0.472 | +| markov_density | 192 | 0 | 0.000 | 0.312 | 0.111 | 0.472 | +| block_shuffle_21 | 187 | 6 | 0.032 | 0.818 | 0.467 | 0.153 | +| block_shuffle_34 | 124 | 25 | 0.202 | 0.818 | 0.583 | 0.083 | +| periodic_approximant_21 | 192 | 48 | 0.250 | 0.750 | 0.542 | 0.125 | + +Accettati per fase: + +| phase | accepted | +|---:|---:| +| 0.25 | 1 | +| 0.50 | 77 | +| 0.75 | 1 | + +`V_c` event sui best accepted: + +| source_mode | event rows | events | vc_median | label_jaccard_median | hamming_median | r_floor_median | +|---|---:|---|---:|---:|---:|---:| +| phi_sturmian | 12 | internal_cross=12 | 1.079 | 1.000 | 0.000 | 0.660 | +| block_shuffle_21 | 6 | internal_cross=6 | 1.406 | 0.809 | 0.104 | 0.668 | +| block_shuffle_34 | 6 | internal_cross=6 | 1.520 | 0.809 | 0.083 | 0.707 | +| periodic_approximant_21 | 3 | no_cross=3 | | 0.750 | 0.153 | 0.740 | + +## Key Findings +1. **Verificato: il label-set alto e' raggiungibile fuori da `source_mode=phase_shift_sturmian`.** Il gate trova `79/2199` candidati accettati: `block_shuffle_21` (`6`), `block_shuffle_34` (`25`), `periodic_approximant_21` (`48`). +2. **Verificato: la reachability non e' indipendenza dispersiva.** Balanced random (`0/256`) e Markov-density (`0/192`) non passano; i soli accettati conservano memoria di scala lunga o periodo 21. +3. **Verificato: i block shuffle accettati preservano il tipo evento `internal_cross`.** `block_shuffle_21` e `block_shuffle_34` hanno `6/6` righe internal_cross, ma con `V_c` mediano spostato a `1.406` e `1.520` contro `1.079` phi. +4. **Verificato: il periodic approximant 21 conserva label-set ma rompe `V_c`.** Le `3/3` righe evento sono `no_cross`; quindi label-preserving e boundary-crossing divergono. +5. **Inferito: il nodo regressivo non e' piu' Sturmian/non-Sturmian nominale.** Il nodo e' memoria di scala lunga / dispersione: il label reader accetta strutture non-Sturmian solo quando il trasporto di scala resta visibile. + +## Verdict +**CONSTRAINT**: esiste un null non-Sturmian label-preserving a `N=144`, ma non e' un contro-campo indipendente. Passano solo generatori che conservano blocchi lunghi (`21`, `34`) o periodo `21`; i generatori dispersivi balanced random e Markov-density restano a zero accettati. + +La formulazione valida e': `source_mode` Sturmian esplicito non e' necessario; memoria di scala lunga e' necessaria nel perimetro misurato. `label_jaccard>=0.75` non autorizza da solo il trasferimento GUE/Poisson: deve essere accoppiato a `event_type` e alla classe di memoria del generatore. + +## Bicono della scoperta +- **Due radici**: label-set preservato da memoria lunga . label-set distrutto da dispersione locale. +- **Singolare**: la scala 21/34 come punto dove il generatore non e' Sturmian nominale ma porta ancora il boundary. +- **Invariante di passaggio**: il lettore gap-label phi sopravvive al taglio a blocchi lunghi; non sopravvive a shuffle random o Markov-density. +- **Campo di possibilita**: qui diventa possibile sostituire `source_mode=Sturmian` con un contratto piu' preciso di memoria di scala; qui diventa non-possibile usare `label_jaccard` isolato come null indipendente. + +## Consecutio +Il prossimo passo e' separare memoria lunga e crossing: variare blocco/periodo attorno a `21,34` e chiedere quando `label_jaccard` resta alto ma `internal_cross` cade. Se il punto di caduta e' netto, il boundary ha una soglia di memoria; se e' continuo, il confine e' un gradiente di trasporto. + +## 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_0741.md`, JSON `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. +- **L1 hard constraint**: il verdict non usa "indipendente"; dice non-Sturmian ma memory-preserving. +- **L2 count grezzi**: riportati `79/2199`, `0/256`, `0/192`, `6/187`, `25/124`, `48/192`, `6/6`, `3/3`. +- **L3 no observable drift**: `gap_ratio`, fit power-law e GUE/Poisson non sono testati. +- **L4 edge cases**: accettazioni concentrate a phase `0.50` (`77/79`); il perimetro phase-general resta non chiuso. +- **L5 re-discovery vs discovery**: non e' scoperta che blocchi lunghi conservino piu' ordine; il finding e' la separazione operativa tra source_mode nominale e memoria di scala. + +## 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_nonsturmian_label_null_gate.py` completato