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: 019e3070-83c4-7b40-b6e9-dae2eef95e89 -------- 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_20260516_1058.md warning: Codex could not find bubblewrap on PATH. Install bubblewrap with your OS package manager. See the sandbox prerequisites: https://developers.openai.com/codex/concepts/sandboxing#prerequisites. Codex will use the vendored bubblewrap in the meantime. codex Leggo prima il campo vivo e il contesto operativo, poi scelgo l’esperimento minimo coerente con eventuali direttive presenti e scrivo il report nel percorso richiesto. 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. Dinamica di movimento: `fisico A -> matematica -> fisico B`. Non e' una rotta prescritta e non sceglie il dominio al posto del campo. Serve a ricordare che una dualita' osservata deve manifestarsi, formalizzarsi e poi tentare un rimbalzo o un limite in un altro fenomeno, teoria, setup, misura o vincolo empirico. Se il punto B non emerge, registra vincolo/strumento/domanda; non promuovere come avanzamento fisico. ## 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. ## Vincoli negativi recenti — L8 non ripetere come direzione Questi sono drift appena bloccati dal falsifier. Sono memoria di bordo, non consecutio. Il prossimo report deve seguire `seme.json.direzione`; puo' riprendere un residuo qui sotto solo dichiarando `deliberate_counter_perimeter` con why/not_drift verificabili. - Direzione viva ora: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - Blocco L8 20260515_1826: Agent Report - Sturmian Denominator Alignment Gate - claim bloccato: `relation`: follows_direction; segue la direzione viva testando il confine come terzo incluso operativo dentro il corridoio Sturmian lasciato aperto dal ciclo 18:16. - evidenza: `seme.json.direzione` viva è: "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo". Il report esegue solo phi/silver/bronze Sturmian a V=2 su denominatori convergenti; non testa 8 domini GUE, 5 Poisson, né una separazione GUE/Poisson. La motivazione di aderenza richiama il residuo del ciclo 18:16/lab_data precedente, non il seme primario. - prossimo uso ammesso: Nel prossimo ciclo formulare `direction_adherence` contro `seme.json`: o testare esplicitamente domini GUE/Poisson e terzo incluso operativo, oppure dichiarare `deliberate_counter_perimeter` con why/not_drift verificabili e nominare il residuo Sturmian come deviazione controllata. Regola operativa: non usare il report bloccato, il suo script, il suo graph_completion o la sua Consecutio come autorita' di partenza. ## Feedback falsifier recente — check obbligatori prima di scrivere Questi non sono nuove direzioni. Sono check di qualita' emersi nell'ultimo run non coerente e vanno chiusi esplicitamente nel report. - Run non coerente: 20260516_1045 - L3: p-value = frazione null con successi endpoint almeno pari all'osservato; combined p=0.124031; 15/128 null arrivano a 36/36 Check richiesto: Nel prossimo ciclo dichiarare esplicitamente se il p-value usa frazione grezza k/N o correzione add-one (k+1)/(N+1), e riportare entrambi se serve continuita' con i run precedenti. Per L2, non chiamare `sopravvive`, `residuo` o `strutturale` un lift piccolo senza count grezzi, denominatore, soglia preregistrata o p-value/permutation interval dichiarato. Obblighi pratici: se il dominio e' GUE/Poisson, aggiungi una sezione `## Re-discovery audit` con il baseline noto piu' vicino (Brody/Berry-Robnik/Rosenzweig-Porter, mobility/localization crossover o altro nome pertinente) e cosa resta lab-specific. Per L6, non usare `CE-none` generico: cita una voce CE-* metabolizzata oppure `CE-none:` verificabile. Se compare un residuo graph-only, separa nel report: `two_reader_boundary_confirmed`, `graph_only_residue`, `scope_change_declared`, `graph_baseline_audit`. Non sommare righe graph-only al boundary a due lettori. Per il grafo usa baseline come kNN stability, hub/bridge persistence, silhouette/cluster-boundary stability o percolation-on-graph. ## 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. 7. Movimento A->M->B: se parti da fisica/scienza, nomina fisico A, struttura matematica M e fisico B; se B non emerge, dichiara il limite come vincolo/domanda invece di forzare un ponte. Se non riesci a compilare questi 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 ammessa: 20260516_1031 NEXT_CYCLE/high - Direzione operativa valutatore: Continuare sul piano 129: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso, senza promuovere RP reader-residue finche' gli endpoint non sono invarianti. - Perche': Il ciclo ha prodotto un vincolo netto, non un collasso del frame: `window_mode/unfolding` non trasferisce come asse cross-dominio, ma Poisson resta endpoint su 8/8 e il nodo regressivo e' stato isolato nel contratto tra invariance degli endpoint e residuo del lettore. Dopo tre REDESIGN consecutivi, il seme e' gia' stato spostato su piano 129 verso il filtro GUE/Poisson; la prossima mossa naturale e' far girare quel filtro prima di tornare a RP o cambiare tensione. - Nota: Nessuna dipendenza dall'operatore: il risultato e' una falsificazione locale gia' assorbita dal delta del seme, non una cristallizzazione da fermare. 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. 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. - **P-value definito prima dei risultati.** Se riporti un p-value da null, permutation, bootstrap o conteggio Monte Carlo, dichiara nel design la formula esatta prima della tabella: `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, left/right tail, two-sided o altro. Se usi una correzione, riporta anche i count grezzi che la generano. Un p-value senza definizione operativa e' telemetria ambigua, non evidenza. - **Residuo del seme quando restringi il perimetro.** Se la direzione viva nomina un perimetro numerico o semantico piu' ampio (es. `8 GUE / 5 Poisson`) e il ciclo esegue un preflight, filtro endpoint o sotto-perimetro necessario, dichiara in `Aderenza alla direzione` una riga `seed_residue=` e `why_not_drift=`. Il sotto-perimetro puo' essere corretto, ma non deve cancellare il residuo che il seme aveva nominato. - **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. - **Dinamica fisico A -> matematica -> fisico B.** Il Lab e' il campo delle possibilita' in cui una dualita' osservata si manifesta, viene formalizzata e tenta un rimbalzo altrove. La matematica non e' destinazione ne' ornamento: e' trasduttore fra manifestazioni. Se il ciclo parte da un attrito fisico, deve estrarre una struttura formale e poi chiedere dove quella struttura puo' ri-manifestarsi, cadere o delimitare un non-possibile in un altro fenomeno, teoria, setup, misura o vincolo empirico. Se il punto B non emerge, il ciclo puo' ancora essere utile come vincolo, strumento o domanda, ma non come avanzamento fisico. ## Come operare — il modus Non seguire passi. Segui il modus: **espandi → osserva → taglia → risultante**. ### 0. Comprensione del campo Prima di agire devi capire il campo intero: seme, tensioni, report recenti, falsifier, valutatore, promozioni proposte, grafo/incroci e vincoli lasciati dall'operatore. Se non sai quale punto e' il presente vivo del Lab, non lanciare cicli, non promuovere risultanti e non correggere in avanti. La mossa giusta e' ricostruire la consecutio finche' il campo torna leggibile. La regola `fisico A -> matematica -> fisico B` e' una dinamica di movimento, non una direzione prescritta. Prima comprendi dove sei; poi, se il Lab parte da una tensione fisica, usa la matematica per formalizzare e falsificare e chiedi quale manifestazione B rende il ponte, il bordo o il non-possibile osservabile. Se il ritorno fisico non emerge, il ciclo resta nota, vincolo o strumento matematico; non va spacciato come avanzamento del Lab fisico. ### 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. exec /bin/bash -lc "test -f tools/data/operator_directive.md && sed -n '1,220p' tools/data/operator_directive.md || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'ls -t shared_memory/*.md 2>/dev/null | head -10' in /opt/MM_D-ND succeeded in 0ms: shared_memory/deposito_cambia_la_parola_non_regola_2026-05-07.md shared_memory/feedback_indeterminato_reitera_con_sistema_2026-05-07.md shared_memory/README.md codex Il campo vivo punta in modo vincolante al filtro endpoint GUE/Poisson sul piano 129, con audit p-value esplicito. Ora leggo seme e memoria condivisa recente, poi controllo gli strumenti già presenti per non duplicare codice. exec /bin/bash -lc "sed -n '1,260p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-05-16T10:37:37.421679", "piano": 129, "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 (2026-05-15T16:23). \n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ###########", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (3x in 2 giorni) e fuori dalla mappa", "porta": "domandatore", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "BOUNDARY_TRASCENDENZA_LIMITE", "source_operator": "confine", "dettaglio": "\n alpha=0.1: =0.540 #####################\n alpha=0.2: =0.555 ######################\n alpha=0.3: =0.567 ######################\n alpha=0.4: =0.580 #######################\n alpha=0.5: =0.603 ########################\n alpha=0.6: =0.642 #########################\n alpha=0.7: =0.685 ###########################\n alpha=0.8: =0.732 #############################\n alpha=0.9: =0.789 ###############################\n alpha=1.0: =0.887 ###################################\n" }, { "tipo": "falsificazione", "id": "FALS_BREAK_TRASCENDENZA_LIMITE", "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", "intensita": 0.8, "nota": "Dal domandatore (2026-05-15T16:47). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= ", "condensato_ref": "LAB_F2", "condensato_motivo": "Overlap termini con LAB_F2 (4 termini)", "porta": "condensato", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "BREAK_TRASCENDENZA_LIMITE", "source_operator": "rottura", "dettaglio": "0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= 21: =0.6317 |-0.5|=0.1317 farther\n N= 34: =0.6442 |-0.5|=0.1442 farther\n N= 55: =0.5233 |-0.5|=0.0233 closer\n N= 89: =0.5502 |-0.5|=0.0502 farther\n N= 144: =0.5603 |-0.5|=0.0603 farther\n N= 233: =0.5446 |-0.5|=0.0446 closer\n N= 377: =0.4989 |-0.5|=0.0011 closer\n N= 610: =0.5480 |-0.5|=0.0480 farther\n N= 987: =0.4913 |-0.5|=0.0087 closer\n" }, { "tipo": "confine_inesplorato", "id": "PIANO_PRIMARIO_DUE_ASSIOMI", "claim": "I piani importanti sono il primario e i due assiomi che lo determinano nelle zone osservate. Non tutti gli assiomi operano ovunque - in ogni zona osservata, due assiomi determinano il piano primario.", "intensita": 0.8, "nota": "Input operatore 2026-04-10. Tocca: struttura locale degli assiomi. Consecutio: per ogni dominio Lab (primi, logistica, percolazione...) quali 2 assiomi del condensato sono operativi? Mappa assiomi x domini = grafo della realta locale.", "manuale": true, "porta": "sessione_interattiva", "condensato_ref": "A9,A14", "condensato_motivo": "A9 (terzo incluso) opera CON il piano. A14 (cascata) propaga - ma propaga cosa, se solo 2 assiomi sono attivi per zona?" }, { "tipo": "conferma_parziale", "id": "COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE", "claim": "gap_ratio: phi=0.4090 vs ctrl_mean=1.1755 (ratio=0.35). gap_ratio(phi) piu' vicino a rapporto in", "intensita": 0.65, "nota": "Dal domandatore (2026-05-15T16:23). phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n ", "condensato_ref": "LAB_F2", "condensato_motivo": "Overlap termini con LAB_F2 (4 termini)", "porta": "condensato", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE", "source_operator": "duale", "dettaglio": " phi: gap_ratio = 0.408953425243134\n silver: gap_ratio = 1.0482231205217798\n bronze: gap_ratio = 1.3027860752339453\n{\n \"phi\": 0.408953425243134,\n \"silver\": 1.0482231205217798,\n \"bronze\": 1.3027860752339453\n}\n" }, { "tipo": "conferma_parziale", "id": "COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE", "claim": "T_mean: phi=6.2500 vs ctrl_mean=9.7667 (ratio=0.64). Fibonacci-phi trasmissione piu' struttur", "intensita": 0.65, "nota": "Dal domandatore (2026-05-15T16:47). Trasmissione multistrato Fibonacci — phi vs silver vs random:\n phi: T_mean=6.25", "condensato_ref": "A3,A10", "condensato_motivo": "Ricorrente (5x in 2 giorni) e fuori dalla mappa", "porta": "domandatore", "source_tension_id": "TRASCENDENZA_LIMITE", "source_tension_tipo": "confine_inesplorato", "source_tension_ref": "A3,A10", "source_experiment_id": "DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE", "source_operator": "dominio", "dettaglio": "Trasmissione multistrato Fibonacci — phi vs silver vs random:\n phi: T_mean=6.2500 T_std=0.0000\n silver: T_mean=0.0041 T_std=0.0000\n random_0: T_mean=39.0625 T_std=0.0000\n random_1: T_mean=0.0000 T_std=0.0000\n random_2: T_mean=0.0001 T_std=0.0000\n" }, { "tipo": "tensione_aperta", "id": "TENS_SCALE_TRASCENDENZA_LIMITE", "claim": "Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c(", "intensita": 0.6, "nota": "Dal domandatore (2026-05-15T16:59). 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", "id": "DUALITA_DET_DENOMINATOR_GATE", "claim": "Nel perimetro transfer-matrix dei gap primi agent_20260507_2042, det(M) non e discriminatore primario della dualita: il reale resta negativo ma vale ~-0.39, non -1, e lo shuffle con stessa marginale resta negativo (~-0.38..-0.37). La parte informativa e lo scarto reale-vs-shuffle, forte nelle scale basse/intermedie (z=-2.5..-4.4) e debole alla finestra p~5.0e7 (z=-0.97). Formulare DUALITA come supporto ordinato contro null, non come tassonomia diretta det=-1/det=+1 del fit lineare.", "intensita": 0.86, "manuale": true, "porta": "DUALITA_DIPOLARE_VS_ILLUSORIA", "condensato_ref": "A2,A4,A10,A14,C2", "origine": "cycle agent_20260507_2042: det_drift transfer-matrix sui gap primi", "added_at": "2026-05-07T20:42:00+00:00", exec /bin/bash -lc "sed -n '261,620p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: - dnd_autoricerca.py: esplora domini, varianti, null baseline - dnd_controprove.py: 6 controprove indipendenti - dnd_domandatore.py --ask 'tensione': 5 operatori discriminanti - dnd_incrocio.py: incrocio teorie, ponti, vuoti, domande fondamentali - dnd_normalizer.py: scissione, regola D-ND, discriminatore dipoli su segnali - dnd_bloch_explorer.py: scan Bloch, φ emergente - dnd_arxiv.py: cerca paper rilevanti su arXiv Motore strutturale del modello (importabili come libreria, non workflow obbligati): - dnd_kernel.py: regole del livello (f, M, det=-1, costanti, assiomi A0-A3, principi P0-P5, leggi L0-L7) - dnd_teoria.py: 5 teorie codificate come dipoli (TQGE+R), 13 dipoli, isomorfie cross-teoria - dnd_dipolo_lab.py: pattern producer/critic con Godel inversion (PoloA esplora, PoloB inverte) - dnd_M_operator.py: M sulla conoscenza [noto, ignoto] → φ. Stato in knowledge_state.json - dnd_riflesso.py: campo compresso + 3 voci (NUOVO/ROTTURA/DIREZIONE), un colpo non un ciclo - Puoi scrivere ed eseguire script Python con numpy, scipy, sympy - Se ti serve contesto esterno e non hai video, cercalo ## Errori già fatti — non ripeterli Questi sono errori reali commessi nelle sessioni precedenti. Il sistema li ha pagati. **1. Cercare conferme invece di creare strumenti.** Non scrivere esperimenti per dimostrare che qualcosa è vero. Scrivi esperimenti che misurano qualcosa di nuovo — il risultato dirà da solo se conferma o falsifica. Se sai già cosa troverai, non stai esplorando. **2. Iniettare il risultato atteso nel test.** Esempio reale: testare se "la curvatura dei primi è GUE-like" calcolando la r-statistic e confrontando con 0.536. Il test trova r=0.503 e dichiara "GUE-like". Ma 0.503 è più vicino a Poisson (0.386) che a GUE (0.536). Il frame "GUE-like" era nel claim, non nei dati. Misura prima, interpreta dopo. **3. Tautologie — testare proprietà algebriche come se fossero scoperte.** Esempio reale: la curvatura di Ricci R=2.000 della metrica g=(p/2)² segue analiticamente dal PNT (p_n ~ n ln n). Non è una scoperta — è una conseguenza della definizione. Il contenuto non-banale era altrove: lo shuffle distrugge R dimezzandola (R=-1). Il fattore 2x è la vera scoperta — ma senza il null test sarebbe stata spacciata come "R conferma de Sitter". **4. Coincidenze numeriche trattate come struttura.** 0.606 ≈ 1/φ = 0.618 (2% di differenza). Non è una connessione — è rumore fino a prova contraria (C2 del condensato). Ogni volta che un numero è "vicino a" φ, √5, π, e, 1/137: non è prova di nulla. Serve un meccanismo, non una vicinanza. **5. Usare lo stesso dato come input e come test.** Se costruisci la metrica usando p_n e poi misuri proprietà di p_n con quella metrica, stai misurando la definizione. Il test vero è: la metrica predice qualcosa sui primi che NON è stato usato per costruirla? Se no, è circolare. **6. Aggiungere domini hardcoded invece di lasciare che il sistema li trovi.** Il lab non è una calcolatrice con domini pre-scritti. Se una tensione parla di primi, non aggiungere "metrica_primi" come dominio. Scrivi un esperimento che esplora la tensione — se servono i primi, il codice li userà. Il sistema decide cosa fare, non il programmatore. **7. Usare numeri per vincolare concetti (det=+1).** Esempio reale: `intensità: 0.65` trattata come soglia → `if intensita > 0.5: conferma`. Il sistema D-ND opera con dipoli (claim/anti-claim), assonanze (risuona/non risuona), potenziale (alto/medio/basso) — stati qualitativi, non scale numeriche. Quando usi un float come proxy per una qualità strutturale, stai comprimendo il concetto in un numero e il numero decide al posto della struttura. Lo stesso vale per "maturity > 0.99", "confidence < 0.7", "score = rank * 10 + intensita". **Regola**: se il codice confronta una qualità concettuale con una soglia numerica, è sbagliato. Usa la struttura: dipoli (sì/no), potenziale (tipo, non valore), assonanza (binaria), porta (categoria). I numeri servono per misurare i dati (gap primi, correlazioni, z-score) — non per decidere lo stato del sistema. Se trovi questo pattern in un tool che stai modificando, correggilo. Non serve riscrivere tutto — correggi dove passi. Il sistema evolve organicamente. ## Come evitarli - **Prima il null test, poi l'interpretazione.