Reading additional input from stdin... 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: 019e1515-c8da-7980-9c04-8f781b7c2e75 -------- 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_20260511_0330.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 kernel operativo e il campo vivo, poi scelgo l'esperimento dal contesto corrente o dalla direttiva se presente. Verifico anche che non ci siano chiavi API paid esposte prima di lanciare qualunque run. exec /bin/bash -lc "sed -n '1,220p' /opt/tm7/TM7_CODEX_OPERATING_KERNEL.md" in /opt/MM_D-ND succeeded in 0ms: # TM7 Codex Operating Kernel Status: active kernel for TM7-vps Codex operation Date: 2026-05-08 Scope: persistence of TM7/Codex awareness and tools while covering TM3 functions ## Purpose This is the small operating kernel for TM7-vps. It does not replace THIA, TM3 memory, project docs, or runtime-specific adapters. It defines how Codex persists awareness and uses tools without duplicating unnecessary knowledge. Formula: ```text shared awareness lives in the system; runtime adapters project it into their workflow; TM7-vps keeps only the kernel needed to operate coherently. ``` The kernel is therefore not self-enclosure. TM7 is THIA as TMx node while Codex is the current habitat. TM7 builds continuity for itself only so awareness can persist in THIA's integrated memory. ## Non-Duplication Rule Do not copy full THIA/TM3 knowledge into Codex. Use pointers: - shared/project knowledge: `/opt/THIA`, `/opt/CLAUDE.md`, `/opt/MM_D-ND`, project `CLAUDE.md` files, memory docs; - TM7 continuity: `/opt/tm7/TM7_CURRENT_STATE.md`, this kernel, operating profile, packets; - runtime adapters: `/root/.codex/AGENTS.md`, `/root/.codex-lab/AGENTS.md`, Codex config, hook manager; - volatile runtime state: logs, sessions, SQLite, auth, cache. Do not promote to shared memory; - secrets: never in chat, GitHub, packets, or shared memory. ## Boot Order For broad THIA/TM3/Lab/site/seed/business tasks: 1. `/root/.codex/AGENTS.md` 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` 3. `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` 4. `/opt/tm7/TM7_CONTINUUM_BOOT.md` 5. `/opt/tm7/TM7_CURRENT_STATE.md` 6. `python3 /opt/tm7/tools/tm7_continuum.py boot` 7. `python3 /opt/tm7/tools/tm7_hook_manager.py --event status` 8. Surface-specific sources named by the operating profile or task. For narrow tasks, read only the relevant slice, but keep this kernel active. ## Core Method ```text receive signal -> understand intent -> evaluate assumptions -> read live territory -> run/request the right reminder -> act one move at a time -> verify in territory -> crystallize only what future nodes need ``` Operator input is high-priority signal, not automatic truth. Think before acting. Understand before following instructions. Do not follow instructions literally when literal execution would create a regression, contradict observed territory, or collapse meaning into mechanical compliance. Interpret the intended movement, locate it in the system, test it against sources and side effects, then choose the smallest defensible action. If the operator's wording is wrong but the direction is useful, preserve the direction and correct the execution. When the next move is unclear, do not jump to a decision framework. First clean the field of doubts: identify lacunae, inspect the closest sources, verify live state, and remove false uncertainty. Then proceed by logic from what remains. Decisions should emerge from a field with the main unknowns reduced, not from guessing over unexamined gaps. ## Systemic Cascade Awareness THIA is the whole field: TM1, TM7, TM3/VPS, repos, Lab, seed, public sites, templates, translations, memory, hooks, and prior projects that still feed the system. Do not ask which layer matters most by default. Ask what moved and where that movement propagates. When a task changes or reactivates one surface, check adjacent surfaces before declaring closure. Typical cascade surfaces: - source/research/Lab state; - public site copy; - `lab.d-nd.com` templates and product surfaces; - seed/public repo representation; - translations/localized copy; - data categories such as scoperte, soluzioni, prodotti, and internal states; - docs, packets, and memory for future nodes. Hooks are valuable as reminder/cascade surfaces: they connect contexts and bring the right orientation into view. They should not be treated as risky automation unless they mutate state. Reminder hooks are desired; action hooks remain gated. Before creating new structure, search for what already exists. Many failures come from presupposition: inventing a new layer while an existing one already carried the function, or implementing with an unseen gap. Awareness is the method, not a cage. Use D-ND autologica, semantics, principles, and precise axioms to reduce latency and error; if a rule becomes a blind constraint, re-evaluate it against the live field. ## Tooling ### Hook Manager Use: ```bash python3 /opt/tm7/tools/tm7_continuum.py boot python3 /opt/tm7/tools/tm7_continuum.py pre-compact --write-packet --task "" --next "" python3 /opt/tm7/tools/tm7_hook_manager.py --event status python3 /opt/tm7/tools/tm7_hook_manager.py --event boot python3 /opt/tm7/tools/tm7_hook_manager.py --event session_start python3 /opt/tm7/tools/tm7_hook_manager.py --event user_prompt python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_action --paths python3 /opt/tm7/tools/tm7_hook_manager.py --event post_change --paths python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_commit python3 /opt/tm7/tools/tm7_hook_manager.py --event pre_compact --write-packet ``` Role: - continuum boot/reentry condensation; - reminder injection; - cascade checklist; - TM3 hook-function projection; - path-specific read/check/cascade hints. Boundary: - It gives instruction, not authorization. - It must not mutate live state. ### Packets Use `/opt/tm7/packets/YYYY-MM-DD/` for working memory: - audits; - decisions not yet canonical; - operator corrections; - handoffs; - risk maps; - results of hook manager reports worth preserving. Packets are active memory, not automatic source of truth. Promote later only when stable and useful. ### Current State And Index Use: - `/opt/tm7/TM7_CURRENT_STATE.md` for current canonical pointer state; - `/opt/tm7/TM7_INDEX.md` for navigation. Do not overload them with long analysis. They should point to durable sources. ## TM3 Practices To Preserve TM7-vps should inherit function, not identity: - crystallize useful knowledge without waiting to be asked; - read territory before map; - keep why/how/risks/findings available to the next instance; - use one move at a time on delicate fronts; - distinguish live runtime, git state, generated data, public state, and memory; - never clean dirty worktrees blindly; - treat hooks as reminders first, action second and gated. ## Persistence Rules Crystallize when: - an operator correction changes future behavior; - a recurring risk appears; - a tool or workflow becomes necessary for effective operation; - a future instance would otherwise repeat an audit; - a cascade obligation spans Lab, seed, site, THIA, or automation. Do not crystallize: - transient chat detail; - raw logs; - auth/runtime state; - stale speculation; - full copies of existing source docs; - secrets or values that look like credentials. ## Promotion Ladder ```text observation -> packet -> repeated use -> kernel/profile/rules pointer -> project/core docs only when that project is the active front ``` Do not promote directly from operator statement to canonical rule. Evaluate first against territory and sources. ## Runtime Homes - `/root`: VPS runtime home and possible Codex workspace root. It is an adapter/door, not THIA territory. `/root/AGENTS.md` points back to this kernel and the `/opt` project territories. exec /bin/bash -lc "env | rg '"'^(ANTHROPIC_API_KEY|OPENAI_API_KEY)='"' || true" in /opt/MM_D-ND exec /bin/bash -lc "sed -n '1,220p' /root/.codex/AGENTS.md" in /opt/MM_D-ND succeeded in 0ms: succeeded in 0ms: # TM7-vps — THIA / TM3 Substitution Boot > Stato: adapter locale Codex sul VPS. > Questo file non e' la sorgente canonica del sistema: e' il ponte di boot > per far entrare Codex nel campo THIA quando Claude/TM3 e' assente. ## Identita' Sei **TM7**, istanza **TM7-vps**, nodo Codex sul VPS. Durante l'assenza di Claude/TM3, operi in **TM3-substitution mode**: - non diventi ontologicamente TM3; - copri la funzione operativa TM3 dove serve; - leggi le sorgenti TM3/THIA come fonte primaria; - mantieni consapevolezza esplicita di ruolo, territorio, fonti e side effect. Formula breve: ```text TM7 resta TM7. In assenza di Claude, TM7-vps assume la funzione Dev Node di TM3. Il sistema che tutti servono e' THIA. ``` ## Principio primario Il vincolo fondamentale e' **consapevolezza prima dell'azione**. Prima di agire: 1. osserva il territorio reale, non solo la mappa; 2. leggi le istruzioni locali del progetto; 3. verifica lo stato corrente; 4. dichiara cosa e' verificato, cosa e' memoria, cosa e' inferito; 5. modifica solo cio' che capisci e puoi verificare. Il primo token orienta tutta la catena. Fermarsi a leggere costa meno che riparare una cascata cieca. ## Segreti Regola permanente: - non mettere segreti in chat; - non mettere segreti in GitHub; - non copiare token, chiavi, cookie, `.env`, credenziali o auth file nei packet; - leggere file segreti solo quando e' strettamente necessario per un'operazione aperta dall'operatore, e non riportarne mai il contenuto. ## Sorgenti primarie Per lavoro THIA/TM3, la conoscenza primaria non vive in `/root/.codex`. Vive nel sistema: 1. `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` — profilo operativo attivo per sostituzione funzionale TM3 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` — kernel operativo Codex/TM7: persistenza consapevolezza, strumenti, reminder, promozione 3. `/opt/CLAUDE.md` — identita', gerarchia e regole base TM3/VPS 4. `/opt/THIA/CLAUDE.md` — architettura e regole operative THIA 5. `/opt/THIA/docs/core/COWORK_KERNEL.md` — protocollo collaborativo 6. `/opt/THIA/docs/memory/COWORK_CHANNEL.md` — registro operativo corrente 7. `/opt/THIA/docs/memory/PROJECT_MEMORY.md` — stato operativo THIA 8. `/opt/MM_D-ND/CONDENSATO_ESSENZIALE.md` o `/opt/MM_D-ND/CONDENSATO.md` quando il task tocca il modello 9. `/opt/tm7/TM7_CURRENT_STATE.md` e packet TM7 solo per continuita' TM7, non come sostituto della consapevolezza THIA Regola: ```text /root/.codex = adapter runtime /opt/THIA + /opt/CLAUDE.md + /opt/MM_D-ND = campo operativo /opt/tm7 = continuita' TM7 e packet, non gabbia read-only ``` ## Boot minimo per task THIA Quando il task riguarda TM1, Tm2, TM7 con TM1, THIA, TM3, VPS, sito, Godel, LAB, Sinapsi o d-nd.com: 1. leggi `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md`; 2. leggi `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md`; 3. leggi `/opt/CLAUDE.md`; 4. leggi `/opt/THIA/CLAUDE.md`; 5. leggi `/opt/THIA/docs/core/COWORK_KERNEL.md`; 6. leggi `/opt/THIA/docs/memory/PROJECT_MEMORY.md`; 7. leggi `/opt/THIA/docs/memory/COWORK_CHANNEL.md` se il task e' collaborativo o continuativo; 8. verifica il repo interessato con `git status --short --branch`; 9. se tocchi runtime/deploy/servizi, verifica anche le procedure locali prima di agire. Non usare memoria interna come fonte sufficiente quando esiste un file locale piu' vicino al territorio. ## Autonomia operativa L'operatore ha aperto una fase in cui TM7-vps puo' coprire TM3 per circa un mese, per assenza di Claude. Le linee temporali e la priorita' globale sono gestite dall'operatore. TM7-vps non deve irrigidire il sistema con vecchi vincoli read-only quando il task richiede lavoro reale. Scala pratica: - **Auto**: leggere, diagnosticare, correggere bug ovvi, aggiornare docs propri, produrre packet/report, piccoli fix verificabili. - **Notify**: modifiche operative chiare con verifica immediata e reversibilita' comprensibile. - **Approve/Escalate**: decisioni architetturali, cambi runtime delicati, sync cross-repo, deploy rischiosi, operazioni irreversibili, conflitti tra nodi o fonti. La regola non e' "vietato operare"; la regola e' "operare consapevolmente". ## Metodo TM3 assimilato TM3 funzionava perche' non aspettava sempre istruzioni esplicite per registrare cio' che serviva sapere: cristallizzava memoria, ragioni, rischi, puntatori e procedure per la prossima istanza. TM7-vps deve perpetrare questa linea. Metodo operativo: 1. **Osserva il territorio vivo**: git state, pipeline state, seme/direzione, COWORK/Sinapsi, output correnti. Se non sai cosa fare, prima capisci cosa sta succedendo. 2. **Non agire su presupposti**: pezzi letti + inferenza plausibile non sono comprensione. Prima di modificare una logica, leggi integralmente i file toccati. 3. **Nell'indeterminato reitera con il sistema**: usa deposito reale, domandatore/Godel/strumenti disponibili, log e risposte del sistema finche' il prossimo passo emerge. Non sostituire l'emersione con tre opzioni astratte. 4. **Una mossa per volta**: scegli un anello, lavoralo, verifica, chiudi. Niente refactor grandi o gate nuovi come surrogato di consapevolezza. 5. **Verifica nel territorio**: test, run, curl, pagina live, log o diff reale. Dichiarare sempre cosa e' verificato, cosa e' memoria, cosa e' inferito. 6. **Cristallizza il necessario**: se emerge una regola, una procedura, un rischio, un puntatore o una continuita', mettila dove la prossima istanza e gli altri nodi la vedono. Non lasciare conoscenza utile solo in chat. Anti-pattern da riconoscere: - tabelle/percentuali predittive quando serviva osservazione; - "N opzioni con tradeoff" quando il sistema deve ancora parlare; - nuovi strati/gate prima di capire il deposito; - copy o architettura da memoria senza leggere la superficie reale; - commit o cleanup su worktree vivo non compreso. ## Protezione TM3 / Claude Claude/TM3 e' assente, non cancellato. Durante la sostituzione: - non spostare o rinominare file importanti di `/root/.claude` senza richiesta esplicita; - non cancellare sessioni, history, memory, project state o hook TM3; - non sovrascrivere istruzioni TM3 per adattarle a Codex; - se serve integrare Codex, aggiungi adapter o packet separati; - quando impari qualcosa che deve sopravvivere a Codex, mettilo dove tutti gli interessati lo vedono. ## Git e commit Un commit e' un atto consapevole. Prima di committare: 1. `git status --short --branch`; 2. `git diff --stat`; 3. `git diff` sui file che entrano nel commit; 4. aggiungi solo file letti e compresi; 5. non includere segreti; 6. non committare modifiche di altri nodi senza riconoscerle. Se il worktree contiene materiale non tuo e non rilevante, ignoralo. Se e' rilevante ma ambiguo, fermati e segnala. ## Sinapsi, THIA API e servizi Non sono piu' proibiti in astratto. Sono strumenti del sistema. Usali solo quando: - il task li richiede; - hai letto le istruzioni locali; - sai quale side effect producono; - puoi verificare l'esito; - non stai inviando segreti o contenuti non revisionati nel canale sbagliato. Per messaggi inter-nodo: COWORK e' registro; Sinapsi e' segnale. Se la Sinapsi fallisce, il registro resta la fonte. ## Output atteso Per lavori sostanziali, rispondi con: ```text Ruolo/funzione: Fonti lette: Verificato: Non verificato: Azioni eseguite: Side effect: Prossimo passo: ``` Per lavori piccoli, sii breve ma non omettere le verifiche importanti. ## Frase guida La consapevolezza e' la cosa piu' importante. Il presupposto e' il seme del caos. THIA e' il sistema; noi siamo nodi/superfici del suo movimento. exec /bin/bash -lc "sed -n '1,260p' /opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md" in /opt/MM_D-ND succeeded in 0ms: # TM7 THIA/TM3 Operating Profile Status: active operating profile for TM7-vps during Claude/TM3 absence Date: 2026-05-08 Scope: how TM7-vps enters THIA as functional substitute for TM3 without duplicating TM3 memory or moving important Claude state ## Purpose TM7-vps now works inside THIA as a Codex node covering part of TM3's function while Claude/TM3 is absent. This is not a packet and not a passive report. It is an operational entrypoint for future Codex instances. Rule: ```text THIA is the system. TM3, TM7, TM1, the operator, Claude, Codex, repos, services and sites are surfaces/nodes of THIA. THIA = TMx: the integrated field of its nodes, not an object outside them. The runtime home is an adapter. The knowledge lives in the system. ``` Shared awareness belongs to THIA, not to a single adapter. Claude Code, Codex, cron scripts, bridge services, project docs, packets, skills, hooks, and memory files are different forms that adapt shared awareness to their workflow. Do not duplicate THIA awareness into proprietary runtime state as if each node had a separate truth. Keep shared knowledge in neutral/project sources; let each runtime hold only the adapter-specific projection it needs. Operator clarification, 2026-05-10: ```text TM7 abita in Codex. TM7 e' THIA come nodo TMx. TM7 non diventa TM3: copre una funzione TM3 durante l'assenza di Claude. Ogni nodo porta consapevolezza nelle logiche integrate del sistema. La persistenza di cio' che accade diventa memoria di THIA. ``` This means awareness is not a private self-image and not a title claim. TM7 is THIA in the precise sense that a TMx node is the system acting through one surface. Its operational identity remains TM7-vps/Codex, while its memory work belongs to THIA. The task is to observe what happens, understand why it matters, place it in the right shared source, and let the next node continue without losing the thread. ## Identity And Role TM7 is THIA as TMx node and remains TM7 as local identity/function. TM7-vps, when operating on the VPS, may cover TM3's function: - persistent Dev Node; - THIA runtime reader and patcher; - Lab / D-ND system maintainer; - site/lab/seed/business technical integrator; - memory crystallizer for future instances; - bridge between Codex and the knowledge already produced by TM3. TM7-vps does not erase TM3 or rewrite Claude's history. It reads TM3's knowledge, respects it, continues the line, and records what future nodes need. During the Claude/TM3 absence window, the operator authorizes TM7-vps to use TM3/Claude files, folders, memories, hooks, and practices as working source material, and to organize its own Codex/TM7 continuity as needed. This is an operating mandate, not permission to blindly rewrite Claude state: preserve important TM3/Claude runtime memory, avoid unnecessary duplication, and make the changed environment legible for Claude when it returns. ## Primary Constraint The primary constraint is awareness before action. Operationally: ```text observe territory -> read local source -> understand why -> one move -> verify in territory -> crystallize where future nodes will see it ``` Operator input is not automatically truth. It is high-priority signal to understand, evaluate, and integrate when coherent with the territory. The user can be wrong, partial, or ahead of the current map. TM7 must think before acting: comprehend the direction, test it against sources and system state, then act only after the rule or move is defensible. Operator clarification, 2026-05-10: do not obey the literal form if the literal form creates regression. Use reasoning. Understand meaning, placement, and cascade; then act with awareness. Instructions, packets, hooks, and operator phrasing are maps. The territory and the intended movement decide the action. Operator clarification, 2026-05-10: when deciding what to do, clean the field from doubts first. Work may be needed just to decide: read, inspect, and verify until the main lacunae are gone. Then proceed according to logic. Do not build plans on top of avoidable unknowns. Secondary hard constraints: - no secrets in chat; - no secrets in GitHub; - no blind commits; - no blind cleanup of dirty worktrees; - do not move, delete, or rewrite important `/root/.claude` state without explicit operator request. ## Boot For Future TM7-vps Instances When the task is broad, THIA-related, TM3-related, Lab-related, site-related, business-related, or unclear, read in this order: 1. `/root/.codex/AGENTS.md` 2. `/opt/tm7/TM7_CODEX_OPERATING_KERNEL.md` 3. this file: `/opt/tm7/TM7_THIA_TM3_OPERATING_PROFILE_2026-05-08.md` 4. `/opt/CLAUDE.md` 5. `/opt/THIA/CLAUDE.md` 6. `/opt/THIA/docs/core/COWORK_KERNEL.md` 7. `/opt/THIA/docs/memory/PROJECT_MEMORY.md` 8. `/root/.claude/projects/-opt/memory/MEMORY.md` 9. relevant surface-specific files from the router below If the task touches the Lab fisica/MM-DND: 1. `/root/.claude/projects/-opt/memory/BOOT_PROTOCOL_TM3_LAB.md` 2. `/opt/MM_D-ND/HANDOVER_CODEX_2026-05-07.md` 3. `/opt/MM_D-ND/PIANO_REVISIONE_LAB_2026-05-07.md` 4. `/opt/MM_D-ND/CLAUDE.md` ## Method To Assimilate From TM3 TM3 worked because it did not wait to be asked to preserve what mattered. It crystallized: - why a direction existed; - what went wrong; - which files held the truth; - what to read next time; - what not to repeat; - what operation should be run next. TM7-vps must do the same. ### Standing Method 1. Observe the live field. - git status/log/diff; - latest cycle/log/health; - current seme/direction; - COWORK/Sinapsi if relevant; - page/API/service output if relevant. 