senza errori. +- Run valido: `python tools/exp_vc_nonsturmian_label_null_gate.py --out tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. + +## Files +- Script: `tools/exp_vc_nonsturmian_label_null_gate.py` +- Data: `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json` +- Report: `tools/data/reports/agent_20260509_0819.md` diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() codex Il report e' scritto nel path richiesto. Faccio un controllo finale su file, dati e riferimenti per evitare mismatch tra numeri riportati e JSON prodotto. exec /bin/bash -lc 'test -s tools/data/reports/agent_20260509_0819.md && test -s tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json && test -s tools/exp_vc_nonsturmian_label_null_gate.py' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'rg -n "79/2199|0/256|0/192|6/187|25/124|48/192|1.406|1.520|1.079" tools/data/reports/agent_20260509_0819.md' in /opt/MM_D-ND succeeded in 0ms: 62:| phi_sturmian | 12 | internal_cross=12 | 1.079 | 1.000 | 0.000 | 0.660 | 63:| block_shuffle_21 | 6 | internal_cross=6 | 1.406 | 0.809 | 0.104 | 0.668 | 64:| block_shuffle_34 | 6 | internal_cross=6 | 1.520 | 0.809 | 0.083 | 0.707 | 68:1. **Verificato: il label-set alto e' raggiungibile fuori da `source_mode=phase_shift_sturmian`.** Il gate trova `79/2199` candidati accettati: `block_shuffle_21` (`6`), `block_shuffle_34` (`25`), `periodic_approximant_21` (`48`). 69:2. **Verificato: la reachability non e' indipendenza dispersiva.** Balanced random (`0/256`) e Markov-density (`0/192`) non passano; i soli accettati conservano memoria di scala lunga o periodo 21. 70:3. **Verificato: i block shuffle accettati preservano il tipo evento `internal_cross`.** `block_shuffle_21` e `block_shuffle_34` hanno `6/6` righe internal_cross, ma con `V_c` mediano spostato a `1.406` e `1.520` contro `1.079` phi. 91:- **L2 count grezzi**: riportati `79/2199`, `0/256`, `0/192`, `6/187`, `25/124`, `48/192`, `6/6`, `3/3`. exec /bin/bash -lc 'python -m py_compile tools/exp_vc_nonsturmian_label_null_gate.py' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/data/reports/agent_20260509_0819.md b/tools/data/reports/agent_20260509_0819.md new file mode 100644 index 0000000000000000000000000000000000000000..fc92530e23da826336fd623a8342039872404b40 --- /dev/null +++ b/tools/data/reports/agent_20260509_0819.md @@ -0,0 +1,104 @@ +# Agent Report - Vc Non-Sturmian Label Null Gate +**Date**: 2026-05-09 08:19 +**Piano**: 100 +**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE / TRASCENDENZA_LIMITE +**verdict**: CONSTRAINT on non-Sturmian label-preserving null +observables_registry: 1.0.0-2026-05-06 +observables_used: [`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un generatore non-Sturmian puo' preservare il label-set phi a N=144 con `label_jaccard>=0.75` e distanza non triviale; observable=`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`; operator=scansione di generatori balanced random, block shuffle, periodic approximant, Markov-density contro lettore gap-label phi; generator=non-Sturmian candidate pool; denominator=N=144, phases={0,0.25,0.5,0.75}, 2199 candidati validi post hamming gate, r_threshold={0.48,0.50,0.52}; non_possible=se passano solo generatori con memoria di blocco/periodo lungo, il null e' non-Sturmian ma non indipendente dal boundary; not_tested=trasferimento GUE/Poisson, fit power-law, scale N!=144, indipendenza fuori dal label reader phi. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + QxG vuoto continuo/discreto + topologia del label-set spettrale + tensione `TENS_SCALE_TRASCENDENZA_LIMITE`. +- **Dipolo / punto-zero**: ponte strutturato / contro-campo indipendente; punto-zero = sequenza binaria che conserva il label-set prima che il suo generatore riveli se porta ancora scala Sturmian. +- **Piano superiore**: topologia assiomatica del boundary. Non misuro se `V_c` converge; misuro se il lettore topologico sopravvive quando il generatore perde la grammatica Sturmian esplicita. +- **Operatori laterali scelti**: boundary operator, periodic approximant, graph/word cut. Il boundary operator legge il set; l'approssimante periodico rompe l'aperiodicita' mantenendo scala; il cut a blocchi separa memoria lunga da shuffle dispersivo. +- **Contaminazione cognitiva**: + - **CE-0117 / CE-0001 KSAR**: reiterazione regressiva del ciclo 07:41: la reachability e' chiusa, ora si separa label-preserving da generator-preserving. + - **YSN DeltaLink**: il confine non e' classe GUE/Poisson ma trasporto di scala tra label reader e generatore. + - **Cornelius gene**: "Conservare il label-set non basta: dichiara quale memoria lo trasporta." + - **PVI attack**: chiamare "non-Sturmian" un block shuffle lungo puo' nascondere un ponte quasi-Sturmian; per questo `source_mode`, block length e `hamming_ratio` entrano nel verdict. + - **Vault**: generatori Markov/density restano scarti utili: rompono il ponte ma non raggiungono il label-set. +- **Proto-ipotesi**: il label-set alto non richiede source_mode Sturmian esplicito, ma richiede memoria di scala lunga. Se balanced random e Markov falliscono mentre blocchi 21/34 o periodo 21 passano, il confine vive nella scala conservata, non nella classe nominale del generatore. +- **Proiezione**: genero candidati non-Sturmian, applico gate `Jaccard>=0.75`, poi misuro `r(V)` solo sui best accepted per non confondere ricerca del generatore con confronto GUE/Poisson. + +## Claim Under Test +> A N=144 esiste un null non-Sturmian che conserva il label-set phi (`label_jaccard>=0.75`) con `hamming_ratio>=0.03`; se passa solo con memoria di scala lunga, il null non e' indipendente dal boundary. + +## Question +Il ponte `phase_shift_sturmian` era necessario per preservare il label-set, oppure basta una memoria non-Sturmian di scala lunga? + +## Experiment Design +- Script nuovo: `tools/exp_vc_nonsturmian_label_null_gate.py`. +- Scope: `N=144`, phases `0,0.25,0.5,0.75`, `label_threshold=2.0`, `top_k=12`, `max_label=34`. +- Generator pool: balanced random, block shuffle `2,3,5,8,13,21,34`, periodic approximant `13,21,34,55,89`, Markov-density. +- Gate: `label_jaccard>=0.75`, `hamming_ratio>=0.03`. +- Denominatore grezzo: `2199` candidati validi dopo hamming gate; `79` accettati. +- `V_c` event letto solo sui best accepted per source mode e fase, piu' controllo `phi_sturmian`. + +## Results + +Candidate gate: + +| source_mode | candidates | accepted | acceptance_rate | best_jaccard | median_jaccard | median_hamming | +|---|---:|---:|---:|---:|---:|---:| +| balanced_random | 256 | 0 | 0.000 | 0.333 | 0.105 | 0.472 | +| markov_density | 192 | 0 | 0.000 | 0.312 | 0.111 | 0.472 | +| block_shuffle_21 | 187 | 6 | 0.032 | 0.818 | 0.467 | 0.153 | +| block_shuffle_34 | 124 | 25 | 0.202 | 0.818 | 0.583 | 0.083 | +| periodic_approximant_21 | 192 | 48 | 0.250 | 0.750 | 0.542 | 0.125 | + +Accettati per fase: + +| phase | accepted | +|---:|---:| +| 0.25 | 1 | +| 0.50 | 77 | +| 0.75 | 1 | + +`V_c` event sui best accepted: + +| source_mode | event rows | events | vc_median | label_jaccard_median | hamming_median | r_floor_median | +|---|---:|---|---:|---:|---:|---:| +| phi_sturmian | 12 | internal_cross=12 | 1.079 | 1.000 | 0.000 | 0.660 | +| block_shuffle_21 | 6 | internal_cross=6 | 1.406 | 0.809 | 0.104 | 0.668 | +| block_shuffle_34 | 6 | internal_cross=6 | 1.520 | 0.809 | 0.083 | 0.707 | +| periodic_approximant_21 | 3 | no_cross=3 | | 0.750 | 0.153 | 0.740 | + +## Key Findings +1. **Verificato: il label-set alto e' raggiungibile fuori da `source_mode=phase_shift_sturmian`.** Il gate trova `79/2199` candidati accettati: `block_shuffle_21` (`6`), `block_shuffle_34` (`25`), `periodic_approximant_21` (`48`). +2. **Verificato: la reachability non e' indipendenza dispersiva.** Balanced random (`0/256`) e Markov-density (`0/192`) non passano; i soli accettati conservano memoria di scala lunga o periodo 21. +3. **Verificato: i block shuffle accettati preservano il tipo evento `internal_cross`.** `block_shuffle_21` e `block_shuffle_34` hanno `6/6` righe internal_cross, ma con `V_c` mediano spostato a `1.406` e `1.520` contro `1.079` phi. +4. **Verificato: il periodic approximant 21 conserva label-set ma rompe `V_c`.** Le `3/3` righe evento sono `no_cross`; quindi label-preserving e boundary-crossing divergono. +5. **Inferito: il nodo regressivo non e' piu' Sturmian/non-Sturmian nominale.