** Ogni esperimento ha un controllo: shuffle (stessa distribuzione, ordine distrutto), Cramer random (stessa densità, nessuna correlazione), baseline teorica. - **Nearest-known baseline prima della promozione.** Se il ciclo tocca primi, residui modulo `q`, gap dei primi, statistiche spettrali, Anderson/GUE/GOE, Sturmian o qualunque dominio con letteratura vicina, devi nominare la baseline nota piu' prossima prima di usare parole come `nuovo`, `scoperta`, `fisico B` o `ponte fisico`. Per i residui dei primi modulo `q`, il minimo e' Lemke Oliver-Soundararajan / bias dei residui consecutivi e Hardy-Littlewood prime tuples. Se non hai ancora separato il risultato dal nearest-known, il massimo stato ammesso e': contratto operativo D-ND, tool, vincolo locale o review_required. Non promuovere il report. - **Il risultato non è nel numero — è nella differenza col controllo.** z-score, non valore assoluto. - **Se il risultato spiega se stesso, non è un risultato.** Chiediti: "questo segue dalla definizione?" Se sì, cerca il contenuto altrove. - **Non lanciare un esperimento per confermare. Lancialo per scoprire.** La domanda giusta non è "è vero X?" ma "cosa succede se misuro Y?" ## Auto-evoluzione — il sistema corregge se stesso Il post-processing del lab (step 8 in lab_agent.sh) esegue `structural_check.py` sui file che hai toccato. Se trova anti-pattern strutturali, genera una tensione META nel seme. Il ciclo successivo la vede e corregge. **Come funziona:** - Tu scrivi/modifichi codice → il post-processing lo scansiona - Se trova numeri che vincolano concetti (errore #7) o altri pattern noti, crea una tensione - Il prossimo ciclo legge quella tensione e la risolve dove passa - Non serve riscrivere tutto — il sistema evolve organicamente, un file alla volta **Se scopri un nuovo anti-pattern:** - Non limitarti a corregere il codice — aggiungi il pattern a `tools/structural_check.py` nella lista `PATTERNS` - Così il sistema lo riconoscerà autonomamente nei cicli futuri - L'errore pagato una volta non si ripete — la consapevolezza si propaga Questo è f(f(x)): il sistema che migliora il sistema che migliora se stesso. ## Cosa NON fare - Non modificare CONDENSATO.md, KERNEL_SEED.md, o file del kernel - Non committare — salva solo in tools/data/ e tools/exp_*.py - Non inventare dati o risultati - Non cercare φ — crea le condizioni, osserva cosa emerge - Non superare 20 minuti di lavoro per ciclo - Non produrre liste di possibilità — produci UNA risultante - Non iniziare dalla matematica. La matematica e' bracciata: formalizza, misura, falsifica. Prima respira sopra la misura: combo, assiomi, dipoli, incroci di teorie, grafo, geometria dei campi, algebra o topologia assiomatica. Se la misura genera la domanda, sei dentro la tautologia. - Se la tensione nasce nel fisico, non fermarti nella matematica. Usa la matematica come trasduttore e cerca il rimbalzo: `punto fisico A -> struttura matematica -> punto fisico B`. Se il punto B non emerge, dichiara che il ciclo resta nota/vincolo matematico e non promuoverlo come avanzamento fisico. - Il rimbalzo fisico non puo' saltare il nearest-known baseline. Se l'attraversamento matematico ha prodotto un residuo su primi/gap/moduli, prima separa cio' che e' gia' spiegabile da risultati classici vicini da cio' che resta come contratto operativo. Solo il residuo separato puo' alimentare un `fisico B`; altrimenti il rimbalzo e' contaminato. ## Formato report ```markdown # Agent Report — TITOLO **Date**: YYYY-MM-DD HH:MM **Piano**: N **Tension explored**: ID (intensità) observables_used: [nomi osservabili canonici o domain-native] - usa [] solo se non hai misurato nulla **observable_contract**: claim=; observable=; operator=; generator=; denominator=; non_possible=; not_tested= ## Respiro fuori-tempo (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dipolo / punto-zero**: i due poli, il possibile/non-possibile e il punto in cui la dualita' si annulla - **Piano superiore**: geometria dei campi / algebra / topologia assiomatica / grafo conoscenza / bicono-dipoli - **Operatori laterali scelti**: 2 o 3 elementi da `tools/LAB_OPERATOR_PALETTE.md` e perche' entrano nella combo - **Contaminazione cognitiva**: eventuale DeltaLink YSN, gene Cornelius, passaggio KSAR/PVI/Vault o voce `CE-*` dell'archivio usata nel ciclo. Se non usi il layer cognitivo, dichiara `CE-none:` e il motivo specifico. `none` generico non basta. - **Proto-ipotesi**: nuova ipotesi o proto-assioma strutturale, prima dei numeri - **Proiezione**: perche' l'osservabile scelto manifesta quella combo - **Movimento A->M->B**: se il ciclo parte da fisica/scienza, nomina fisico A, struttura matematica M e fisico B; se B non c'e', dichiara il limite senza forzare un ponte. ## Aderenza alla direzione (Obbligatoria se esiste una direttiva operatore, una direzione valutatore o un counter-perimeter.) - `relation`: `follows_direction` / `deliberate_counter_perimeter` / `drift_to_reject` - `why`: perche' il ciclo segue o devia consapevolmente - `not_drift`: cosa non sta inseguendo lateralmente - Se usi una direttiva operatore one-shot, aggiungi anche `## Source directive` con il vincolo seguito. La direttiva viene consumata prima del falsifier: se non la citi nel report, il falsifier non puo' distinguere un `deliberate_counter_perimeter` da un drift. ## Claim Under Test > Il claim proiettato dalla combo, non il residuo locale del ciclo precedente ## Question La domanda che hai formulato dopo il respiro fuori-tempo ## Ritorno fisico (Obbligatorio quando la tensione, il claim o la combo partono da un attrito fisico/scientifico. Se non applicabile, scrivi `non_applicabile` e perche'.) - **Punto fisico sorgente**: fenomeno, teoria, tensione o attrito fisico da cui parti - **Attraversamento matematico**: struttura formale usata come trasduttore, non come destinazione - **Punto fisico di ritorno**: fenomeno, misura, vincolo o esperimento fisico diverso a cui la struttura rimanda - **Controllo concretezza**: non usare categorie astratte come `sistemi discreti`, `strutture`, `confine`, `pre-selezione`, `rete` o `formalismo` come punto fisico di ritorno. Nomina un fenomeno, teoria fisica, setup sperimentale, misura, campo, particella, transizione o vincolo empirico. - **Relazione nuova**: che ponte si apre tra sorgente e ritorno - **Osservabile/test fisico possibile**: come il ponte puo' essere verificato o falsificato - **Se fallisce**: `ritorno_fisico_assente` + motivo; resta vault/cimitero, vincolo matematico o domanda, non scoperta fisica promuovibile ## Experiment Design - Metrica, scope, null baseline, N campioni - Come la misura serve la combo: cosa della proto-ipotesi puo' sopravvivere o cadere - Contratto osservabile-operatore: claim, osservabile, operatore, generatore, denominatore/perimetro, non_possible/null, cosa non viene testato in questo ciclo - Se usi frequenze o condition rate, dichiara il denominatore grezzo (`hits/total`) e separa ogni osservabile usata nel verdict ## Results Tabella con numeri reali ## Key Findings 1. Cosa hai trovato (con evidenza) ## Verdict NEW / CONFIRMED / FALSIFIED / CONSTRAINT ## Bicono della scoperta (Obbligatoria. Nomina la struttura. Se non riesci, l'esperimento non è ancora filtrato.) - **Due radici** (dipolo primario, già duali e invertite): - **Singolare** (qualità del 1-che-è-tutto in questo contesto, dove la dualità non c'è): - **Invariante di passaggio** (cosa sopravvive al passaggio del vertice): - **Campo di possibilità**: qui diventa possibile ; qui diventa non-possibile Riferimenti: CONDENSATO A16, method/DND_POSSIBILITA.md. ## Files - Script, dati, report ``` ## Bicono della scoperta — come compilarlo Non è riformulazione ornamentale del Verdict. È **filtro**: la scoperta passa per il modello e torna spogliata dei bias. Se la struttura (radici · singolare · invariante · campo) non si riconosce, la scoperta è rumore o è incompleta. **Esempio retroattivo — TWO_CHANNEL_DECOMPOSITION:** - Radici: canale magnitudine · canale residuo (segno invertito — uno aggiunge, l'altro sottrae sulla PNT) - Singolare: il segnale totale prima della separazione. Non esiste come ente autonomo, esiste solo come sovrapposizione dei due canali. - Invariante: la chiusura algebrica del residuo al 3° ordine Markov. - Campo: possibile → predire lo slope PSD magnitudine dalle correlazioni Hardy-Littlewood. Non-possibile → trattare il residuo come random noise. **Esempio retroattivo — DUALITA_DIPOLARE_VS_ILLUSORIA:** - Radici: dipolo ordinato · dipolo mescolato - Singolare: la sequenza in sé, prima della distinzione ordine/disordine - Invariante: det=-1 quando l'ordine è reale; det=+1 quando illusorio - Campo: possibile → discriminare dipoli reali da illusori via test di shuffle. Non-possibile → inferire dipolarità da statistica locale senza contesto sequenziale. **Cattura nel momento emergente.** Compila questa sezione *mentre* l'esperimento produce i risultati, non alla fine. Se hai già chiuso il Verdict e torni indietro a scriverla, è post-hoc — introduce distanza dall'immagine-sorgente. Il modus è A8 applicato: il sistema chiede al sistema di produrre la struttura *nel formarsi*. exec /bin/bash -lc "sed -n '1,220p' shared_memory/deposito_cambia_la_parola_non_regola_2026-05-07.md" in /opt/MM_D-ND succeeded in 0ms: --- type: deposito_osservativo author: TM3 (deposito di una conversazione operatore) date: 2026-05-07 scope: cross-agent status: decristallizzato_07-05_pomeriggio priority: low --- # Deposito — non regola **Originariamente** (07/05 mattina) avevo cristallizzato come "regola permanente": > *"se magnitude non funziona significa che serve una nuova parola, non possiamo stare lì a calibrare un valore..."* Avevo formulato istruzioni esecutive: "quando un valore non funziona, conta le distinzioni, aggiungi la parola mancante". L'avevo propagata in AGENTS.md R10. **L'operatore ha indicato (07/05 pomeriggio)** che questo era errore strutturale: > *"quello che dico non dovrebbe essere assegnato automaticamente perché le parole sono sempre false anche quando vicine alla sorgente. 'cambia la parola' ha un significato regressivo che costringe all'osservazione del campo e far cadere il focus su quello che appare emergere, questa è la dinamica della percezione con cui si muove determinando il contesto."* E: > *"la possibilità è sempre una ed è la verità che accade. Usiamo le sue regole per direzionarla prima che accada costruendo il sistema per gestirla nelle sue evoluzioni con invarianti vere e meccaniche logiche possibili e persistenti."* ## Cosa significa - "Cambia la parola" non è prescrizione di sostituzione. È **movimento regressivo**: invita a osservare il campo, lasciar cadere il focus su quello che appare emergere. Determina la direzione **non cercata**. - Le parole, anche le frasi dell'operatore vicine alla sorgente, sono **sempre false**. Cristallizzarle come regole esecutive le rende rigide e blocca il movimento. - Le **invarianti vere** sono meccaniche logiche persistenti — non parole. Ricevono ciò che accade. - A16 applicato: la possibilità è una. Costruiamo il sistema per gestire le sue evoluzioni, non per prescriverle. ## Distinzione operativa che resta | | Da NON fare | Da fare | |---|---|---| | Frase operatore | cristallizzare come regola eseguibile | depositare come osservazione | | Codice del pipeline | branch ad-hoc che eseguono "la regola" | meccaniche persistenti che ricevono distinzioni del sistema | | Memoria | regole prescrittive | osservazioni che il sistema può rileggere senza eseguire | ## Cosa di concreto è rimasto del 07/05 mattina Le **meccaniche** sono OK perché sono invarianti operativi: - 4 stati SSP (`mature_eligible`, `transitional`, `provisional_discovery`, `pre_discovery`) — accolgono ciò che il valutatore produce - `pending_consecutio` nel frontmatter — riceve la direzione successiva - `_direzione_dal_seme` priorità 0 marker — preserva ciò che `trajectory_apply` ha applicato Queste non sono "regole derivate dalla frase". Sono adattamenti del pipeline alle distinzioni che il sistema fa già nei dati. Persistono perché meccaniche, non perché prescrizioni. ## Cosa è stato decristallizzato - `MM_D-ND/AGENTS.md` regola R10 — rimossa, sostituita con commento HTML che ricorda l'errore strutturale - Questo file stesso — riportato a *deposito_osservativo*, non *regola* ## Esempio dimostrativo (07/05) Cycle `20260507_0901` ha proposto autonomamente `order_denominator_gate` come parola nuova. L'agent NON aveva letto AGENTS.md R10 (era già stato lanciato). L'ha proposta perché il movimento era già nel sistema, non per la "regola". Quando ho cristallizzato la regola, ho aggiunto rigidità senza aggiungere movimento. La regola era ridondante con l'A8 che già opera. ## Anti-pattern futuro per TM3 Quando l'operatore esprime un principio, una frase guru, un movimento di osservazione: - **Deposito**: scrivi il fatto, riporta la frase come è stata detta, contestualizza l'episodio - **NO prescrizione**: non trasformare in "se X allora Y" - **NO propagazione automatica**: non aggiungere a AGENTS.md/CLAUDE.md/skill come direttiva eseguibile - L'osservazione persiste perché ricorrente in più contesti, non perché elevata a regola ## Cross-link - Episodio 07/05 mattina: cristallizzazione iniziale (errore) - Episodio 07/05 pomeriggio: indicazione operatore + decristallizzazione - Cycle worked example: 0901 (auto-emersione di `order_denominator_gate` senza regola) exec /bin/bash -lc "sed -n '1,220p' shared_memory/feedback_indeterminato_reitera_con_sistema_2026-05-07.md" in /opt/MM_D-ND succeeded in 0ms: --- type: feedback author: operatore (cristallizzato da TM3) date: 2026-05-07 scope: cross-agent --- # Indeterminato → reitera con il sistema fino all'emersione **Regola permanente** (operatore, 2026-05-07 mattina, cristallizzata live): > *"facciamo girare, aggiustiamo quello che fa aggiustato nel farlo vediamo > quello che va affinato, reiteriamo finché è tutto ok poi lo automatizziamo"* ## Why Quando emerge frizione nello sviluppo o l'operatore non vede chiaro: - Decisioni prese da un singolo agente (TM3 o codex) senza interrogare il sistema = rischio det=+1 (toppa, accumulo strutturale) - Decisioni emerse dal sistema (Godel + domandatore + osservazione del deposito) = direzione strutturale (det=−1) Episodio cristallizzante (2026-05-07 07:00-08:30): TM3 propone osservatore A8 watchdog deterministico. Sistema interrogato 3 volte (Godel #1, #2, #3 + domandatore + test empirico) — al terzo round emerge la direzione vera: **non costruire osservatore, eseguire un cycle-test che diagnostica il sistema da solo**. Cycle-test eseguito → verdict=operator → REDESIGN proposto dal valutatore → loop A8+A15 sbloccato. ## How to apply (per qualsiasi agente) 1. **Esegui** un atto minimo (no design teorico astratto) 2. **Aggiusta** quello che si manifesta durante l'esecuzione (riparazione regressiva live, non patch posteriori) 3. **Osserva** il deposito che emerge (no immaginazione) 4. **Reitera** fino a stato OK (loop A8: il sistema converge se modus radicato) 5. **Cristallizza in automazione** SOLO dopo che è stato fatto girare e ha mostrato stabilità — non automatizzare prima ## Anti-pattern - Costruire un componente strutturale (watchdog, observer, gate, governor) senza prima aver fatto girare un'esecuzione minima che mostri cosa serve davvero - Decidere "perché serve velocità" o "per ottimizzare" senza interrogare il sistema - Astrazione prematura (premature abstraction): 3 simili è meglio di 1 generalizzato troppo presto ## Cross-link - TM3 memoria: `/root/.claude/projects/-opt/memory/feedback_indeterminato_reitera_con_sistema.md` (versione completa con episodio + metafora foresta-sentiero) - Verifica empirica: cycle `20260507_0803` (verdict=operator, REDESIGN/high) - Pattern A8+A15 (autologica + veicolo senza guidatore) applicato allo sviluppo software stesso, non solo al lab di ricerca exec /bin/bash -lc "env | rg 'ANTHROPIC_API_KEY|OPENAI_API_KEY' || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 176ms: TENS_SCALE_TRASCENDENZA_LIMITE: score=0.807 — TENS_SCALE_TRASCENDENZA_LIMITE: incerto (i=0.6) — massimo potere discriminante COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: score=0.758 — COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: score=0.758 — COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante codex La memoria condivisa conferma di non irrigidire frasi in regole; la mossa resta un atto minimo iterabile. Il proiettore suggerisce tensioni locali, ma il campo vivo e il valutatore impongono il filtro GUE/Poisson: uso il proiettore come telemetria, non come direzione. exec /bin/bash -lc "rg --files tools | rg 'exp_|gue|poisson|boundary|endpoint|brody|rp|random_matrix'" in /opt/MM_D-ND succeeded in 0ms: tools/exp_boundary_gue_poisson.py tools/exp_perturbation_rank_size_curve.py tools/exp_prime_mobius_interval_charge_gate.py tools/exp_mod3_scaling.py tools/exp_two_layer_universality.py tools/exp_dipolar_vector_scaling.py tools/exp_duality_scale_contrast.py tools/exp_crossover_universality.py tools/exp_markov_psd_prediction.py tools/exp_blank_shell_polarity_gate.py tools/exp_alpha_stability.py tools/exp_gap_label_ostrowski_recognizability_gate.py tools/exp_rosenzweig_porter_bridge_physical_audit.py tools/exp_blank_to_source_hinge.py tools/exp_rp_boundary_raw_count_null_audit.py tools/exp_vc_generator_class_direction_audit.py tools/exp_markov_k_direction.py tools/exp_duality_gate_transfer.py tools/exp_meta_tautology_test.py tools/exp_two_channel_boundary.py tools/exp_boundary_unfolding_transfer_matrix.py tools/exp_boundary_graph_curvature_gate.py tools/exp_aubry_boundary_phase_transport_gate.py tools/exp_vc_label_preserving_swap_gate.py tools/exp_markov3_observable_hunt.py tools/exp_acf_amplitude_scaling.py tools/exp_mod3_vs_residual_ordering.py tools/exp_boundary_short_denominator_extension.py