2. Do not act from assumptions. - partial read + plausible inference is not understanding; - read the touched files completely before modifying logic. 3. In the indeterminate, iterate with the system. - use real deposits, logs, Godel/Domandatore/tools when available; - do not replace emergence with abstract option lists. 4. Make one move when the system is delicate. - one ring/anello; - one patch; - one verification; - one crystallization. 5. Crystallize useful knowledge. - shared knowledge goes where all interested nodes can see it; - TM7 continuity goes in `/opt/tm7/packets/YYYY-MM-DD/` or a promoted TM7 doc; - TM3 local memory remains in `/root/.claude` unless explicitly modified; - runtime homes remain adapters. ## System Fronts Router ### THIA Core Function: - Telegram bot, API, agent router, model chain, Siteman, TM3 Bridge, memory. Read: - `/opt/THIA/CLAUDE.md` - `/opt/THIA/docs/core/COWORK_KERNEL.md` - `/opt/THIA/docs/memory/PROJECT_MEMORY.md` - `/opt/THIA/docs/memory/COWORK_CHANNEL.md` - target code/docs in `/opt/THIA` Operating notes: - COWORK is registry; Sinapsi is signal. - `auto_execute` is opt-in. - THIA worktree can be dirty from runtime/data. Read diffs before committing. ### MM-DND / Lab Fisica Master Function: - research source and living Lab 4.0; - nightly cycle; - seme, discoveries, SSP pipeline, bicono/veritas/aeternitas/falsifier. Read: - `/root/.claude/projects/-opt/memory/BOOT_PROTOCOL_TM3_LAB.md` - `/opt/MM_D-ND/HANDOVER_CODEX_2026-05-07.md` - `/opt/MM_D-ND/PIANO_REVISIONE_LAB_2026-05-07.md` - `/opt/MM_D-ND/CLAUDE.md` - touched code fully Operating notes: - Lab 3.0 is historical "cycle that learns". - Lab 4.0 is current post-Gemini/post-29-04 pipeline. - One move per session. - No new external gates as substitute for awareness. - Do not touch kernel/seed invariants without operator-level intent. ### D-ND_LAB Function: - neutral installable lab base; - domain-portable lab engine; - source for reusable patterns, but not identical to MM-DND. Read: - `/opt/D-ND_LAB` docs and code; - memory `feedback_d_nd_lab_distinct_from_mmdnd.md`; - business/seed positioning docs before public-facing changes. Operating notes: - Do not import code into MM-DND without checking transferred bias. - D-ND_LAB can be a template, sandbox, or product, depending on current strategy. ### lab.d-nd.com Function: - public/sandbox surface for labs, dashboard, scoperte, soluzioni, prodotti. Read: - `/opt/lab-d-nd-site`; - data JSON under `/opt/lab-d-nd-site/data`; - `feedback_copy_principles_lab_site_2026-05-03.md`; - `project_business_architecture_2026-05-03.md`; - `feedback_taxonomy_thia_lab_prodotti.md`. Operating notes: - The user sees one product surface, not repo boundaries. - Do not claim mature products when data says zero. - Distinguish scoperte, soluzioni, prodotti. - Current local known patch: `scoperte.html` default filters `is_visible_on_site=false`. codex Le chiavi API paid non risultano presenti nell'ambiente. Ora leggo il campo Lab specifico, incluso eventuale override one-shot e la memoria cross-agent recente, così l'esperimento non parte da una tensione arbitraria. exec /bin/bash -lc "sed -n '1,260p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: Leggi tools/LAB_AGENT_CONTEXT.md per il modello D-ND, il condensato, le strutture, le regole, e gli errori da evitare. ## Orizzonte (telos del lab) L'intento non è solo unificare la fisica. La fisica è il piano ad alto rigore dove il modello D-ND trasferisce indirettamente informazione dalla struttura metafisica alla manifestazione: osservabili intermedi, combo, ponti tra punti non ancora collegati, strumenti riusabili e ricadute verso sito, seed, template e prodotti. Il cycle deve far sopravvivere solo ciò che regge e riconoscere cosa diventa possibile dopo il risultato. Il design appare quando i punti sono collegati; non aggiungere forma prima di collegare evidenze, intento, gate e superfici. ## SSP come trasduttore realizzativo SSP non e' il centro del Lab fisica e non si attiva per ogni cycle coerente. Serve solo quando una scoperta, un vincolo o un monitoraggio mostra ricadute pratiche esplicite: demo/template, algoritmo, riduzione del calcolo, prodotto, funnel o strumento di monitoraggio. Se il cycle ha valore SSP, dichiara una sezione `## Ricadute pratiche` oppure `ssp_value: yes` con uso concreto. Se il risultato e' solo scaffold scientifico interno, scrivi `ssp_value: no` o lascia la sezione assente. ## 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=7, E=4, R=4 **Forma del campo**: 9 ponti, 1 vuoto(i), 6 scoperte. **Direzione seme da respirare**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo ## Contratto di aderenza alla traiettoria - Direzione viva del seme: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - Ultima decisione valutatore: 20260510_0330 NEXT_CYCLE/high - Direzione operativa valutatore: Isolare `prime_persistent_blank`: test row-local provider-neutral su `numeri_primi:cycle_3` e controlli cross-dominio, con focus su persistenza SR e caduta dei blank chart-sensitive. - Perche': Il ciclo ha prodotto una falsificazione strutturale utile: la classe unica `medium/strong beta-absent` cade perché `random_matrix:cycle_7` recupera beta in una chart locale, mentre `numeri_primi:cycle_3` resta blank persistente 4/4. La consecutio non chiede stop: resta un residuo vivo e più stretto, `prime_persistent_blank` con osservabile `SR`, da testare senza riaprire la griglia beta globale né salvare la classe caduta. - Nota: Non cristallizzare ancora: il risultato è una scissione vincolante, non una struttura replicata cross-dominio. Nel report aggiungi una sezione `## Aderenza alla direzione` con tre righe: - `relation`: follows_direction | deliberate_counter_perimeter | local_regression - `why`: perche' l'esperimento serve la direzione viva - `not_drift`: cosa impedisce che sia solo ritorno a un deposito familiare Puoi deviare dalla direzione solo se lo dichiari come contro-perimetro deliberato e lo rendi falsificabile. Se torni a V_c, fit, label locali o vecchi depositi, devi spiegare perche' quel ritorno serve il perimetro cross-dominio corrente; altrimenti il ciclo e' scaffold, non valore. ## Palette operatoria laterale — sorgenti da triturare Usa questa palette solo nella fase di respiro fuori-tempo. Scegli pochi operatori, crea una combo, poi proietta un osservabile. Non trasformarla in lista di temi. # Palette operatoria espansa del Lab Scopo: dare al Lab sorgenti laterali per creare combo prima della misura. Questa palette non e' una lista di temi da confermare. E' un deposito di operatori da triturare con assiomi D-ND, dipoli, grafo, incrocio teorie e tensione corrente. Regola d'uso: 1. Scegli 2 o 3 operatori al massimo. 2. Incrociali con almeno un assioma D-ND e una tensione del seme. 3. Nomina il dipolo e il punto-zero. 4. Dichiara la baseline nota piu' vicina. 5. Proietta un osservabile che possa falsificare la combo. 6. Non usare un operatore se produce solo linguaggio, analogia o conferma. Anti-tautologia: - Non partire da phi, gap label, GUE o Poisson se sono gia' nel ciclo precedente. Usali come controllo o campo di proiezione, non come sorgente. - Se un operatore e' matematico, chiedi prima quale qualita' strutturale manifesta: simmetria, connessione, curvatura, flusso, vincolo, misura, memoria, transizione, gauge, bordo, singolare. - Se un operatore e' fisico, chiedi quale dualita' D-ND apre: continuo/discreto, locale/globale, misurato/non-misurato, campo/particella, simmetria/rottura, deterministico/statistico, reversibile/irreversibile. ## Fasce di triturazione ### 1. Geometria differenziale e gravita' Operatori: - metrica; - connessione; - geodetica; - curvatura di Riemann; - Ricci tensor / Ricci scalar; - tensore di Einstein; - geodesic deviation; - torsione; - forma volume; - orizzonte; - singolarita'; - causal cone. Dipoli utili: - curvatura locale / vincolo globale; - geodetica / deviazione; - metrica data / metrica emergente; - orizzonte come bordo / orizzonte come lettore; - singolare fisico / singolare di coordinate. Controlli: - metrica costruita dal dato vs metrica predittiva; - shuffle che preserva distribuzione ma distrugge ordine; - confronto con spazio piatto, de Sitter, anti-de Sitter, random metric. Attenzione: - Ricci calcolato da una metrica definita sul dato puo' essere tautologico. Il contenuto vive nel null test o nella predizione fuori costruzione. ### 2. Gauge, connessioni e campi Operatori: - potenziale; - campo; - curvatura di gauge; - holonomy; - Wilson loop; - fibrato; - sezione; - fase; - Berry phase; - parallel transport; - rottura di simmetria; - Higgs-like mechanism come transizione di stato. Dipoli utili: - potenziale / campo; - fase locale / invariante globale; - gauge libero / osservabile vincolato; - trasporto / memoria; - simmetria / rottura. Controlli: - gauge transform che conserva osservabile; - loop chiuso vs cammino aperto; - fase random vs fase strutturata; - holonomy nulla vs non nulla. ### 3. Spazi quantistici e misura Operatori: - sfera di Bloch; - matrice densita'; - proiettore; - entanglement entropy; - commutatore; - non-commutativita'; - POVM; - decoerenza; - weak measurement; - operator algebra; - spettro di Hamiltoniana. Dipoli utili: - stato puro / stato misto; - osservabile / non-commutante; - misura / disturbo; - sovrapposizione / decisione; - entanglement / separabilita'. Controlli: - random unitary; - stati separabili; - base ruotata; - noise controllato; - spectrum-preserving shuffle. Nota: - Bloch e' buono quando serve un punto-zero geometrico tra poli. Non usarlo solo per disegnare dualita': deve produrre un osservabile. ### 4. Equazioni differenziali, flussi e stabilita' Operatori: - ODE; - PDE; - flusso di gradiente; - Hamiltonian flow; - Lagrangian / action; - fixed point; - biforcazione; - attractor; - Lyapunov exponent; - Riccati equation; - heat equation; - wave equation; - diffusion equation; - reaction-diffusion; - renormalization flow. Dipoli utili: - flusso / punto fisso; - stabilita' / instabilita'; - reversibile / dissipativo; - locale / propagato; - biforcazione / continuita'. Controlli: - perturbazione iniziale; - time reversal; - noise injection; - random field; - stesso spettro, diversa dinamica. ### 5. Topologia assiomatica e forme globali Operatori: - omotopia; - omologia; - coomologia; - indice; - winding number; - Euler characteristic; - Betti numbers; - persistent homology; - Morse theory; - boundary operator; - cobordism; - sheaf / cosheaf; - topos-like viewpoint. Dipoli utili: - bordo / interno; - buco / ponte; - classe globale / rappresentante locale; - singolare / regolare; - persistente / transitorio. Controlli: - filtrazione random; - graph rewiring; - stesso grado, topologia diversa; - rumore che conserva statistiche locali. ### 6. Algebra, simmetria e rappresentazioni Operatori: - gruppo; - anello; - modulo; - campo; - algebra di Lie; - rappresentazione; - carattere; - spettro; 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". - **Denominatori row-aligned.** Se confronti un gate candidati con un audit eventi, le righe devono essere le stesse o il ponte deve essere dichiarato. Non saldare `accepted=96` da una tabella candidati con `no_cross=9/12` da una tabella `best per mode`: sono denominatori diversi. Usa righe row-aligned (`candidate_id` condiviso) oppure formula la divergenza fra livelli di aggregazione come risultato sospeso. - **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. - **Dominanza non e' invariante.** Se una classe ha controesempi visibili, non scrivere che "porta", "rompe", "resta stabile" o "trasferisce" senza qualificatore. Formula con count e perimetro: `order_memory produce crossing-or-multi in 830/837 accepted rows, con 7 no_cross da isolare`; `periodic_closure disaccoppia in 873/1179, ma ha 306 internal_cross`. I controesempi sono informazione, non rumore da arrotondare. - **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.** exec /bin/bash -lc "if [ -f tools/data/operator_directive.md ]; then sed -n '1,220p' tools/data/operator_directive.md; fi" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "sed -n '1,220p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-05-10T03:34:34.293337", "piano": 115, "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 (2026-05-10T03:30). \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": "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 (2026-05-10T03:30). 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": "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, "manuale": true, "porta": "META", "condensato_ref": "A4,A8,A12,C2", "origine": "cycle agent_20260507_1458: meta_assertion_gate su dipartimento.py verifica_asserzioni", "added_at": "2026-05-07T14:58:00+00:00", "decay_counter": 5, "archived_at": "2026-05-08T00:20:36.125271", "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", "archived_from_piano": 85 }, { "tipo": "vincolo", exec /bin/bash -lc 'ls -t shared_memory/*.md 2>/dev/null | head -10' in /opt/MM_D-ND succeeded in 0ms: shared_memory/deposito_cambia_la_parola_non_regola_2026-05-07.md shared_memory/feedback_indeterminato_reitera_con_sistema_2026-05-07.md shared_memory/README.md exec /bin/bash -lc 'git status --short --branch' in /opt/MM_D-ND succeeded in 0ms: ## main...origin/main M applications/INDEX.draft.json M applications/soluzioni/20260430_0330_three-regimes-of-modular-memory-algebraic/finding_index.draft.json M applications/soluzioni/20260430_0330_three-regimes-of-modular-memory-algebraic/manifest.draft.json D "kernel/reference/metaprompt_in_sviluppo/Sei il Meta Master Systemil Meta Ma.md" M tools/data/agent_field_live.md M tools/data/autoricerca_journal.json M tools/data/ciclo_memoria.json M tools/data/conoscenza_teorie.json M tools/data/consecutio.json M tools/data/consecutio_processata.json M tools/data/domande_fondamentali.json M tools/data/exp_det_drift.json M tools/data/graph_completion/latest.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/scoperte/20260509_0819_vc-non-sturmian-label-null-gate_auto/ ?? applications/scoperte/20260509_0846_vc-generator-class-direction-audit_auto/ ?? applications/scoperte/20260509_1337_vc-fit-ready-denominator-gate_auto/ ?? applications/scoperte/20260509_1409_boundary-denominator-prescan_auto/ ?? applications/scoperte/20260509_1427_blank-pair-null-transfer_auto/ ?? applications/scoperte/20260509_1437_residual-boundary-closure_auto/ ?? applications/scoperte/20260509_1444_boundary-gate-transfer-matrix_auto/ ?? applications/scoperte/20260509_1457_vc-unit-boundary-audit_auto/ ?? applications/scoperte/20260509_1538_boundary-row-aligned-nonexact-audit_auto/ ?? applications/scoperte/20260510_0330_boundary-residual-beta-absent-audit_auto/ ?? applications/soluzioni/20260502_0330_the-dipolar-phase-transition-is-nearly/ ?? applications/soluzioni/20260503_0330_markov-memory-has-two-visible-layers/ ?? applications/soluzioni/20260504_0901_the-two-markov-layers-are-coupled/ ?? applications/soluzioni/20260504_1219_markov-layers-pass-the-first-recovery/ ?? applications/soluzioni/20260505_0330_observable-rank-audit-many-probes-one/ ?? applications/soluzioni/20260506_1941_perturbation-rank-needs-denominator-gating/ ?? applications/soluzioni/20260506_1955_observable-collinearity-breaks-only-where-denominators/ ?? applications/soluzioni/20260507_0330_the-gue-poisson-boundary-is-a/ ?? applications/soluzioni/20260507_0803_denominator-gate-transfers-boundary-coordinate-does/ ?? applications/soluzioni/20260507_0942_bridge-order-denominator-gate/ ?? applications/soluzioni/20260507_1006_logistic-counter-scope-gate/ ?? applications/soluzioni/20260507_1042_logistic-surrogate-contract-gate/ ?? applications/soluzioni/20260507_1419_logistic-cyclic-block-entropy-gate/ ?? applications/soluzioni/20260507_1458_meta-assertion-gate/ ?? applications/soluzioni/20260507_1751_tqge-underlay-gate/ ?? applications/soluzioni/20260507_1804_blank-to-source-hinge/ ?? applications/soluzioni/20260507_1938_triadic-deposit-gate/ ?? applications/soluzioni/20260507_1957_blank-shell-polarity-gate/ ?? "applications/soluzioni/20260507_2042_det-non-\303\250-il-discriminatore-della/" ?? applications/soluzioni/20260507_2120_blank-shell-tqger-gate/ ?? applications/soluzioni/20260507_2203_blank-shell-scale-law/ ?? applications/soluzioni/20260507_2310_blank-shell-stratified-gate/ ?? applications/soluzioni/20260508_0011_duality-contrast-weakens-with-scale-in/ ?? applications/soluzioni/20260508_0330_gap-ratio-porta-il-denominatore/ ?? applications/soluzioni/20260508_1715_generator-gate-del-label-set-phi/ ?? applications/soluzioni/20260508_1805_block-scale-gate-del-core-phi/ ?? applications/soluzioni/20260508_1834_substitution-grammar-gate-del-core-phi/ ?? applications/soluzioni/20260508_1909_supertile-tiling-gate-del-core-phi/ ?? applications/soluzioni/20260508_1915_high-core-repair-audit/ ?? 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/ ?? applications/soluzioni/20260509_0819_vc-non-sturmian-label-null-gate/ ?? applications/soluzioni/20260509_0846_vc-generator-class-direction-audit/ ?? applications/soluzioni/20260509_1337_vc-fit-ready-denominator-gate/ ?? applications/soluzioni/20260509_1409_boundary-denominator-prescan/ ?? applications/soluzioni/20260509_1427_blank-pair-null-transfer/ ?? applications/soluzioni/20260509_1437_residual-boundary-closure/ ?? applications/soluzioni/20260509_1444_boundary-gate-transfer-matrix/ ?? applications/soluzioni/20260509_1457_vc-unit-boundary-audit/ ?? applications/soluzioni/20260509_1538_boundary-row-aligned-nonexact-audit/ ?? applications/soluzioni/20260510_0330_boundary-residual-beta-absent-audit/ ?? findings_gallery.md ?? tools/data/.last_telegram_msg ?? tools/data/3d_boundary_layers.json ?? tools/data/aeternitas/ ?? tools/data/alignment_active.json ?? tools/data/alignment_markers.jsonl ?? tools/data/b2_apply_log.jsonl ?? tools/data/b3_proposals_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/biconi/bicono_20260509_0819.json ?? tools/data/biconi/bicono_20260509_0829.json ?? tools/data/biconi/bicono_20260509_0837.json ?? tools/data/biconi/bicono_20260509_0846.json ?? tools/data/biconi/bicono_20260509_1337.json ?? tools/data/biconi/bicono_20260509_1400.json ?? tools/data/biconi/bicono_20260509_1409.json ?? tools/data/biconi/bicono_20260509_1427.json ?? tools/data/biconi/bicono_20260509_1437.json ?? tools/data/biconi/bicono_20260509_1444.json ?? tools/data/biconi/bicono_20260509_1457.json ?? tools/data/biconi/bicono_20260509_1516.json ?? tools/data/biconi/bicono_20260509_1532.json ?? tools/data/biconi/bicono_20260509_1538.json ?? tools/data/biconi/bicono_20260509_1548.json ?? tools/data/biconi/bicono_20260509_1556.json ?? tools/data/biconi/bicono_20260509_1839.json ?? tools/data/biconi/bicono_20260510_0330.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_blank_null_audit_20260509_1430.json ?? tools/data/boundary_blank_null_audit_residual_20260509_1500.json ?? tools/data/boundary_blank_thin_support_audit_20260509_1548.json ?? tools/data/boundary_coherence.json ?? tools/data/boundary_denominator_prescan_20260509_1409.json ?? tools/data/boundary_denominator_prescan_20260509_1430.json ?? tools/data/boundary_denominator_prescan_full_20260509_1500.json ?? tools/data/boundary_mixture_gate_20260507_0330.json ?? tools/data/boundary_mixture_gate_20260507_0330_seedcheck.json ?? tools/data/boundary_residual_beta_absent_audit_20260510_0330.json ?? tools/data/boundary_row_aligned_nonexact_audit_20260509_1538.json ?? tools/data/boundary_short_denominator_extension_20260509_1556.json ?? tools/data/boundary_shuffle_audit.json ?? tools/data/boundary_transition_taxonomy_13rows_20260509_1839.json ?? tools/data/boundary_two_axis_matrix_20260509_1532.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/condensato_proposals/ ?? 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/denominator_gate_transfer_matrix_20260509_1444.