** Il nodo e' memoria di scala lunga / dispersione: il label reader accetta strutture non-Sturmian solo quando il trasporto di scala resta visibile. + +## Verdict +**CONSTRAINT**: esiste un null non-Sturmian label-preserving a `N=144`, ma non e' un contro-campo indipendente. Passano solo generatori che conservano blocchi lunghi (`21`, `34`) o periodo `21`; i generatori dispersivi balanced random e Markov-density restano a zero accettati. + +La formulazione valida e': `source_mode` Sturmian esplicito non e' necessario; memoria di scala lunga e' necessaria nel perimetro misurato. `label_jaccard>=0.75` non autorizza da solo il trasferimento GUE/Poisson: deve essere accoppiato a `event_type` e alla classe di memoria del generatore. + +## Bicono della scoperta +- **Due radici**: label-set preservato da memoria lunga . label-set distrutto da dispersione locale. +- **Singolare**: la scala 21/34 come punto dove il generatore non e' Sturmian nominale ma porta ancora il boundary. +- **Invariante di passaggio**: il lettore gap-label phi sopravvive al taglio a blocchi lunghi; non sopravvive a shuffle random o Markov-density. +- **Campo di possibilita**: qui diventa possibile sostituire `source_mode=Sturmian` con un contratto piu' preciso di memoria di scala; qui diventa non-possibile usare `label_jaccard` isolato come null indipendente. + +## Consecutio +Il prossimo passo e' separare memoria lunga e crossing: variare blocco/periodo attorno a `21,34` e chiedere quando `label_jaccard` resta alto ma `internal_cross` cade. Se il punto di caduta e' netto, il boundary ha una soglia di memoria; se e' continuo, il confine e' un gradiente di trasporto. + +## 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_0741.md`, JSON `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. +- **L1 hard constraint**: il verdict non usa "indipendente"; dice non-Sturmian ma memory-preserving. +- **L2 count grezzi**: riportati `79/2199`, `0/256`, `0/192`, `6/187`, `25/124`, `48/192`, `6/6`, `3/3`. +- **L3 no observable drift**: `gap_ratio`, fit power-law e GUE/Poisson non sono testati. +- **L4 edge cases**: accettazioni concentrate a phase `0.50` (`77/79`); il perimetro phase-general resta non chiuso. +- **L5 re-discovery vs discovery**: non e' scoperta che blocchi lunghi conservino piu' ordine; il finding e' la separazione operativa tra source_mode nominale e memoria di scala. + +## 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_nonsturmian_label_null_gate.py` completato senza errori. +- Run valido: `python tools/exp_vc_nonsturmian_label_null_gate.py --out tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. + +## Files +- Script: `tools/exp_vc_nonsturmian_label_null_gate.py` +- Data: `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json` +- Report: `tools/data/reports/agent_20260509_0819.md` diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() codex Esperimento completato e report scritto in [agent_20260509_0819.md](/opt/MM_D-ND/tools/data/reports/agent_20260509_0819.md). Ho aggiunto lo strumento [exp_vc_nonsturmian_label_null_gate.py](/opt/MM_D-ND/tools/exp_vc_nonsturmian_label_null_gate.py) e salvato i dati in [vc_nonsturmian_label_null_gate_20260509_0819.json](/opt/MM_D-ND/tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json). Risultante: il null non-Sturmian label-preserving esiste a `N=144`, ma non e' indipendente. Passano solo generatori con memoria di scala lunga (`block_shuffle_21`, `block_shuffle_34`, `periodic_approximant_21`); balanced random e Markov-density restano a zero accettati. Verifiche eseguite: `python -m py_compile tools/exp_vc_nonsturmian_label_null_gate.py` e controllo coerenza numeri report/JSON. diff --git a/tools/data/reports/agent_20260509_0819.md b/tools/data/reports/agent_20260509_0819.md new file mode 100644 index 0000000000000000000000000000000000000000..fc92530e23da826336fd623a8342039872404b40 --- /dev/null +++ b/tools/data/reports/agent_20260509_0819.md @@ -0,0 +1,104 @@ +# Agent Report - Vc Non-Sturmian Label Null Gate +**Date**: 2026-05-09 08:19 +**Piano**: 100 +**Tension explored**: TENS_SCALE_TRASCENDENZA_LIMITE / TRASCENDENZA_LIMITE +**verdict**: CONSTRAINT on non-Sturmian label-preserving null +observables_registry: 1.0.0-2026-05-06 +observables_used: [`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`] - osservabili domain-native, non canonici SR/SR2/L1/L2/triple_var +**observable_contract**: claim=un generatore non-Sturmian puo' preservare