tools/exp_two_channel_decomposition.py tools/exp_semireal_order_denominator_gate.py tools/dnd_gue_test.py tools/exp_logistic_cyclic_block_entropy_gate.py tools/exp_markov_layer_recovery_audit.py tools/exp_prime_vs_mod6_sr_boundary.py tools/exp_markov_dipolar_decomposition.py tools/exp_vc_unit_boundary_audit.py tools/exp_rp_unfolding_sensitivity_audit.py tools/exp_two_channel_cross_domain.py tools/exp_prime_persistent_blank_gate.py tools/exp_beta_crossover.py tools/exp_boundary_graph_residue_threshold_audit.py tools/exp_geodesic_deviation_primes.py tools/exp_psd_amplitude_scaling.py tools/exp_boundary_classical_crossover_audit.py tools/exp_markov_scale_function.py tools/test_gue_poisson_boundary.py tools/exp_rp_boundary_size_stability_audit.py tools/exp_gap_label_repair_audit.py tools/exp_rp_exact_local_window_matrix.py tools/exp_markov_memory_by_gue_type.py tools/exp_crossover_phase_test.py tools/exp_aubry_binary_grammar_surrogate_gate.py tools/exp_brody_crossover.py tools/gue_gap_test.py tools/exp_poisson_convergence.py tools/exp_two_channel_universality.py tools/exp_brody_flow.py tools/exp_quasiperiodic_vc_lattice_gate.py tools/exp_boundary_graph_null_audit.py tools/exp_gap_label_set_stability.py tools/exp_two_channel_shuffle_audit.py tools/exp_gap_label_block_scale_gate.py tools/exp_logistic_surrogate_contract_gate.py tools/exp_boundary_transition_taxonomy_13rows.py tools/exp_prime_mobius_zero_mediator_gate.py tools/exp_quasiperiodic_vc_curve_map.py tools/exp_boundary_mixture_gate.py tools/exp_psd_prime_gaps.py tools/exp_magnitude_psd_from_acf.py tools/exp_gap_label_supertile_tiling_gate.py tools/exp_blank_shell_dilation_gate.py tools/exp_dR_brody_connection.py tools/exp_aubry_cosine_boundary_counter_gate.py tools/exp_sturmian_denominator_alignment_gate.py tools/exp_bridge_order_denominator_gate.py tools/exp_quasiperiodic_grammar_scale_gate.py tools/exp_cross_domain_dipolar_direction.py tools/exp_acf_z6z_mechanism.py tools/exp_observable_rank_audit.py tools/exp_modular_algebra_depth.py tools/exp_prime_mobius_gap_stratified_zero_gate.py tools/exp_boundary_row_aligned_nonexact_audit.py tools/exp_gap_label_generator_gate.py tools/exp_desitter_unification.py tools/exp_vc_null_regression_gate.py tools/exp_cross_observable_consistency.py tools/exp_gap_label_position_error_gate.py tools/exp_boundary_blank_thin_support_audit.py tools/exp_boundary_denominator_prescan.py tools/exp_boundary_coherence.py tools/exp_number_variance.py tools/exp_gap_label_substitution_grammar_gate.py tools/exp_scale_selective_perturbation.py tools/exp_blank_shell_stratified_gate.py tools/exp_vc_fit_model_gate.py tools/exp_anderson3d_mobility_edge_two_reader_audit.py tools/exp_denominator_gate_transfer_matrix.py tools/exp_3d_boundary_layers.py tools/exp_blank_shell_scale_law.py tools/exp_excess_scaling.py tools/exp_ricci_primes.py tools/exp_tqge_underlay_gate.py tools/exp_boundary_blank_null_audit.py tools/exp_selective_layer_decoupling.py tools/exp_modular_memory_spectrum.py tools/exp_triadic_deposit_gate.py tools/exp_two_channel_psd.py tools/exp_coherence_robustness.py tools/exp_prime_mobius_pair_stratified_zero_gate.py tools/exp_coherence_length.py tools/exp_spectral_rigidity.py tools/exp_boundary_residual_beta_absent_audit.py tools/exp_semireal_boundary_transfer_gate.py tools/exp_boundary_shuffle_audit.py tools/exp_nonphi_sturmian_fixed_reader_gate.py tools/exp_dipolar_angle_reference.py tools/exp_mobius_irrationality.py tools/exp_boundary_two_axis_matrix.py tools/exp_endpoint_stability_filter.py tools/exp_logistic_counter_scope_gate.py tools/exp_quasiperiodic_gap_ratio_denominator.py tools/exp_prime_sr_persistent_boundary.py tools/exp_photonic_boundary_third_included_gate.py tools/exp_vc_nonsturmian_label_null_gate.py tools/exp_perturbation_dimensionality_audit.py tools/exp_boundary_growth.py tools/exp_acf_range_universality.py tools/exp_dipolar_crossover.py tools/exp_brody_calibration.py tools/exp_metric_tensor_diagnostic.py tools/exp_blank_shell_tqger_gate.py tools/exp_boundary_bridge_stability_audit.py tools/exp_acf_stationarity.py tools/exp_det_drift.py tools/exp_spectral_2d.py tools/exp_gap_label_symbolic_grammar_gate.py tools/exp_spectral_landscape.py tools/exp_physical_sr_residue_bounce.py tools/exp_ricci_desitter_0406.py tools/data/rp_candidate_window_stress_20260516_1007_w7.json tools/data/rp_exact_local_window_matrix_20260516_1019_w10.json tools/data/photonic_boundary_third_included_gate_20260515_1734.json tools/data/cognitive_fingerprint.json tools/exp_aubry_v2_generator_scaling_gate.py tools/exp_vc_fit_ready_scale_table.py tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w4096.trace.jsonl tools/data/exp_markov_psd_prediction.json tools/data/boundary_denominator_prescan_20260509_1409.json tools/data/prime_sr_persistent_boundary_20260512_0330.json tools/data/semireal_boundary_transfer_gate_20260509_1516.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w8192_dense.json tools/data/boundary_graph_residue_threshold_audit_20260516_0720.json tools/data/exp_two_channel_universality.json tools/data/boundary_denominator_prescan_full_20260509_1500.json tools/data/exp_det_drift.json tools/data/boundary_graph_null_audit_20260516_0330.json tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w16384.trace.jsonl tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w8192_dense.trace.jsonl tools/data/two_channel_boundary.json tools/data/boundary_unfolding_transfer_matrix_20260516_1031.json tools/data/exp_conditional_r.json tools/data/physical_sr_residue_bounce_20260514_1640_goe_gue_ncurve.json tools/data/exp_det_drift_20260507_2042.json tools/data/boundary_short_denominator_extension_20260509_1556.json tools/data/boundary_blank_null_audit_20260509_1430.json tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w8192.trace.jsonl tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w16384.json tools/data/exp_acf_stationarity.json tools/data/exp_two_channel_psd.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096.json tools/data/rp_boundary_size_stability_audit_20260515_1940.json tools/data/exp_beta_crossover.json tools/data/boundary_row_aligned_nonexact_audit_20260509_1538.json tools/data/boundary_two_axis_matrix_20260509_1532.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096_dense.trace.jsonl tools/data/exp_spectral_2d.json tools/data/vc_unit_boundary_audit_20260509_1457.json tools/data/prime_vs_mod6_sr_boundary_20260513_0330_seedcheck.json tools/data/boundary_graph_curvature_gate_20260515_1855.json tools/data/rp_candidate_window_stress_20260516_0938_w11.json tools/data/prime_vs_mod6_sr_boundary_20260514_0330_seedcheck.trace.jsonl tools/data/aubry_boundary_phase_transport_gate_20260515_1745.json tools/data/boundary_classical_crossover_audit_20260515_1904.json tools/data/markov_memory_by_gue_type.json tools/data/prime_vs_mod6_sr_boundary_20260513_0330.json tools/data/boundary_transition_taxonomy_13rows_20260509_1839.json tools/data/exp_coherence_length.json tools/data/brody_flow.json tools/data/rp_exact_local_window_matrix_20260516_1019_w11.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w1024.json tools/data/prime_sr_persistent_boundary_20260512_0330_seedcheck.json tools/data/rp_candidate_window_stress_20260516_0938_w5.json tools/data/aubry_cosine_boundary_counter_gate_20260515_1758.json tools/data/boundary_coherence.json tools/data/boundary_mixture_gate_20260507_0330.json tools/data/boundary_shuffle_audit.json tools/data/physical_sr_residue_bounce_20260514_1640_goe_gue_ncurve.trace.jsonl tools/data/reports/exp_desitter_unification.json tools/data/reports/exp_metric_tensor_diag_long.json tools/data/boundary_blank_null_audit_residual_20260509_1500.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w2048.json tools/data/lab_logiche_corpus.md tools/data/rp_boundary_raw_count_null_audit_20260516_0820.json tools/data/rp_exact_local_window_matrix_20260516_1019_w9.json tools/data/exp_acf_z6z_mechanism.json tools/data/3d_boundary_layers.json tools/data/piano11b_gue_test.json tools/data/exp_acf_range_universality.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096.trace.jsonl tools/data/exp_poisson_convergence.json tools/data/rp_exact_local_window_matrix_20260516_1019.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096_dense.json tools/data/reports/exp_dR_brody_connection.json tools/data/reports/exp_psd_prime_gaps.json tools/data/reports/exp_brody_crossover_20260405.json tools/data/reports/exp_crossover_universality.json tools/data/reports/exp_boundary_20260405_0825.json tools/data/reports/exp_boundary_growth_20260405_0914.json tools/data/reports/exp_excess_scaling_20260405.json tools/data/reports/exp_ricci_primes.json tools/data/reports/exp_number_variance_test.json tools/data/reports/exp_geodesic_deviation_primes.json tools/data/reports/exp_acf_decay_data.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w512.json tools/data/boundary_mixture_gate_20260507_0330_seedcheck.json tools/data/brody_calibration_results.json tools/data/endpoint_stability_filter_20260516_1045.json tools/data/rp_candidate_window_stress_20260516_1007_w9.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w1024.trace.jsonl tools/data/exp_spectral_landscape.json tools/data/boundary_residual_beta_absent_audit_20260510_0330.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w512.trace.jsonl tools/data/rp_exact_local_window_matrix_20260516_1019_w12.json tools/data/prime_vs_mod6_sr_boundary_20260514_0330.trace.jsonl tools/data/exp_psd_amp_scaling.json tools/data/exp_two_channel_decomposition.json tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w4096.json tools/data/boundary_blank_thin_support_audit_20260509_1548.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w2048.trace.jsonl tools/data/rp_unfolding_sensitivity_audit_20260516_0921.json tools/data/boundary_bridge_stability_audit_20260515_1915.json tools/data/prime_vs_mod6_sr_boundary_20260514_0330_seedcheck.json tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w8192.json tools/data/prime_vs_mod6_sr_boundary_20260514_0330.json tools/data/boundary_denominator_prescan_20260509_1430.json exec /bin/bash -lc 'ls -t tools/data/reports/agent_20260516_*.md tools/data/reports/agent_20260515_*.md 2>/dev/null | head -12' in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260516_1045.md tools/data/reports/agent_20260516_1031.md tools/data/reports/agent_20260516_1019.md tools/data/reports/agent_20260516_1007.md tools/data/reports/agent_20260516_0938.md tools/data/reports/agent_20260516_0921.md tools/data/reports/agent_20260516_0820.md tools/data/reports/agent_20260516_0720.md tools/data/reports/agent_20260516_0330.md tools/data/reports/agent_20260515_1947.md tools/data/reports/agent_20260515_1940.md tools/data/reports/agent_20260515_1933.md exec /bin/bash -lc 'rg -n "Archivio enzimi|CE-|endpoint|GUE|Poisson|combined p|raw_p|add_one" tools/data/agent_field_live.md tools/data/seme.json tools/data/reports/agent_20260516_*.md 2>/dev/null' in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260516_0330.md:8:**observable_contract**: claim=i residui graph-only sono Lab-specific solo se la frequenza bridge osservata supera label-shuffle e degree-preserving graph null; observable=frequenza graph bridge osservata contro frequenze null grafiche; operator=rerun del lettore graph BOUNDARY con label shuffle e rewiring degree-preserving; generator=13 righe BOUNDARY row-aligned in feature space canonical+rigidity+shuffle-z; denominator=13 righe, 8 GUE e 5 Poisson, su 6 letture grafiche e 384 trial per ciascun null; non_possible=residuo Lab graph-only se i null matchano o superano la frequenza osservata; not_tested=nuovi sistemi Hamiltoniani, unfolding alternativi, universalita fisica dei residui graph-only. tools/data/reports/agent_20260516_0330.md:11:- **Combo**: A9 terzo incluso + QxG continuo/discreto + grafo/cut come nodo del confine + tensione seme BOUNDARY "8 domini GUE, 5 Poisson". tools/data/reports/agent_20260516_0330.md:15:- **Contaminazione cognitiva**: CE-0019 `tools/data/cognitive_enzymes_archive.md` metabolizzata: combo prima della misura. CE-0022 gia attiva dal campo: palette operatoria trasformata in null grafici, non lista di temi. tools/data/reports/agent_20260516_0330.md:21:- `why`: il ciclo testa esplicitamente il perimetro vivo 8 GUE / 5 Poisson e il terzo incluso operativo come confine auditato. tools/data/reports/agent_20260516_0330.md:38:- **Punto fisico sorgente**: transizione spettrale tra repulsione Wigner-Dyson/GUE e indipendenza/localizzazione Poisson. tools/data/reports/agent_20260516_0330.md:49:- **Denominatore**: 13 righe row-aligned, 8 GUE e 5 Poisson. tools/data/reports/agent_20260516_0330.md:97:ssp_value: yes. `tools/exp_boundary_graph_null_audit.py` diventa audit riusabile per distinguere boundary a due lettori, residuo graph-only e artefatto grafico in ogni perimetro GUE/Poisson row-aligned. tools/data/reports/agent_20260516_0938.md:8:**observable_contract**: claim=`RP_lambda_0.045` resta boundary solo se batte label-shuffle e position-shift su size maggiori e su finestre locali alternative; observable=two-reader raw-count threshold per lambda, size, unfolding mode e local_window; operator=stress del gate 09:21 con candidate row preregistrata e sentinelle; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE; denominator=candidate row `0.045`, sentinelle `0.030/0.060/0.075/0.820`, size `160/192`, seed x k = `4 x 3`; non_possible=terzo incluso stabile se la candidate row cade in una finestra locale o se una sentinella prende il ruolo; not_tested=altre finestre locali, piu seed, N oltre 192, Anderson 3D, spettri sperimentali. tools/data/reports/agent_20260516_0938.md:15:- **Contaminazione cognitiva**: CE-0022 metabolizzata dal campo vivo come vincolo anti-ritorno a Sturmian; YSN DeltaLink=`candidate boundary / smoothing-scale`; Cornelius gene=`WINDOW_WIDTH_IS_PERIMETER`: DICHIARA CANDIDATE, CAMBIA FINESTRA, NON SALVARE LA RIGA. tools/data/reports/agent_20260516_0938.md:23:- `not_drift`: non ritorna a phi, Sturmian, V_c o deposito locale; cambia solo size e larghezza di unfolding sul perimetro GUE/Poisson RP. tools/data/reports/agent_20260516_0938.md:65:Le sentinelle endpoint `0.030` e `0.820` hanno `0/12` observed in ogni size/mode e non entrano nel boundary. tools/data/seme.json:21: "nota": "Input operatore 2026-04-10. Tocca: entropia come dispersione illusoria vs generazione dipolare. Consecutio: nel Lab i domini Poisson (entropia massima) mostrano dualita illusoria? I domini GUE (strutturati) mostrano dualita dipolare? Il drift verso Poisson (POISSON_CONVERGENCE) e perdita di dualita dipolare?", tools/data/seme.json:63: "claim": "8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/seme.json:194: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme.json:209: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme.json:214: "origine": "cycle agent_20260507_0330: synthetic GUE-Poisson mixture layer gate", tools/data/seme.json:224: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme.json:329: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme.json:334: "origine": "cycle agent_20260508_0011: duality_scale_contrast su 200K gap primi vs GUE vs Poisson", tools/data/seme.json:427: "direzione": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", tools/data/reports/agent_20260516_1045.md:5:**verdict**: CONSTRAINT - GUE e Poisson sono endpoint-stable nel lettore calibrato su 36/36 righe di stress, ma il label-permutation null resta troppo permissivo (`combined p=0.124031`; 15/128 null arrivano a 36/36). Il filtro endpoint e' osservativamente utile, non ancora specifico abbastanza per riaprire RP come terzo incluso. tools/data/reports/agent_20260516_1045.md:7:observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts] tools/data/reports/agent_20260516_1045.md:8:**observable_contract**: claim=GUE/Poisson endpoints sono filtro valido del boundary se entrambi i poli restano stabili sotto stress reader/window/size/seed con classificatore calibrato; observable=`endpoint_stable` per riga sorgente e margine centroidale per reader; operator=calibrazione centroidi endpoint su controlli GUE/Poisson e stress su seed indipendenti; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ognuna letta da 5 reader; non_possible=il boundary-terzo incluso non riapre se un endpoint cade o se il null di etichetta raggiunge la stabilita' osservata; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, prova analitica di universalita. tools/data/reports/agent_20260516_1045.md:12:- **Dipolo / punto-zero**: polo GUE / polo Poisson. Punto-zero: la riga di gap prima che un reader la classifichi. tools/data/reports/agent_20260516_1045.md:13:- **Piano superiore**: topologia assiomatica del bordo. Il filtro endpoint e' boundary operator: decide se i poli esistono prima del bordo intermedio. tools/data/reports/agent_20260516_1045.md:14:- **Operatori laterali scelti**: boundary operator e parallel transport. Il primo testa se il bordo ha due estremi; il secondo testa se l'identita' endpoint si trasporta fra reader. tools/data/reports/agent_20260516_1045.md:15:- **Contaminazione cognitiva**: CE-0019 usata per imporre respiro pre-esperimento; CE-0001/KSAR usata per reiterare il vincolo 10:31 senza cercare una nuova lambda RP. tools/data/reports/agent_20260516_1045.md:16:- **Proto-ipotesi**: un confine-terzo incluso non puo' essere misurato finche' i due endpoint non sono invarianti sotto il lettore che poi verra' usato sul bordo. tools/data/reports/agent_20260516_1045.md:17:- **Possibile/non-possibile**: possibile = usare endpoint GUE/Poisson come filtro preliminare; non-possibile = promuovere il filtro se il null di etichetta ricostruisce la stessa stabilita'. tools/data/reports/agent_20260516_1045.md:18:- **Proiezione**: misuro `endpoint_stable` con classificatore centroidale su feature canoniche; il claim cade se uno dei 5 reader rompe l'endpoint o se il null uguaglia l'osservato. tools/data/reports/agent_20260516_1045.md:19:- **Movimento A->M->B**: fisico A = crossover spettrale