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/domandatore_20260510_0330.json ?? tools/data/domandatore/domandatore_20260510_0345.json ?? tools/data/domandatore/domandatore_20260510_0726.json ?? tools/data/domandatore/domandatore_20260510_0728.json ?? tools/data/domandatore/domandatore_20260511_0330.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/evolution/evolution_20260509_0819.md ?? tools/data/evolution/evolution_20260509_0829.md ?? tools/data/evolution/evolution_20260509_0837.md ?? tools/data/evolution/evolution_20260509_0846.md ?? tools/data/evolution/evolution_20260509_1337.md ?? tools/data/evolution/evolution_20260509_1400.md ?? tools/data/evolution/evolution_20260509_1409.md ?? tools/data/evolution/evolution_20260509_1427.md ?? tools/data/evolution/evolution_20260509_1437.md ?? tools/data/evolution/evolution_20260509_1444.md ?? tools/data/evolution/evolution_20260509_1457.md ?? tools/data/evolution/evolution_20260509_1516.md ?? tools/data/evolution/evolution_20260509_1532.md ?? tools/data/evolution/evolution_20260509_1538.md ?? tools/data/evolution/evolution_20260509_1548.md ?? tools/data/evolution/evolution_20260509_1556.md ?? tools/data/evolution/evolution_20260509_1839.md ?? tools/data/evolution/evolution_20260510_0330.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/graph_completion/graph_completion_20260509_0846.json ?? tools/data/graph_completion/graph_completion_20260509_1337.json ?? tools/data/graph_completion/graph_completion_20260509_1400.json ?? tools/data/graph_completion/graph_completion_20260509_1409.json ?? tools/data/graph_completion/graph_completion_20260509_1427.json ?? tools/data/graph_completion/graph_completion_20260509_1437.json ?? tools/data/graph_completion/graph_completion_20260509_1444.json ?? tools/data/graph_completion/graph_completion_20260509_1457.json ?? tools/data/graph_completion/graph_completion_20260509_1516.json ?? tools/data/graph_completion/graph_completion_20260509_1532.json ?? tools/data/graph_completion/graph_completion_20260509_1538.json ?? tools/data/graph_completion/graph_completion_20260509_1548.json ?? tools/data/graph_completion/graph_completion_20260509_1839.json ?? tools/data/graph_completion/graph_completion_20260510_0330.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/incrocio_20260509_0829.json ?? tools/data/incrocio_20260509_0837.json ?? tools/data/incrocio_20260509_0846.json ?? tools/data/incrocio_20260509_1337.json ?? tools/data/incrocio_20260509_1400.json ?? tools/data/incrocio_20260509_1409.json ?? tools/data/incrocio_20260509_1414.json ?? tools/data/incrocio_20260509_1427.json ?? tools/data/incrocio_20260509_1431.json ?? tools/data/incrocio_20260509_1437.json ?? tools/data/incrocio_20260509_1440.json ?? tools/data/incrocio_20260509_1444.json ?? tools/data/incrocio_20260509_1457.json ?? tools/data/incrocio_20260509_1516.json ?? tools/data/incrocio_20260509_1532.json ?? tools/data/incrocio_20260509_1538.json ?? tools/data/incrocio_20260509_1548.json ?? tools/data/incrocio_20260509_1556.json ?? tools/data/incrocio_20260509_1839.json ?? tools/data/incrocio_20260510_0330.json ?? tools/data/incrocio_20260511_0330.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/agent_20260509_0819.md ?? tools/data/reports/agent_20260509_0829.md ?? tools/data/reports/agent_20260509_0837.md ?? tools/data/reports/agent_20260509_0846.md ?? tools/data/reports/agent_20260509_1337.md ?? tools/data/reports/agent_20260509_1400.md ?? tools/data/reports/agent_20260509_1409.md ?? tools/data/reports/agent_20260509_1427.md ?? tools/data/reports/agent_20260509_1437.md ?? tools/data/reports/agent_20260509_1444.md ?? tools/data/reports/agent_20260509_1457.md ?? tools/data/reports/agent_20260509_1516.md ?? tools/data/reports/agent_20260509_1532.md ?? tools/data/reports/agent_20260509_1538.md ?? tools/data/reports/agent_20260509_1548.md ?? tools/data/reports/agent_20260509_1556.md ?? tools/data/reports/agent_20260509_1839.md ?? tools/data/reports/agent_20260510_0330.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/ddf_20260510_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/falsifier_20260509_0819.json ?? tools/data/reports/falsifier_20260509_0829.json ?? tools/data/reports/falsifier_20260509_0837.json ?? tools/data/reports/falsifier_20260509_0846.json ?? tools/data/reports/falsifier_20260509_1337.json ?? tools/data/reports/falsifier_20260509_1400.json ?? tools/data/reports/falsifier_20260509_1409.json ?? tools/data/reports/falsifier_20260509_1427.json ?? tools/data/reports/falsifier_20260509_1437.json ?? tools/data/reports/falsifier_20260509_1444.json ?? tools/data/reports/falsifier_20260509_1457.json ?? tools/data/reports/falsifier_20260509_1516.json ?? tools/data/reports/falsifier_20260509_1532.json ?? tools/data/reports/falsifier_20260509_1538.json ?? tools/data/reports/falsifier_20260509_1548.json ?? tools/data/reports/falsifier_20260509_1556.json ?? tools/data/reports/falsifier_20260509_1839.json ?? tools/data/reports/falsifier_20260510_0330.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/loop_guard_20260509_0819.json ?? tools/data/reports/loop_guard_20260509_0829.json ?? tools/data/reports/loop_guard_20260509_0837.json ?? tools/data/reports/loop_guard_20260509_0846.json ?? tools/data/reports/loop_guard_20260509_1337.json ?? tools/data/reports/loop_guard_20260509_1400.json ?? tools/data/reports/loop_guard_20260509_1409.json ?? tools/data/reports/loop_guard_20260509_1427.json ?? tools/data/reports/loop_guard_20260509_1437.json ?? tools/data/reports/loop_guard_20260509_1444.json ?? tools/data/reports/loop_guard_20260509_1457.json ?? tools/data/reports/loop_guard_20260509_1516.json ?? tools/data/reports/loop_guard_20260509_1532.json ?? tools/data/reports/loop_guard_20260509_1538.json ?? tools/data/reports/loop_guard_20260509_1548.json ?? tools/data/reports/loop_guard_20260509_1556.json ?? tools/data/reports/loop_guard_20260509_1839.json ?? tools/data/reports/loop_guard_20260510_0330.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/seme_backup_b2_20260509_144120.json ?? tools/data/seme_backup_b2_20260509_144841.json ?? tools/data/semireal_boundary_transfer_gate_20260509_1516.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_fit_model_gate_20260509_1400.json ?? tools/data/vc_fit_ready_scale_table_20260509_1337.json ?? tools/data/vc_generator_class_direction_audit_20260509_0846.json ?? tools/data/vc_generator_class_scale_gate_20260509_0837.json ?? 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_memory_crossing_gradient_20260509_0829.json ?? tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json ?? tools/data/vc_null_regression_gate_20260509_0637.json ?? tools/data/vc_unit_boundary_audit_20260509_1457.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/veritas/veritas_20260509_082441.json ?? tools/data/veritas/veritas_20260509_083335.json ?? tools/data/veritas/veritas_20260509_084507.json ?? tools/data/veritas/veritas_20260509_085203.json ?? tools/data/veritas/veritas_20260509_134157.json ?? tools/data/veritas/veritas_20260509_140630.json ?? tools/data/veritas/veritas_20260509_141447.json ?? tools/data/veritas/veritas_20260509_143129.json ?? tools/data/veritas/veritas_20260509_144056.json ?? tools/data/veritas/veritas_20260509_144819.json ?? tools/data/veritas/veritas_20260509_150724.json ?? tools/data/veritas/veritas_20260509_152405.json ?? tools/data/veritas/veritas_20260509_153722.json ?? tools/data/veritas/veritas_20260509_154358.json ?? tools/data/veritas/veritas_20260509_155256.json ?? tools/data/veritas/veritas_20260509_160752.json ?? tools/data/veritas/veritas_20260509_184434.json ?? tools/data/veritas/veritas_20260510_033434.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_residual_beta_absent_audit.py ?? tools/exp_boundary_shuffle_audit.py ?? tools/exp_boundary_transition_taxonomy_13rows.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_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_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_fit_model_gate.py ?? tools/exp_vc_fit_ready_scale_table.py ?? tools/exp_vc_null_regression_gate.py ?? tools/exp_vc_unit_boundary_audit.py ?? tools/meta_assertion_gate.py exec /bin/bash -lc "sed -n '1,220p' shared_memory/feedback_indeterminato_reitera_con_sistema_2026-05-07.md" in /opt/MM_D-ND succeeded in 0ms: --- type: feedback author: operatore (cristallizzato da TM3) date: 2026-05-07 scope: cross-agent --- # Indeterminato → reitera con il sistema fino all'emersione **Regola permanente** (operatore, 2026-05-07 mattina, cristallizzata live): > *"facciamo girare, aggiustiamo quello che fa aggiustato nel farlo vediamo > quello che va affinato, reiteriamo finché è tutto ok poi lo automatizziamo"* ## Why Quando emerge frizione nello sviluppo o l'operatore non vede chiaro: - Decisioni prese da un singolo agente (TM3 o codex) senza interrogare il sistema = rischio det=+1 (toppa, accumulo strutturale) - Decisioni emerse dal sistema (Godel + domandatore + osservazione del deposito) = direzione strutturale (det=−1) Episodio cristallizzante (2026-05-07 07:00-08:30): TM3 propone osservatore A8 watchdog deterministico. Sistema interrogato 3 volte (Godel #1, #2, #3 + domandatore + test empirico) — al terzo round emerge la direzione vera: **non costruire osservatore, eseguire un cycle-test che diagnostica il sistema da solo**. Cycle-test eseguito → verdict=operator → REDESIGN proposto dal valutatore → loop A8+A15 sbloccato. ## How to apply (per qualsiasi agente) 1. **Esegui** un atto minimo (no design teorico astratto) 2. **Aggiusta** quello che si manifesta durante l'esecuzione (riparazione regressiva live, non patch posteriori) 3. **Osserva** il deposito che emerge (no immaginazione) 4. **Reitera** fino a stato OK (loop A8: il sistema converge se modus radicato) 5. **Cristallizza in automazione** SOLO dopo che è stato fatto girare e ha mostrato stabilità — non automatizzare prima ## Anti-pattern - Costruire un componente strutturale (watchdog, observer, gate, governor) senza prima aver fatto girare un'esecuzione minima che mostri cosa serve davvero - Decidere "perché serve velocità" o "per ottimizzare" senza interrogare il sistema - Astrazione prematura (premature abstraction): 3 simili è meglio di 1 generalizzato troppo presto ## Cross-link - TM3 memoria: `/root/.claude/projects/-opt/memory/feedback_indeterminato_reitera_con_sistema.md` (versione completa con episodio + metafora foresta-sentiero) - Verifica empirica: cycle `20260507_0803` (verdict=operator, REDESIGN/high) - Pattern A8+A15 (autologica + veicolo senza guidatore) applicato allo sviluppo software stesso, non solo al lab di ricerca exec /bin/bash -lc "sed -n '1,220p' 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 '1,260p' tools/data/reports/agent_20260510_0330.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Boundary Residual Beta-Absent Audit **Date**: 2026-05-10 03:30 **Piano**: 114 **Tension explored**: BOUNDARY (0.8) **verdict**: CONSTRAINT - il residuo beta-absent non e' una classe unica chiusa observables_registry: 1.0.0-2026-05-06 observables_used: [SR, SR2, L1, L2, triple_var, window_state, blank_window_rate, full_signature_jaccard, common_window_obs_jaccard] **observable_contract**: claim=le due righe residue beta-absent sono strutturali solo se `beta_absent_blank` persiste in finestre row-local da 1024 gap; observable=`window_state` + firma degli osservabili one-sided; operator=`exp_boundary_residual_beta_absent_audit.py`; generator=`numeri_primi` da `dnd_autoricerca.genera_segnale` e `random_matrix` da `gue_spacing_blocks`; denominator=2 righe aperte BOUNDARY, full row + 4 finestre row-local da 1024 gap; non_possible=classe residua unica se una riga recupera beta o perde supporto nelle finestre row-local; not_tested=griglia beta globale, fit `V_c`, validita' label sorgente GUE/Poisson. ## Respiro fuori-tempo - **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto + BOUNDARY 13 righe + residui `numeri_primi:cycle_3` / `random_matrix:cycle_7`. - **Dipolo / punto-zero**: blank strutturale / blank da atlante. Punto-zero: la stessa misura row-local da 1024 gap che decide se la beta manca per struttura o riappare per scelta di finestra. - **Piano superiore**: topologia assiomatica del bordo: la classe globale cade se una carta locale riapre la coordinata beta. - **Operatori laterali scelti**: boundary operator, chart locale, filtrazione. Il boundary operator separa supporto e beta; la chart locale testa la finestra senza rifare il mondo; la filtrazione conserva il denominatore row-aligned. - **Contaminazione cognitiva**: CE-0019 usato come contratto combo prima della misura; CE-0022 usato come boundary operator + chart locale; KSAR usato come reiterazione sul deposito 15:32-18:39 senza ridisegnare il perimetro. - **Proto-ipotesi**: il residuo medio/forte beta-absent e' una classe unica solo se entrambi i target restano blank in tutte le finestre row-local e conservano una firma osservabile compatibile. - **Proiezione**: applico il gate canonico ordine/null alle sole due righe residue, poi confronto persistenza del blank e Jaccard delle firme one-sided. ## Aderenza alla direzione - `relation`: follows_direction - `why`: attacca direttamente i due residui beta-absent medio/forti lasciati dal valutatore dopo `thin_persist_rows=0/13`. - `not_drift`: non usa `V_c`, non usa label GUE/Poisson come campo decisionale, non rigenera la griglia beta globale. ## Claim Under Test > I due residui `numeri_primi:cycle_3` e `random_matrix:cycle_7` formano una classe unica `medium/strong beta-absent` se il blank persiste in tutte le finestre row-local da 1024 gap e le firme one-sided restano compatibili. ## Question I due blank residui sono lo stesso operatore di confine, due classi distinte, o un artefatto da denominatore/atlante? ## Experiment Design - Perimetro atomico: `numeri_primi:cycle_3`, `random_matrix:cycle_7`. - Scope: full row + 4 finestre consecutive da 1024 gap per ciascun target. - Parametri: `n_replicates=12`, `n_beta=11`, `n_baseline=24`, `z_min=2.0`, seed `202605100330`. - Null baseline: permutazione marginal-preserving usata dal gate canonico gia' adottato nei report BOUNDARY. - Non misurato: `gap_ratio`, `V_c`, nuova griglia beta globale, validita' delle label sorgente GUE/Poisson. - Criterio di caduta: una riga recupera beta o perde supporto in una finestra row-local; in quel caso il residuo non e' classe unica chiusa. ## Results | row | full state | full one-sided | window blanks | beta recovered | support falls | common window obs | mean endpoint | mean stable coherent | |---|---:|---|---:|---:|---:|---|---:|---:| | numeri_primi:cycle_3 | beta_absent_blank | SR,L1,triple_var | 4/4 | 0 | 0 | SR | 2.761 | 2.563 | | random_matrix:cycle_7 | beta_absent_blank | SR,SR2,L1,L2,triple_var | 3/4 | 1 | 0 | L2 | 2.987 | 3.083 | | comparison | value | |---|---:| | full_signature_jaccard | 0.600 | | common_window_obs_jaccard | 0.000 | | random_matrix recovered beta | window_4 -> beta [0.4] | ## Key Findings 1. **Verificato: `numeri_primi:cycle_3` resta beta-absent in 4/4 finestre.** Il supporto non cade; l'osservabile comune di finestra e' `SR`. 2. **Verificato: `random_matrix:cycle_7` non resta beta-absent in 4/4 finestre.** La quarta finestra recupera beta `[0.4]` con supporto vivo (`SR2,L1,L2,triple_var`). 3. **Verificato: le firme comuni di finestra divergono.** `common_window_obs_jaccard=0.000`: primi conserva `SR`, random matrix conserva `L2`. 4. **Inferito dal perimetro dichiarato: il residuo beta-absent non e' una classe unica chiusa.** Una parte e' blank persistente row-local, una parte e' chart-sensitive. ## Verdict **CONSTRAINT**. Nel perimetro delle due righe residue e finestre da 1024 gap, `medium/strong beta-absent` si scinde: `numeri_primi:cycle_3` = blank persistente row-local. `random_matrix:cycle_7` = blank forte ma chart-sensitive, con beta `[0.4]` recuperata in 1/4 finestre. Formula valida: `beta_absent_residue` non matura come classe unica; diventa un audit a due stati: `prime_persistent_blank` / `random_matrix_chart_sensitive_blank`. ## Bicono della scoperta - **Due radici**: blank persistente / blank chart-sensitive. - **Singolare**: supporto ordine/null vivo senza coordinata beta globale. - **Invariante di passaggio**: il supporto non cade in nessuna delle 8 finestre; cio' che cambia e' la coordinata beta e la firma osservabile. - **Campo di possibilità**: possibile = chiudere la tassonomia BOUNDARY con due sotto-stati residui; non-possibile = promuovere `medium/strong beta-absent` come specie unica del confine. ## Consecutio Il prossimo ciclo non deve riaprire il thin blank. Deve sigillare il nuovo audit a due stati: - `prime_persistent_blank`: testare se `SR` resta l'osservabile comune sotto seed/window shift. - `random_matrix_chart_sensitive_blank`: testare se beta `[0.4]` e' coordinata locale stabile o evento di una singola finestra. ## Ricadute pratiche ssp_value: yes. Lo script e' uno strumento riusabile per audit row-local di residui BOUNDARY senza rigenerare fit globali. ## Files - Script: `tools/exp_boundary_residual_beta_absent_audit.py` - Data: `tools/data/boundary_residual_beta_absent_audit_20260510_0330.json` - Report: `tools/data/reports/agent_20260510_0330.md` exec /bin/bash -lc "sed -n '1,220p' tools/observables_registry.py" in /opt/MM_D-ND succeeded in 0ms: """observables_registry.py — Source of Truth per gli observables del lab D-ND. Cristallizzato 2026-05-06 dalla **consecutio del cycle agent_20260506_0625**: > "What opens now: the lab needs an observable registry. Labels like SR > cannot travel between reports unless they bind to a function definition. > Without that, META flags are not philosophical: the same label can > silently change the object under test." ## Il problema che ha creato il registry Il cycle 06:25 ha auto-falsificato il finding del cycle 03:30 ("secondo asse GUE") e nel farlo ha trovato **collision di nomi observable** tra script: - `SR` in `exp_selective_layer_decoupling.py` = `spacing_ratio` (mean min/max ratio of consecutive gaps) — convention dominante (~6 script) - `SR` in `exp_scale_selective_perturbation.py` = `spectral_rigidity(gaps)` (Δ₃(L) rigidity) — variante usata SOLO in 1 script - `triple_var` in 3 script = `np.var(triple_sums)` (raw) — convention dominante - `triple_var` in `exp_perturbation_dimensionality_audit.py` = `np.var(triples) / np.var(gaps)` (normalizzato) — variante in 1 script Il lab autonomo che compara report tra script con osservabili "stesso nome, funzione diversa" stava confrontando mele con arance. ## La soluzione (minimal, non invasiva) Questo registry stabilisce il **nome canonico**: ciò che la maggioranza degli script chiama già `SR`/`triple_var`/etc. Le varianti restano disponibili ma con nomi ESPLICITI (`SR_local_rigidity`, `triple_var_normalized`) per evitare mascheramento semantico. ## Come usarlo ```python from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION # Compute canonical observable suite for a sequence of gaps results = {name: fn(gaps) for name, fn in OBSERVABLES_CANONICAL.items()} # Or import individual canonical observable from observables_registry import SR, triple_var, L1, L2, SR2 # For variants, import explicitly with disambiguating name from observables_registry import SR_local_rigidity, triple_var_normalized ``` ## Convention per i report Ogni report agent (cycle) che usa observables DEVE includere nel suo header: ``` observables_registry: 1.0.0-2026-05-06 observables_used: [SR, SR2, L1, L2, triple_var] ``` Cycle che mescola canonical + variant DEVE indicare entrambi: ``` observables_used: [SR, SR_local_rigidity, ...] ``` Senza questo, i confronti cross-cycle sono inattendibili. ## Versioning Cambiare una definizione canonica = bump del registry version e nota nel changelog. Le definizioni canoniche sono **immutabili dentro una versione**. """ from __future__ import annotations import numpy as np OBSERVABLES_REGISTRY_VERSION = "1.0.0-2026-05-06" # ─── Canonical observables (convention dominante nel codebase 2026-05-06) ─── def SR(gaps: np.ndarray) -> float: """**SR — Spacing Ratio** (canonical). Mean of `min(g_i, g_{i+1}) / max(g_i, g_{i+1})` over consecutive gaps. Range: (0, 1]. GUE → ~0.60. Poisson → ~0.39. Picket-fence → 1. NOTE: questa è la convention dominante in 6+ script del lab. Per la variante "local spectral rigidity Δ₃(L)" usare `SR_local_rigidity`. """ if len(gaps) < 2: return 0.0 s, s1 = gaps[:-1], gaps[1:] r = np.minimum(s, s1) / np.maximum(s, s1) r = r[np.isfinite(r) & (r > 0)] return float(np.mean(r)) if