il label-set phi a N=144 con `label_jaccard>=0.75` e distanza non triviale; observable=`label_jaccard`, `hamming_ratio`, `source_mode`, `acceptance_rate`, `event_type`, `vc_interp`, `r_floor`; operator=scansione di generatori balanced random, block shuffle, periodic approximant, Markov-density contro lettore gap-label phi; generator=non-Sturmian candidate pool; denominator=N=144, phases={0,0.25,0.5,0.75}, 2199 candidati validi post hamming gate, r_threshold={0.48,0.50,0.52}; non_possible=se passano solo generatori con memoria di blocco/periodo lungo, il null e' non-Sturmian ma non indipendente dal boundary; not_tested=trasferimento GUE/Poisson, fit power-law, scale N!=144, indipendenza fuori dal label reader phi. + +## Respiro fuori-tempo +- **Combo**: A2 confine det=-1 + A9 terzo incluso + QxG vuoto continuo/discreto + topologia del label-set spettrale + tensione `TENS_SCALE_TRASCENDENZA_LIMITE`. +- **Dipolo / punto-zero**: ponte strutturato / contro-campo indipendente; punto-zero = sequenza binaria che conserva il label-set prima che il suo generatore riveli se porta ancora scala Sturmian. +- **Piano superiore**: topologia assiomatica del boundary. Non misuro se `V_c` converge; misuro se il lettore topologico sopravvive quando il generatore perde la grammatica Sturmian esplicita. +- **Operatori laterali scelti**: boundary operator, periodic approximant, graph/word cut. Il boundary operator legge il set; l'approssimante periodico rompe l'aperiodicita' mantenendo scala; il cut a blocchi separa memoria lunga da shuffle dispersivo. +- **Contaminazione cognitiva**: + - **CE-0117 / CE-0001 KSAR**: reiterazione regressiva del ciclo 07:41: la reachability e' chiusa, ora si separa label-preserving da generator-preserving. + - **YSN DeltaLink**: il confine non e' classe GUE/Poisson ma trasporto di scala tra label reader e generatore. + - **Cornelius gene**: "Conservare il label-set non basta: dichiara quale memoria lo trasporta." + - **PVI attack**: chiamare "non-Sturmian" un block shuffle lungo puo' nascondere un ponte quasi-Sturmian; per questo `source_mode`, block length e `hamming_ratio` entrano nel verdict. + - **Vault**: generatori Markov/density restano scarti utili: rompono il ponte ma non raggiungono il label-set. +- **Proto-ipotesi**: il label-set alto non richiede source_mode Sturmian esplicito, ma richiede memoria di scala lunga. Se balanced random e Markov falliscono mentre blocchi 21/34 o periodo 21 passano, il confine vive nella scala conservata, non nella classe nominale del generatore. +- **Proiezione**: genero candidati non-Sturmian, applico gate `Jaccard>=0.75`, poi misuro `r(V)` solo sui best accepted per non confondere ricerca del generatore con confronto GUE/Poisson. + +## Claim Under Test +> A N=144 esiste un null non-Sturmian che conserva il label-set phi (`label_jaccard>=0.75`) con `hamming_ratio>=0.03`; se passa solo con memoria di scala lunga, il null non e' indipendente dal boundary. + +## Question +Il ponte `phase_shift_sturmian` era necessario per preservare il label-set, oppure basta una memoria non-Sturmian di scala lunga? + +## Experiment Design +- Script nuovo: `tools/exp_vc_nonsturmian_label_null_gate.py`. +- Scope: `N=144`, phases `0,0.25,0.5,0.75`, `label_threshold=2.0`, `top_k=12`, `max_label=34`. +- Generator pool: balanced random, block shuffle `2,3,5,8,13,21,34`, periodic approximant `13,21,34,55,89`, Markov-density. +- Gate: `label_jaccard>=0.75`, `hamming_ratio>=0.03`. +- Denominatore grezzo: `2199` candidati validi dopo hamming gate; `79` accettati. +- `V_c` event letto solo sui best accepted per source mode e fase, piu' controllo `phi_sturmian`. + +## Results + +Candidate gate: + +| source_mode | candidates | accepted | acceptance_rate | best_jaccard | median_jaccard | median_hamming | +|---|---:|---:|---:|---:|---:|---:| +| balanced_random | 256 | 0 | 0.000 | 0.333 | 0.105 | 0.472 | +| markov_density | 192 | 0 | 0.000 | 0.312 | 0.111 | 0.472 | +| block_shuffle_21 | 187 | 6 | 0.032 | 0.818 | 0.467 | 0.153 | +| block_shuffle_34 | 124 | 25 | 0.202 | 0.818 | 0.583 | 0.083 | +| periodic_approximant_21 | 192 | 48 | 0.250 | 0.750 | 0.542 | 0.125 | + +Accettati per fase: + +| phase | accepted | +|---:|---:| +| 0.25 | 1 | +| 0.50 | 77 | +| 0.75 | 1 | + +`V_c` event sui best accepted: + +| source_mode | event rows | events | vc_median | label_jaccard_median | hamming_median | r_floor_median | +|---|---:|---|---:|---:|---:|---:| +| phi_sturmian | 12 | internal_cross=12 | 1.079 | 1.000 | 0.000 | 0.660 | +| block_shuffle_21 | 6 | internal_cross=6 | 1.406 | 0.809 | 0.104 | 0.668 | +| block_shuffle_34 | 6 | internal_cross=6 | 1.520 | 0.809 | 0.083 | 0.707 | +| periodic_approximant_21 | 3 | no_cross=3 | | 0.750 | 0.153 | 0.740 | + +## Key Findings +1. **Verificato: il label-set alto e' raggiungibile fuori da `source_mode=phase_shift_sturmian`.