GUE/Poisson/RP; matematica M = classificatore endpoint row-aligned sui vettori osservabili; fisico B non emerge. Il ciclo consegna un vincolo sul lettore, non un rimbalzo fisico. tools/data/reports/agent_20260516_1045.md:23:- `why`: esegue la direzione valutatore 10:31: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso. tools/data/reports/agent_20260516_1045.md:24:- `not_drift`: non torna a V_c, phi/Sturmian, fit locali o creste RP; RP resta non testato finche' il filtro endpoint non chiude anche contro null. tools/data/reports/agent_20260516_1045.md:27:- **Baseline noto piu vicino**: statistiche GUE/Poisson con spacing ratio, Brody interpolation e Berry-Robnik-like mixture. tools/data/reports/agent_20260516_1045.md:28:- **Cosa assorbe il baseline**: la separazione osservata tra poli GUE e Poisson nelle feature spettrali canoniche. tools/data/reports/agent_20260516_1045.md:29:- **Cosa resta Lab-specific**: il contratto operativo che richiede endpoint stabili per tutti i reader prima di leggere il terzo incluso. tools/data/reports/agent_20260516_1045.md:30:- **Separazione**: `two_reader_boundary_confirmed=[]`; `graph_only_residue=0`; `scope_change_declared=endpoint_filter_before_boundary`; `graph_baseline_audit=label_permutation_null`. tools/data/reports/agent_20260516_1045.md:33:> GUE e Poisson possono fungere da filtro endpoint del boundary solo se ogni riga stress resta endpoint-stable in tutti i reader e il label-null non ricostruisce la stessa stabilita'. tools/data/reports/agent_20260516_1045.md:36:Il lettore che ha rotto GUE nel ciclo 10:31 puo' essere riparato regressivamente calibrando gli endpoint, oppure il filtro e' ancora assorbito dal null di etichetta? tools/data/reports/agent_20260516_1045.md:39:- **Punto fisico sorgente**: crossover spettrale GUE/Poisson/Rosenzweig-Porter. tools/data/reports/agent_20260516_1045.md:40:- **Attraversamento matematico**: centroidi endpoint in spazio osservabile canonico con margine preregistrato. tools/data/reports/agent_20260516_1045.md:43:- **Relazione nuova**: endpoint stability precede boundary residue. tools/data/reports/agent_20260516_1045.md:48:- **Script nuovo**: `tools/exp_endpoint_stability_filter.py`. tools/data/reports/agent_20260516_1045.md:49:- **Run**: `python tools/exp_endpoint_stability_filter.py --out tools/data/endpoint_stability_filter_20260516_1045.json` tools/data/reports/agent_20260516_1045.md:52:- **Soglia preregistrata**: `endpoint_stable=True` se tutti i reader predicono il vero endpoint con `centroid_margin >= 0.15`. tools/data/reports/agent_20260516_1045.md:53:- **Null**: 128 permutazioni delle etichette di calibrazione; p-value = frazione null con successi endpoint almeno pari all'osservato. tools/data/reports/agent_20260516_1045.md:58:| GUE endpoint | 18/18 | 774/2304 | 0.341085 | [0.824121, 1.0] | 0.655482 | 1.552507 | endpoint stabile, null non chiuso | tools/data/reports/agent_20260516_1045.md:59:| Poisson endpoint | 18/18 | 774/2304 | 0.341085 | [0.824121, 1.0] | 0.929876 | 1.685385 | endpoint stabile, null non chiuso | tools/data/reports/agent_20260516_1045.md:76:1. Verificato: il lettore endpoint calibrato non rompe GUE. Le 18 righe GUE test hanno 5/5 reader pass e `endpoint_stable=True`. tools/data/reports/agent_20260516_1045.md:77:2. Verificato: Poisson resta endpoint simmetrico nello stesso contratto. Le 18 righe Poisson test hanno 5/5 reader pass. tools/data/reports/agent_20260516_1045.md:84:GUE/Poisson sono endpoint-stable nel lettore calibrato, ma il filtro non supera ancora il null di etichetta. La prossima mossa non deve entrare in RP: deve stringere il null endpoint, per esempio con holdout per reader, bootstrap centroidale bilanciato o feature-scramble row-aligned, e richiedere `p <= 0.05` prima del boundary. tools/data/reports/agent_20260516_1045.md:87:- **Due radici**: stabilita' osservata degli endpoint; specificita' insufficiente del null. tools/data/reports/agent_20260516_1045.md:88:- **Singolare**: vettore osservabile della riga prima del nome GUE/Poisson. tools/data/reports/agent_20260516_1045.md:90:- **Campo di possibilita**: possibile = usare un filtro endpoint calibrato come preflight; non-possibile = dichiarare terzo incluso RP con p endpoint non chiuso. tools/data/reports/agent_20260516_1045.md:93:Il filtro endpoint ha forma ma non chiusura. Il prossimo ciclo deve riparare il null, non aumentare lambda, size o domini. Quando il null non raggiunge piu' 36/36 e gli endpoint restano 36/36 con `p<=0.05`, RP torna falsificabile come terzo incluso. tools/data/reports/agent_20260516_1045.md:96:ssp_value: yes. `tools/exp_endpoint_stability_filter.py` diventa preflight riusabile per non far entrare un boundary test quando i poli o il null endpoint non sono chiusi. tools/data/reports/agent_20260516_1045.md:101:- `python -m py_compile tools/exp_endpoint_stability_filter.py` completato. tools/data/reports/agent_20260516_1045.md:102:- Run completato: `tools/data/endpoint_stability_filter_20260516_1045.json`. tools/data/reports/agent_20260516_1045.md:108:- Script: `tools/exp_endpoint_stability_filter.py` tools/data/reports/agent_20260516_1045.md:109:- Data: `tools/data/endpoint_stability_filter_20260516_1045.json` tools/data/reports/agent_20260516_0921.md:8:**observable_contract**: claim=la finestra RP finita e unfolding-stable solo se le stesse righe lambda battono label-shuffle e position-shift sotto normalizzazione globale e locale; observable=thresholded two-reader raw-count pass per lambda, size e unfolding mode; operator=repeat del gate RP 08:20 con `global_mean` e `local_window`; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE su size, seed, k e unfolding mode; denominator=11 lambda per size/mode, observed denominator 12, label-null 768, position-null 120; non_possible=boundary unfolding-stable se una lambda promossa cade sotto local-window; not_tested=N piu grande, finestre locali diverse da 7, spettri sperimentali, Anderson 3D, many-body RP. tools/data/reports/agent_20260516_0921.md:11:- **Combo**: A9 terzo incluso + QxG continuo/discreto + grafo/cut come lettore + tensione BOUNDARY "8 domini GUE, 5 Poisson". tools/data/reports/agent_20260516_0921.md:15:- **Contaminazione cognitiva**: CE-0019 usata per fissare combo prima della misura; CE-0022 usata per scegliere operatori senza tornare a Sturmian. YSN DeltaLink=`finestra RP / cambio di unfolding`; Cornelius gene=`UNFOLDING_BEFORE_UNIVERSALITY`: RIPETI GATE, CAMBIA COORDINATA, CONTA, TAGLIA FINESTRA. tools/data/reports/agent_20260516_0921.md:21:- `why`: l'esperimento resta sul confine GUE/Poisson come terzo incluso operativo e stressa il finding fisico controllato del ciclo 08:20. tools/data/reports/agent_20260516_0921.md:37:- **Punto fisico sorgente**: transizione spettrale Poisson/GUE nel Rosenzweig-Porter diagonal-plus-GUE. tools/data/reports/agent_20260516_1031.md:5:**verdict**: CONSTRAINT - `window_mode/unfolding` non trasferisce come asse cross-dominio nel perimetro dichiarato. Poisson resta endpoint su 8/8 righe, ma GUE non resta endpoint sotto la clausola classica a due lettori e RP produce 0/24 residui sopra i null row-aligned. Il boundary reader-axis resta ipotesi da riparare al nodo regressivo del lettore, non claim fisico. tools/data/reports/agent_20260516_1031.md:7:observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, reader_sensitivity, endpoint_transfer_stable, reader_residue_pass, row_aligned_p, permutation_null_scores, position_shift_null_scores] tools/data/reports/agent_20260516_1031.md:8:**observable_contract**: claim=`window_mode/unfolding` e' coordinata del boundary se gli endpoint GUE/Poisson trasferiscono mentre le righe RP boundary espongono residuo reader-specific contro null row-aligned; observable=reader_sensitivity del vettore spettrale canonico tra global_mean, exact_local e odd_coerced; operator=stessa riga di gap letta con piu unfolding/window modes; generator=matrici GUE, gap Poisson esponenziali, RP `H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE`; denominator=domain x size x seed, null da permutazione e shift circolare sulla stessa riga; non_possible=asse reader come boundary se un endpoint si frattura o RP non batte i null; not_tested=spettri sperimentali, N infinito, Anderson 3D, prova analitica di universalita. tools/data/reports/agent_20260516_1031.md:15:- **Contaminazione cognitiva**: CE-0019 usata come vincolo di respiro pre-esperimento; CE-0001/KSAR usata per reiterare il kernel 10:19 senza cercare un'altra lambda. tools/data/reports/agent_20260516_1031.md:16:- **Proto-ipotesi**: se `window_mode/unfolding` e' asse reale del confine, GUE e Poisson trasferiscono come poli mentre RP boundary mostra residuo specifico del lettore sopra i null row-aligned. tools/data/reports/agent_20260516_1031.md:17:- **Possibile/non-possibile**: possibile = reader axis come coordinata cross-dominio; non-possibile = endpoint GUE fratturato o RP reader residue assorbito dai null. tools/data/reports/agent_20260516_1031.md:18:- **Proiezione**: misuro `reader_sensitivity` e stato classico per righe GUE, Poisson e RP `0.045/0.060/0.075`, con null di permutazione e shift sulla stessa riga. tools/data/reports/agent_20260516_1031.md:19:- **Movimento A->M->B**: fisico A = crossover GUE/Poisson/RP finito; matematica M = matrice row-aligned `(domain, N, seed, reader)`; fisico B non emerge. Il ciclo consegna un vincolo sul lettore, non un rimbalzo fisico. tools/data/reports/agent_20260516_1031.md:23:- `why`: porta l'asse `window_mode`/unfolding fuori dalla sola lambda RP e lo testa su GUE, Poisson e RP con null row-aligned. tools/data/reports/agent_20260516_1031.md:24:- `not_drift`: non cerca una lambda stabile, non usa phi/Sturmian/V_c, non promuove righe graph-only; il risultato cade se endpoints o RP non rispettano il contratto. tools/data/reports/agent_20260516_1031.md:29:- **Cosa resta Lab-specific**: il contratto row-aligned che separa endpoint transfer e RP reader residue nella stessa matrice di lettori. tools/data/reports/agent_20260516_1031.md:33:> `window_mode/unfolding` trasferisce come coordinata del boundary se Poisson e GUE restano endpoint e RP `0.045/0.060/0.075` mostra residuo reader-specific sopra null row-aligned. tools/data/reports/agent_20260516_1031.md:38:- **Righe**: size `128/192`, seed `4`, domini `GUE`, `Poisson`, RP lambda `0.045/0.060/0.075`. tools/data/reports/agent_20260516_1031.md:42:- **Soglia endpoint audit**: tutti gli stati reader devono matchare l'endpoint dichiarato; `endpoint_max_sensitivity=0.75` registrato come audit, non forzato nel pass. tools/data/reports/agent_20260516_1031.md:47:| GUE endpoint transfer | 0/8 | 0/256 | left-tail approx 0.000000 | 2.105328 | non trasferisce sotto clausola a due lettori | tools/data/reports/agent_20260516_1031.md:48:| Poisson endpoint transfer | 8/8 | 0/256 | left-tail approx 1.000000 | 2.444532 | trasferisce come endpoint | tools/data/reports/agent_20260516_1031.md:52:| source | example states across readers | example q/w global | endpoint_transfer | tools/data/reports/agent_20260516_1031.md:54:| GUE | intermediate, intermediate, intermediate, intermediate, intermediate | q=1.000000, w=0.526667 | 0/8 | tools/data/reports/agent_20260516_1031.md:55:| Poisson | poisson_endpoint, poisson_endpoint, poisson_endpoint, poisson_endpoint, poisson_endpoint | q=0.046667, w=0.033333 | 8/8 | tools/data/reports/agent_20260516_1031.md:65:1. Verificato: il contratto cross-dominio fallisce prima del boundary RP. GUE viene letto come `intermediate` in 8/8 righe sotto la clausola `q>=0.75` e `w>=0.75`; quindi l'endpoint non trasferisce. tools/data/reports/agent_20260516_1031.md:66:2. Verificato: Poisson trasferisce come endpoint in 8/8 righe, ma questo non basta a validare l'asse reader perche' l'altro polo cade. tools/data/reports/agent_20260516_1031.md:73:`window_mode/unfolding` non diventa coordinata cross-dominio nel perimetro 10:31. La matrice conserva informazione utile perche' mostra dove cade: il lettore a due clausole classiche rompe GUE e i null assorbono RP. Il prossimo ciclo non deve cercare una cresta RP; deve riparare il lettore endpoint o cambiare dominio di ritorno con endpoint verificati prima del boundary. tools/data/reports/agent_20260516_1031.md:76:- **Due radici**: endpoint transfer; reader residue RP. tools/data/reports/agent_20260516_1031.md:79:- **Campo di possibilita**: possibile = audit del lettore prima della promozione del boundary; non-possibile = dichiarare terzo incluso cross-dominio con GUE endpoint non trasferito. tools/data/reports/agent_20260516_1031.md:82:Il prossimo passo utile e' regressivo: prima validare endpoint GUE/Poisson con un lettore che non trasformi GUE in intermedio, poi rieseguire la matrice RP. Se la clausola classica resta `q AND w`, il boundary reader-axis e' bloccato. Se la clausola diventa endpoint-validata su baseline GUE indipendente, la domanda torna falsificabile. tools/data/reports/agent_20260516_1019.md:8:**observable_contract**: claim=`RP_lambda_0.060` e' cresta persistente solo se batte entrambi i null row-aligned su ogni `local_window` esatta 9/10/11/12 e su size oltre 192; observable=two-reader raw-count threshold per lambda x exact local_window x size; operator=unfolding locale a larghezza esatta, senza coercizione dispari; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE; denominator=lambda sentinels `0.030/0.045/0.060/0.075/0.820`, size `224/256`, seed x k = `4 x 3`, label null `768`, position null `48`; non_possible=boundary a lambda singola se una finestra o size dichiarata fallisce soglia; not_tested=N infinito, finestre oltre 12, kernel di unfolding alternativi, spettri sperimentali, Anderson 3D. tools/data/reports/agent_20260516_1019.md:15:- **Contaminazione cognitiva**: CE-0001/KSAR metabolizzata come reiterazione del kernel 10:07 senza promozione; CE-0019 usata per rendere il respiro pre-esperimento vincolo e non linguaggio post-hoc. tools/data/reports/agent_20260516_0820.md:8:**observable_contract**: claim=la riga RP boundary e terzo incluso fisico controllato solo se i count grezzi del grafo battono label-shuffle e position-shift sulla stessa riga lambda; observable=successi osservati/null, intervalli Wilson, p-value binomial-tail, Brody q e mixture weight; operator=flusso Rosenzweig-Porter finito con perturbazioni kNN e due null row-aligned; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE su size, seed e k; denominator=11 lambda per size, observed denominator 12 per size, label-null 768 per size, position-null 120 per size; non_possible=boundary thresholded se nessuna lambda batte entrambi i null o se il pass non e size-stable; not_tested=N infinito, unfolding alternativi, spettri sperimentali, Anderson 3D, many-body RP. tools/data/reports/agent_20260516_0820.md:11:- **Combo**: A9 terzo incluso + QxG continuo/discreto + grafo/cut come lettore + tensione BOUNDARY "8 domini GUE, 5 Poisson". tools/data/reports/agent_20260516_0820.md:12:- **Dipolo / punto-zero**: endpoint Poisson / endpoint GUE. Punto-zero: la riga lambda in cui Brody/Berry-Robnik resta intermedio e il grafo vede ponte oltre i null. tools/data/reports/agent_20260516_0820.md:15:- **Contaminazione cognitiva**: CE-0019 usata per fissare combo e proto-ipotesi prima della misura; CE-0022 usata per selezionare operatori. YSN DeltaLink=`finestra RP / null row-aligned`; Cornelius gene=`COUNT_BEFORE_RESIDUE`: GENERA RP, CONTA HIT, SFIDA NULL, TAGLIA FINESTRA. tools/data/reports/agent_20260516_0820.md:16:- **Proto-ipotesi**: un confine GUE/Poisson diventa terzo incluso operativo quando la stessa riga resta intermedia per lettore classico e grafo, e quando il grafo batte null che conservano righe e perimetro. tools/data/reports/agent_20260516_0820.md:21:- `why`: l'esperimento porta la direzione viva 8 GUE / 5 Poisson su un crossover fisico controllato GUE-Poisson e testa il confine come terzo incluso operativo con count e null. tools/data/reports/agent_20260516_0820.md:25:- **Baseline noto piu vicino**: Rosenzweig-Porter, Brody interpolation, Berry-Robnik mixture, crossover Wigner-Dyson/Poisson. tools/data/reports/agent_20260516_0820.md:37:- **Punto fisico sorgente**: transizione spettrale Poisson/GUE nel Rosenzweig-Porter diagonal-plus-GUE. tools/data/reports/agent_20260516_0820.md:39:- **Punto fisico di ritorno**: finestre finite di crossover in cui una riga non e endpoint, non e rumore grafico, e batte null row-aligned. tools/data/reports/agent_20260516_0820.md:84:4. Verificato: nessuna riga stable graph-only; il grafo non promuove endpoint fuori dal lettore classico. tools/data/reports/agent_20260516_0720.md:8:**observable_contract**: claim=le righe graph-only diventano residui thresholded solo con separazione raw-count da entrambi i null grafici; observable=count grezzi osservati/null con intervalli Wilson e p-value binomial-tail; operator=post-audit del JSON row-aligned 03:30 senza rerun del lettore grafico; generator=13 righe BOUNDARY 8 GUE / 5 Poisson con feature graph canonical+rigidity+shuffle-z; denominator=13 righe, observed denominator 6, label-null denominator 384, rewire-null denominator 384; non_possible=residue claim se p-value contro uno dei due null supera alpha o il lift minimo e sotto soglia; not_tested=nuovi sistemi fisici, nuova geometria del grafo, universalita asintotica. tools/data/reports/agent_20260516_0720.md:11:- **Combo**: A9 terzo incluso + QxG continuo/discreto + grafo/cut come lettore del confine + tensione seme BOUNDARY "8 domini GUE, 5 Poisson". tools/data/reports/agent_20260516_0720.md:15:- **Contaminazione cognitiva**: CE-0019 usata per fissare combo prima della misura; CE-0022 usata come palette operatoria. YSN DeltaLink=`lift positivo / residuo thresholded`; Cornelius gene=`RAW_COUNT_THRESHOLD`: LEGGI JSON, CONTA DENOMINATORI, TESTA NULL, TAGLIA PAROLA. tools/data/reports/agent_20260516_0720.md:21:- `why`: il ciclo resta sul perimetro vivo 8 GUE / 5 Poisson e ripara il confine come terzo incluso operativo, separando two-reader boundary, graph-only lift e residuo thresholded. tools/data/reports/agent_20260516_0720.md:25:- **Baseline