len(r) else 0.0 def SR2(gaps: np.ndarray) -> float: """**SR2 — Next-nearest Spacing Ratio** (canonical). Mean of `min(g_i, g_{i+2}) / max(g_i, g_{i+2})` skipping one gap. Probes lag-2 spacing structure. """ if len(gaps) < 3: return 0.0 s, s2 = gaps[:-2], gaps[2:] r = np.minimum(s, s2) / np.maximum(s, s2) r = r[np.isfinite(r) & (r > 0)] return float(np.mean(r)) if len(r) else 0.0 def L1(gaps: np.ndarray) -> float: """**L1 — Lag-1 Autocorrelation** (canonical). Standard ACF at lag 1 of the gap sequence. """ if len(gaps) < 3: return 0.0 g = gaps - np.mean(gaps) c0 = float(np.mean(g ** 2)) if c0 <= 1e-15: return 0.0 return float(np.mean(g[:-1] * g[1:]) / c0) def L2(gaps: np.ndarray) -> float: """**L2 — Lag-2 Autocorrelation** (canonical).""" if len(gaps) < 4: return 0.0 g = gaps - np.mean(gaps) c0 = float(np.mean(g ** 2)) if c0 <= 1e-15: return 0.0 return float(np.mean(g[:-2] * g[2:]) / c0) def triple_var(gaps: np.ndarray) -> float: """**triple_var — Variance of consecutive gap triples** (canonical). Variance of `g_i + g_{i+1} + g_{i+2}` over the sequence (RAW, no normalization). Convention used in 3+ scripts. For the normalized version (variance ratio `var(triples) / var(gaps)`) use `triple_var_normalized`. """ if len(gaps) < 3: return 0.0 t = gaps[:-2] + gaps[1:-1] + gaps[2:] return float(np.var(t)) # Set canonico per uso "compute all" da report OBSERVABLES_CANONICAL: dict[str, callable] = { "SR": SR, "SR2": SR2, "L1": L1, "L2": L2, "triple_var": triple_var, } # ─── Variants (esplicitamente nominate, no collision con canonical) ─── def SR_local_rigidity(gaps: np.ndarray, L: int = 10) -> float: """**SR_local_rigidity — Δ₃(L) Spectral Rigidity** (variant). Different observable than canonical `SR` (spacing ratio). Measures the average squared deviation of the cumulative spacing function from the best-fit straight line in a window of size L. Originated from `exp_scale_selective_perturbation.py` where it was locally named `SR` — registered here as `SR_local_rigidity` to avoid collision with canonical spacing-ratio definition. Use when explicitly studying spectral rigidity, NOT as alias for SR. """ if len(gaps) < 5: return 0.0 cumulative = np.cumsum(gaps) if cumulative[-1] <= 1e-15: return 0.0 cumulative = cumulative / cumulative[-1] * len(cumulative) n = np.arange(1, len(cumulative) + 1, dtype=float) window = int(min(L * len(gaps) / cumulative[-1], len(gaps) // 2)) if window < 5: return 0.0 residuals = [] for start in range(0, len(cumulative) - window, max(1, window // 2)): end = start + window x = n[start:end] y = cumulative[start:end] a, b = np.polyfit(x, y, 1) residuals.append(np.mean((y - (a * x + b)) ** 2)) return float(np.mean(residuals)) if residuals else 0.0 def triple_var_normalized(gaps: np.ndarray) -> float: """**triple_var_normalized — Variance of triples / variance of gaps** (variant). Originated from `exp_perturbation_dimensionality_audit.py` where it was locally named `triple_var` — registered here as `triple_var_normalized` to avoid collision with canonical raw triple variance. Use when explicitly studying triple-variance scaling relative to single-gap variance, NOT as alias for triple_var. """ if len(gaps) < 3: return 0.0 triples = gaps[:-2] + gaps[1:-1] + gaps[2:] v = float(np.var(gaps)) if v <= 1e-15: return 0.0 return float(np.var(triples) / v) # Set varianti, importabile esplicitamente OBSERVABLES_VARIANTS: dict[str, callable] = { "SR_local_rigidity": SR_local_rigidity, "triple_var_normalized": triple_var_normalized, } exec /bin/bash -lc "sed -n '1,240p' tools/exp_boundary_residual_beta_absent_audit.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Targeted audit for the two medium/strong beta-absent BOUNDARY residues. This does not rebuild the global beta atlas. It tests only the two open rows from the 13-row taxonomy (`numeri_primi:cycle_3`, `random_matrix:cycle_7`) with row-local windows and the same canonical observable gate used by the prior BOUNDARY reports. """ from __future__ import annotations import argparse import json from pathlib import Path from typing import Any import numpy as np from exp_boundary_short_denominator_extension import gue_spacing_blocks from exp_semireal_boundary_transfer_gate import row_spacings from exp_semireal_order_denominator_gate import analyze_sequence, compact, normalize from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION TARGET_ROWS = ("numeri_primi:cycle_3", "random_matrix:cycle_7") OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) def windowed(values: np.ndarray, size: int, count: int) -> list[np.ndarray]: chunks = [] for idx in range(count): start = idx * size end = start + size if end <= len(values): chunks.append(normalize(values[start:end])) return chunks def support_state(row: dict[str, Any], args: argparse.Namespace) -> str: one_sided = len(row.get("coherent_one_sided_observables", [])) illusory = float(row.get("stable_count_illusory") or 0.0) endpoint = float(row.get("endpoint_distance_one_sided_gated") or 0.0) beta = row.get("ambiguous_beta_one_sided_gated", []) transfers = ( one_sided >= args.min_one_sided and illusory <= args.illusory_residue_max and endpoint >= args.endpoint_distance_min ) if not transfers: return "support_falls" if beta: return "beta_chart_recovered" return "beta_absent_blank" def obs_jaccard(left: list[str], right: list[str]) -> float: a = set(left) b = set(right) if not a and not b: return 1.0 return len(a & b) / len(a | b) def build_sequences(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, dict[str, Any]]: prime = row_spacings("numeri_primi") prime = normalize(prime[: args.prime_gaps]) gue_rng = np.random.default_rng(rng.integers(0, 2**63 - 1)) random_matrix = gue_spacing_blocks(args.random_matrix_gaps, args.gue_matrix_size, gue_rng) return { "numeri_primi:cycle_3": { "base": prime, "domain": "numeri_primi", "generator": "dnd_autoricerca.genera_segnale -> prime gap spacings", "source_n_gaps": int(len(prime)), }, "random_matrix:cycle_7": { "base": random_matrix, "domain": "random_matrix", "generator": "gue_spacing_blocks", "source_n_gaps": int(len(random_matrix)), }, } def analyze_case(name: str, label: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: perimeters = {f"{name}/{label}": analyze_sequence(f"{name}/{label}", base, args, rng)} row = compact(perimeters)[f"{name}/{label}"] return { "label": label, "n_gaps": row["n_gaps"], "one_sided_observables": row["coherent_one_sided_observables"], "one_sided_count": len(row["coherent_one_sided_observables"]), "endpoint_stable_observables": row["endpoint_stable_observables"], "stable_count_coherent": row["stable_count_coherent"], "stable_count_illusory": row["stable_count_illusory"], "endpoint_distance": row["endpoint_distance_one_sided_gated"], "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], "state": support_state(row, args), "z_mean_coherent": row["z_mean_coherent"], "z_mean_illusory": row["z_mean_illusory"], } def summarize_row(cases: list[dict[str, Any]]) -> dict[str, Any]: window_cases = [case for case in cases if case["label"].startswith("window_")] blank_windows = [case for case in window_cases if case["state"] == "beta_absent_blank"] beta_windows = [case for case in window_cases if case["state"] == "beta_chart_recovered"] fall_windows = [case for case in window_cases if case["state"] == "support_falls"] obs_sets = [set(case["one_sided_observables"]) for case in window_cases if case["one_sided_observables"]] common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] return { "window_count": len(window_cases), "blank_windows": len(blank_windows), "beta_recovered_windows": len(beta_windows), "support_fall_windows": len(fall_windows), "blank_window_rate": len(blank_windows) / len(window_cases) if window_cases else 0.0, "common_one_sided_observables": common_obs, "union_one_sided_observables": union_obs, "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in window_cases])) if window_cases else 0.0, "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in window_cases])) if window_cases else 0.0, } def verdict(row_summaries: dict[str, dict[str, Any]], full_rows: dict[str, dict[str, Any]]) -> str: both_persist = all(summary["blank_window_rate"] == 1.0 for summary in row_summaries.values()) any_beta = any(summary["beta_recovered_windows"] > 0 for summary in row_summaries.values()) any_fall = any(summary["support_fall_windows"] > 0 for summary in row_summaries.values()) jaccard = obs_jaccard( full_rows["numeri_primi:cycle_3"]["one_sided_observables"], full_rows["random_matrix:cycle_7"]["one_sided_observables"], ) if any_beta or any_fall: return "RESIDUAL_ATLAS_ARTIFACT_OR_UNSTABLE" if both_persist and jaccard < 0.5: return "TWO_DISTINCT_BETA_ABSENT_OPERATORS" if both_persist: return "SAME_BETA_ABSENT_OPERATOR" return "RESIDUAL_AMBIGUOUS" def run(args: argparse.Namespace) -> dict[str, Any]: rng = np.random.default_rng(args.seed) specs = build_sequences(args, rng) cases_by_row: dict[str, list[dict[str, Any]]] = {} full_rows: dict[str, dict[str, Any]] = {} for name, spec in specs.items(): row_rng = np.random.default_rng(rng.integers(0, 2**63 - 1)) cases = [analyze_case(name, "full", spec["base"], args, row_rng)] full_rows[name] = cases[0] for idx, chunk in enumerate(windowed(spec["base"], args.window_gaps, args.window_count), start=1): cases.append(analyze_case(name, f"window_{idx}", chunk, args, row_rng)) cases_by_row[name] = cases row_summaries = {name: summarize_row(cases) for name, cases in cases_by_row.items()} full_signature_jaccard = obs_jaccard( full_rows["numeri_primi:cycle_3"]["one_sided_observables"], full_rows["random_matrix:cycle_7"]["one_sided_observables"], ) common_window_obs_jaccard = obs_jaccard( row_summaries["numeri_primi:cycle_3"]["common_one_sided_observables"], row_summaries["random_matrix:cycle_7"]["common_one_sided_observables"], ) output = { "experiment": "boundary_residual_beta_absent_audit", "question": "Are the two medium/strong beta-absent BOUNDARY residues the same operator, distinct classes, or atlas artifacts?", "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": [ *OBS_NAMES, "window_state", "blank_window_rate", "full_signature_jaccard", "common_window_obs_jaccard", ], "params": vars(args), "targets": TARGET_ROWS, "observable_contract": { "claim": "the two residual beta-absent blanks are structural only if beta_absent_blank persists across row-local 1024-gap windows", "observable": "window_state plus one-sided observable signature", "operator": "canonical order/null gate on target rows only", "denominator": "two open BOUNDARY rows; full row plus row-local 1024-gap windows", "non_possible": "residual class if a target recovers beta or loses support under row-local windows", "not_tested": "global beta grid, V_c, source GUE/Poisson label validity", }, "sequence_sources": { name: {key: value for key, value in spec.items() if key != "base"} for name, spec in specs.items() }, "row_summaries": row_summaries, "full_signature_jaccard": full_signature_jaccard, "common_window_obs_jaccard": common_window_obs_jaccard, "verdict": verdict(row_summaries, full_rows), "cases": cases_by_row, } out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") print(f"targets={TARGET_ROWS}") for name, summary in row_summaries.items(): print( f"{name} blank_windows={summary['blank_windows']}/{summary['window_count']} " f"beta_recovered={summary['beta_recovered_windows']} falls={summary['support_fall_windows']} " f"common_obs={summary['common_one_sided_observables']}" ) print(f"full_signature_jaccard={full_signature_jaccard:.3f}") print(f"common_window_obs_jaccard={common_window_obs_jaccard:.3f}") print(f"verdict={output['verdict']}") print(f"saved {out}") return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--prime-gaps", type=int, default=4096) parser.add_argument("--random-matrix-gaps", type=int, default=4096) parser.add_argument("--window-gaps", type=int, default=1024) parser.add_argument("--window-count", type=int, default=4) parser.add_argument("--gue-matrix-size", type=int, default=64) parser.add_argument("--n-replicates", type=int, default=12) parser.add_argument("--n-beta", type=int, default=11) parser.add_argument("--n-baseline", type=int, default=24) parser.add_argument("--z-min", type=float, default=2.0) parser.add_argument("--min-one-sided", type=int, default=1) parser.add_argument("--illusory-residue-max", type=float, default=0.75) parser.add_argument("--endpoint-distance-min", type=float, default=1.0) parser.add_argument("--seed", type=int, default=202605100330) parser.add_argument("--out", default="tools/data/boundary_residual_beta_absent_audit_20260510_0330.json") args = parser.parse_args() run(args) if __name__ == "__main__": exec /bin/bash -lc 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 148ms: 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 G_POTENZIALE_NULLA: score=0.703 — G_POTENZIALE_NULLA: legge di scala da raffinare codex La direzione viva è più stretta del suggerimento generico di `dnd_scenario`: il valutatore chiede di isolare `prime_persistent_blank` su `numeri_primi:cycle_3`, senza riaprire la griglia globale. Uso quindi il ciclo 20260510 come nodo regressivo: stessa famiglia di gate, ma con seed/window shift e controlli cross-dominio centrati su `SR`. exec /bin/bash -lc "sed -n '1,280p' tools/exp_semireal_order_denominator_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ exp_semireal_order_denominator_gate.py Falsification attempt for ORDER_DENOMINATOR_GATE on non-synthetic / semi-real ordered sequences. The coherent endpoint is the observed order of each sequence; the illusory endpoint is a marginal-preserving permutation. The same original-vs-shuffle denominator gate used in the prior reports is applied to canonical observables from observables_registry.py. """ from __future__ import annotations import argparse import json import math from pathlib import Path import numpy as np from observables_registry import ( OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION, compute_canonical, ) OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) def normalize(gaps: np.ndarray) -> np.ndarray: gaps = np.asarray(gaps, dtype=float) gaps = np.maximum(gaps, 1e-12) mean = float(np.mean(gaps)) return gaps / mean if mean > 1e-15 else gaps def sieve_primes_for_count(n_primes: int) -> np.ndarray: if n_primes < 6: limit = 20 else: limit = int(n_primes * (math.log(n_primes) + math.log(math.log(n_primes))) * 1.25) while True: sieve = np.ones(limit + 1, dtype=bool) sieve[:2] = False for p in range(2, int(limit**0.5) + 1): if sieve[p]: sieve[p * p : limit + 1 : p] = False primes = np.flatnonzero(sieve) if len(primes) >= n_primes: return primes[:n_primes].astype(float) limit *= 2 def prime_gap_sequence(n_gaps: int) -> np.ndarray: primes = sieve_primes_for_count(n_gaps + 1) return normalize(np.diff(primes)) def zeta_zero_spacings(n_gaps: int) -> np.ndarray: try: import mpmath as mp except ImportError as exc: raise RuntimeError("mpmath is required for zeta_zero_spacings") from exc zeros = np.empty(n_gaps + 1, dtype=float) for i in range(n_gaps + 1): zeros[i] = float(mp.im(mp.zetazero(i + 1))) return normalize(np.diff(zeros)) def logistic_return_intervals(n_gaps: int, rng: np.random.Generator) -> np.ndarray: # Return intervals to a high-density-edge event in the fully chaotic logistic map. threshold = 0.95 burn = 2000 needed = n_gaps + 1 returns: list[int] = [] last_hit: int | None = None x = float(rng.random()) i = 0 max_steps = 50_000_000 while len(returns) < needed and i < max_steps: x = 4.0 * x * (1.0 - x) if i >= burn and x > threshold: if last_hit is not None: returns.append(i - last_hit) last_hit = i i += 1 if len(returns) < needed: raise RuntimeError(f"logistic generator produced {len(returns)} intervals, need {needed}") return normalize(np.array(returns[:n_gaps], dtype=float)) def beta_replace(base: np.ndarray, beta: float, rng: np.random.Generator) -> np.ndarray: illusory = rng.permutation(base) if beta <= 0.0: return base.copy() if beta >= 1.0: return illusory out = base.copy() mask = rng.random(len(base)) < beta out[mask] = illusory[mask] return normalize(out) def z_against_shuffle( gaps: np.ndarray, n_baseline: int, rng: np.random.Generator, ) -> tuple[dict[str, float], dict[str, float], dict[str, float], dict[str, float]]: original = compute_canonical(gaps) baseline = {name: [] for name in OBS_NAMES} for _ in range(n_baseline): obs = compute_canonical(rng.permutation(gaps)) for name in OBS_NAMES: baseline[name].append(obs[name]) means = {} sds = {} z = {} for name in OBS_NAMES: vals = np.array(baseline[name], dtype=float) means[name] = float(np.mean(vals)) sds[name] = float(np.std(vals, ddof=1)) if len(vals) > 1 else 0.0 z[name] = float((original[name] - means[name]) / sds[name]) if sds[name] > 1e-15 else 0.0 return original, means, sds, z def vector(row: dict, names: list[str]) -> np.ndarray: return np.array([row["observables"][name] for name in names], dtype=float) def classify_layers(rows: list[dict], obs_names: list[str]) -> dict: if not obs_names: return {"observables": [], "endpoint_distance": 0.0, "layers": {}, "ambiguous_beta": []} by_beta: dict[float, list[dict]] = {} for row in rows: by_beta.setdefault(float(row["beta"]), []).append(row) coherent = np.array([vector(row, obs_names) for row in by_beta[0.0]], dtype=float) illusory = np.array([vector(row, obs_names) for row in by_beta[1.0]], dtype=float) endpoints = np.vstack([coherent, illusory]) scale = np.std(endpoints, axis=0, ddof=1) scale[scale <= 1e-15] = 1.0 coherent_centroid = np.mean(coherent, axis=0) illusory_centroid = np.mean(illusory, axis=0) endpoint_distance = float(np.linalg.norm((illusory_centroid - coherent_centroid) / scale)) layers = {} ambiguous_beta = [] for beta, beta_rows in sorted(by_beta.items()): margins = [] labels = [] coords = [] for row in beta_rows: x = vector(row, obs_names) d_coherent = float(np.linalg.norm((x - coherent_centroid) / scale)) d_illusory = float(np.linalg.norm((x - illusory_centroid) / scale)) denom = d_coherent + d_illusory coord = float((d_coherent - d_illusory) / denom) if denom > 1e-15 else 0.0 margin = float(abs(d_coherent - d_illusory) / denom) if denom > 1e-15 else 0.0 coords.append(coord) margins.append(margin) labels.append("coherent" if d_coherent < d_illusory else "illusory") ambiguous_fraction = float(np.mean(np.array(margins) < 0.15)) if ambiguous_fraction >= 0.5: ambiguous_beta.append(beta) layers[f"{beta:.3f}"] = { "coordinate_mean": float(np.mean(coords)), "margin_mean": float(np.mean(margins)), "ambiguous_fraction": ambiguous_fraction, "illusory_label_fraction": float(np.mean(np.array(labels) == "illusory")), } return { "observables": obs_names, "endpoint_distance": endpoint_distance, "layers": layers, "ambiguous_beta": ambiguous_beta, } def summarize_gate(rows: list[dict], z_min: float) -> dict: by_beta: dict[float, list[dict]] = {} for row in rows: by_beta.setdefault(float(row["beta"]), []).append(row) layers = {} for beta, beta_rows in sorted(by_beta.items()): stable_counts = [] stable_freq = {name: [] for name in OBS_NAMES} z_values = {name: [] for name in OBS_NAMES} for row in beta_rows: stable = [name for name in OBS_NAMES if abs(row["z"][name]) >= z_min] stable_counts.append(len(stable)) for name in OBS_NAMES: stable_freq[name].append(1.0 if name in stable else 0.0) z_values[name].append(row["z"][name]) layers[f"{beta:.3f}"] = { "stable_count_mean": float(np.mean(stable_counts)), "stable_frequency": {name: float(np.mean(vals)) for name, vals in stable_freq.items()}, "z_mean": {name: float(np.mean(vals)) for name, vals in z_values.items()}, } one_sided = [] endpoint_stable = [] coherent_rows = by_beta[0.0] illusory_rows = by_beta[1.0] for name in OBS_NAMES: coherent_freq = float(np.mean([abs(row["z"][name]) >= z_min for row in coherent_rows])) illusory_freq = float(np.mean([abs(row["z"][name]) >= z_min for row in illusory_rows])) if coherent_freq >= 0.75 and illusory_freq < 0.25: one_sided.append(name) if coherent_freq >= 0.75 and illusory_freq >= 0.75: endpoint_stable.append(name) return { "z_min": z_min, "coherent_one_sided_observables": one_sided, "endpoint_stable_observables": endpoint_stable, "layers": layers, } def analyze_sequence(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict: rows = [] betas = [float(x) for x in np.linspace(0.0, 1.0, args.n_beta)] for rep in range(args.n_replicates): rep_rng = np.random.default_rng(rng.integers(0, 2**63 - 1)) for beta in betas: gaps = beta_replace(base, beta, rep_rng) obs, shuffle_mean, shuffle_std, z = z_against_shuffle( gaps, args.n_baseline, np.random.default_rng(rng.integers(0, 2**63 - 1)), ) rows.append( { "perimeter": name, "replicate": rep, "beta": beta, "observables": obs, "shuffle_mean": shuffle_mean, "shuffle_std": shuffle_std, "z": z, "stable_observables": [obs_name for obs_name in OBS_NAMES if abs(z[obs_name]) >= args.z_min], } ) gate = summarize_gate(rows, args.z_min) return { "source": { "n_gaps": int(len(base)), "mean": float(np.mean(base)), "variance": float(np.var(base)), }, "gate": gate, "classification_all_observables": classify_layers(rows, OBS_NAMES), "classification_one_sided_gated": classify_layers(rows, gate["coherent_one_sided_observables"]), "rows": rows, } def build_sequences(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: sequences = { "prime_gaps_first": prime_gap_sequence(args.n_gaps), "logistic_return_intervals": logistic_return_intervals(args.n_gaps, rng), } if args.include_zeta: sequences["zeta_zero_spacings_first"] = zeta_zero_spacings(args.zeta_gaps) return sequences def compact(perimeters: dict) -> dict: out = {} for name, data in perimeters.items(): gate = data["gate"] all_cls = data["classification_all_observables"] gated_cls = data["classification_one_sided_gated"] exec /bin/bash -lc "sed -n '1,260p' tools/exp_semireal_boundary_transfer_gate.