** Il gate trova `79/2199` candidati accettati: `block_shuffle_21` (`6`), `block_shuffle_34` (`25`), `periodic_approximant_21` (`48`). +2. **Verificato: la reachability non e' indipendenza dispersiva.** Balanced random (`0/256`) e Markov-density (`0/192`) non passano; i soli accettati conservano memoria di scala lunga o periodo 21. +3. **Verificato: i block shuffle accettati preservano il tipo evento `internal_cross`.** `block_shuffle_21` e `block_shuffle_34` hanno `6/6` righe internal_cross, ma con `V_c` mediano spostato a `1.406` e `1.520` contro `1.079` phi. +4. **Verificato: il periodic approximant 21 conserva label-set ma rompe `V_c`.** Le `3/3` righe evento sono `no_cross`; quindi label-preserving e boundary-crossing divergono. +5. **Inferito: il nodo regressivo non e' piu' Sturmian/non-Sturmian nominale.** Il nodo e' memoria di scala lunga / dispersione: il label reader accetta strutture non-Sturmian solo quando il trasporto di scala resta visibile. + +## Verdict +**CONSTRAINT**: esiste un null non-Sturmian label-preserving a `N=144`, ma non e' un contro-campo indipendente. Passano solo generatori che conservano blocchi lunghi (`21`, `34`) o periodo `21`; i generatori dispersivi balanced random e Markov-density restano a zero accettati. + +La formulazione valida e': `source_mode` Sturmian esplicito non e' necessario; memoria di scala lunga e' necessaria nel perimetro misurato. `label_jaccard>=0.75` non autorizza da solo il trasferimento GUE/Poisson: deve essere accoppiato a `event_type` e alla classe di memoria del generatore. + +## Bicono della scoperta +- **Due radici**: label-set preservato da memoria lunga . label-set distrutto da dispersione locale. +- **Singolare**: la scala 21/34 come punto dove il generatore non e' Sturmian nominale ma porta ancora il boundary. +- **Invariante di passaggio**: il lettore gap-label phi sopravvive al taglio a blocchi lunghi; non sopravvive a shuffle random o Markov-density. +- **Campo di possibilita**: qui diventa possibile sostituire `source_mode=Sturmian` con un contratto piu' preciso di memoria di scala; qui diventa non-possibile usare `label_jaccard` isolato come null indipendente. + +## Consecutio +Il prossimo passo e' separare memoria lunga e crossing: variare blocco/periodo attorno a `21,34` e chiedere quando `label_jaccard` resta alto ma `internal_cross` cade. Se il punto di caduta e' netto, il boundary ha una soglia di memoria; se e' continuo, il confine e' un gradiente di trasporto. + +## 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_0741.md`, JSON `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. +- **L1 hard constraint**: il verdict non usa "indipendente"; dice non-Sturmian ma memory-preserving. +- **L2 count grezzi**: riportati `79/2199`, `0/256`, `0/192`, `6/187`, `25/124`, `48/192`, `6/6`, `3/3`. +- **L3 no observable drift**: `gap_ratio`, fit power-law e GUE/Poisson non sono testati. +- **L4 edge cases**: accettazioni concentrate a phase `0.50` (`77/79`); il perimetro phase-general resta non chiuso. +- **L5 re-discovery vs discovery**: non e' scoperta che blocchi lunghi conservino piu' ordine; il finding e' la separazione operativa tra source_mode nominale e memoria di scala. + +## 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_nonsturmian_label_null_gate.py` completato senza errori. +- Run valido: `python tools/exp_vc_nonsturmian_label_null_gate.py --out tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json`. + +## Files +- Script: `tools/exp_vc_nonsturmian_label_null_gate.py` +- Data: `tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json` +- Report: `tools/data/reports/agent_20260509_0819.md` diff --git a/tools/exp_vc_nonsturmian_label_null_gate.py b/tools/exp_vc_nonsturmian_label_null_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..b71cb698c667d0081998cd45e56525e7592593f2 --- /dev/null +++ b/tools/exp_vc_nonsturmian_label_null_gate.py @@ -0,0 +1,264 @@ +#!