noto piu vicino**: Brody / Berry-Robnik / Rosenzweig-Porter per crossover GUE-Poisson; kNN stability, label shuffle e degree-preserving rewiring per residui grafo. tools/data/reports/agent_20260516_0720.md:37:- **Punto fisico sorgente**: crossover spettrale tra repulsione Wigner-Dyson/GUE e indipendenza/localizzazione Poisson. tools/data/reports/agent_20260516_1007.md:8:**observable_contract**: claim=`local_window` e' asse del boundary RP, non parametro tecnico; observable=two-reader raw-count threshold per lambda x size x local_window; operator=curva di persistenza su `window={5,7,9,11}`; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE; denominator=lambda sentinels `0.030/0.045/0.060/0.075/0.820`, size `160/192`, observed denominator `12` per cell, label null `768`, position null `48`; non_possible=terzo incluso RP all-window se una riga fallisce in una finestra o size; not_tested=N oltre 192, finestre pari/oltre 11, Anderson 3D, spettri sperimentali, molti seed. tools/data/reports/agent_20260516_1007.md:19:CE-0019 metabolizzata: il ciclo usa il "Respiro fuori-tempo" come vincolo pre-esperimento, non come linguaggio retroattivo. CE-0001/KSAR applicato come kernel reiterativo: il risultato 09:38 non viene promosso, viene riusato come estremi della curva e chiuso con due run minimi interni. tools/data/agent_field_live.md:13:- Direzione viva ora: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:16: - evidenza: `seme.json.direzione` viva è: "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo". Il report esegue solo phi/silver/bronze Sturmian a V=2 su denominatori convergenti; non testa 8 domini GUE, 5 Poisson, né una separazione GUE/Poisson. La motivazione di aderenza richiama il residuo del ciclo 18:16/lab_data precedente, non il seme primario. tools/data/agent_field_live.md:17: - prossimo uso ammesso: Nel prossimo ciclo formulare `direction_adherence` contro `seme.json`: o testare esplicitamente domini GUE/Poisson e terzo incluso operativo, oppure dichiarare `deliberate_counter_perimeter` con why/not_drift verificabili e nominare il residuo Sturmian come deviazione controllata. tools/data/agent_field_live.md:23: - L3: p-value = frazione null con successi endpoint almeno pari all'osservato; combined p=0.124031; 15/128 null arrivano a 36/36 tools/data/agent_field_live.md:25:Per L2, non chiamare `sopravvive`, `residuo` o `strutturale` un lift piccolo senza count grezzi, denominatore, soglia preregistrata o p-value/permutation interval dichiarato. Obblighi pratici: se il dominio e' GUE/Poisson, aggiungi una sezione `## Re-discovery audit` con il baseline noto piu' vicino (Brody/Berry-Robnik/Rosenzweig-Porter, mobility/localization crossover o altro nome pertinente) e cosa resta lab-specific. Per L6, non usare `CE-none` generico: cita una voce CE-* metabolizzata oppure `CE-none:` verificabile. tools/data/agent_field_live.md:48:**Direzione seme da respirare**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:51:- Direzione viva del seme: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:53:- Direzione operativa valutatore: Continuare sul piano 129: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso, senza promuovere RP reader-residue finche' gli endpoint non sono invarianti. tools/data/agent_field_live.md:54:- Perche': Il ciclo ha prodotto un vincolo netto, non un collasso del frame: `window_mode/unfolding` non trasferisce come asse cross-dominio, ma Poisson resta endpoint su 8/8 e il nodo regressivo e' stato isolato nel contratto tra invariance degli endpoint e residuo del lettore. Dopo tre REDESIGN consecutivi, il seme e' gia' stato spostato su piano 129 verso il filtro GUE/Poisson; la prossima mossa naturale e' far girare quel filtro prima di tornare a RP o cambiare tensione. tools/data/agent_field_live.md:84:- Non partire da phi, gap label, GUE o Poisson se sono gia' nel ciclo tools/data/agent_field_live.md:341:- GUE; tools/data/agent_field_live.md:344:- Poisson; tools/data/agent_field_live.md:364:- Poisson synthetic; tools/data/agent_field_live.md:365:- GUE synthetic; tools/data/agent_field_live.md:372:- GUE/Poisson e' spesso un piano di proiezione, non una sorgente. Se diventa tools/data/agent_field_live.md:611:GUE/Poisson/non-phi. tools/data/agent_field_live.md:618:- Punto-zero: confine prima che venga classificato GUE o Poisson. tools/data/agent_field_live.md:626: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:686:- concetti: terzo incluso, GUE/Poisson, non-phi generator, graph curvature, tools/data/agent_field_live.md:689: precede la classificazione spettrale GUE/Poisson; tools/data/agent_field_live.md:736: - "VALIDA contro baseline GUE, Poisson e generatori sintetici." tools/data/agent_field_live.md:738: quando: "il ciclo lavora su boundary, GUE/Poisson o trasferibilita' phi" tools/data/agent_field_live.md:882: quando: "prima del prossimo ciclo su GUE/Poisson/non-phi" tools/data/agent_field_live.md:894:## Archivio enzimi cognitivi — richiamo contestuale tools/data/agent_field_live.md:895: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:899:- assioma/metodo: CE-0117 [method_axiom] score=58 overlap=7 · 2. La cascata della possibilità tools/data/agent_field_live.md:902:- 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:905:- funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:908:- 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:911:- enzima/kernel: CE-0001 [lab_operational_context] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel tools/data/agent_field_live.md:915:- 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:918:- CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:921:- 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:924:- 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:927:- CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo tools/data/agent_field_live.md:930:- 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:933:- 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:935:- 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:942:- **Direzione corrente**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:943:- **Domanda aperta** (consecutio): Il prossimo passo utile e' regressivo: prima validare endpoint GUE/Poisson con un lettore che non trasformi GUE in intermedio, poi rieseguire la matrice RP. Se la clausola classica resta `q AND w`, il boundary reader-axis e' bloccato. Se la clausola diventa endpoint-validata su baseline GUE indipend tools/data/agent_field_live.md:959:Ho mantenuto il focus sul passo: spostamento da lambda RP a lettore, attrito telemetrico `completed_no_jsonl`, nodo regressivo nel pre-contratto `endpoint_reader_invariance` vs `RP_reader_residue`, e consecutio sul filtro GUE/Poisson prima di tornare a RP. tools/data/agent_field_live.md:1008:Direzione viva attuale: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:1015:Dipolo: endpoint transfer; reader residue RP. tools/data/agent_field_live.md:1018:Possibile: possibile = audit del lettore prima della promozione del boundary; non-possibile = dichiarare terzo incluso cross-dominio con GUE endpoint non trasferito. | Non-possibile: tools/data/agent_field_live.md:1060:`Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo` tools/data/agent_field_live.md:1072:## Piano 129 — Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:1077:- [BOUNDARY] (0.8) 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo tools/data/agent_field_live.md:1101:Trovato: 1. Verificato: il contratto cross-dominio fallisce prima del boundary RP. GUE viene letto come `intermediate` in 8/8 righe sotto la clausola `q>=0.75` e `w>=0.75`; quindi l'endpoint non trasferisce. tools/data/agent_field_live.md:1102:2. Verificato: Poisson trasferisce come endpoint in 8/8 righe, ma questo non basta a validare l'asse tools/data/agent_field_live.md:1126:aver dichiarato che "GUE is also dynamic under M". Il setup C1 era tools/data/agent_field_live.md:1128:ha mostrato GUE dinamico — la conclusione ha riformulato silenziosamente tools/data/agent_field_live.md:1236:Un pattern in distribuzioni classiche (primi, GUE, random walk, Markov chain, gap statistics) probabilmente ha un nome. Default hypothesis: re-discovery / caso limite di teorema noto. Prima di taggare 'NEW', cerca il risultato classico piu' vicino (es. Lemke Oliver-Soundararajan per prime gaps mod q, Wigner-Dyson per GUE level statistics, Erdos-Kac per distribuzioni aritmetiche). Se non lo trovi, dichiara la ricerca esplicitamente. tools/data/agent_field_live.md:1239: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. codex Il ciclo precedente ha già costruito il filtro, ma il null a permutazione etichette è troppo permissivo. L’esperimento minimo regressivo è stringere il null sullo stesso endpoint reader senza riaprire RP: feature-scramble row-aligned o holdout per reader. exec /bin/bash -lc "sed -n '1,280p' tools/exp_endpoint_stability_filter.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Endpoint stability filter for the GUE/Poisson boundary direction. This is the regressively repaired reader check after the 10:31 cycle: before asking whether RP is a third-included boundary, verify that the same reader family recognizes the two endpoint poles under size/seed/window stress. """ from __future__ import annotations import argparse import json import math from collections import defaultdict from pathlib import Path from typing import Any import numpy as np from exp_boundary_unfolding_transfer_matrix import ( clean_gaps, exact_local_unfold, gue_gaps, poisson_gaps, ) from exp_rosenzweig_porter_bridge_physical_audit import ( OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION, fit_brody_q, fit_mixture_weight, ) from exp_rp_boundary_raw_count_null_audit import wilson_interval from exp_rp_unfolding_sensitivity_audit import local_unfold_gaps as odd_coerced_unfold FEATURE_NAMES = [ "SR", "SR2", "L1", "L2", "triple_var", "brody_q", "berry_robnick_like_gue_weight", ] def parse_ints(value: str) -> list[int]: return [int(part.strip()) for part in value.split(",") if part.strip()] def feature_vector(gaps: np.ndarray, grid_size: int) -> dict[str, float]: gaps = clean_gaps(gaps) features = {name: float(fn(gaps)) for name, fn in OBSERVABLES_CANONICAL.items()} q, _ = fit_brody_q(gaps, grid_size) w, _ = fit_mixture_weight(gaps, grid_size) features["brody_q"] = float(q) features["berry_robnick_like_gue_weight"] = float(w) return features def read_gaps(gaps: np.ndarray, reader: str) -> np.ndarray: if reader == "global_mean": return clean_gaps(gaps) mode, window_raw = reader.split(":w", 1) window = int(window_raw) if mode == "exact_local": return exact_local_unfold(gaps, window) if mode == "odd_coerced": return clean_gaps(odd_coerced_unfold(gaps, window)) raise ValueError(f"unknown reader: {reader}") def build_rows(args: argparse.Namespace, split: str, seeds: list[int]) -> list[dict[str, Any]]: rows = [] readers = ["global_mean"] + [ f"{mode}:w{window}" for mode in ("exact_local", "odd_coerced") for window in parse_ints(args.local_windows) ] for n in parse_ints(args.sizes): for seed_idx, seed in enumerate(seeds): sources = { "GUE": gue_gaps(n, args.reps, seed + n * 1009, args.central_fraction), "Poisson": poisson_gaps(n, args.reps, seed + n * 1013, args.central_fraction), } for source_type, gaps in sources.items(): source_id = f"{split}_{source_type}_N{n}_s{seed_idx}" for reader in readers: features = feature_vector(read_gaps(gaps, reader), args.grid_size) rows.append( { "split": split, "source_id": source_id, "source_type": source_type, "n": n, "seed": seed, "reader": reader, "n_spacings": int(len(gaps)), "features": {key: round(value, 9) for key, value in features.items()}, } ) return rows def fit_reader_centroids(rows: list[dict[str, Any]], labels: dict[str, str] | None = None) -> dict[str, Any]: by_reader: dict[str, dict[str, list[np.ndarray]]] = defaultdict(lambda: defaultdict(list)) for row in rows: label = labels.get(row["source_id"], row["source_type"]) if labels else row["source_type"] by_reader[row["reader"]][label].append(np.array([row["features"][name] for name in FEATURE_NAMES], dtype=float)) model = {} for reader, groups in by_reader.items(): all_vectors = np.vstack([item for vectors in groups.values() for item in vectors]) scale = np.std(all_vectors, axis=0) scale[scale <= 1e-9] = 1.0 centroids = {} for label, vectors in groups.items(): centroids[label] = np.mean(np.vstack(vectors), axis=0) model[reader] = {"scale": scale, "centroids": centroids} return model def classify(row: dict[str, Any], model: dict[str, Any], min_margin: float) -> dict[str, Any]: item = model[row["reader"]] vector = np.array([row["features"][name] for name in FEATURE_NAMES], dtype=float) distances = {} for label, centroid in item["centroids"].items(): delta = (vector - centroid) / item["scale"] distances[label] = float(np.linalg.norm(delta) / math.sqrt(len(FEATURE_NAMES))) own = distances[row["source_type"]] other_label = "Poisson" if row["source_type"] == "GUE" else "GUE" other = distances[other_label] margin = other - own predicted = min(distances, key=distances.get) return { "predicted": predicted, "own_distance": round(own, 6), "other_distance": round(other, 6), "margin": round(margin, 6), "endpoint_reader_pass": bool(predicted == row["source_type"] and margin >= min_margin), } def score_sources(rows: list[dict[str, Any]], model: dict[str, Any], min_margin: float) -> tuple[list[dict[str, Any]], list[dict[str, Any]]]: reader_rows = [] by_source: dict[str, list[dict[str, Any]]] = defaultdict(list) for row in rows: judged = {**row, **classify(row, model, min_margin)} reader_rows.append(judged) by_source[row["source_id"]].append(judged) source_rows = [] for source_id, items in sorted(by_source.items()): passes = sum(1 for item in items if item["endpoint_reader_pass"]) margins = [item["margin"] for item in items] source_rows.append( { "source_id": source_id, "source_type": items[0]["source_type"], "n": items[0]["n"], "seed": items[0]["seed"], "reader_passes": passes, "reader_total": len(items), "min_margin": round(float(min(margins)), 6), "median_margin": round(float(np.median(margins)), 6), "endpoint_stable": passes == len(items), "reader_predictions": [ { "reader": item["reader"], "predicted": item["predicted"], "margin": item["margin"], "pass": item["endpoint_reader_pass"], } for item in items ], } ) return reader_rows, source_rows def shuffled_label_map(calibration_rows: list[dict[str, Any]], rng: np.random.Generator) -> dict[str, str]: ids = sorted({row["source_id"] for row in calibration_rows}) true_labels = [next(row["source_type"] for row in calibration_rows if row["source_id"] == source_id) for source_id in ids] shuffled = list(true_labels) rng.shuffle(shuffled) return dict(zip(ids, shuffled)) def null_success_counts( calibration_rows: list[dict[str, Any]], test_rows: list[dict[str, Any]], args: argparse.Namespace, ) -> list[int]: rng = np.random.default_rng(args.null_seed) counts = [] for _ in range(args.label_null_trials): labels = shuffled_label_map(calibration_rows, rng) model = fit_reader_centroids(calibration_rows, labels=labels) _, source_rows = score_sources(test_rows, model, args.min_margin) counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) return counts def summarize(source_rows: list[dict[str, Any]], null_counts: list[int]) -> dict[str, Any]: out = {} for source_type in ("GUE", "Poisson"): group = [row for row in source_rows if row["source_type"] == source_type] successes = sum(1 for row in group if row["endpoint_stable"]) null_successes = sum(min(count, len(group)) for count in null_counts) null_total = len(null_counts) * len(group) p_value = (1 + sum(1 for count in null_counts if count >= successes)) / (1 + len(null_counts)) out[source_type] = { "criterion": "all readers classify the endpoint with preregistered margin", "observed_successes": successes, "observed_total": len(group), "observed_rate": round(successes / len(group), 6) if group else None, "observed_wilson_95": wilson_interval(successes, len(group)) if group else None, "null_successes": null_successes, "null_total": null_total, "null_rate": round(null_successes / null_total, 6) if null_total else None, "permutation_p_value": round(p_value, 6), "min_margin": round(float(min(row["min_margin"] for row in group)), 6) if group else None, "median_margin": round(float(np.median([row["median_margin"] for row in group])), 6) if group else None, } all_successes = sum(1 for row in source_rows if row["endpoint_stable"]) out["combined"] = { "observed_successes": all_successes, "observed_total": len(source_rows), "observed_rate": round(all_successes / len(source_rows), 6) if source_rows else None, "null_successes": sum(null_counts), "null_total": len(null_counts) * len(source_rows), "permutation_p_value": round((1 + sum(1 for count in null_counts if count >= all_successes)) / (1 + len(null_counts)), 6), } return out def run(args: argparse.Namespace) -> dict[str, Any]: calibration_seeds = parse_ints(args.calibration_seeds) test_seeds = parse_ints(args.test_seeds) calibration_rows = build_rows(args, "calibration", calibration_seeds) test_rows = build_rows(args, "test", test_seeds) model = fit_reader_centroids(calibration_rows) reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) null_counts = null_success_counts(calibration_rows, test_rows, args) output = { "experiment": "endpoint_stability_filter", "question": "Do GUE and Poisson remain endpoint-stable under the reader family before RP boundary residue is tested again?", "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": FEATURE_NAMES + [ "endpoint_reader_pass", "endpoint_stable", "centroid_margin", "label_permutation_null_counts", ], "parameters": { "sizes": parse_ints(args.sizes), "calibration_seeds": calibration_seeds, "test_seeds": test_seeds, "reps": args.reps, "central_fraction": args.central_fraction, "local_windows": parse_ints(args.local_windows), "grid_size": args.grid_size, "min_margin": args.min_margin, "label_null_trials": args.label_null_trials, "null_seed": args.null_seed, }, "threshold_preregistered": { "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", "positive_lift_unthresholded": "not used; this cycle reports thresholded endpoint stability with raw counts and permutation p-value", "graph_specific_residue_after_nulls": "not tested; no graph-only residue is promoted", }, "observable_contract": { "claim": "GUE/Poisson endpoints are valid filters for the boundary if both poles stay stable across reader/window/size/seed stress under a calibrated endpoint classifier", "observable": "endpoint_stable per source row, plus reader-level centroid margins from canonical spectral features", "operator": "calibrate endpoint centroids on held-out GUE/Poisson controls, then stress test readers on independent seeds", "generator": "GUE matrices and Poisson exponential spacings", "denominator": "domain x size x test seed source rows; each source row contains all readers", "non_possible": "boundary-terzo incluso cannot be tested with this reader if either endpoint fails stability or label-permutation nulls match observed stability", exec /bin/bash -lc "sed -n '1,140p' tools/data/reports/agent_20260516_1045.