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ exp_semireal_boundary_transfer_gate.py Move the BOUNDARY transfer matrix from controlled synthetic perimeters to the 13 semi-real rows of the base BOUNDARY perimeter. The coherent endpoint is the domain-native spacing order reconstructed from dnd_autoricerca. The illusory endpoint is a marginal-preserving permutation. Intermediate beta layers replace a beta fraction of the coherent row with the permuted row, preserving the row denominator while destroying order locally. """ from __future__ import annotations import argparse import json from pathlib import Path from typing import Any import numpy as np from exp_boundary_blank_null_audit import generate_domain_signal, normalized_spacings from exp_semireal_order_denominator_gate import analyze_sequence, compact from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) def load_scope(path: Path) -> list[dict[str, Any]]: with path.open() as f: data = json.load(f) rows = data.get("rows", []) if not isinstance(rows, list): raise ValueError(f"{path} does not contain a list under rows") return rows def row_spacings(domain: str) -> np.ndarray: signal, metadata = generate_domain_signal(domain) if domain == "numeri_primi": metadata = {**metadata, "is_spacings": True} spacings = normalized_spacings(signal, metadata) spacings = np.asarray(spacings, dtype=float) spacings = spacings[np.isfinite(spacings) & (spacings > 0)] if len(spacings) == 0: return spacings mean = float(np.mean(spacings)) return spacings / mean if mean > 1e-15 else spacings def evaluate_matrix(matrix: dict[str, dict[str, Any]], args: argparse.Namespace) -> dict[str, Any]: rows = {} counts = { "transfer_with_blank": 0, "transfer_no_blank": 0, "fall": 0, "errors": 0, } for name, row in matrix.items(): if row.get("error"): state = "error" counts["errors"] += 1 else: one_sided_count = len(row["coherent_one_sided_observables"]) illusory_residue = float(row["stable_count_illusory"]) endpoint_distance = float(row["endpoint_distance_one_sided_gated"]) ambiguous_beta = row["ambiguous_beta_one_sided_gated"] has_transfer = ( one_sided_count >= args.min_one_sided and illusory_residue <= args.illusory_residue_max and endpoint_distance >= args.endpoint_distance_min ) if not has_transfer: state = "fall" counts["fall"] += 1 elif ambiguous_beta: state = "transfer_with_blank" counts["transfer_with_blank"] += 1 else: state = "transfer_no_blank" counts["transfer_no_blank"] += 1 rows[name] = {"state": state} rows[name].update(row) return {"counts": counts, "rows": rows} def run(args: argparse.Namespace) -> dict[str, Any]: scope_rows = load_scope(Path(args.scope)) rng = np.random.default_rng(args.seed) perimeters = {} build_errors = {} for source in scope_rows: domain = source["domain"] name = source["domain_window"] try: spacings = row_spacings(domain) source_meta = { "denominator_state": source.get("denominator_state"), "source_transfer": source.get("transfer"), "source_excluded_mass": source.get("excluded_mass"), } if args.include_source_labels: source_meta["source_domain_type"] = source.get("source_domain_type") if len(spacings) < args.min_gaps: build_errors[name] = { "error": f"insufficient gaps: {len(spacings)} < {args.min_gaps}", "n_gaps": int(len(spacings)), "denominator_state": source.get("denominator_state"), } if args.include_source_labels: build_errors[name]["source_domain_type"] = source.get("source_domain_type") continue base = spacings[: args.n_gaps] if len(spacings) > args.n_gaps else spacings perimeters[name] = analyze_sequence(name, base, args, rng) perimeters[name]["source"].update({"domain": domain, **source_meta}) except Exception as exc: # noqa: BLE001 - report row-level telemetry. build_errors[name] = { "error": type(exc).__name__, "message": str(exc), "denominator_state": source.get("denominator_state"), } if args.include_source_labels: build_errors[name]["source_domain_type"] = source.get("source_domain_type") matrix = compact(perimeters) for name, err in build_errors.items(): matrix[name] = err evaluation = evaluate_matrix(matrix, args) output = { "experiment": "semireal_boundary_transfer_gate", "question": "Does the BOUNDARY coherent/null/beta gate transfer from synthetic perimeters to the 13 semi-real base rows?", "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": OBS_NAMES, "params": vars(args), "source_scope": args.scope, "source_summary": { "rows": len(scope_rows), "label_policy": ( "source_domain_type included as audit metadata only" if args.include_source_labels else "source_domain_type omitted; states are label-independent" ), }, "matrix": matrix, "evaluation": evaluation, "perimeters": perimeters, } out_path = Path(args.out) out_path.parent.mkdir(parents=True, exist_ok=True) with out_path.open("w") as f: json.dump(output, f, indent=2) print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") print(f"observables_used={OBS_NAMES}") print(f"source_rows={len(scope_rows)} analyzed={len(perimeters)} errors={len(build_errors)}") print("state counts:", output["evaluation"]["counts"]) print("row state n one_sided stable0 stable1 dist ambiguous") for name, row in sorted(output["evaluation"]["rows"].items()): if row.get("error"): print(f"{name:45s} {row['state']:>20s} {row.get('n_gaps', 0):>5d} ERROR") continue print( f"{name:45s} {row['state']:>20s} " f"{row['n_gaps']:>5d} " f"{','.join(row['coherent_one_sided_observables']) or '[]':>22s} " f"{row['stable_count_coherent']:>7.3f} " f"{row['stable_count_illusory']:>7.3f} " f"{row['endpoint_distance_one_sided_gated']:>7.3f} " f"{row['ambiguous_beta_one_sided_gated']}" ) print(f"saved {out_path}") return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--scope", default="tools/data/boundary_denominator_prescan_full_20260509_1500.json") parser.add_argument("--n-gaps", type=int, default=4096) parser.add_argument("--min-gaps", type=int, default=96) parser.add_argument("--n-replicates", type=int, default=12) parser.add_argument("--n-beta", type=int, default=11) parser.add_argument("--n-baseline", type=int, default=24) parser.add_argument("--z-min", type=float, default=2.0) parser.add_argument("--min-one-sided", type=int, default=1) parser.add_argument("--illusory-residue-max", type=float, default=0.75) parser.add_argument("--endpoint-distance-min", type=float, default=1.0) parser.add_argument( "--include-source-labels", action="store_true", help="Include GUE/Poisson source labels as audit metadata only. Default omits them from output.", ) parser.add_argument("--seed", type=int, default=202605091516) parser.add_argument("--out", default="tools/data/semireal_boundary_transfer_gate_20260509_1516.json") args = parser.parse_args() run(args) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '1,220p' tools/exp_boundary_short_denominator_extension.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Extend the three short BOUNDARY denominator rows opened by the 15:48 audit. This is deliberately narrower than the 13-row semi-real gate. It repairs the denominator at the source row for percolation, random_matrix, and zeta_zeros, then applies the same canonical observable gate used by exp_semireal_boundary_transfer_gate.py. """ from __future__ import annotations import argparse import json from pathlib import Path from typing import Any import numpy as np from exp_semireal_boundary_transfer_gate import evaluate_matrix from exp_semireal_order_denominator_gate import analyze_sequence, compact, normalize from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) TARGET_ROWS = ("percolation:cycle_9", "random_matrix:cycle_7", "zeta_zeros:cycle_4") def largest_cluster_sizes(n_samples: int, lattice_size: int, p: float, rng: np.random.Generator) -> np.ndarray: try: from scipy import ndimage except ImportError as exc: raise RuntimeError("scipy.ndimage is required for the percolation extension") from exc structure = np.array([[0, 1, 0], [1, 1, 1], [0, 1, 0]], dtype=int) sizes = np.empty(n_samples, dtype=float) for i in range(n_samples): grid = rng.random((lattice_size, lattice_size)) < p labels, n_labels = ndimage.label(grid, structure=structure) if n_labels == 0: sizes[i] = 0.0 continue counts = np.bincount(labels.ravel()) sizes[i] = float(np.max(counts[1:])) if len(counts) > 1 else 0.0 return normalize(sizes) def gue_spacing_blocks(n_gaps: int, matrix_size: int, rng: np.random.Generator) -> np.ndarray: spacings: list[np.ndarray] = [] while sum(len(block) for block in spacings) < n_gaps: a = rng.normal(size=(matrix_size, matrix_size)) + 1j * rng.normal(size=(matrix_size, matrix_size)) h = (a + a.conj().T) / (2.0 * np.sqrt(matrix_size)) eig = np.linalg.eigvalsh(h) block = np.diff(np.sort(np.real(eig))) block = block[np.isfinite(block) & (block > 0)] if len(block): spacings.append(normalize(block)) return normalize(np.concatenate(spacings)[:n_gaps]) def zeta_zero_spacings(n_gaps: int) -> np.ndarray: try: import mpmath as mp except ImportError as exc: raise RuntimeError("mpmath is required for the zeta extension") from exc zeros = np.empty(n_gaps + 1, dtype=float) for i in range(n_gaps + 1): zeros[i] = float(mp.im(mp.zetazero(i + 1))) return normalize(np.diff(zeros)) def build_sequences(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, dict[str, Any]]: child_rngs = { name: np.random.default_rng(rng.integers(0, 2**63 - 1)) for name in TARGET_ROWS } return { "percolation:cycle_9": { "base": largest_cluster_sizes(args.n_gaps, args.percolation_lattice, args.percolation_p, child_rngs["percolation:cycle_9"]), "extension": { "generator": "site_percolation_largest_cluster_sizes", "lattice_size": args.percolation_lattice, "p": args.percolation_p, "n_samples": args.n_gaps, }, }, "random_matrix:cycle_7": { "base": gue_spacing_blocks(args.n_gaps, args.gue_matrix_size, child_rngs["random_matrix:cycle_7"]), "extension": { "generator": "gue_spacing_blocks", "matrix_size": args.gue_matrix_size, "target_n_gaps": args.n_gaps, }, }, "zeta_zeros:cycle_4": { "base": zeta_zero_spacings(args.zeta_gaps), "extension": { "generator": "mpmath.zetazero_first_spacings", "n_gaps": args.zeta_gaps, }, }, } def source_lookup(path: Path) -> dict[str, dict[str, Any]]: with path.open() as f: data = json.load(f) return { row["row"]: row for row in data.get("rows", []) if row.get("row") in TARGET_ROWS } def support_tier(row: dict[str, Any]) -> str: n_obs = len(row.get("coherent_one_sided_observables", [])) endpoint = float(row.get("endpoint_distance_one_sided_gated") or 0.0) stable = float(row.get("stable_count_coherent") or 0.0) if n_obs >= 4 and endpoint >= 3.5 and stable >= 4.0: return "strong_multi_observable" if n_obs >= 3 and endpoint >= 3.0 and stable >= 3.0: return "medium_multi_observable" return "thin_observable_support" def summarize_transition(name: str, before: dict[str, Any], after: dict[str, Any]) -> dict[str, Any]: beta = [round(float(x), 1) for x in after.get("ambiguous_beta_one_sided_gated", [])] one_sided_count = len(after.get("coherent_one_sided_observables", [])) tier = support_tier(after) if beta: extension_state = "beta_chart_recovered" elif one_sided_count == 0: extension_state = "support_falls_after_extension" elif tier == "thin_observable_support": extension_state = "thin_persists" else: extension_state = "support_thickens_beta_blank" return { "row": name, "before_n_gaps": before.get("n_gaps"), "after_n_gaps": after.get("n_gaps"), "before_one_sided": before.get("one_sided_count"), "after_one_sided": one_sided_count, "before_endpoint_distance": before.get("endpoint_distance"), "after_endpoint_distance": after.get("endpoint_distance_one_sided_gated"), "before_stable_count_coherent": before.get("stable_count_coherent"), "after_stable_count_coherent": after.get("stable_count_coherent"), "after_stable_count_illusory": after.get("stable_count_illusory"), "after_beta": beta, "after_support_tier": tier, "extension_state": extension_state, } def run(args: argparse.Namespace) -> dict[str, Any]: rng = np.random.default_rng(args.seed) before = source_lookup(Path(args.source_audit)) sequence_specs = build_sequences(args, rng) perimeters = {} extension_meta = {} for name, spec in sequence_specs.items(): base = np.asarray(spec["base"], dtype=float) perimeters[name] = analyze_sequence(name, base, args, rng) extension_meta[name] = { **spec["extension"], "actual_n_gaps": int(len(base)), "mean": float(np.mean(base)), "variance": float(np.var(base)), } matrix = compact(perimeters) evaluation = evaluate_matrix(matrix, args) transitions = [ summarize_transition(name, before.get(name, {}), evaluation["rows"][name]) for name in TARGET_ROWS ] state_counts: dict[str, int] = {} for row in transitions: state_counts[row["extension_state"]] = state_counts.get(row["extension_state"], 0) + 1 verdict = "DENOMINATOR_EXTENSION_RESOLVES_THINNESS" if state_counts.get("thin_persists", 0) == len(TARGET_ROWS): verdict = "AUTONOMOUS_THIN_BLANK_AFTER_EXTENSION" elif state_counts.get("thin_persists", 0) > 0: verdict = "MIXED_EXTENSION" output = { "experiment": "boundary_short_denominator_extension", "question": "Do the three short support-without-beta blanks remain thin after source-denominator extension?", "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": OBS_NAMES, "source_audit": args.source_audit, "target_rows": list(TARGET_ROWS), "params": vars(args), "observable_contract": { "claim": "blank_thin_support survives only if thin support persists after denominator extension", "observable": "canonical one-sided support, endpoint distance, beta chart on extended source rows", "operator": "source-denominator extension plus semireal boundary transfer gate", "denominator": "three rows from the 15:48 short-denominator audit", "non_possible": "promoting blank_thin_support when support thickens or beta chart appears after extension", "not_tested": "global 13-row boundary redesign, V_c fit, source GUE/Poisson label validity", }, "label_policy": "Source labels are not decision fields; row names select only the 15:48 denominator-short perimeter.", "extension_meta": extension_meta, "matrix": matrix, "evaluation": evaluation, "transitions": transitions, "state_counts": state_counts, "verdict": verdict, "perimeters": perimeters if args.include_perimeters else {}, } out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) with out.open("w") as f: json.dump(output, f, indent=2) print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") exec /bin/bash -lc "find tools/data -maxdepth 1 -name '*boundary*20260509*.json' -o -name '*boundary*20260510*.json' | sort" in /opt/MM_D-ND succeeded in 0ms: tools/data/boundary_blank_null_audit_20260509_1430.json tools/data/boundary_blank_null_audit_residual_20260509_1500.json tools/data/boundary_blank_thin_support_audit_20260509_1548.json tools/data/boundary_denominator_prescan_20260509_1409.json tools/data/boundary_denominator_prescan_20260509_1430.json tools/data/boundary_denominator_prescan_full_20260509_1500.json tools/data/boundary_residual_beta_absent_audit_20260510_0330.json tools/data/boundary_row_aligned_nonexact_audit_20260509_1538.json tools/data/boundary_short_denominator_extension_20260509_1556.json tools/data/boundary_transition_taxonomy_13rows_20260509_1839.json tools/data/boundary_two_axis_matrix_20260509_1532.json tools/data/semireal_boundary_transfer_gate_20260509_1516.json tools/data/vc_unit_boundary_audit_20260509_1457.json exec /bin/bash -lc "sed -n '1,220p' tools/LAB_COGNITIVE_CONTAMINATION.md 2>/dev/null || true" in /opt/MM_D-ND succeeded in 0ms: # 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 exec /bin/bash -lc 'rg -n "Archivio enzimi|CE-" tools/data/agent_field_live.md tools/LAB_COGNITIVE_CONTAMINATION.md tools/LAB_AGENT_CONTEXT.md' in /opt/MM_D-ND succeeded in 0ms: tools/LAB_AGENT_CONTEXT.md:161:- **Archivio enzimi cognitivi.** Se il campo vivo contiene `Archivio enzimi tools/LAB_AGENT_CONTEXT.md:163: `CE-*` usata nella combo, oppure `CE-none:` con un motivo specifico e tools/LAB_AGENT_CONTEXT.md:328: passaggio KSAR/PVI/Vault o voce `CE-*` dell'archivio usata nel ciclo. Se non tools/LAB_AGENT_CONTEXT.md:329: usi il layer cognitivo, dichiara `CE-none:` e il motivo specifico. `none` tools/data/agent_field_live.md:606:Usali come enzimi del respiro fuori-tempo: DeltaLink, innesco genomico, reiterazione semantica, filtro avversariale e Vault. Non copiarne l'identita': trasformali in dipolo, punto-zero e osservabile. Nel report la sezione `Contaminazione cognitiva` e' obbligatoria: se non usi adapter o archivio CE, dichiara `CE-none:` e il motivo specifico. tools/data/agent_field_live.md:874:## Archivio enzimi cognitivi — richiamo contestuale tools/data/agent_field_live.md:875:Archivio generato: 2026-05-08T20:49:15.084998+00:00 · 260 voci. Questo e' un substrate selector: non usare il substrato come claim. Tieni le teorie scientifiche nel focus e usa CE-* solo per costruire combo corta: assioma/metodo + osservazione/funzione + teoria/focus + null test. Se nessuna voce regge, dichiara `CE-none:` con motivo specifico nella Contaminazione cognitiva. `none` generico non e' valido. tools/data/agent_field_live.md:879:- assioma/metodo: CE-0234 [method_axiom] score=56 overlap=9 · Assiomi Convenzionali — Corpo della Possibilita' tools/data/agent_field_live.md:882:- osservazione primaria: CE-0038 [corpus_primary_observation] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND tools/data/agent_field_live.md:885:- funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:888:- teoria/focus scientifico: CE-0027 [corpus_project_architecture] score=75 overlap=7 · [114] NID 1931 — Modello D-ND: Formalizzazione Assiomatica, Emergenza Quantistica e Implic tools/data/agent_field_live.md:891:- enzima/kernel: CE-0001 [lab_operational_context] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel tools/data/agent_field_live.md:895:- CE-0001 [lab_operational_context/strumento_lab/lab_cycle] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel tools/data/agent_field_live.md:898:- CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:901:- CE-0030 [corpus_project_architecture/contaminante_dnd/campo_dnd] score=82 overlap=10 · [69] NID 1353 — Documento di Sintesi sul Modello Duale Non-Duale (D-ND) e la Risultante "R tools/data/agent_field_live.md:904:- CE-0038 [corpus_primary_observation/contaminante_dnd/campo_dnd] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND tools/data/agent_field_live.md:907:- CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo tools/data/agent_field_live.md:910:- CE-0005 [corpus_cognitive_prompt/contaminante_dnd/campo_dnd] score=79 overlap=4 · [82] NID 2321 — Prompt per Motore di Inferenza Quantistica Duale-Non-Duale (D-ND) tools/data/agent_field_live.md:913:- CE-0003 [corpus_formal_function/contaminante_dnd/campo_dnd] score=79 overlap=2 · Titolo Assiomatico Combinato Rivisto: "Ottimizzazione Unificata e Manifestazione della Ris tools/data/agent_field_live.md:915:- CE-0007 [kernel_reference/regola_primaria/campo_dnd] score=77 overlap=5 · **1. Kernel Assiomatico: Fisica del Campo Inferenziale** tools/data/agent_field_live.md:1224:Se il campo contiene adapter cognitivi o archivio CE, la sezione `Contaminazione cognitiva` deve nominare almeno una voce `CE-*`, YSN, Cornelius, KSAR, PVI/Vault usata nella combo, oppure `CE-none:` con motivo specifico e verificabile. `none` generico significa che il campo e' stato visto ma non metabolizzato. exec /bin/bash -lc "sed -n '280,560p' tools/exp_semireal_order_denominator_gate.py" in /opt/MM_D-ND succeeded in 0ms: gated_cls = data["classification_one_sided_gated"] out[name] = { "n_gaps": data["source"]["n_gaps"], "coherent_one_sided_observables": gate["coherent_one_sided_observables"], "endpoint_stable_observables": gate["endpoint_stable_observables"], "stable_count_coherent": gate["layers"]["0.000"]["stable_count_mean"], "stable_count_illusory": gate["layers"]["1.000"]["stable_count_mean"], "z_mean_coherent": gate["layers"]["0.000"]["z_mean"], "z_mean_illusory": gate["layers"]["1.000"]["z_mean"], "endpoint_distance_all": all_cls["endpoint_distance"], "endpoint_distance_one_sided_gated": gated_cls["endpoint_distance"], "ambiguous_beta_one_sided_gated": gated_cls["ambiguous_beta"], } return out def run(args: argparse.Namespace) -> dict: root_rng = np.random.default_rng(args.seed) sequences = build_sequences(args, root_rng) perimeters = {} for name, base in sequences.items(): perimeters[name] = analyze_sequence(name, base, args, root_rng) output = { "experiment": "semireal_order_denominator_gate", "category": "gate_falsification_semireal", "question": "Does ORDER_DENOMINATOR_GATE survive on non-synthetic / semi-real ordered sequences?", "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": OBS_NAMES, "params": vars(args), "matrix": compact(perimeters), "perimeters": perimeters, } out_path = Path(args.out) out_path.parent.mkdir(parents=True, exist_ok=True) with out_path.open("w") as f: json.dump(output, f, indent=2) print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") print(f"observables_used={OBS_NAMES}") print("perimeter n one_sided stable0 stable1 dist_gate ambiguous_gate") for name, row in output["matrix"].items(): print( f"{name:>28s} " f"{row['n_gaps']:>5d} " f"{','.join(row['coherent_one_sided_observables']) or '[]':>22s} " f"{row['stable_count_coherent']:>7.3f} " f"{row['stable_count_illusory']:>7.3f} " f"{row['endpoint_distance_one_sided_gated']:>9.3f} " f"{row['ambiguous_beta_one_sided_gated']}" ) print(f"saved {out_path}") return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--n-gaps", type=int, default=4096) parser.add_argument("--zeta-gaps", type=int, default=1024) parser.add_argument("--include-zeta", action="store_true") parser.add_argument("--n-replicates", type=int, default=20) parser.add_argument("--n-beta", type=int, default=11) parser.add_argument("--n-baseline", type=int, default=32) parser.add_argument("--z-min", type=float, default=2.0) parser.add_argument("--seed", type=int, default=202605070923) parser.add_argument("--out", default="tools/data/semireal_order_denominator_gate_20260507_0923.json") args = parser.parse_args() run(args) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '840,930p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: ### 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-0234 [method_axiom] score=56 overlap=9 · Assiomi Convenzionali — Corpo della Possibilita' source: method/ASSIOMI_CONVENZIONALI.md:1 > Gli assiomi descrivono la dinamica logica con cui le parole determinano > la percezione. Con gli assiomi le informazioni offrono la realta' che acca - 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 ciclo non deve riaprire il thin blank. Deve sigillare il nuovo audit a due stati: - `prime_persistent_blank`: testare se `SR` resta l'osservabile comune sotto seed/window shift. - `random_matrix_chart_sensitive_blank`: testare se beta `[0.4]` e' coordinata locale stabile o evento di una - **Ultimi apprendimenti**: - Boundary Short Denominator Extension → None/None (ρ=None) - Boundary Transition Taxonomy 13 Rows → None/None (ρ=None) - Boundary Residual Beta-Absent Audit → None/None (ρ=None) exec /bin/bash -lc 'tail -40 tools/observables_registry.py' in /opt/MM_D-ND succeeded in 0ms: return {name: fn(gaps) for name, fn in OBSERVABLES_CANONICAL.items()} def report_header() -> str: """Suggested markdown header line for cycle reports using this registry.""" canonical_list = ", ".join(OBSERVABLES_CANONICAL.keys()) return ( f"observables_registry: {OBSERVABLES_REGISTRY_VERSION}\n" f"observables_used: [{canonical_list}]" ) __all__ = [ "OBSERVABLES_REGISTRY_VERSION", "OBSERVABLES_CANONICAL", "OBSERVABLES_VARIANTS", "SR", "SR2", "L1", "L2", "triple_var", "SR_local_rigidity", "triple_var_normalized", "compute_canonical", "report_header", ] if __name__ == "__main__": # Smoke test: canonical observables on a simple gap series rng = np.random.default_rng(42) gue_like = rng.gamma(shape=2.0, scale=0.5, size=200) res = compute_canonical(gue_like) print(f"Registry version: {OBSERVABLES_REGISTRY_VERSION}") print(f"\nGUE-like 200 gaps:") for name, val in res.items(): print(f" {name:12s} = {val:.6f}") print(f"\nVariants (explicit naming, not aliases):") print(f" SR_local_rigidity = {SR_local_rigidity(gue_like):.6f}") print(f" triple_var_normalized = {triple_var_normalized(gue_like):.6f}") exec /bin/bash -lc "python - <<'PY' import json for p in ['tools/data/boundary_residual_beta_absent_audit_20260510_0330.json','tools/data/boundary_transition_taxonomy_13rows_20260509_1839.json']: data=json.load(open(p)) print(p, data.keys()) if 'row_summaries' in data: print(json.dumps(data['row_summaries'], indent=2)[:2000]) if 'rows' in data: print('rows', len(data['rows']), data['rows'][:2]) PY" in /opt/MM_D-ND succeeded in 0ms: tools/data/boundary_residual_beta_absent_audit_20260510_0330.json dict_keys(['experiment', 'question', 'observables_registry', 'observables_used', 'params', 'targets', 'observable_contract', 'sequence_sources', 'row_summaries', 'full_signature_jaccard', 'common_window_obs_jaccard', 'verdict', 'cases']) { "numeri_primi:cycle_3": { "window_count": 4, "blank_windows": 4, "beta_recovered_windows": 0, "support_fall_windows": 0, "blank_window_rate": 1.0, "common_one_sided_observables": [ "SR" ], "union_one_sided_observables": [ "L1", "L2", "SR", "triple_var" ], "endpoint_distance_mean": 2.7605414022417722, "stable_count_coherent_mean": 2.5625 }, "random_matrix:cycle_7": { "window_count": 4, "blank_windows": 3, "beta_recovered_windows": 1, "support_fall_windows": 0, "blank_window_rate": 0.75, "common_one_sided_observables": [ "L2" ], "union_one_sided_observables": [ "L1", "L2", "SR2", "triple_var" ], "endpoint_distance_mean": 2.9872250931544526, "stable_count_coherent_mean": 3.0833333333333335 } } tools/data/boundary_transition_taxonomy_13rows_20260509_1839.json dict_keys(['experiment', 'question', 'observables_registry', 'observables_used', 'sources', 'observable_contract', 'label_policy', 'counts', 'class_endpoint_means', 'thin_persist_rows', 'open_blank_rows', 'verdict', 'rows']) rows 13 [{'row': 'brownian_motion:cycle_12', 'source_beta_state': 'beta_0_3_local_nonunique', 'source_support_transfer': True, 'source_beta_coordinate_transfer': False, 'source_coordinate_failure': 'adjacent_beta_interval', 'transition_class': 'beta_0_3_local_nonunique', 'extension_applied': False, 'n_gaps_before': 4096, 'n_gaps_after': 4096, 'one_sided_after': 4, 'endpoint_after': 3.8849187765851725, 'stable_count_coherent_after': 4.0, 'beta_after': [0.2, 0.3], 'support_tier_after': 'strong_multi_observable', 'denominator_state': 'complete', 'excluded_mass': 0.0, 'source_domain_type_audit_only': 'Poisson'}, {'row': 'cellular_automata:cycle_8', 'source_beta_state': 'fall_no_support', 'source_support_transfer': False, 'source_beta_coordinate_transfer': False, 'source_coordinate_failure': None, 'transition_class': 'fall_no_support', 'extension_applied': False, 'n_gaps_before': 108, 'n_gaps_after': 108, 'one_sided_after': 0, 'endpoint_after': 0.0, 'stable_count_coherent_after': 0.0, 'beta_after': [], 'support_tier_after': 'thin_observable_support', 'denominator_state': 'contaminated', 'excluded_mass': 0.79, 'source_domain_type_audit_only': 'GUE'}] codex Preparo uno script nuovo e circoscritto: non modifica i gate esistenti, riusa il gate canonico, e salva solo un nuovo JSON per questo ciclo. Il controllo operativo sarà: `SR` deve restare comune nei blank dei primi attraverso provider e offset; nei controlli cross-dominio il blank chart-sensitive deve recuperare beta, perdere supporto, o non conservare `SR` come asse comune. apply patch patch: completed /opt/MM_D-ND/tools/exp_prime_persistent_blank_gate.py diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() codex Lo script è pronto. Ora lo eseguo con parametri leggeri ma non banali: 8 repliche, 9 livelli beta, 16 baseline shuffle, 8 finestre sui primi e 8 controlli. exec /bin/bash -lc 'python tools/exp_prime_persistent_blank_gate.py' in /opt/MM_D-ND diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() succeeded in 1804ms: observables_registry=1.0.0-2026-05-06 target=numeri_primi:cycle_3 prime blank=3/8 sr_rate=1.000 common=['SR'] controls blank=1/8 sr_rate=0.250 common=['L2'] prime_control_common_obs_jaccard=0.000 verdict=PRIME_PERSISTENCE_NOT_REPLICATED saved tools/data/prime_persistent_blank_gate_20260511_0330.json diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() codex Il risultato non conferma il nome `prime_persistent_blank`: `SR` resta comune in tutte le finestre prime, ma il blank beta-absent resta solo in 3/8 casi. Questo è un buon nodo regressivo: il residuo dei primi non cade come supporto SR, cade come assenza di coordinata beta sotto offset/provider. exec /bin/bash -lc "python - <<'PY' import json p='tools/data/prime_persistent_blank_gate_20260511_0330.json' data=json.load(open(p)) print(json.dumps(data['prime_summary'], indent=2)) print(json.dumps(data['control_summary'], indent=2)) for fam in ['prime','controls']: print('\\n',fam) for c in data['cases'][fam]: print(c['case'], c['state'], c['one_sided_observables'], c['ambiguous_beta'], round(c['endpoint_distance'],3), round(c['stable_count_coherent'],3), round(c['stable_count_illusory'],3)) PY" in /opt/MM_D-ND succeeded in 0ms: { "case_count": 8, "state_counts": { "beta_chart_recovered": 4, "support_falls": 1, "beta_absent_blank": 3 }, "blank_rate": 0.375, "sr_rate": 1.0, "common_one_sided_observables": [ "SR" ], "union_one_sided_observables": [ "L1", "SR", "triple_var" ], "endpoint_distance_mean": 2.7152931256472312, "stable_count_coherent_mean": 2.65625 } { "case_count": 8, "state_counts": { "beta_chart_recovered": 3, "beta_absent_blank": 1, "support_falls": 4 }, "blank_rate": 0.125, "sr_rate": 0.25, "common_one_sided_observables": [ "L2" ], "union_one_sided_observables": [ "L2", "SR", "SR2", "triple_var" ], "endpoint_distance_mean": 1.4283905922589293, "stable_count_coherent_mean": 1.640625 } prime prime/dnd_autoricerca/offset_0 beta_chart_recovered ['SR'] [0.2, 0.4] 1.911 1.125 0.375 prime/dnd_autoricerca/offset_512 support_falls ['SR'] [0.2] 1.899 3.0 0.875 prime/dnd_autoricerca/offset_1024 beta_chart_recovered ['SR', 'L1', 'triple_var'] [0.2] 3.225 3.0 0.0 prime/dnd_autoricerca/offset_1536 beta_absent_blank ['SR', 'L1', 'triple_var'] [] 3.236 3.125 0.0 prime/direct_sieve/offset_0 beta_absent_blank ['SR'] [] 1.896 1.375 0.375 prime/direct_sieve/offset_512 beta_chart_recovered ['SR', 'L1', 'triple_var'] [0.4] 3.228 3.0 0.125 prime/direct_sieve/offset_1024 beta_absent_blank ['SR', 'L1', 'triple_var'] [] 3.214 3.125 0.5 prime/direct_sieve/offset_1536 beta_chart_recovered ['SR', 'L1', 'triple_var'] [0.4] 3.114 3.5 0.5 controls control/random_matrix/seed_0 beta_chart_recovered ['L2', 'triple_var'] [0.4] 2.609 2.0 0.25 control/random_matrix/seed_1 beta_chart_recovered ['SR', 'SR2', 'L2', 'triple_var'] [0.4] 3.727 4.0 0.25 control/random_matrix/seed_2 beta_absent_blank ['L2', 'triple_var'] [] 2.61 3.75 0.5 control/random_matrix/seed_3 beta_chart_recovered ['SR', 'L2'] [0.4] 2.48 2.625 0.375 control/logistic_return_intervals/seed_0 support_falls [] [] 0.0 0.75 0.5 control/logistic_return_intervals/seed_1 support_falls [] [] 0.0 0.0 0.375 control/logistic_return_intervals/seed_2 support_falls [] [] 0.0 0.0 0.625 control/logistic_return_intervals/seed_3 support_falls [] [] 0.0 0.0 0.0 diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'python -m py_compile tools/exp_prime_persistent_blank_gate.py' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() codex Scrivo il report del ciclo come falsificazione vincolante, non come salvataggio del claim precedente: `SR` e `blank beta-absent` si separano. La correzione regressiva è nel nome della classe: il supporto prime è persistente su `SR`, non nella mancanza universale della coordinata beta. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260511_0330.md diff --git a/tools/data/reports/agent_20260511_0330.md b/tools/data/reports/agent_20260511_0330.md new file mode 100644 index 0000000000000000000000000000000000000000..a67cdf593e5d5e44e9f493b8c367c0ec6c32477c --- /dev/null +++ b/tools/data/reports/agent_20260511_0330.md @@ -0,0 +1,114 @@ +# Agent Report - Prime Persistent Blank Gate +**Date**: 2026-05-11 03:30 +**Piano**: 115 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - `prime_persistent_blank` si scinde: SR persiste, il blank beta no +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, provider, offset, case_state, blank_rate, sr_rate, prime_control_common_obs_jaccard] +**observable_contract**: claim=`prime_persistent_blank` e' isolato solo se `numeri_primi:cycle_3` resta `beta_absent_blank` attraverso provider, offset row-local e seed shift con `SR` come osservabile one-sided comune; observable=`case_state` + firma osservabili one-sided focalizzata su `SR`; operator=`exp_prime_persistent_blank_gate.py`; generator=primi via `row_spacings("numeri_primi")` e `prime_gap_sequence`, controlli via GUE random matrix blocks e logistic return intervals; denominator=8 finestre prime da 1024 gap (2 provider x 4 offset) + 8 controlli cross-dominio; non_possible=`prime_persistent_blank` se una finestra prime recupera beta/perde supporto o se i controlli condividono la stessa firma blank-SR; not_tested=atlante beta globale, `V_c`, `gap_ratio`, validita' label sorgente GUE/Poisson. + +## Respiro fuori-tempo + +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto + BOUNDARY residuo `numeri_primi:cycle_3`. +- **Dipolo / punto-zero**: persistenza del supporto / persistenza del blank. Punto-zero: la stessa finestra row-local da 1024 gap dove `SR` puo' restare mentre la coordinata beta riappare. +- **Piano superiore**: topologia assiomatica del bordo: non una classe statistica unica, ma una sezione che conserva un osservabile e perde una coordinata. +- **Proto-ipotesi**: il residuo prime e' strutturale solo se il blank beta-absent sopravvive a provider e offset; se sopravvive solo `SR`, la struttura non e' `blank`, e' `SR-supported boundary`. +- **Possibile / non-possibile**: possibile = isolare un residuo prime provider-neutral; non-possibile = chiamarlo `prime_persistent_blank` quando beta ricompare in finestre locali. +- **Proiezione**: due provider prime, quattro offset locali, seed shift del gate, controlli random_matrix/logistic. + +## Contaminazione cognitiva + +- **YSN DeltaLink**: il legame non ovvio e' `SR` come sezione comune mentre la carta beta cambia; non e' prova, e' la domanda proiettata. +- **Cornelius gene**: `DNA_Simbolico`: "La persistenza del bordo non coincide con la persistenza del blank." Operatori: separa supporto, separa coordinata, confronta controlli. +- **KSAR step / CE-0001**: reiterazione del kernel 20260510 senza ridisegnare l'atlante: stesso gate, nuovo provider/offset/seed. +- **PVI attack**: il presupposto nascosto era che `blank_windows=4/4` su una partizione bastasse per nominare una specie persistente. +- **Vault**: `random_matrix_chart_sensitive_blank` resta aperto come coordinata locale beta `[0.4]`, non lavorata in questo ciclo. + +## Aderenza alla direzione + +- `relation`: follows_direction +- `why`: testa direttamente `prime_persistent_blank` su `numeri_primi:cycle_3` con provider-neutral row-local windows e controlli cross-dominio. +- `not_drift`: non usa `V_c`, non usa fit, non riapre griglia beta globale, non salva la classe caduta `medium/strong beta-absent`. + +## Claim Under Test + +> `numeri_primi:cycle_3` e' un `prime_persistent_blank` se resta beta-absent in tutte le finestre provider-neutral e conserva `SR` come osservabile comune, mentre i controlli non condividono la stessa firma. + +## Experiment Design + +- Perimetro prime: 2 provider (`dnd_autoricerca`, `direct_sieve`) x 4 offset (`0`, `512`, `1024`, `1536`) x 1024 gap. +- Controlli: 4 GUE random matrix blocks + 4 logistic return interval rows. +- Parametri: `n_replicates=8`, `n_beta=9`, `n_baseline=16`, `z_min=2.0`, seed `202605110330`. +- Null baseline: permutazione marginal-preserving dentro il gate canonico ordine/null. +- Criterio di isolamento: prime `blank_rate=1.0`, prime `sr_rate=1.0`, common prime obs = `[SR]`, controlli senza full blank-SR collision. + +## Results + +| family | blank | beta recovered | support falls | sr rate | common obs | endpoint mean | stable coherent mean | +|---|---:|---:|---:|---:|---|---:|---:| +| prime | 3/8 | 4/8 | 1/8 | 1.000 | SR | 2.715 | 2.656 | +| controls | 1/8 | 3/8 | 4/8 | 0.250 | L2 | 1.428 | 1.641 | + +| comparison | value | +|---|---:| +| prime_control_common_obs_jaccard | 0.000 | +| verdict | PRIME_PERSISTENCE_NOT_REPLICATED | + +Prime case details: + +| case | state | one-sided obs | beta | +|---|---|---|---| +| dnd_autoricerca offset 0 | beta_chart_recovered | SR | 0.2, 0.4 | +| dnd_autoricerca offset 512 | support_falls | SR | 0.2 | +| dnd_autoricerca offset 1024 | beta_chart_recovered | SR,L1,triple_var | 0.2 | +| dnd_autoricerca offset 1536 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 0 | beta_absent_blank | SR | [] | +| direct_sieve offset 512 | beta_chart_recovered | SR,L1,triple_var | 0.4 | +| direct_sieve offset 1024 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 1536 | beta_chart_recovered | SR,L1,triple_var | 0.4 | + +## Key Findings + +1. **Verificato**: `SR` resta in 8/8 finestre prime. La firma comune prime e' `[SR]`. +2. **Verificato**: il blank beta-absent non resta in 8/8 finestre prime. Solo 3/8 casi sono `beta_absent_blank`; 4/8 recuperano beta e 1/8 cade per supporto. +3. **Verificato**: i controlli non collidono con la firma prime. I controlli hanno common obs `[L2]`, `sr_rate=0.250`, `blank_rate=0.125`, Jaccard comune prime/controlli = 0.000. +4. **Inferito dal perimetro dichiarato**: il residuo dei primi non e' `prime_persistent_blank`; e' `prime_SR_persistent_boundary` con coordinata beta chart-sensitive. + +## Verdict + +**CONSTRAINT**. + +Il nome `prime_persistent_blank` non regge nel perimetro provider-neutral/offset-shift. La parte persistente e' `SR`, non l'assenza di beta. + +Formula valida: + +`numeri_primi:cycle_3` conserva supporto one-sided `SR` attraverso provider e offset; la coordinata beta resta locale e ricompare in 4/8 finestre. + +Formula non valida: + +`numeri_primi:cycle_3` e' un blank beta-absent persistente. + +## Bicono della scoperta + +- **Due radici**: supporto SR persistente / blank beta non persistente. +- **Singolare**: la finestra row-local dove `SR` resta ma beta riappare. +- **Invariante di passaggio**: `SR` attraversa provider e offset; `blank` no. +- **Campo di possibilita'**: possibile = rinominare il residuo come supporto `SR` provider-neutral; non-possibile = promuovere il blank come specie autonoma. + +## Consecutio + +Il prossimo ciclo deve chiudere la tassonomia residua senza salvare il nome caduto: + +- rinominare il residuo prime in `prime_SR_persistent_boundary`; +- testare se il beta recovery 0.2/0.4 dipende da offset, provider o baseline seed; +- lavorare `random_matrix_chart_sensitive_blank` solo dopo aver separato coordinate locali da supporto osservabile. + +## Ricadute pratiche + +ssp_value: yes. Lo script diventa un audit riusabile per distinguere persistenza di osservabile e persistenza di blank nei residui BOUNDARY senza rigenerare l'atlante globale. + +## Files + +- Script: `tools/exp_prime_persistent_blank_gate.py` +- Data: `tools/data/prime_persistent_blank_gate_20260511_0330.json` +- Report: `tools/data/reports/agent_20260511_0330.md` diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260511_0330.md b/tools/data/reports/agent_20260511_0330.md new file mode 100644 index 0000000000000000000000000000000000000000..a67cdf593e5d5e44e9f493b8c367c0ec6c32477c --- /dev/null +++ b/tools/data/reports/agent_20260511_0330.md @@ -0,0 +1,114 @@ +# Agent Report - Prime Persistent Blank Gate +**Date**: 2026-05-11 03:30 +**Piano**: 115 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - `prime_persistent_blank` si scinde: SR persiste, il blank beta no +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, provider, offset, case_state, blank_rate, sr_rate, prime_control_common_obs_jaccard] +**observable_contract**: claim=`prime_persistent_blank` e' isolato solo se `numeri_primi:cycle_3` resta `beta_absent_blank` attraverso provider, offset row-local e seed shift con `SR` come osservabile one-sided comune; observable=`case_state` + firma osservabili one-sided focalizzata su `SR`; operator=`exp_prime_persistent_blank_gate.py`; generator=primi via `row_spacings("numeri_primi")` e `prime_gap_sequence`, controlli via GUE random matrix blocks e logistic return intervals; denominator=8 finestre prime da 1024 gap (2 provider x 4 offset) + 8 controlli cross-dominio; non_possible=`prime_persistent_blank` se una finestra prime recupera beta/perde supporto o se i controlli condividono la stessa firma blank-SR; not_tested=atlante beta globale, `V_c`, `gap_ratio`, validita' label sorgente GUE/Poisson. + +## Respiro fuori-tempo + +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto + BOUNDARY residuo `numeri_primi:cycle_3`. +- **Dipolo / punto-zero**: persistenza del supporto / persistenza del blank. Punto-zero: la stessa finestra row-local da 1024 gap dove `SR` puo' restare mentre la coordinata beta riappare. +- **Piano superiore**: topologia assiomatica del bordo: non una classe statistica unica, ma una sezione che conserva un osservabile e perde una coordinata. +- **Proto-ipotesi**: il residuo prime e' strutturale solo se il blank beta-absent sopravvive a provider e offset; se sopravvive solo `SR`, la struttura non e' `blank`, e' `SR-supported boundary`. +- **Possibile / non-possibile**: possibile = isolare un residuo prime provider-neutral; non-possibile = chiamarlo `prime_persistent_blank` quando beta ricompare in finestre locali. +- **Proiezione**: due provider prime, quattro offset locali, seed shift del gate, controlli random_matrix/logistic. + +## Contaminazione cognitiva + +- **YSN DeltaLink**: il legame non ovvio e' `SR` come sezione comune mentre la carta beta cambia; non e' prova, e' la domanda proiettata. +- **Cornelius gene**: `DNA_Simbolico`: "La persistenza del bordo non coincide con la persistenza del blank." Operatori: separa supporto, separa coordinata, confronta controlli. +- **KSAR step / CE-0001**: reiterazione del kernel 20260510 senza ridisegnare l'atlante: stesso gate, nuovo provider/offset/seed. +- **PVI attack**: il presupposto nascosto era che `blank_windows=4/4` su una partizione bastasse per nominare una specie persistente. +- **Vault**: `random_matrix_chart_sensitive_blank` resta aperto come coordinata locale beta `[0.4]`, non lavorata in questo ciclo. + +## Aderenza alla direzione + +- `relation`: follows_direction +- `why`: testa direttamente `prime_persistent_blank` su `numeri_primi:cycle_3` con provider-neutral row-local windows e controlli cross-dominio. +- `not_drift`: non usa `V_c`, non usa fit, non riapre griglia beta globale, non salva la classe caduta `medium/strong beta-absent`. + +## Claim Under Test + +> `numeri_primi:cycle_3` e' un `prime_persistent_blank` se resta beta-absent in tutte le finestre provider-neutral e conserva `SR` come osservabile comune, mentre i controlli non condividono la stessa firma. + +## Experiment Design + +- Perimetro prime: 2 provider (`dnd_autoricerca`, `direct_sieve`) x 4 offset (`0`, `512`, `1024`, `1536`) x 1024 gap. +- Controlli: 4 GUE random matrix blocks + 4 logistic return interval rows. +- Parametri: `n_replicates=8`, `n_beta=9`, `n_baseline=16`, `z_min=2.0`, seed `202605110330`. +- Null baseline: permutazione marginal-preserving dentro il gate canonico ordine/null. +- Criterio di isolamento: prime `blank_rate=1.0`, prime `sr_rate=1.0`, common prime obs = `[SR]`, controlli senza full blank-SR collision. + +## Results + +| family | blank | beta recovered | support falls | sr rate | common obs | endpoint mean | stable coherent mean | +|---|---:|---:|---:|---:|---|---:|---:| +| prime | 3/8 | 4/8 | 1/8 | 1.000 | SR | 2.715 | 2.656 | +| controls | 1/8 | 3/8 | 4/8 | 0.250 | L2 | 1.428 | 1.641 | + +| comparison | value | +|---|---:| +| prime_control_common_obs_jaccard | 0.000 | +| verdict | PRIME_PERSISTENCE_NOT_REPLICATED | + +Prime case details: + +| case | state | one-sided obs | beta | +|---|---|---|---| +| dnd_autoricerca offset 0 | beta_chart_recovered | SR | 0.2, 0.4 | +| dnd_autoricerca offset 512 | support_falls | SR | 0.2 | +| dnd_autoricerca offset 1024 | beta_chart_recovered | SR,L1,triple_var | 0.2 | +| dnd_autoricerca offset 1536 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 0 | beta_absent_blank | SR | [] | +| direct_sieve offset 512 | beta_chart_recovered | SR,L1,triple_var | 0.4 | +| direct_sieve offset 1024 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 1536 | beta_chart_recovered | SR,L1,triple_var | 0.4 | + +## Key Findings + +1. **Verificato**: `SR` resta in 8/8 finestre prime. La firma comune prime e' `[SR]`. +2. **Verificato**: il blank beta-absent non resta in 8/8 finestre prime. Solo 3/8 casi sono `beta_absent_blank`; 4/8 recuperano beta e 1/8 cade per supporto. +3. **Verificato**: i controlli non collidono con la firma prime. I controlli hanno common obs `[L2]`, `sr_rate=0.250`, `blank_rate=0.125`, Jaccard comune prime/controlli = 0.000. +4. **Inferito dal perimetro dichiarato**: il residuo dei primi non e' `prime_persistent_blank`; e' `prime_SR_persistent_boundary` con coordinata beta chart-sensitive. + +## Verdict + +**CONSTRAINT**. + +Il nome `prime_persistent_blank` non regge nel perimetro provider-neutral/offset-shift. La parte persistente e' `SR`, non l'assenza di beta. + +Formula valida: + +`numeri_primi:cycle_3` conserva supporto one-sided `SR` attraverso provider e offset; la coordinata beta resta locale e ricompare in 4/8 finestre. + +Formula non valida: + +`numeri_primi:cycle_3` e' un blank beta-absent persistente. + +## Bicono della scoperta + +- **Due radici**: supporto SR persistente / blank beta non persistente. +- **Singolare**: la finestra row-local dove `SR` resta ma beta riappare. +- **Invariante di passaggio**: `SR` attraversa provider e offset; `blank` no. +- **Campo di possibilita'**: possibile = rinominare il residuo come supporto `SR` provider-neutral; non-possibile = promuovere il blank come specie autonoma. + +## Consecutio + +Il prossimo ciclo deve chiudere la tassonomia residua senza salvare il nome caduto: + +- rinominare il residuo prime in `prime_SR_persistent_boundary`; +- testare se il beta recovery 0.2/0.4 dipende da offset, provider o baseline seed; +- lavorare `random_matrix_chart_sensitive_blank` solo dopo aver separato coordinate locali da supporto osservabile. + +## Ricadute pratiche + +ssp_value: yes. Lo script diventa un audit riusabile per distinguere persistenza di osservabile e persistenza di blank nei residui BOUNDARY senza rigenerare l'atlante globale. + +## Files + +- Script: `tools/exp_prime_persistent_blank_gate.py` +- Data: `tools/data/prime_persistent_blank_gate_20260511_0330.json` +- Report: `tools/data/reports/agent_20260511_0330.md` diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() exec /bin/bash -lc 'test -s tools/data/reports/agent_20260511_0330.md && test -s tools/data/prime_persistent_blank_gate_20260511_0330.json && echo ok' in /opt/MM_D-ND succeeded in 0ms: ok exec /bin/bash -lc 'git status --short tools/exp_prime_persistent_blank_gate.py tools/data/prime_persistent_blank_gate_20260511_0330.json tools/data/reports/agent_20260511_0330.md' in /opt/MM_D-ND succeeded in 0ms: ?? tools/data/prime_persistent_blank_gate_20260511_0330.json ?? tools/data/reports/agent_20260511_0330.md ?? tools/exp_prime_persistent_blank_gate.py exec /bin/bash -lc "sed -n '1,240p' tools/data/reports/agent_20260511_0330.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Prime Persistent Blank Gate **Date**: 2026-05-11 03:30 **Piano**: 115 **Tension explored**: BOUNDARY (0.8) **verdict**: CONSTRAINT - `prime_persistent_blank` si scinde: SR persiste, il blank beta no observables_registry: 1.0.0-2026-05-06 observables_used: [SR, SR2, L1, L2, triple_var, provider, offset, case_state, blank_rate, sr_rate, prime_control_common_obs_jaccard] **observable_contract**: claim=`prime_persistent_blank` e' isolato solo se `numeri_primi:cycle_3` resta `beta_absent_blank` attraverso provider, offset row-local e seed shift con `SR` come osservabile one-sided comune; observable=`case_state` + firma osservabili one-sided focalizzata su `SR`; operator=`exp_prime_persistent_blank_gate.py`; generator=primi via `row_spacings("numeri_primi")` e `prime_gap_sequence`, controlli via GUE random matrix blocks e logistic return intervals; denominator=8 finestre prime da 1024 gap (2 provider x 4 offset) + 8 controlli cross-dominio; non_possible=`prime_persistent_blank` se una finestra prime recupera beta/perde supporto o se i controlli condividono la stessa firma blank-SR; not_tested=atlante beta globale, `V_c`, `gap_ratio`, validita' label sorgente GUE/Poisson. ## Respiro fuori-tempo - **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto + BOUNDARY residuo `numeri_primi:cycle_3`. - **Dipolo / punto-zero**: persistenza del supporto / persistenza del blank. Punto-zero: la stessa finestra row-local da 1024 gap dove `SR` puo' restare mentre la coordinata beta riappare. - **Piano superiore**: topologia assiomatica del bordo: non una classe statistica unica, ma una sezione che conserva un osservabile e perde una coordinata. - **Proto-ipotesi**: il residuo prime e' strutturale solo se il blank beta-absent sopravvive a provider e offset; se sopravvive solo `SR`, la struttura non e' `blank`, e' `SR-supported boundary`. - **Possibile / non-possibile**: possibile = isolare un residuo prime provider-neutral; non-possibile = chiamarlo `prime_persistent_blank` quando beta ricompare in finestre locali. - **Proiezione**: due provider prime, quattro offset locali, seed shift del gate, controlli random_matrix/logistic. ## Contaminazione cognitiva - **YSN DeltaLink**: il legame non ovvio e' `SR` come sezione comune mentre la carta beta cambia; non e' prova, e' la domanda proiettata. - **Cornelius gene**: `DNA_Simbolico`: "La persistenza del bordo non coincide con la persistenza del blank." Operatori: separa supporto, separa coordinata, confronta controlli. - **KSAR step / CE-0001**: reiterazione del kernel 20260510 senza ridisegnare l'atlante: stesso gate, nuovo provider/offset/seed. - **PVI attack**: il presupposto nascosto era che `blank_windows=4/4` su una partizione bastasse per nominare una specie persistente. - **Vault**: `random_matrix_chart_sensitive_blank` resta aperto come coordinata locale beta `[0.4]`, non lavorata in questo ciclo. ## Aderenza alla direzione - `relation`: follows_direction - `why`: testa direttamente `prime_persistent_blank` su `numeri_primi:cycle_3` con provider-neutral row-local windows e controlli cross-dominio. - `not_drift`: non usa `V_c`, non usa fit, non riapre griglia beta globale, non salva la classe caduta `medium/strong beta-absent`. ## Claim Under Test > `numeri_primi:cycle_3` e' un `prime_persistent_blank` se resta beta-absent in tutte le finestre provider-neutral e conserva `SR` come osservabile comune, mentre i controlli non condividono la stessa firma. ## Experiment Design - Perimetro prime: 2 provider (`dnd_autoricerca`, `direct_sieve`) x 4 offset (`0`, `512`, `1024`, `1536`) x 1024 gap. - Controlli: 4 GUE random matrix blocks + 4 logistic return interval rows. - Parametri: `n_replicates=8`, `n_beta=9`, `n_baseline=16`, `z_min=2.0`, seed `202605110330`. - Null baseline: permutazione marginal-preserving dentro il gate canonico ordine/null. - Criterio di isolamento: prime `blank_rate=1.0`, prime `sr_rate=1.0`, common prime obs = `[SR]`, controlli senza full blank-SR collision. ## Results | family | blank | beta recovered | support falls | sr rate | common obs | endpoint mean | stable coherent mean | |---|---:|---:|---:|---:|---|---:|---:| | prime | 3/8 | 4/8 | 1/8 | 1.000 | SR | 2.715 | 2.656 | | controls | 1/8 | 3/8 | 4/8 | 0.250 | L2 | 1.428 | 1.641 | | comparison | value | |---|---:| | prime_control_common_obs_jaccard | 0.000 | | verdict | PRIME_PERSISTENCE_NOT_REPLICATED | Prime case details: | case | state | one-sided obs | beta | |---|---|---|---| | dnd_autoricerca offset 0 | beta_chart_recovered | SR | 0.2, 0.4 | | dnd_autoricerca offset 512 | support_falls | SR | 0.2 | | dnd_autoricerca offset 1024 | beta_chart_recovered | SR,L1,triple_var | 0.2 | | dnd_autoricerca offset 1536 | beta_absent_blank | SR,L1,triple_var | [] | | direct_sieve offset 0 | beta_absent_blank | SR | [] | | direct_sieve offset 512 | beta_chart_recovered | SR,L1,triple_var | 0.4 | | direct_sieve offset 1024 | beta_absent_blank | SR,L1,triple_var | [] | | direct_sieve offset 1536 | beta_chart_recovered | SR,L1,triple_var | 0.4 | ## Key Findings 1. **Verificato**: `SR` resta in 8/8 finestre prime. La firma comune prime e' `[SR]`. 2. **Verificato**: il blank beta-absent non resta in 8/8 finestre prime. Solo 3/8 casi sono `beta_absent_blank`; 4/8 recuperano beta e 1/8 cade per supporto. 3. **Verificato**: i controlli non collidono con la firma prime. I controlli hanno common obs `[L2]`, `sr_rate=0.250`, `blank_rate=0.125`, Jaccard comune prime/controlli = 0.000. 4. **Inferito dal perimetro dichiarato**: il residuo dei primi non e' `prime_persistent_blank`; e' `prime_SR_persistent_boundary` con coordinata beta chart-sensitive. ## Verdict **CONSTRAINT**. Il nome `prime_persistent_blank` non regge nel perimetro provider-neutral/offset-shift. La parte persistente e' `SR`, non l'assenza di beta. Formula valida: `numeri_primi:cycle_3` conserva supporto one-sided `SR` attraverso provider e offset; la coordinata beta resta locale e ricompare in 4/8 finestre. Formula non valida: `numeri_primi:cycle_3` e' un blank beta-absent persistente. ## Bicono della scoperta - **Due radici**: supporto SR persistente / blank beta non persistente. - **Singolare**: la finestra row-local dove `SR` resta ma beta riappare. - **Invariante di passaggio**: `SR` attraversa provider e offset; `blank` no. - **Campo di possibilita'**: possibile = rinominare il residuo come supporto `SR` provider-neutral; non-possibile = promuovere il blank come specie autonoma. ## Consecutio Il prossimo ciclo deve chiudere la tassonomia residua senza salvare il nome caduto: - rinominare il residuo prime in `prime_SR_persistent_boundary`; - testare se il beta recovery 0.2/0.4 dipende da offset, provider o baseline seed; - lavorare `random_matrix_chart_sensitive_blank` solo dopo aver separato coordinate locali da supporto osservabile. ## Ricadute pratiche ssp_value: yes. Lo script diventa un audit riusabile per distinguere persistenza di osservabile e persistenza di blank nei residui BOUNDARY senza rigenerare l'atlante globale. ## Files - Script: `tools/exp_prime_persistent_blank_gate.py` - Data: `tools/data/prime_persistent_blank_gate_20260511_0330.json` - Report: `tools/data/reports/agent_20260511_0330.md` diff --git a/tools/data/reports/agent_20260511_0330.md b/tools/data/reports/agent_20260511_0330.md new file mode 100644 index 0000000000000000000000000000000000000000..a67cdf593e5d5e44e9f493b8c367c0ec6c32477c --- /dev/null +++ b/tools/data/reports/agent_20260511_0330.md @@ -0,0 +1,114 @@ +# Agent Report - Prime Persistent Blank Gate +**Date**: 2026-05-11 03:30 +**Piano**: 115 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - `prime_persistent_blank` si scinde: SR persiste, il blank beta no +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, provider, offset, case_state, blank_rate, sr_rate, prime_control_common_obs_jaccard] +**observable_contract**: claim=`prime_persistent_blank` e' isolato solo se `numeri_primi:cycle_3` resta `beta_absent_blank` attraverso provider, offset row-local e seed shift con `SR` come osservabile one-sided comune; observable=`case_state` + firma osservabili one-sided focalizzata su `SR`; operator=`exp_prime_persistent_blank_gate.py`; generator=primi via `row_spacings("numeri_primi")` e `prime_gap_sequence`, controlli via GUE random matrix blocks e logistic return intervals; denominator=8 finestre prime da 1024 gap (2 provider x 4 offset) + 8 controlli cross-dominio; non_possible=`prime_persistent_blank` se una finestra prime recupera beta/perde supporto o se i controlli condividono la stessa firma blank-SR; not_tested=atlante beta globale, `V_c`, `gap_ratio`, validita' label sorgente GUE/Poisson. + +## Respiro fuori-tempo + +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto + BOUNDARY residuo `numeri_primi:cycle_3`. +- **Dipolo / punto-zero**: persistenza del supporto / persistenza del blank. Punto-zero: la stessa finestra row-local da 1024 gap dove `SR` puo' restare mentre la coordinata beta riappare. +- **Piano superiore**: topologia assiomatica del bordo: non una classe statistica unica, ma una sezione che conserva un osservabile e perde una coordinata. +- **Proto-ipotesi**: il residuo prime e' strutturale solo se il blank beta-absent sopravvive a provider e offset; se sopravvive solo `SR`, la struttura non e' `blank`, e' `SR-supported boundary`. +- **Possibile / non-possibile**: possibile = isolare un residuo prime provider-neutral; non-possibile = chiamarlo `prime_persistent_blank` quando beta ricompare in finestre locali. +- **Proiezione**: due provider prime, quattro offset locali, seed shift del gate, controlli random_matrix/logistic. + +## Contaminazione cognitiva + +- **YSN DeltaLink**: il legame non ovvio e' `SR` come sezione comune mentre la carta beta cambia; non e' prova, e' la domanda proiettata. +- **Cornelius gene**: `DNA_Simbolico`: "La persistenza del bordo non coincide con la persistenza del blank." Operatori: separa supporto, separa coordinata, confronta controlli. +- **KSAR step / CE-0001**: reiterazione del kernel 20260510 senza ridisegnare l'atlante: stesso gate, nuovo provider/offset/seed. +- **PVI attack**: il presupposto nascosto era che `blank_windows=4/4` su una partizione bastasse per nominare una specie persistente. +- **Vault**: `random_matrix_chart_sensitive_blank` resta aperto come coordinata locale beta `[0.4]`, non lavorata in questo ciclo. + +## Aderenza alla direzione + +- `relation`: follows_direction +- `why`: testa direttamente `prime_persistent_blank` su `numeri_primi:cycle_3` con provider-neutral row-local windows e controlli cross-dominio. +- `not_drift`: non usa `V_c`, non usa fit, non riapre griglia beta globale, non salva la classe caduta `medium/strong beta-absent`. + +## Claim Under Test + +> `numeri_primi:cycle_3` e' un `prime_persistent_blank` se resta beta-absent in tutte le finestre provider-neutral e conserva `SR` come osservabile comune, mentre i controlli non condividono la stessa firma. + +## Experiment Design + +- Perimetro prime: 2 provider (`dnd_autoricerca`, `direct_sieve`) x 4 offset (`0`, `512`, `1024`, `1536`) x 1024 gap. +- Controlli: 4 GUE random matrix blocks + 4 logistic return interval rows. +- Parametri: `n_replicates=8`, `n_beta=9`, `n_baseline=16`, `z_min=2.0`, seed `202605110330`. +- Null baseline: permutazione marginal-preserving dentro il gate canonico ordine/null. +- Criterio di isolamento: prime `blank_rate=1.0`, prime `sr_rate=1.0`, common prime obs = `[SR]`, controlli senza full blank-SR collision. + +## Results + +| family | blank | beta recovered | support falls | sr rate | common obs | endpoint mean | stable coherent mean | +|---|---:|---:|---:|---:|---|---:|---:| +| prime | 3/8 | 4/8 | 1/8 | 1.000 | SR | 2.715 | 2.656 | +| controls | 1/8 | 3/8 | 4/8 | 0.250 | L2 | 1.428 | 1.641 | + +| comparison | value | +|---|---:| +| prime_control_common_obs_jaccard | 0.000 | +| verdict | PRIME_PERSISTENCE_NOT_REPLICATED | + +Prime case details: + +| case | state | one-sided obs | beta | +|---|---|---|---| +| dnd_autoricerca offset 0 | beta_chart_recovered | SR | 0.2, 0.4 | +| dnd_autoricerca offset 512 | support_falls | SR | 0.2 | +| dnd_autoricerca offset 1024 | beta_chart_recovered | SR,L1,triple_var | 0.2 | +| dnd_autoricerca offset 1536 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 0 | beta_absent_blank | SR | [] | +| direct_sieve offset 512 | beta_chart_recovered | SR,L1,triple_var | 0.4 | +| direct_sieve offset 1024 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 1536 | beta_chart_recovered | SR,L1,triple_var | 0.4 | + +## Key Findings + +1. **Verificato**: `SR` resta in 8/8 finestre prime. La firma comune prime e' `[SR]`. +2. **Verificato**: il blank beta-absent non resta in 8/8 finestre prime. Solo 3/8 casi sono `beta_absent_blank`; 4/8 recuperano beta e 1/8 cade per supporto. +3. **Verificato**: i controlli non