/usr/bin/env python3 +""" +Non-Sturmian label-preserving null gate for the quasiperiodic V_c boundary. + +The phase bridge made the label set reachable at N=144, but only inside a +Sturmian source mode. This tool asks the narrower next question: can a +non-Sturmian generator preserve the phi gap-label reader enough to pass +Jaccard>=0.75 while keeping a non-trivial Hamming distance? +""" + +from __future__ import annotations + +import argparse +import json +from collections import Counter, defaultdict +from pathlib import Path + +import numpy as np + +from exp_gap_label_set_stability import PHI, gap_labels, jaccard, sturmian_sequence +from exp_vc_label_preserving_swap_gate import crossing_event, curve_for_sequence, hamming_ratio + + +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 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) -> float: + return float(jaccard(label_set(seq, args), reference_labels)) + + +def balanced_random(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + out = np.array(reference, copy=True) + rng.shuffle(out) + return out + + +def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: + chunks = [reference[i : i + block_size].copy() for i in range(0, len(reference), block_size)] + rng.shuffle(chunks) + return np.concatenate(chunks) + + +def periodic_approximant(reference: np.ndarray, period: int, rng: np.random.Generator) -> np.ndarray: + word = np.array(reference[:period], copy=True) + out = np.resize(word, len(reference)).astype(float) + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def markov_density(reference: np.ndarray, rng: np.random.Generator) -> np.ndarray: + counts = np.ones((2, 2), dtype=float) + bits = reference.astype(int) + for a, b in zip(bits[:-1], bits[1:]): + counts[a, b] += 1.0 + probs = counts / counts.sum(axis=1, keepdims=True) + out = np.zeros(len(reference), dtype=float) + out[0] = float(rng.choice([0, 1], p=[1 - np.mean(reference), np.mean(reference)])) + for i in range(1, len(out)): + prev = int(out[i - 1]) + out[i] = float(rng.choice([0, 1], p=probs[prev])) + + target_ones = int(np.sum(reference)) + delta = int(target_ones - np.sum(out)) + if delta > 0: + zeros = np.flatnonzero(out < 0.5) + if len(zeros): + out[rng.choice(zeros, size=min(delta, len(zeros)), replace=False)] = 1.0 + elif delta < 0: + ones = np.flatnonzero(out > 0.5) + if len(ones): + out[rng.choice(ones, size=min(-delta, len(ones)), replace=False)] = 0.0 + return out + + +def candidate_pool(reference: np.ndarray, rng: np.random.Generator, args: argparse.Namespace): + block_sizes = parse_csv_ints(args.block_sizes) + periods = parse_csv_ints(args.periods) + for trial in range(args.random_trials): + yield "balanced_random", trial, balanced_random(reference, rng) + for block_size in block_sizes: + for trial in range(args.mode_trials): + yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) + for period in periods: + for trial in range(args.mode_trials): + yield f"periodic_approximant_{period}", trial, periodic_approximant(reference, period, rng) + for trial in range(args.mode_trials): + yield "markov_density", trial, markov_density(reference, rng) + + +def summarize_candidates(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + accepted = [row for row in group if row["accepted"]] + scores = [row["label_jaccard"] for row in group] + hamming = [row["hamming_ratio"] for row in group] + out[mode] = { + "candidates": len(group), + "accepted": len(accepted), + "acceptance_rate": float(len(accepted) / len(group)) if group else None, + "best_label_jaccard": float(max(scores)) if scores else None, + "median_label_jaccard": float(np.median(scores)) if scores else None, + "median_hamming_ratio": float(np.median(hamming)) if hamming else None, + } + return out + + +def summarize_events(rows: list[dict]) -> dict: + out = {} + for mode in sorted({row["source_mode"] for row in rows}): + group = [row for row in rows if row["source_mode"] == mode] + events = Counter(row["event"] for row in group) + vc_values = [row["vc_interp"] for row in group if row["vc_interp"] is