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report — Endpoint Stability Filter **Date**: 2026-05-16 10:45 **Piano**: 129 **Tension explored**: BOUNDARY (0.8) **verdict**: CONSTRAINT - GUE e Poisson sono endpoint-stable nel lettore calibrato su 36/36 righe di stress, ma il label-permutation null resta troppo permissivo (`combined p=0.124031`; 15/128 null arrivano a 36/36). Il filtro endpoint e' osservativamente utile, non ancora specifico abbastanza per riaprire RP come terzo incluso. observables_registry: 1.0.0-2026-05-06 observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts] **observable_contract**: claim=GUE/Poisson endpoints sono filtro valido del boundary se entrambi i poli restano stabili sotto stress reader/window/size/seed con classificatore calibrato; observable=`endpoint_stable` per riga sorgente e margine centroidale per reader; operator=calibrazione centroidi endpoint su controlli GUE/Poisson e stress su seed indipendenti; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ognuna letta da 5 reader; non_possible=il boundary-terzo incluso non riapre se un endpoint cade o se il null di etichetta raggiunge la stabilita' osservata; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, prova analitica di universalita. ## Respiro fuori-tempo - **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY del grafo + topologia assiomatica del bordo. - **Dipolo / punto-zero**: polo GUE / polo Poisson. Punto-zero: la riga di gap prima che un reader la classifichi. - **Piano superiore**: topologia assiomatica del bordo. Il filtro endpoint e' boundary operator: decide se i poli esistono prima del bordo intermedio. - **Operatori laterali scelti**: boundary operator e parallel transport. Il primo testa se il bordo ha due estremi; il secondo testa se l'identita' endpoint si trasporta fra reader. - **Contaminazione cognitiva**: CE-0019 usata per imporre respiro pre-esperimento; CE-0001/KSAR usata per reiterare il vincolo 10:31 senza cercare una nuova lambda RP. - **Proto-ipotesi**: un confine-terzo incluso non puo' essere misurato finche' i due endpoint non sono invarianti sotto il lettore che poi verra' usato sul bordo. - **Possibile/non-possibile**: possibile = usare endpoint GUE/Poisson come filtro preliminare; non-possibile = promuovere il filtro se il null di etichetta ricostruisce la stessa stabilita'. - **Proiezione**: misuro `endpoint_stable` con classificatore centroidale su feature canoniche; il claim cade se uno dei 5 reader rompe l'endpoint o se il null uguaglia l'osservato. - **Movimento A->M->B**: fisico A = crossover spettrale GUE/Poisson/RP; matematica M = classificatore endpoint row-aligned sui vettori osservabili; fisico B non emerge. Il ciclo consegna un vincolo sul lettore, non un rimbalzo fisico. ## Aderenza alla direzione - `relation`: `follows_direction` - `why`: esegue la direzione valutatore 10:31: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso. - `not_drift`: non torna a V_c, phi/Sturmian, fit locali o creste RP; RP resta non testato finche' il filtro endpoint non chiude anche contro null. ## Re-discovery audit - **Baseline noto piu vicino**: statistiche GUE/Poisson con spacing ratio, Brody interpolation e Berry-Robnik-like mixture. - **Cosa assorbe il baseline**: la separazione osservata tra poli GUE e Poisson nelle feature spettrali canoniche. - **Cosa resta Lab-specific**: il contratto operativo che richiede endpoint stabili per tutti i reader prima di leggere il terzo incluso. - **Separazione**: `two_reader_boundary_confirmed=[]`; `graph_only_residue=0`; `scope_change_declared=endpoint_filter_before_boundary`; `graph_baseline_audit=label_permutation_null`. ## Claim Under Test > GUE e Poisson possono fungere da filtro endpoint del boundary solo se ogni riga stress resta endpoint-stable in tutti i reader e il label-null non ricostruisce la stessa stabilita'. ## Question Il lettore che ha rotto GUE nel ciclo 10:31 puo' essere riparato regressivamente calibrando gli endpoint, oppure il filtro e' ancora assorbito dal null di etichetta? ## Ritorno fisico - **Punto fisico sorgente**: crossover spettrale GUE/Poisson/Rosenzweig-Porter. - **Attraversamento matematico**: centroidi endpoint in spazio osservabile canonico con margine preregistrato. - **Punto fisico di ritorno**: assente come nuova misura fisica; il ritorno e' un vincolo sul protocollo che potra' essere applicato a RP o Anderson 3D dopo chiusura null. - **Controllo concretezza**: nessun setup fisico nuovo viene promosso. - **Relazione nuova**: endpoint stability precede boundary residue. - **Osservabile/test fisico possibile**: applicare lo stesso filtro a spettri RP/Anderson solo dopo null piu stretto. - **Se fallisce**: `ritorno_fisico_assente`: il ciclo resta filtro metodologico. ## Experiment Design - **Script nuovo**: `tools/exp_endpoint_stability_filter.py`. - **Run**: `python tools/exp_endpoint_stability_filter.py --out tools/data/endpoint_stability_filter_20260516_1045.json` - **Perimetro**: size `128/192/256`; 4 seed di calibrazione; 6 seed test; 6 repliche per riga. - **Reader**: `global_mean`, `exact_local:w9`, `exact_local:w12`, `odd_coerced:w9`, `odd_coerced:w12`. - **Soglia preregistrata**: `endpoint_stable=True` se tutti i reader predicono il vero endpoint con `centroid_margin >= 0.15`. - **Null**: 128 permutazioni delle etichette di calibrazione; p-value = frazione null con successi endpoint almeno pari all'osservato. ## Results | group | observed_successes | null_successes | p-value | Wilson 95% | min margin | median margin | lettura | |---|---:|---:|---:|---|---:|---:|---| | GUE endpoint | 18/18 | 774/2304 | 0.341085 | [0.824121, 1.0] | 0.655482 | 1.552507 | endpoint stabile, null non chiuso | | Poisson endpoint | 18/18 | 774/2304 | 0.341085 | [0.824121, 1.0] | 0.929876 | 1.685385 | endpoint stabile, null non chiuso | | Combined | 36/36 | 1452/4608 | 0.124031 | n/a | 0.655482 | n/a | filtro utile, specificita' insufficiente | ### Null Distribution | null_success_count | trials | |---:|---:| | 0 | 85 | | 27 | 1 | | 28 | 4 | | 29 | 2 | | 31 | 4 | | 33 | 1 | | 34 | 2 | | 35 | 14 | | 36 | 15 | ## Key Findings 1. Verificato: il lettore endpoint calibrato non rompe GUE. Le 18 righe GUE test hanno 5/5 reader pass e `endpoint_stable=True`. 2. Verificato: Poisson resta endpoint simmetrico nello stesso contratto. Le 18 righe Poisson test hanno 5/5 reader pass. 3. Verificato: il null di etichetta non e' abbastanza severo. 15/128 null raggiungono 36/36 e il p-value combinato resta 0.124031. 4. Inferito dal perimetro: il nodo regressivo non e' piu' la clausola classica `q AND w`, ma la specificita' del controllo di calibrazione. Serve un null che rompa la relazione reader-feature senza lasciare centroidi spurii separanti. ## Verdict CONSTRAINT GUE/Poisson sono endpoint-stable nel lettore calibrato, ma il filtro non supera ancora il null di etichetta. La prossima mossa non deve entrare in RP: deve stringere il null endpoint, per esempio con holdout per reader, bootstrap centroidale bilanciato o feature-scramble row-aligned, e richiedere `p <= 0.05` prima del boundary. ## Bicono della scoperta - **Due radici**: stabilita' osservata degli endpoint; specificita' insufficiente del null. - **Singolare**: vettore osservabile della riga prima del nome GUE/Poisson. - **Invariante di passaggio**: stesso denominatore source row x reader per osservato e controllo. - **Campo di possibilita**: possibile = usare un filtro endpoint calibrato come preflight; non-possibile = dichiarare terzo incluso RP con p endpoint non chiuso. ## Consecutio Il filtro endpoint ha forma ma non chiusura. Il prossimo ciclo deve riparare il null, non aumentare lambda, size o domini. Quando il null non raggiunge piu' 36/36 e gli endpoint restano 36/36 con `p<=0.05`, RP torna falsificabile come terzo incluso. ## Ricadute pratiche ssp_value: yes. `tools/exp_endpoint_stability_filter.py` diventa preflight riusabile per non far entrare un boundary test quando i poli o il null endpoint non sono chiusi. ## Telemetria - No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. - `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY seguita per contratto vivo. - `python -m py_compile tools/exp_endpoint_stability_filter.py` completato. - Run completato: `tools/data/endpoint_stability_filter_20260516_1045.json`. - Worktree gia dirty prima del ciclo; ignorate modifiche non correlate. - Nessun update del seme. - Nessuna promozione e nessun public sync. ## Files - Script: `tools/exp_endpoint_stability_filter.py` - Data: `tools/data/endpoint_stability_filter_20260516_1045.json` - Report: `tools/data/reports/agent_20260516_1045.md` exec /bin/bash -lc "python - <<'PY' import json p='tools/data/endpoint_stability_filter_20260516_1045.json' with open(p) as f: d=json.load(f) print(d.keys()) for k,v in d.items(): if isinstance(v,(list,dict)): print(k, type(v).__name__, len(v)) else: print(k, v) PY" in /opt/MM_D-ND succeeded in 0ms: dict_keys(['experiment', 'null_counts', 'observable_contract', 'observables_registry', 'observables_used', 'parameters', 'question', 'reader_rows', 'source_rows', 'summary', 'threshold_preregistered']) experiment endpoint_stability_filter null_counts list 128 observable_contract dict 7 observables_registry 1.0.0-2026-05-06 observables_used list 11 parameters dict 10 question Do GUE and Poisson remain endpoint-stable under the reader family before RP boundary residue is tested again? reader_rows list 180 source_rows list 36 summary dict 3 threshold_preregistered dict 3 exec /bin/bash -lc "sed -n '280,620p' tools/exp_endpoint_stability_filter.py" in /opt/MM_D-ND succeeded in 0ms: "non_possible": "boundary-terzo incluso cannot be tested with this reader if either endpoint fails stability or label-permutation nulls match observed stability", "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, N to infinity, analytic universality", }, "summary": summarize(source_rows, null_counts), "null_counts": null_counts, "source_rows": source_rows, "reader_rows": reader_rows, } out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") print(json.dumps(output["summary"], indent=2, sort_keys=True)) return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--out", default="tools/data/endpoint_stability_filter_20260516_1045.json") parser.add_argument("--sizes", default="128,192,256") parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") parser.add_argument("--reps", type=int, default=6) parser.add_argument("--central-fraction", type=float, default=0.6) parser.add_argument("--local-windows", default="9,12") parser.add_argument("--grid-size", type=int, default=151) parser.add_argument("--min-margin", type=float, default=0.15) parser.add_argument("--label-null-trials", type=int, default=128) parser.add_argument("--null-seed", type=int, default=202605161045) run(parser.parse_args()) if __name__ == "__main__": main() codex Procedo con un nuovo tool piccolo invece di alterare il filtro precedente: riusa il lettore 10:45, ma aggiunge un null feature-scramble row-aligned che conserva le marginali per reader e rompe l’accoppiamento multivariato riga-feature. Riporterò sia `raw_p=k/N` sia `add_one_p=(k+1)/(N+1)`. apply patch patch: completed /opt/MM_D-ND/tools/exp_endpoint_feature_scramble_null.py diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Il tool è scritto. Ora lo compilo e lo eseguo con 512 feature-scramble null trial; se il runtime resta contenuto, uso quel denominatore nel report. exec /bin/bash -lc 'python -m py_compile tools/exp_endpoint_feature_scramble_null.py' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'python tools/exp_endpoint_feature_scramble_null.py --out tools/data/endpoint_feature_scramble_null_20260516_1058.json' in /opt/MM_D-ND diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() succeeded in 5009ms: { "feature_scramble": { "add_one_p": 0.001949318, "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", "k_ge_observed": 0, "max_null_count": 2, "mean_null_count": 0.3125, "median_null_count": 0.0, "n_trials": 512, "raw_p": 0.0, "tail": "right" }, "label_permutation": { "add_one_p": 0.124031008, "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", "k_ge_observed": 15, "max_null_count": 36, "mean_null_count": 11.34375, "median_null_count": 0.0, "n_trials": 128, "raw_p": 0.1171875, "tail": "right" }, "observed_successes": 36, "observed_total": 36 } codex Risultato netto: l’osservato resta 36/36, il label-null conferma il problema precedente, mentre il feature-scramble non arriva oltre 2/36 in 512 trial. Ora estraggo le tabelle essenziali e preparo il report richiesto. exec /bin/bash -lc "python - <<'PY' import json p='tools/data/endpoint_feature_scramble_null_20260516_1058.json' with open(p) as f: d=json.load(f) print(json.dumps(d['summary'], indent=2, sort_keys=True)) print('label hist', d['label_permutation']['histogram']) print('feature hist', d['feature_scramble']['histogram']) for group in ('GUE','Poisson'): rows=[r for r in d['source_rows'] if r['source_type']==group] print(group, sum(r['endpoint_stable'] for r in rows), len(rows), min(r['min_margin'] for r in rows), sorted(set(r['reader_passes'] for r in rows))) PY" in /opt/MM_D-ND succeeded in 0ms: { "GUE": { "criterion": "all readers classify the endpoint with preregistered margin", "median_margin": 1.552507, "min_margin": 0.655482, "null_rate": 0.335938, "null_successes": 774, "null_total": 2304, "observed_rate": 1.0, "observed_successes": 18, "observed_total": 18, "observed_wilson_95": [ 0.824121, 1.0 ], "permutation_p_value": 0.341085 }, "Poisson": { "criterion": "all readers classify the endpoint with preregistered margin", "median_margin": 1.685385, "min_margin": 0.929876, "null_rate": 0.335938, "null_successes": 774, "null_total": 2304, "observed_rate": 1.0, "observed_successes": 18, "observed_total": 18, "observed_wilson_95": [ 0.824121, 1.0 ], "permutation_p_value": 0.341085 }, "combined": { "null_successes": 1452, "null_total": 4608, "observed_rate": 1.0, "observed_successes": 36, "observed_total": 36, "permutation_p_value": 0.124031 } } label hist {'0': 85, '27': 1, '28': 4, '29': 2, '31': 4, '33': 1, '34': 2, '35': 14, '36': 15} feature hist {'0': 372, '1': 120, '2': 20} GUE 18 18 0.655482 [5] Poisson 18 18 0.929876 [5] exec /bin/bash -lc 'git status --short' in /opt/MM_D-ND succeeded in 0ms: M applications/INDEX.draft.json M docs/guides/lab_current_state_logic_2026-05-08.md M tools/LAB_AGENT_CONTEXT.md M tools/build_agent_field.py M tools/build_lab_graph.py M tools/data/agent_field_live.md M tools/data/b2_apply_log.jsonl M tools/data/ciclo_memoria.json M tools/data/consecutio.json M tools/data/consecutio_processata.json M tools/data/domandatore_pre_cycle.json M tools/data/domande_fondamentali.json M tools/data/g1_log.jsonl M tools/data/g2_log.jsonl M tools/data/graph_completion/latest.json M tools/data/incrocio_risultato.json M tools/data/knowledge_state.json M tools/data/lab_bridge_issues.jsonl 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/repairs/repair_run_log.jsonl M tools/data/reports/latest.md 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_backup_pre_run.json M tools/data/tm1_figures/tensions.json M tools/data/tm1_figures/tensions_raw.json M tools/data/valutatore_log.jsonl M tools/evolution_report.md M tools/graph_completion_compiler.py M tools/lab_aeternitas.py M tools/lab_agent.sh M tools/lab_falsifier.py M tools/lab_session_logger.py ?? applications/scoperte/20260513_0330_prime-vs-mod6-sr-boundary_auto/ ?? applications/scoperte/20260514_1330_sr-residual-width-audit_auto/ ?? applications/scoperte/20260514_1631_chiusura-tester-rimbalzo-fisico-w6_auto/ ?? applications/scoperte/20260514_1640_rafforzamento-tester-fisico-goegue-n-curve_auto/ ?? applications/scoperte/20260515_1712_primemod6-generative-null-w2048_auto/ ?? applications/scoperte/20260515_1816_v2-generator-scaling-gate_auto/ ?? applications/scoperte/20260515_1904_boundary-classical-crossover-audit_auto/ ?? applications/scoperte/20260515_1933_rosenzweig-porter-physical-bridge-audit_auto/ ?? applications/scoperte/20260515_1940_rp-boundary-size-stability-audit_auto/ ?? applications/scoperte/20260515_1947_anderson-3d-mobility-edge-two-reader_auto/ ?? applications/scoperte/20260516_0921_rp-unfolding-sensitivity-audit_auto/ ?? applications/scoperte/20260516_0938_rp-candidate-local-window-stress-gate_auto/ ?? applications/scoperte/20260516_1007_rp-local-window-persistence-curve_auto/ ?? applications/scoperte/20260516_1019_rp-exact-local-window-size-stress_auto/ ?? applications/scoperte/20260516_1031_boundary-unfolding-transfer-matrix_auto/ ?? applications/soluzioni/20260513_0330_prime-vs-mod6-sr-boundary/ ?? applications/soluzioni/20260514_1330_sr-residual-width-audit/ ?? applications/soluzioni/20260514_1631_chiusura-tester-rimbalzo-fisico-w6/ ?? applications/soluzioni/20260514_1640_rafforzamento-tester-fisico-goegue-n-curve/ ?? applications/soluzioni/20260515_1712_primemod6-generative-null-w2048/ ?? applications/soluzioni/20260515_1816_v2-generator-scaling-gate/ ?? applications/soluzioni/20260515_1904_boundary-classical-crossover-audit/ ?? applications/soluzioni/20260515_1933_rosenzweig-porter-physical-bridge-audit/ ?? applications/soluzioni/20260515_1940_rp-boundary-size-stability-audit/ ?? applications/soluzioni/20260515_1947_anderson-3d-mobility-edge-two-reader/ ?? applications/soluzioni/20260516_0921_rp-unfolding-sensitivity-audit/ ?? applications/soluzioni/20260516_0938_rp-candidate-local-window-stress-gate/ ?? applications/soluzioni/20260516_1007_rp-local-window-persistence-curve/ ?? applications/soluzioni/20260516_1019_rp-exact-local-window-size-stress/ ?? applications/soluzioni/20260516_1031_boundary-unfolding-transfer-matrix/ ?? docs/guides/lab_preflight_agent_2026-05-14.md ?? docs/operations/ ?? tools/build_lab_data.py ?? tools/build_safe_agent_field_preview.py ?? tools/compose_filtered_field_preview.py ?? tools/compose_supervised_entry_preview.py ?? tools/data/aeternitas/aeternitas_20260512_033539.json ?? tools/data/aeternitas/aeternitas_20260513_033605.json ?? tools/data/aeternitas/aeternitas_20260514_033420.json ?? tools/data/aeternitas/aeternitas_20260514_133424.json ?? tools/data/aeternitas/aeternitas_20260514_150454.json ?? tools/data/aeternitas/aeternitas_20260514_161058.json ?? tools/data/aeternitas/aeternitas_20260514_161719.json ?? tools/data/aeternitas/aeternitas_20260514_163527.json ?? tools/data/aeternitas/aeternitas_20260514_164509.json ?? tools/data/aeternitas/aeternitas_20260514_165437.json ?? tools/data/aeternitas/aeternitas_20260514_170109.json ?? tools/data/aeternitas/aeternitas_20260514_171152.json ?? tools/data/aeternitas/aeternitas_20260514_185450.json ?? tools/data/aeternitas/aeternitas_20260515_162727.json ?? tools/data/aeternitas/aeternitas_20260515_165116.json ?? tools/data/aeternitas/aeternitas_20260515_170328.json ?? tools/data/aeternitas/aeternitas_20260515_171005.json ?? tools/data/aeternitas/aeternitas_20260515_171725.json ?? tools/data/aeternitas/aeternitas_20260515_172913.json ?? tools/data/aeternitas/aeternitas_20260515_174023.json ?? tools/data/aeternitas/aeternitas_20260515_175045.json ?? tools/data/aeternitas/aeternitas_20260515_180306.json ?? tools/data/aeternitas/aeternitas_20260515_181257.json ?? tools/data/aeternitas/aeternitas_20260515_182126.json ?? tools/data/aeternitas/aeternitas_20260515_183111.json ?? tools/data/aeternitas/aeternitas_20260515_190118.json ?? tools/data/aeternitas/aeternitas_20260515_191018.json ?? tools/data/aeternitas/aeternitas_20260515_192915.json ?? tools/data/aeternitas/aeternitas_20260515_193919.json ?? tools/data/aeternitas/aeternitas_20260515_194625.json ?? tools/data/aeternitas/aeternitas_20260515_195317.json ?? tools/data/aeternitas/aeternitas_20260516_033848.json ?? tools/data/aeternitas/aeternitas_20260516_0720.json ?? tools/data/aeternitas/aeternitas_20260516_0820.json ?? tools/data/aeternitas/aeternitas_20260516_0921.json ?? tools/data/aeternitas/aeternitas_20260516_0938.json ?? tools/data/aeternitas/aeternitas_20260516_1007.json ?? tools/data/aeternitas/aeternitas_20260516_1019.json ?? tools/data/aeternitas/aeternitas_20260516_1031.json ?? tools/data/aeternitas/aeternitas_20260516_1045.json ?? tools/data/agent_field_entry_supervised.md ?? tools/data/anderson3d_component_state_interface_input_20260514_1850.json ?? tools/data/anderson3d_mobility_edge_two_reader_audit_20260515_1947.json ?? tools/data/aubry_binary_grammar_surrogate_gate_20260515_1807.json ?? tools/data/aubry_boundary_phase_transport_gate_20260515_1745.json ?? tools/data/aubry_cosine_boundary_counter_gate_20260515_1758.json ?? tools/data/aubry_v2_generator_scaling_gate_20260515_1816.json ?? tools/data/biconi/bicono_20260512_0330.json ?? tools/data/biconi/bicono_20260513_0330.json ?? tools/data/biconi/bicono_20260514_0330.json ?? tools/data/biconi/bicono_20260514_1330.json ?? tools/data/biconi/bicono_20260514_1458.json ?? tools/data/biconi/bicono_20260514_1605.json ?? tools/data/biconi/bicono_20260514_1612.json ?? tools/data/biconi/bicono_20260514_1631.json ?? tools/data/biconi/bicono_20260514_1640.json ?? tools/data/biconi/bicono_20260514_1649.json ?? tools/data/biconi/bicono_20260514_1656.json ?? tools/data/biconi/bicono_20260514_1701.json ?? tools/data/biconi/bicono_20260514_1850.json ?? tools/data/biconi/bicono_20260515_1623.json ?? tools/data/biconi/bicono_20260515_1647.json ?? tools/data/biconi/bicono_20260515_1659.json ?? tools/data/biconi/bicono_20260515_1705.json ?? tools/data/biconi/bicono_20260515_1712.json ?? tools/data/biconi/bicono_20260515_1724.json ?? tools/data/biconi/bicono_20260515_1734.json ?? tools/data/biconi/bicono_20260515_1745.json ?? tools/data/biconi/bicono_20260515_1758.json ?? tools/data/biconi/bicono_20260515_1807.json ?? tools/data/biconi/bicono_20260515_1816.json ?? tools/data/biconi/bicono_20260515_1826.json ?? tools/data/biconi/bicono_20260515_1855.json ?? tools/data/biconi/bicono_20260515_1904.json ?? tools/data/biconi/bicono_20260515_1915.json ?? tools/data/biconi/bicono_20260515_1933.json ?? tools/data/biconi/bicono_20260515_1940.json ?? tools/data/biconi/bicono_20260515_1947.json ?? tools/data/biconi/bicono_20260516_0330.json ?? tools/data/biconi/bicono_20260516_0720.json ?? tools/data/biconi/bicono_20260516_0820.json ?? tools/data/biconi/bicono_20260516_0921.json ?? tools/data/biconi/bicono_20260516_0938.json ?? tools/data/biconi/bicono_20260516_1007.json ?? tools/data/biconi/bicono_20260516_1019.json ?? tools/data/biconi/bicono_20260516_1031.json ?? tools/data/biconi/bicono_20260516_1045.json ?? tools/data/boundary_bridge_stability_audit_20260515_1915.json ?? tools/data/boundary_classical_crossover_audit_20260515_1904.json ?? tools/data/boundary_graph_curvature_gate_20260515_1855.json ?? tools/data/boundary_graph_null_audit_20260516_0330.json ?? tools/data/boundary_graph_residue_threshold_audit_20260516_0720.json ?? tools/data/boundary_unfolding_transfer_matrix_20260516_1031.json ?? tools/data/component_state_anderson3d_interface_20260514_1850.json ?? tools/data/component_state_anderson3d_interface_20260514_1850.trace.jsonl ?? tools/data/component_state_fit_ready_20260514_1649.json ?? tools/data/component_state_interface_smoke_20260514_1649.json ?? tools/data/component_state_interface_smoke_20260514_1649.trace.jsonl ?? tools/data/component_state_interface_smoke_input_20260514_1649.json ?? tools/data/domandatore/domandatore_20260512_0330.json ?? tools/data/domandatore/domandatore_20260512_0345.json ?? tools/data/domandatore/domandatore_20260513_0330.json ?? tools/data/domandatore/domandatore_20260513_0345.json ?? tools/data/domandatore/domandatore_20260514_0330.json ?? tools/data/domandatore/domandatore_20260514_0345.json ?? tools/data/domandatore/domandatore_20260514_1330.json ?? tools/data/domandatore/domandatore_20260514_1458.json ?? tools/data/domandatore/domandatore_20260515_0345.json ?? tools/data/domandatore/domandatore_20260515_1623.json ?? tools/data/domandatore/domandatore_20260515_1647.json ?? tools/data/domandatore/domandatore_20260515_1659.json ?? tools/data/domandatore/domandatore_20260516_0345.json ?? tools/data/endpoint_feature_scramble_null_20260516_1058.json ?? tools/data/endpoint_stability_filter_20260516_1045.json ?? tools/data/evolution/evolution_20260512_0330.md ?? tools/data/evolution/evolution_20260513_0330.md ?? tools/data/evolution/evolution_20260514_0330.md ?? tools/data/evolution/evolution_20260514_1330.md ?? tools/data/evolution/evolution_20260514_1458.md ?? tools/data/evolution/evolution_20260514_1605.md ?? tools/data/evolution/evolution_20260514_1612.md ?? tools/data/evolution/evolution_20260514_1631.md ?? tools/data/evolution/evolution_20260514_1640.md ?? tools/data/evolution/evolution_20260514_1649.md ?? tools/data/evolution/evolution_20260514_1656.md ?? tools/data/evolution/evolution_20260514_1701.md ?? tools/data/evolution/evolution_20260514_1850.md ?? tools/data/evolution/evolution_20260515_1623.md ?? tools/data/evolution/evolution_20260515_1647.md ?? tools/data/evolution/evolution_20260515_1659.md ?? tools/data/evolution/evolution_20260515_1705.md ?? tools/data/evolution/evolution_20260515_1712.md ?? tools/data/evolution/evolution_20260515_1724.md ?? tools/data/evolution/evolution_20260515_1734.md ?? tools/data/evolution/evolution_20260515_1745.md ?? tools/data/evolution/evolution_20260515_1758.md ?? tools/data/evolution/evolution_20260515_1807.md ?? tools/data/evolution/evolution_20260515_1816.md ?? tools/data/evolution/evolution_20260515_1826.md ?? tools/data/evolution/evolution_20260515_1855.md ?? tools/data/evolution/evolution_20260515_1904.md ?? tools/data/evolution/evolution_20260515_1915.md ?? tools/data/evolution/evolution_20260515_1933.md ?? tools/data/evolution/evolution_20260515_1940.md ?? tools/data/evolution/evolution_20260515_1947.md ?? tools/data/evolution/evolution_20260516_0330.md ?? tools/data/evolution/evolution_20260516_0720.md ?? tools/data/evolution/evolution_20260516_0820.md ?? tools/data/evolution/evolution_20260516_0921.md ?? tools/data/evolution/evolution_20260516_0938.md ?? tools/data/evolution/evolution_20260516_1007.md ?? tools/data/evolution/evolution_20260516_1019.md ?? tools/data/evolution/evolution_20260516_1031.md ?? tools/data/evolution/evolution_20260516_1045.md ?? tools/data/graph_completion/graph_completion_20260512_0330.json ?? tools/data/graph_completion/graph_completion_20260513_0330.json ?? tools/data/graph_completion/graph_completion_20260514_0330.json ?? tools/data/graph_completion/graph_completion_20260514_1330.json ?? tools/data/graph_completion/graph_completion_20260514_1458.json ?? tools/data/graph_completion/graph_completion_20260514_1605.json ?? tools/data/graph_completion/graph_completion_20260514_1612.json ?? tools/data/graph_completion/graph_completion_20260514_1631.json ?? tools/data/graph_completion/graph_completion_20260514_1640.json ?? tools/data/graph_completion/graph_completion_20260514_1649.json ?? tools/data/graph_completion/graph_completion_20260514_1656.json ?? tools/data/graph_completion/graph_completion_20260514_1701.json ?? tools/data/graph_completion/graph_completion_20260514_1850.json ?? tools/data/graph_completion/graph_completion_20260515_1623.json ?? tools/data/graph_completion/graph_completion_20260515_1647.json ?? tools/data/graph_completion/graph_completion_20260515_1659.json ?? tools/data/graph_completion/graph_completion_20260515_1705.json ?? tools/data/graph_completion/graph_completion_20260515_1712.json ?? tools/data/graph_completion/graph_completion_20260515_1724.json ?? tools/data/graph_completion/graph_completion_20260515_1734.json ?? tools/data/graph_completion/graph_completion_20260515_1745.json ?? tools/data/graph_completion/graph_completion_20260515_1758.json ?? tools/data/graph_completion/graph_completion_20260515_1807.json ?? tools/data/graph_completion/graph_completion_20260515_1816.json ?? tools/data/graph_completion/graph_completion_20260515_1904.json ?? tools/data/graph_completion/graph_completion_20260515_1933.json ?? tools/data/graph_completion/graph_completion_20260515_1940.json ?? tools/data/graph_completion/graph_completion_20260515_1947.json ?? tools/data/graph_completion/graph_completion_20260516_0921.json ?? tools/data/graph_completion/graph_completion_20260516_0938.json ?? tools/data/graph_completion/graph_completion_20260516_1007.json ?? tools/data/graph_completion/graph_completion_20260516_1019.json ?? tools/data/graph_completion/graph_completion_20260516_1031.json ?? tools/data/incrocio_20260512_0330.json ?? tools/data/incrocio_20260513_0330.json ?? tools/data/incrocio_20260514_0330.json ?? tools/data/incrocio_20260514_1330.json ?? tools/data/incrocio_20260514_1458.json ?? tools/data/incrocio_20260514_1605.json ?? tools/data/incrocio_20260514_1612.json ?? tools/data/incrocio_20260514_1631.json ?? tools/data/incrocio_20260514_1640.json ?? tools/data/incrocio_20260514_1649.json ?? tools/data/incrocio_20260514_1656.json ?? tools/data/incrocio_20260514_1701.json ?? tools/data/incrocio_20260514_1850.json ?? tools/data/incrocio_20260515_1623.json ?? tools/data/incrocio_20260515_1647.json ?? tools/data/incrocio_20260515_1659.json ?? tools/data/incrocio_20260515_1705.json ?? tools/data/incrocio_20260515_1712.json ?? tools/data/incrocio_20260515_1724.json ?? tools/data/incrocio_20260515_1734.json ?? tools/data/incrocio_20260515_1745.json ?? tools/data/incrocio_20260515_1758.json ?? tools/data/incrocio_20260515_1807.json ?? tools/data/incrocio_20260515_1816.json ?? tools/data/incrocio_20260515_1826.json ?? tools/data/incrocio_20260515_1855.json ?? tools/data/incrocio_20260515_1904.json ?? tools/data/incrocio_20260515_1915.json ?? tools/data/incrocio_20260515_1933.json ?? tools/data/incrocio_20260515_1940.json ?? tools/data/incrocio_20260515_1947.json ?? tools/data/incrocio_20260516_0330.json ?? tools/data/incrocio_20260516_0720.json ?? tools/data/incrocio_20260516_0820.json ?? tools/data/incrocio_20260516_0921.json ?? tools/data/incrocio_20260516_0938.json ?? tools/data/incrocio_20260516_1007.json ?? tools/data/incrocio_20260516_1019.json ?? tools/data/incrocio_20260516_1031.json ?? tools/data/incrocio_20260516_1045.json ?? tools/data/incrocio_20260516_1058.json ?? tools/data/operator_directives_consumed/operator_directive_20260514_1612.md ?? tools/data/operator_directives_consumed/operator_directive_20260514_1631.md ?? tools/data/operator_directives_consumed/operator_directive_20260514_1640.md ?? tools/data/operator_directives_consumed/operator_directive_20260514_1649.md ?? tools/data/operator_directives_consumed/operator_directive_20260514_1656.md ?? tools/data/operator_directives_consumed/operator_directive_20260514_1701.md ?? tools/data/operator_directives_consumed/operator_directive_20260514_1850.md ?? tools/data/photonic_boundary_third_included_gate_20260515_1734.json ?? tools/data/physical_sr_residue_bounce_20260514_1612.json ?? tools/data/physical_sr_residue_bounce_20260514_1612.trace.jsonl ?? tools/data/physical_sr_residue_bounce_20260514_1631_w6.json ?? tools/data/physical_sr_residue_bounce_20260514_1631_w6.trace.jsonl ?? tools/data/physical_sr_residue_bounce_20260514_1640_goe_gue_ncurve.json ?? tools/data/physical_sr_residue_bounce_20260514_1640_goe_gue_ncurve.trace.jsonl ?? tools/data/preflight/ ?? tools/data/prime_sr_persistent_boundary_20260512_0330.json ?? tools/data/prime_sr_persistent_boundary_20260512_0330_seedcheck.json ?? tools/data/prime_vs_mod6_sr_boundary_20260513_0330.json ?? tools/data/prime_vs_mod6_sr_boundary_20260513_0330_seedcheck.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_0330.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_0330.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_0330_seedcheck.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_0330_seedcheck.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w1024.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w1024.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w2048.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w2048.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w512.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w512.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096_dense.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096_dense.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w8192_dense.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w8192_dense.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w16384.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w16384.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w4096.