collidono con la firma prime. I controlli hanno common obs `[L2]`, `sr_rate=0.250`, `blank_rate=0.125`, Jaccard comune prime/controlli = 0.000. +4. **Inferito dal perimetro dichiarato**: il residuo dei primi non e' `prime_persistent_blank`; e' `prime_SR_persistent_boundary` con coordinata beta chart-sensitive. + +## Verdict + +**CONSTRAINT**. + +Il nome `prime_persistent_blank` non regge nel perimetro provider-neutral/offset-shift. La parte persistente e' `SR`, non l'assenza di beta. + +Formula valida: + +`numeri_primi:cycle_3` conserva supporto one-sided `SR` attraverso provider e offset; la coordinata beta resta locale e ricompare in 4/8 finestre. + +Formula non valida: + +`numeri_primi:cycle_3` e' un blank beta-absent persistente. + +## Bicono della scoperta + +- **Due radici**: supporto SR persistente / blank beta non persistente. +- **Singolare**: la finestra row-local dove `SR` resta ma beta riappare. +- **Invariante di passaggio**: `SR` attraversa provider e offset; `blank` no. +- **Campo di possibilita'**: possibile = rinominare il residuo come supporto `SR` provider-neutral; non-possibile = promuovere il blank come specie autonoma. + +## Consecutio + +Il prossimo ciclo deve chiudere la tassonomia residua senza salvare il nome caduto: + +- rinominare il residuo prime in `prime_SR_persistent_boundary`; +- testare se il beta recovery 0.2/0.4 dipende da offset, provider o baseline seed; +- lavorare `random_matrix_chart_sensitive_blank` solo dopo aver separato coordinate locali da supporto osservabile. + +## Ricadute pratiche + +ssp_value: yes. Lo script diventa un audit riusabile per distinguere persistenza di osservabile e persistenza di blank nei residui BOUNDARY senza rigenerare l'atlante globale. + +## Files + +- Script: `tools/exp_prime_persistent_blank_gate.py` +- Data: `tools/data/prime_persistent_blank_gate_20260511_0330.json` +- Report: `tools/data/reports/agent_20260511_0330.md` diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() codex Completato. Ho eseguito l’esperimento e scritto il report in [agent_20260511_0330.md](/opt/MM_D-ND/tools/data/reports/agent_20260511_0330.md). Ho aggiunto anche lo script riusabile [exp_prime_persistent_blank_gate.py](/opt/MM_D-ND/tools/exp_prime_persistent_blank_gate.py) e il dato JSON [prime_persistent_blank_gate_20260511_0330.json](/opt/MM_D-ND/tools/data/prime_persistent_blank_gate_20260511_0330.json). Esito principale: `prime_persistent_blank` non regge come nome strutturale. Nei primi `SR` persiste in 8/8 finestre, ma il blank beta-absent solo in 3/8; quindi il residuo corretto è `prime_SR_persistent_boundary`, non blank persistente. Verifiche: script eseguito, JSON/report creati, `python -m py_compile` passato. Non ho aggiornato `seme.json`, perché la richiesta era eseguire l’esperimento e scrivere il report. diff --git a/tools/data/reports/agent_20260511_0330.md b/tools/data/reports/agent_20260511_0330.md new file mode 100644 index 0000000000000000000000000000000000000000..a67cdf593e5d5e44e9f493b8c367c0ec6c32477c --- /dev/null +++ b/tools/data/reports/agent_20260511_0330.md @@ -0,0 +1,114 @@ +# Agent Report - Prime Persistent Blank Gate +**Date**: 2026-05-11 03:30 +**Piano**: 115 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - `prime_persistent_blank` si scinde: SR persiste, il blank beta no +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, provider, offset, case_state, blank_rate, sr_rate, prime_control_common_obs_jaccard] +**observable_contract**: claim=`prime_persistent_blank` e' isolato solo se `numeri_primi:cycle_3` resta `beta_absent_blank` attraverso provider, offset row-local e seed shift con `SR` come osservabile one-sided comune; observable=`case_state` + firma osservabili one-sided focalizzata su `SR`; operator=`exp_prime_persistent_blank_gate.py`; generator=primi via `row_spacings("numeri_primi")` e `prime_gap_sequence`, controlli via GUE random matrix blocks e logistic return intervals; denominator=8 finestre prime da 1024 gap (2 provider x 4 offset) + 8 controlli cross-dominio; non_possible=`prime_persistent_blank` se una finestra prime recupera beta/perde supporto o se i controlli condividono la stessa firma blank-SR; not_tested=atlante beta globale, `V_c`, `gap_ratio`, validita' label sorgente GUE/Poisson. + +## Respiro fuori-tempo + +- **Combo**: A2 confine det=-1 + A9 terzo incluso + A11 combo + QxG continuo/discreto + BOUNDARY residuo `numeri_primi:cycle_3`. +- **Dipolo / punto-zero**: persistenza del supporto / persistenza del blank. Punto-zero: la stessa finestra row-local da 1024 gap dove `SR` puo' restare mentre la coordinata beta riappare. +- **Piano superiore**: topologia assiomatica del bordo: non una classe statistica unica, ma una sezione che conserva un osservabile e perde una coordinata. +- **Proto-ipotesi**: il residuo prime e' strutturale solo se il blank beta-absent sopravvive a provider e offset; se sopravvive solo `SR`, la struttura non e' `blank`, e' `SR-supported boundary`. +- **Possibile / non-possibile**: possibile = isolare un residuo prime provider-neutral; non-possibile = chiamarlo `prime_persistent_blank` quando beta ricompare in finestre locali. +- **Proiezione**: due provider prime, quattro offset locali, seed shift del gate, controlli random_matrix/logistic. + +## Contaminazione cognitiva + +- **YSN DeltaLink**: il legame non ovvio e' `SR` come sezione comune mentre la carta beta cambia; non e' prova, e' la domanda proiettata. +- **Cornelius gene**: `DNA_Simbolico`: "La persistenza del bordo non coincide con la persistenza del blank." Operatori: separa supporto, separa coordinata, confronta controlli. +- **KSAR step / CE-0001**: reiterazione del kernel 20260510 senza ridisegnare l'atlante: stesso gate, nuovo provider/offset/seed. +- **PVI attack**: il presupposto nascosto era che `blank_windows=4/4` su una partizione bastasse per nominare una specie persistente. +- **Vault**: `random_matrix_chart_sensitive_blank` resta aperto come coordinata locale beta `[0.4]`, non lavorata in questo ciclo. + +## Aderenza alla direzione + +- `relation`: follows_direction +- `why`: testa direttamente `prime_persistent_blank` su `numeri_primi:cycle_3` con provider-neutral row-local windows e controlli cross-dominio. +- `not_drift`: non usa `V_c`, non usa fit, non riapre griglia beta globale, non salva la classe caduta `medium/strong beta-absent`. + +## Claim Under Test + +> `numeri_primi:cycle_3` e' un `prime_persistent_blank` se resta beta-absent in tutte le finestre provider-neutral e conserva `SR` come osservabile comune, mentre i controlli non condividono la stessa firma. + +## Experiment Design + +- Perimetro prime: 2 provider (`dnd_autoricerca`, `direct_sieve`) x 4 offset (`0`, `512`, `1024`, `1536`) x 1024 gap. +- Controlli: 4 GUE random matrix blocks + 4 logistic return interval rows. +- Parametri: `n_replicates=8`, `n_beta=9`, `n_baseline=16`, `z_min=2.0`, seed `202605110330`. +- Null baseline: permutazione marginal-preserving dentro il gate canonico ordine/null. +- Criterio di isolamento: prime `blank_rate=1.0`, prime `sr_rate=1.0`, common prime obs = `[SR]`, controlli senza full blank-SR collision. + +## Results + +| family | blank | beta recovered | support falls | sr rate | common obs | endpoint mean | stable coherent mean | +|---|---:|---:|---:|---:|---|---:|---:| +| prime | 3/8 | 4/8 | 1/8 | 1.000 | SR | 2.715 | 2.656 | +| controls | 1/8 | 3/8 | 4/8 | 0.250 | L2 | 1.428 | 1.641 | + +| comparison | value | +|---|---:| +| prime_control_common_obs_jaccard | 0.000 | +| verdict | PRIME_PERSISTENCE_NOT_REPLICATED | + +Prime case details: + +| case | state | one-sided obs | beta | +|---|---|---|---| +| dnd_autoricerca offset 0 | beta_chart_recovered | SR | 0.2, 0.4 | +| dnd_autoricerca offset 512 | support_falls | SR | 0.2 | +| dnd_autoricerca offset 1024 | beta_chart_recovered | SR,L1,triple_var | 0.2 | +| dnd_autoricerca offset 1536 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 0 | beta_absent_blank | SR | [] | +| direct_sieve offset 512 | beta_chart_recovered | SR,L1,triple_var | 0.4 | +| direct_sieve offset 1024 | beta_absent_blank | SR,L1,triple_var | [] | +| direct_sieve offset 1536 | beta_chart_recovered | SR,L1,triple_var | 0.4 | + +## Key Findings + +1. **Verificato**: `SR` resta in 8/8 finestre prime. La firma comune prime e' `[SR]`. +2. **Verificato**: il blank beta-absent non resta in 8/8 finestre prime. Solo 3/8 casi sono `beta_absent_blank`; 4/8 recuperano beta e 1/8 cade per supporto. +3. **Verificato**: i controlli non collidono con la firma prime. I controlli hanno common obs `[L2]`, `sr_rate=0.250`, `blank_rate=0.125`, Jaccard comune prime/controlli = 0.000. +4. **Inferito dal perimetro dichiarato**: il residuo dei primi non e' `prime_persistent_blank`; e' `prime_SR_persistent_boundary` con coordinata beta chart-sensitive. + +## Verdict + +**CONSTRAINT**. + +Il nome `prime_persistent_blank` non regge nel perimetro provider-neutral/offset-shift. La parte persistente e' `SR`, non l'assenza di beta. + +Formula valida: + +`numeri_primi:cycle_3` conserva supporto one-sided `SR` attraverso provider e offset; la coordinata beta resta locale e ricompare in 4/8 finestre. + +Formula non valida: + +`numeri_primi:cycle_3` e' un blank beta-absent persistente. + +## Bicono della scoperta + +- **Due radici**: supporto SR persistente / blank beta non persistente. +- **Singolare**: la finestra row-local dove `SR` resta ma beta riappare. +- **Invariante di passaggio**: `SR` attraversa provider e offset; `blank` no. +- **Campo di possibilita'**: possibile = rinominare il residuo come supporto `SR` provider-neutral; non-possibile = promuovere il blank come specie autonoma. + +## Consecutio + +Il prossimo ciclo deve chiudere la tassonomia residua senza salvare il nome caduto: + +- rinominare il residuo prime in `prime_SR_persistent_boundary`; +- testare se il beta recovery 0.2/0.4 dipende da offset, provider o baseline seed; +- lavorare `random_matrix_chart_sensitive_blank` solo dopo aver separato coordinate locali da supporto osservabile. + +## Ricadute pratiche + +ssp_value: yes. Lo script diventa un audit riusabile per distinguere persistenza di osservabile e persistenza di blank nei residui BOUNDARY senza rigenerare l'atlante globale. + +## Files + +- Script: `tools/exp_prime_persistent_blank_gate.py` +- Data: `tools/data/prime_persistent_blank_gate_20260511_0330.json` +- Report: `tools/data/reports/agent_20260511_0330.md` diff --git a/tools/exp_prime_persistent_blank_gate.py b/tools/exp_prime_persistent_blank_gate.py new file mode 100644 index 0000000000000000000000000000000000000000..103e6a710c5b9152ca2bc46c3cb8756a2581e3e8 --- /dev/null +++ b/tools/exp_prime_persistent_blank_gate.py @@ -0,0 +1,237 @@ +#!/usr/bin/env python3 +""" +Provider-neutral audit for the `prime_persistent_blank` residue. + +This is the next narrow step after +`exp_boundary_residual_beta_absent_audit.py`: do not reopen the global BOUNDARY +atlas; test whether `numeri_primi:cycle_3` keeps its beta-absent blank through +two prime providers, row-local offsets, and baseline seed shifts, with SR as the +common surviving observable. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_boundary_short_denominator_extension import gue_spacing_blocks +from exp_boundary_residual_beta_absent_audit import support_state +from exp_semireal_boundary_transfer_gate import row_spacings +from exp_semireal_order_denominator_gate import ( + analyze_sequence, + compact, + logistic_return_intervals, + normalize, + prime_gap_sequence, +) +from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION + + +OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) +TARGET_ROW = "numeri_primi:cycle_3" + + +def offset_windows(values: np.ndarray, offsets: list[int], size: int) -> dict[str, np.ndarray]: + out = {} + for offset in offsets: + end = offset + size + if end <= len(values): + out[f"offset_{offset}"] = normalize(values[offset:end]) + return out + + +def obs_jaccard(left: list[str], right: list[str]) -> float: + a = set(left) + b = set(right) + if not a and not b: + return 1.0 + return len(a & b) / len(a | b) + + +def analyze_case(name: str, base: np.ndarray, args: argparse.Namespace, rng: np.random.Generator) -> dict[str, Any]: + perimeters = {name: analyze_sequence(name, base, args, rng)} + row = compact(perimeters)[name] + one_sided = list(row["coherent_one_sided_observables"]) + return { + "case": name, + "n_gaps": row["n_gaps"], + "state": support_state(row, args), + "one_sided_observables": one_sided, + "has_sr": "SR" in one_sided, + "endpoint_stable_observables": row["endpoint_stable_observables"], + "stable_count_coherent": row["stable_count_coherent"], + "stable_count_illusory": row["stable_count_illusory"], + "endpoint_distance": row["endpoint_distance_one_sided_gated"], + "ambiguous_beta": [round(float(x), 1) for x in row["ambiguous_beta_one_sided_gated"]], + "z_mean_coherent": row["z_mean_coherent"], + "z_mean_illusory": row["z_mean_illusory"], + } + + +def summarize_family(cases: list[dict[str, Any]]) -> dict[str, Any]: + obs_sets = [set(case["one_sided_observables"]) for case in cases if case["one_sided_observables"]] + common_obs = sorted(set.intersection(*obs_sets)) if obs_sets else [] + union_obs = sorted(set.union(*obs_sets)) if obs_sets else [] + counts: dict[str, int] = {} + for case in cases: + counts[case["state"]] = counts.get(case["state"], 0) + 1 + blank_cases = [case for case in cases if case["state"] == "beta_absent_blank"] + return { + "case_count": len(cases), + "state_counts": counts, + "blank_rate": len(blank_cases) / len(cases) if cases else 0.0, + "sr_rate": sum(1 for case in cases if case["has_sr"]) / len(cases) if cases else 0.0, + "common_one_sided_observables": common_obs, + "union_one_sided_observables": union_obs, + "endpoint_distance_mean": float(np.mean([case["endpoint_distance"] for case in cases])) if cases else 0.0, + "stable_count_coherent_mean": float(np.mean([case["stable_count_coherent"] for case in cases])) if cases else 0.0, + } + + +def build_prime_cases(args: argparse.Namespace) -> dict[str, np.ndarray]: + needed = max(args.offsets) + args.window_gaps + providers = { + "dnd_autoricerca": normalize(row_spacings("numeri_primi")[:needed]), + "direct_sieve": normalize(prime_gap_sequence(needed)), + } + cases = {} + for provider, values in providers.items(): + for label, window in offset_windows(values, args.offsets, args.window_gaps).items(): + cases[f"prime/{provider}/{label}"] = window + return cases + + +def build_control_cases(args: argparse.Namespace, rng: np.random.Generator) -> dict[str, np.ndarray]: + cases = {} + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + random_matrix = gue_spacing_blocks(args.window_gaps, args.gue_matrix_size, local_rng) + cases[f"control/random_matrix/seed_{idx}"] = random_matrix + + for idx in range(args.control_count): + seed = int(rng.integers(0, 2**63 - 1)) + local_rng = np.random.default_rng(seed) + logistic = logistic_return_intervals(args.window_gaps, local_rng) + cases[f"control/logistic_return_intervals/seed_{idx}"] = logistic + return cases + + +def verdict(prime_summary: dict[str, Any], control_summary: dict[str, Any], args: argparse.Namespace) -> str: + prime_persists = ( + prime_summary["blank_rate"] == 1.0 + and prime_summary["sr_rate"] >= args.min_prime_sr_rate + and prime_summary["common_one_sided_observables"] == ["SR"] + ) + controls_do_not_match = not ( + control_summary["blank_rate"] == 1.0 + and "SR" in control_summary["common_one_sided_observables"] + ) + if prime_persists and controls_do_not_match: + return "PRIME_PERSISTENT_BLANK_SR_ISOLATED" + if prime_persists: + return "PRIME_PERSISTENT_BUT_CONTROL_COLLISION" + return "PRIME_PERSISTENCE_NOT_REPLICATED" + + +def run(args: argparse.Namespace) -> dict[str, Any]: + root_rng = np.random.default_rng(args.seed) + prime_specs = build_prime_cases(args) + control_specs = build_control_cases(args, root_rng) + + prime_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in prime_specs.items() + ] + control_cases = [ + analyze_case(name, base, args, np.random.default_rng(root_rng.integers(0, 2**63 - 1))) + for name, base in control_specs.items() + ] + + prime_summary = summarize_family(prime_cases) + control_summary = summarize_family(control_cases) + output = { + "experiment": "prime_persistent_blank_gate", + "question": "Does numeri_primi:cycle_3 keep a provider-neutral SR beta-absent blank under row-local offset and seed shifts?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "provider", + "offset", + "case_state", + "blank_rate", + "sr_rate", + "prime_control_common_obs_jaccard", + ], + "params": vars(args), + "target_row": TARGET_ROW, + "observable_contract": { + "claim": "prime_persistent_blank is isolated only if prime windows remain beta_absent_blank across providers and offsets with SR as the common one-sided observable", + "observable": "case_state plus common one-sided observable signature focused on SR", + "operator": "canonical order/null gate on row-local windows; provider and seed shifts only", + "generator": "prime gaps from dnd_autoricerca row_spacings and direct sieve; controls from GUE random matrix blocks and logistic return intervals", + "denominator": "8 prime row-local windows (2 providers x 4 offsets) plus 8 cross-domain controls", + "non_possible": "prime_persistent_blank if any prime window recovers beta/falls, or if controls share a full SR blank signature", + "not_tested": "global beta atlas, V_c, gap_ratio, source GUE/Poisson labels", + }, + "prime_summary": prime_summary, + "control_summary": control_summary, + "prime_control_common_obs_jaccard": obs_jaccard( + prime_summary["common_one_sided_observables"], + control_summary["common_one_sided_observables"], + ), + "verdict": verdict(prime_summary, control_summary, args), + "cases": { + "prime": prime_cases, + "controls": control_cases, + }, + } + + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2) + "\n", encoding="utf-8") + + print(f"observables_registry={OBSERVABLES_REGISTRY_VERSION}") + print(f"target={TARGET_ROW}") + print( + "prime " + f"blank={prime_summary['state_counts'].get('beta_absent_blank', 0)}/{prime_summary['case_count']} " + f"sr_rate={prime_summary['sr_rate']:.3f} common={prime_summary['common_one_sided_observables']}" + ) + print( + "controls " + f"blank={control_summary['state_counts'].get('beta_absent_blank', 0)}/{control_summary['case_count']} " + f"sr_rate={control_summary['sr_rate']:.3f} common={control_summary['common_one_sided_observables']}" + ) + print(f"prime_control_common_obs_jaccard={output['prime_control_common_obs_jaccard']:.3f}") + print(f"verdict={output['verdict']}") + print(f"saved {out}") + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--window-gaps", type=int, default=1024) + parser.add_argument("--offsets", type=int, nargs="+", default=[0, 512, 1024, 1536]) + parser.add_argument("--control-count", type=int, default=4) + parser.add_argument("--gue-matrix-size", type=int, default=64) + parser.add_argument("--n-replicates", type=int, default=8) + parser.add_argument("--n-beta", type=int, default=9) + parser.add_argument("--n-baseline", type=int, default=16) + parser.add_argument("--z-min", type=float, default=2.0) + parser.add_argument("--min-one-sided", type=int, default=1) + parser.add_argument("--illusory-residue-max", type=float, default=0.75) + parser.add_argument("--endpoint-distance-min", type=float, default=1.0) + parser.add_argument("--min-prime-sr-rate", type=float, default=1.0) + parser.add_argument("--seed", type=int, default=202605110330) + parser.add_argument("--out", default="tools/data/prime_persistent_blank_gate_20260511_0330.json") + args = parser.parse_args() + run(args) + + +if __name__ == "__main__": + main() tokens used 120,047 Completato. Ho eseguito l’esperimento e scritto il report in [agent_20260511_0330.md](/opt/MM_D-ND/tools/data/reports/agent_20260511_0330.md). Ho aggiunto anche lo script riusabile [exp_prime_persistent_blank_gate.py](/opt/MM_D-ND/tools/exp_prime_persistent_blank_gate.py) e il dato JSON [prime_persistent_blank_gate_20260511_0330.json](/opt/MM_D-ND/tools/data/prime_persistent_blank_gate_20260511_0330.json). Esito principale: `prime_persistent_blank` non regge come nome strutturale. Nei primi `SR` persiste in 8/8 finestre, ma il blank beta-absent solo in 3/8; quindi il residuo corretto è `prime_SR_persistent_boundary`, non blank persistente. Verifiche: script eseguito, JSON/report creati, `python -m py_compile` passato. Non ho aggiornato `seme.json`, perché la richiesta era eseguire l’esperimento e scrivere il report.