not None] + out[mode] = { + "conditions": len(group), + "events": dict(sorted(events.items())), + "vc_median": float(np.median(vc_values)) if vc_values else None, + "label_jaccard_median": float(np.median([row["label_jaccard"] for row in group])), + "hamming_ratio_median": float(np.median([row["hamming_ratio"] for row in group])), + "r_floor_median": float(np.median([row["r_floor"] for row in group])), + } + 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) + + audit_rows = [] + event_rows = [] + for n in ns: + for phase in phases: + reference = sturmian_sequence(THETA, n, phase) + reference_labels = label_set(reference, args) + per_mode_best: dict[str, dict] = { + "phi_sturmian": { + "seq": reference, + "label_jaccard": 1.0, + "hamming_ratio": 0.0, + "accepted": True, + "trial": 0, + } + } + + for source_mode, trial, seq in candidate_pool(reference, rng, args): + distance = hamming_ratio(seq, reference) + if distance < args.min_hamming_ratio: + continue + score = score_sequence(seq, reference_labels, args) + accepted = score >= args.label_jaccard_min + audit = { + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": trial, + "label_jaccard": score, + "hamming_ratio": distance, + "accepted": accepted, + } + audit_rows.append(audit) + current = per_mode_best.get(source_mode) + key = (score, distance) + old_key = (-1.0, -1.0) if current is None else ( + current["label_jaccard"], + current["hamming_ratio"], + ) + if key > old_key: + per_mode_best[source_mode] = {**audit, "seq": seq} + + for source_mode, best in per_mode_best.items(): + if source_mode != "phi_sturmian" and not best["accepted"] and not args.include_rejected_best: + continue + r_values = curve_for_sequence(best["seq"], v_values) + for threshold in thresholds: + event_rows.append({ + "N": n, + "phase": phase, + "source_mode": source_mode, + "trial": best["trial"], + "r_threshold": threshold, + "label_jaccard": best["label_jaccard"], + "hamming_ratio": best["hamming_ratio"], + "accepted": best["accepted"], + **crossing_event(v_values, r_values, threshold), + }) + + accepted_nonsturmian = [ + row for row in audit_rows + if row["accepted"] and row["source_mode"] != "phase_shift_sturmian" + ] + return { + "experiment": "vc_nonsturmian_label_null_gate", + "parameters": vars(args), + "accepted_nonsturmian_count": len(accepted_nonsturmian), + "candidate_summary": summarize_candidates(audit_rows), + "event_summary": summarize_events(event_rows), + "audit_rows": audit_rows, + "event_rows": event_rows, + } + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--ns", default="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=64) + parser.add_argument("--mode-trials", type=int, default=48) + parser.add_argument("--block-sizes", default="2,3,5,8,13,21,34") + parser.add_argument("--periods", default="13,21,34,55,89") + parser.add_argument("--min-hamming-ratio", type=float, default=0.03) + 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=202605090819) + parser.add_argument("--include-rejected-best", action="store_true") + parser.add_argument("--out", default="tools/data/vc_nonsturmian_label_null_gate_20260509_0819.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 = { + "accepted_nonsturmian_count": output["accepted_nonsturmian_count"], + "candidate_summary": output["candidate_summary"], + "event_summary": output["event_summary"], + "out": str(out), + } + print(json.dumps(compact, indent=2)) + + +if __name__ == "__main__": + main() tokens used 129,395 Esperimento completato e report scritto in [agent_20260509_0819.md](/opt/MM_D-ND/tools/data/reports/agent_20260509_0819.md). Ho aggiunto lo strumento [exp_vc_nonsturmian_label_null_gate.py](/opt/MM_D-ND/tools/exp_vc_nonsturmian_label_null_gate.py) e salvato i dati in [vc_nonsturmian_label_null_gate_20260509_0819.json](/opt/MM_D-ND/tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json). Risultante: il null non-Sturmian label-preserving esiste a `N=144`, ma non e' indipendente. Passano solo generatori con memoria di scala lunga (`block_shuffle_21`, `block_shuffle_34`, `periodic_approximant_21`); balanced random e Markov-density restano a zero accettati. Verifiche eseguite: `python -m py_compile tools/exp_vc_nonsturmian_label_null_gate.py` e controllo coerenza numeri report/JSON.