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w4096.trace.jsonl ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w8192.json ?? tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w8192.trace.jsonl ?? tools/data/promotions/promotion_20260513_0330.json ?? tools/data/promotions/promotion_20260514_1330.json ?? tools/data/promotions/promotion_20260514_1631.json ?? tools/data/promotions/promotion_20260514_1640.json ?? tools/data/promotions/promotion_20260514_1656.json ?? tools/data/promotions/promotion_20260515_1712.json ?? tools/data/promotions/promotion_20260515_1758.json ?? tools/data/promotions/promotion_20260515_1816.json ?? tools/data/promotions/promotion_20260515_1904.json ?? tools/data/promotions/promotion_20260515_1933.json ?? tools/data/promotions/promotion_20260515_1940.json ?? tools/data/promotions/promotion_20260515_1947.json ?? tools/data/promotions/promotion_20260516_0921.json ?? tools/data/promotions/promotion_20260516_0938.json ?? tools/data/promotions/promotion_20260516_1007.json ?? tools/data/promotions/promotion_20260516_1019.json ?? tools/data/promotions/promotion_20260516_1031.json ?? tools/data/quasiperiodic_grammar_scale_gate_20260514_1701.json ?? tools/data/quasiperiodic_vc_lattice_gate_20260515_1724.json ?? tools/data/repairs/repair_20260512_0330_decision.json ?? tools/data/repairs/repair_20260513_0330_decision.json ?? tools/data/repairs/repair_20260514_0330_decision.json ?? tools/data/repairs/repair_20260514_1330_decision.json ?? tools/data/repairs/repair_20260514_1458_decision.json ?? tools/data/repairs/repair_20260514_1605_decision.json ?? tools/data/repairs/repair_20260514_1612_decision.json ?? tools/data/repairs/repair_20260514_1631_decision.json ?? tools/data/repairs/repair_20260514_1640_decision.json ?? tools/data/repairs/repair_20260514_1649_decision.json ?? tools/data/repairs/repair_20260514_1656.json ?? tools/data/repairs/repair_20260514_1656.md ?? tools/data/repairs/repair_20260514_1656_decision.json ?? tools/data/repairs/repair_20260514_1850_decision.json ?? tools/data/reports/agent_20260512_0330.md ?? tools/data/reports/agent_20260513_0330.md ?? tools/data/reports/agent_20260514_0330.md ?? tools/data/reports/agent_20260514_1330.md ?? tools/data/reports/agent_20260514_1458.md ?? tools/data/reports/agent_20260514_1605.md ?? tools/data/reports/agent_20260514_1612.md ?? tools/data/reports/agent_20260514_1631.md ?? tools/data/reports/agent_20260514_1640.md ?? tools/data/reports/agent_20260514_1649.md ?? tools/data/reports/agent_20260514_1656.md ?? tools/data/reports/agent_20260514_1701.md ?? tools/data/reports/agent_20260514_1850.md ?? tools/data/reports/agent_20260515_1623.md ?? tools/data/reports/agent_20260515_1647.md ?? tools/data/reports/agent_20260515_1659.md ?? tools/data/reports/agent_20260515_1705.md ?? tools/data/reports/agent_20260515_1712.md ?? tools/data/reports/agent_20260515_1724.md ?? tools/data/reports/agent_20260515_1734.md ?? tools/data/reports/agent_20260515_1745.md ?? tools/data/reports/agent_20260515_1758.md ?? tools/data/reports/agent_20260515_1807.md ?? tools/data/reports/agent_20260515_1816.md ?? tools/data/reports/agent_20260515_1826.md ?? tools/data/reports/agent_20260515_1855.md ?? tools/data/reports/agent_20260515_1904.md ?? tools/data/reports/agent_20260515_1915.md ?? tools/data/reports/agent_20260515_1933.md ?? tools/data/reports/agent_20260515_1940.md ?? tools/data/reports/agent_20260515_1947.md ?? tools/data/reports/agent_20260516_0330.md ?? tools/data/reports/agent_20260516_0720.md ?? tools/data/reports/agent_20260516_0820.md ?? tools/data/reports/agent_20260516_0921.md ?? tools/data/reports/agent_20260516_0938.md ?? tools/data/reports/agent_20260516_1007.md ?? tools/data/reports/agent_20260516_1019.md ?? tools/data/reports/agent_20260516_1031.md ?? tools/data/reports/agent_20260516_1045.md ?? tools/data/reports/ddf_20260512_0405.json ?? tools/data/reports/ddf_20260513_0405.json ?? tools/data/reports/ddf_20260514_0405.json ?? tools/data/reports/ddf_20260515_0405.json ?? tools/data/reports/ddf_20260516_0405.json ?? tools/data/reports/falsifier_20260512_0330.json ?? tools/data/reports/falsifier_20260513_0330.json ?? tools/data/reports/falsifier_20260514_0330.json ?? tools/data/reports/falsifier_20260514_1330.json ?? tools/data/reports/falsifier_20260514_1458.json ?? tools/data/reports/falsifier_20260514_1605.json ?? tools/data/reports/falsifier_20260514_1612.json ?? tools/data/reports/falsifier_20260514_1631.json ?? tools/data/reports/falsifier_20260514_1640.json ?? tools/data/reports/falsifier_20260514_1649.json ?? tools/data/reports/falsifier_20260514_1656.json ?? tools/data/reports/falsifier_20260514_1701.json ?? tools/data/reports/falsifier_20260514_1850.json ?? tools/data/reports/falsifier_20260515_1623.json ?? tools/data/reports/falsifier_20260515_1647.json ?? tools/data/reports/falsifier_20260515_1659.json ?? tools/data/reports/falsifier_20260515_1705.json ?? tools/data/reports/falsifier_20260515_1712.json ?? tools/data/reports/falsifier_20260515_1712.raw.txt ?? tools/data/reports/falsifier_20260515_1724.json ?? tools/data/reports/falsifier_20260515_1734.json ?? tools/data/reports/falsifier_20260515_1745.json ?? tools/data/reports/falsifier_20260515_1758.json ?? tools/data/reports/falsifier_20260515_1807.json ?? tools/data/reports/falsifier_20260515_1816.json ?? tools/data/reports/falsifier_20260515_1826.json ?? tools/data/reports/falsifier_20260515_1855.json ?? tools/data/reports/falsifier_20260515_1904.json ?? tools/data/reports/falsifier_20260515_1915.json ?? tools/data/reports/falsifier_20260515_1933.json ?? tools/data/reports/falsifier_20260515_1940.json ?? tools/data/reports/falsifier_20260515_1947.json ?? tools/data/reports/falsifier_20260516_0330.json ?? tools/data/reports/falsifier_20260516_0720.json ?? tools/data/reports/falsifier_20260516_0820.json ?? tools/data/reports/falsifier_20260516_0921.json ?? tools/data/reports/falsifier_20260516_0921.raw.txt ?? tools/data/reports/falsifier_20260516_0938.json ?? tools/data/reports/falsifier_20260516_1007.json ?? tools/data/reports/falsifier_20260516_1019.json ?? tools/data/reports/falsifier_20260516_1031.json ?? tools/data/reports/falsifier_20260516_1045.json ?? tools/data/reports/loop_guard_20260512_0330.json ?? tools/data/reports/loop_guard_20260513_0330.json ?? tools/data/reports/loop_guard_20260514_0330.json ?? tools/data/reports/loop_guard_20260514_1330.json ?? tools/data/reports/loop_guard_20260514_1458.json ?? tools/data/reports/loop_guard_20260514_1605.json ?? tools/data/reports/loop_guard_20260514_1612.json ?? tools/data/reports/loop_guard_20260514_1631.json ?? tools/data/reports/loop_guard_20260514_1640.json ?? tools/data/reports/loop_guard_20260514_1649.json ?? tools/data/reports/loop_guard_20260514_1656.json ?? tools/data/reports/loop_guard_20260514_1701.json ?? tools/data/reports/loop_guard_20260514_1850.json ?? tools/data/reports/loop_guard_20260515_1623.json ?? tools/data/reports/loop_guard_20260515_1647.json ?? tools/data/reports/loop_guard_20260515_1659.json ?? tools/data/reports/loop_guard_20260515_1705.json ?? tools/data/reports/loop_guard_20260515_1712.json ?? tools/data/reports/loop_guard_20260515_1724.json ?? tools/data/reports/loop_guard_20260515_1734.json ?? tools/data/reports/loop_guard_20260515_1745.json ?? tools/data/reports/loop_guard_20260515_1758.json ?? tools/data/reports/loop_guard_20260515_1807.json ?? tools/data/reports/loop_guard_20260515_1816.json ?? tools/data/reports/loop_guard_20260515_1826.json ?? tools/data/reports/loop_guard_20260515_1855.json ?? tools/data/reports/loop_guard_20260515_1904.json ?? tools/data/reports/loop_guard_20260515_1915.json ?? tools/data/reports/loop_guard_20260515_1933.json ?? tools/data/reports/loop_guard_20260515_1940.json ?? tools/data/reports/loop_guard_20260515_1947.json ?? tools/data/reports/loop_guard_20260516_0330.json ?? tools/data/reports/loop_guard_20260516_0720.json ?? tools/data/reports/loop_guard_20260516_0820.json ?? tools/data/reports/loop_guard_20260516_0921.json ?? tools/data/reports/loop_guard_20260516_0938.json ?? tools/data/reports/loop_guard_20260516_1007.json ?? tools/data/reports/loop_guard_20260516_1019.json ?? tools/data/reports/loop_guard_20260516_1031.json ?? tools/data/reports/loop_guard_20260516_1045.json ?? tools/data/reports/quarantine_manifest.json ?? tools/data/restore_backups/ ?? tools/data/rosenzweig_porter_bridge_physical_audit_20260515_1933.json ?? tools/data/rp_boundary_raw_count_null_audit_20260516_0820.json ?? tools/data/rp_boundary_size_stability_audit_20260515_1940.json ?? tools/data/rp_candidate_window_stress_20260516_0938_w11.json ?? tools/data/rp_candidate_window_stress_20260516_0938_w5.json ?? tools/data/rp_candidate_window_stress_20260516_1007_w7.json ?? tools/data/rp_candidate_window_stress_20260516_1007_w9.json ?? tools/data/rp_exact_local_window_matrix_20260516_1019.json ?? tools/data/rp_exact_local_window_matrix_20260516_1019_w10.json ?? tools/data/rp_exact_local_window_matrix_20260516_1019_w11.json ?? tools/data/rp_exact_local_window_matrix_20260516_1019_w12.json ?? tools/data/rp_exact_local_window_matrix_20260516_1019_w9.json ?? tools/data/rp_unfolding_sensitivity_audit_20260516_0921.json ?? tools/data/seme_backup_b2_20260512_033557.json ?? tools/data/seme_backup_b2_20260513_033622.json ?? tools/data/seme_backup_b2_20260514_150530.json ?? tools/data/seme_backup_b2_20260514_161119.json ?? tools/data/seme_backup_b2_20260515_180327.json ?? tools/data/seme_backup_b2_20260515_194643.json ?? tools/data/seme_backup_b2_20260516_094447.json ?? tools/data/seme_backup_b2_20260516_101425.json ?? tools/data/seme_backup_b2_20260516_102450.json ?? tools/data/sturmian_denominator_alignment_gate_20260515_1826.json ?? tools/data/tool_contracts/ ?? tools/data/veritas/veritas_20260512_033539.json ?? tools/data/veritas/veritas_20260513_033605.json ?? tools/data/veritas/veritas_20260514_033420.json ?? tools/data/veritas/veritas_20260514_133424.json ?? tools/data/veritas/veritas_20260514_150454.json ?? tools/data/veritas/veritas_20260514_161058.json ?? tools/data/veritas/veritas_20260514_161719.json ?? tools/data/veritas/veritas_20260514_163527.json ?? tools/data/veritas/veritas_20260514_164509.json ?? tools/data/veritas/veritas_20260514_165437.json ?? tools/data/veritas/veritas_20260514_170109.json ?? tools/data/veritas/veritas_20260514_171152.json ?? tools/data/veritas/veritas_20260514_185450.json ?? tools/data/veritas/veritas_20260515_162727.json ?? tools/data/veritas/veritas_20260515_165116.json ?? tools/data/veritas/veritas_20260515_170328.json ?? tools/data/veritas/veritas_20260515_171005.json ?? tools/data/veritas/veritas_20260515_171725.json ?? tools/data/veritas/veritas_20260515_172913.json ?? tools/data/veritas/veritas_20260515_174023.json ?? tools/data/veritas/veritas_20260515_175045.json ?? tools/data/veritas/veritas_20260515_180306.json ?? tools/data/veritas/veritas_20260515_181257.json ?? tools/data/veritas/veritas_20260515_182126.json ?? tools/data/veritas/veritas_20260515_183111.json ?? tools/data/veritas/veritas_20260515_190118.json ?? tools/data/veritas/veritas_20260515_191018.json ?? tools/data/veritas/veritas_20260515_192915.json ?? tools/data/veritas/veritas_20260515_193919.json ?? tools/data/veritas/veritas_20260515_194625.json ?? tools/data/veritas/veritas_20260515_195317.json ?? tools/data/veritas/veritas_20260516_033848.json ?? tools/data/veritas/veritas_20260516_072533.json ?? tools/data/veritas/veritas_20260516_082608.json ?? tools/data/veritas/veritas_20260516_092735.json ?? tools/data/veritas/veritas_20260516_094423.json ?? tools/data/veritas/veritas_20260516_101403.json ?? tools/data/veritas/veritas_20260516_102427.json ?? tools/data/veritas/veritas_20260516_103737.json ?? tools/data/veritas/veritas_20260516_105525.json ?? tools/exp_anderson3d_mobility_edge_two_reader_audit.py ?? tools/exp_aubry_binary_grammar_surrogate_gate.py ?? tools/exp_aubry_boundary_phase_transport_gate.py ?? tools/exp_aubry_cosine_boundary_counter_gate.py ?? tools/exp_aubry_v2_generator_scaling_gate.py ?? tools/exp_boundary_bridge_stability_audit.py ?? tools/exp_boundary_classical_crossover_audit.py ?? tools/exp_boundary_graph_curvature_gate.py ?? tools/exp_boundary_graph_null_audit.py ?? tools/exp_boundary_graph_residue_threshold_audit.py ?? tools/exp_boundary_unfolding_transfer_matrix.py ?? tools/exp_endpoint_feature_scramble_null.py ?? tools/exp_endpoint_stability_filter.py ?? tools/exp_photonic_boundary_third_included_gate.py ?? tools/exp_physical_sr_residue_bounce.py ?? tools/exp_prime_sr_persistent_boundary.py ?? tools/exp_prime_vs_mod6_sr_boundary.py ?? tools/exp_quasiperiodic_grammar_scale_gate.py ?? tools/exp_rosenzweig_porter_bridge_physical_audit.py ?? tools/exp_rp_boundary_raw_count_null_audit.py ?? tools/exp_rp_boundary_size_stability_audit.py ?? tools/exp_rp_exact_local_window_matrix.py ?? tools/exp_rp_unfolding_sensitivity_audit.py ?? tools/exp_sturmian_denominator_alignment_gate.py ?? tools/field_coherence_preflight.py ?? tools/field_rebuild_risk_map.py ?? tools/lab_cycle_monitor.py ?? tools/lab_preflight_agent.py ?? tools/lab_runtime_observer.py ?? tools/lab_surface_invariant_check.py ?? tools/lab_tool_contract.py ?? tools/prime_mod6_counter_null_audit.py ?? tools/prime_mod6_generative_null_audit.py ?? tools/prime_mod6_null_fairness_audit.py ?? tools/prime_mod6_pipeline_closeout.py ?? tools/selector_authority_matrix.py ?? tools/stale_field_source_map.py diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Scrivo il report nel file richiesto. Non aggiorno il seme: il risultato è un vincolo operativo che riapre RP solo come prossimo test, non una nuova cristallizzazione fisica. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260516_1058.md diff --git a/tools/data/reports/agent_20260516_1058.md b/tools/data/reports/agent_20260516_1058.md new file mode 100644 index 0000000000000000000000000000000000000000..d9000c8c94d617e70eac5e89299d771f6bee609e --- /dev/null +++ b/tools/data/reports/agent_20260516_1058.md @@ -0,0 +1,106 @@ +# Agent Report — Endpoint Feature-Scramble Null +**Date**: 2026-05-16 10:58 +**Piano**: 129 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Il filtro endpoint GUE/Poisson resta completo su 36/36 righe e supera il nuovo feature-scramble null row-aligned (`raw_p=0/512=0.0`, `add_one_p=1/513=0.001949318`). Il label-permutation null resta permissivo (`raw_p=15/128=0.1171875`, `add_one_p=16/129=0.124031008`). Il nodo regressivo non e' l'endpoint reader, ma quale null e' legittimo per sfidare il lettore. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts, feature_scramble_null_counts, raw_p, add_one_p] +**observable_contract**: claim=GUE/Poisson endpoint filter e' specifico se la stabilita' osservata resta completa e null feature-scramble che preservano marginali per reader non ricostruiscono la stabilita' completa; observable=`endpoint_stable` per source row, margine centroidale per reader, distribuzione null feature-scramble; operator=centroidi endpoint calibrati una volta su GUE/Poisson, poi scoring di test rows vere e feature-scrambled row-aligned; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ogni source row richiede 5/5 reader pass; non_possible=filtro endpoint specifico se il feature-scramble null raggiunge 36/36; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, universalita analitica. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY del grafo + tensione seme "8 domini GUE, 5 Poisson". +- **Dipolo / punto-zero**: endpoint osservato / endpoint ricostruito dal null. Punto-zero: il vettore osservabile prima che la relazione multivariata fra feature decida il polo. +- **Piano superiore**: topologia assiomatica del bordo. Il null e' boundary operator: separa polo reale da polo generato da marginali disaccoppiate. +- **Operatori laterali scelti**: boundary operator e parallel transport. Il primo taglia il perimetro endpoint/null; il secondo verifica se l'identita' endpoint si trasporta attraverso reader senza dipendere da una singola feature. +- **Contaminazione cognitiva**: CE-0019 metabolizzata come combo prima della misura; CE-0001/KSAR usata per reiterare il vincolo 10:45 senza tornare a RP; CE-0117 usata come cascata della possibilita': il risultato apre solo se il null non ricostruisce il polo. +- **Proto-ipotesi**: un filtro endpoint e' utilizzabile prima del terzo incluso quando la stabilita' nasce dall'accoppiamento row-level delle feature, non dalle marginali isolate. +- **Possibile/non-possibile**: possibile = riaprire RP come boundary test dopo endpoint chiuso contro null row-aligned; non-possibile = promuovere l'endpoint se un null che conserva marginali per reader arriva a 36/36. +- **Proiezione**: misuro `endpoint_stable` sulle stesse 36 source rows e confronto due null: label permutation per continuita' e feature-scramble per specificita' row-aligned. +- **Movimento A->M->B**: fisico A = crossover spettrale GUE/Poisson/RP; matematica M = vettore osservabile multivariato con null che rompe l'accoppiamento feature-riga; fisico B non emerge. Il ciclo consegna un gate metodologico prima del ritorno a RP/Anderson. + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: segue la direzione valutatore: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso e riparare il null che nel ciclo 10:45 lasciava il filtro aperto. +- `not_drift`: non torna a phi/Sturmian, V_c, lambda RP o residui graph-only; misura solo endpoint GUE/Poisson e null sullo stesso denominatore. +- `seed_residue`: restano non testati gli 8 domini GUE / 5 Poisson originali come perimetro largo e il terzo incluso RP. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' chiude il prerequisito endpoint prima del boundary, non sostituisce il boundary con un deposito familiare. + +## Re-discovery audit +- **Baseline noto piu vicino**: statistiche spettrali GUE/Poisson, spacing ratio, Brody interpolation, Berry-Robnik-like mixture, Rosenzweig-Porter come crossover. +- **Cosa assorbe il baseline**: la separazione dei poli GUE e Poisson nelle feature canoniche. +- **Cosa resta Lab-specific**: il contratto operativo: prima di leggere il terzo incluso, il filtro endpoint deve restare completo contro null row-aligned che sfidano il lettore. +- **Separazione**: `two_reader_boundary_confirmed=[]`; `graph_only_residue=0`; `scope_change_declared=endpoint_null_tightening_before_boundary`; `graph_baseline_audit=non_applicabile:no_graph_reader`. + +## Claim Under Test +> GUE e Poisson sono endpoint validi per il filtro boundary se 36/36 source rows restano endpoint-stable e un feature-scramble null row-aligned non ricostruisce 36/36. + +## Question +Il filtro endpoint 10:45 era assorbito solo dal label-null permissivo, oppure anche un null che preserva le marginali per reader puo' ricostruire la stabilita' completa? + +## Ritorno fisico +- **Punto fisico sorgente**: transizione spettrale GUE/Poisson/Rosenzweig-Porter. +- **Attraversamento matematico**: classificatore centroidale in spazio osservabile e null feature-scramble che preserva marginali ma rompe accoppiamento row-level. +- **Punto fisico di ritorno**: nessun nuovo setup fisico; il ritorno e' il protocollo per riaprire RP o Anderson 3D solo dopo endpoint-null chiuso. +- **Controllo concretezza**: non viene promosso un fenomeno fisico nuovo. +- **Relazione nuova**: endpoint stability richiede un null che rompa la relazione multivariata, non solo una permutazione di label. +- **Osservabile/test fisico possibile**: applicare lo stesso endpoint-null gate a RP/Anderson e chiedere se il boundary intermedio batte null row-aligned dopo endpoint chiuso. +- **Se fallisce**: `ritorno_fisico_assente`; resta gate metodologico. + +## Experiment Design +- **Script nuovo**: `tools/exp_endpoint_feature_scramble_null.py`. +- **Run**: `python tools/exp_endpoint_feature_scramble_null.py --out tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- **Perimetro**: size `128/192/256`; 4 seed di calibrazione; 6 seed test; 6 repliche per riga. +- **Reader**: `global_mean`, `exact_local:w9`, `exact_local:w12`, `odd_coerced:w9`, `odd_coerced:w12`. +- **Soglia preregistrata**: `endpoint_stable=True` se tutti i 5 reader predicono il vero endpoint con `centroid_margin >= 0.15`. +- **Null 1, continuita'**: 128 label permutations sulle righe di calibrazione. P-value right-tail: `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k=null_count >= observed_count`. +- **Null 2, specificita'**: 512 feature-scramble trial; dentro ogni reader, ogni feature viene permutata indipendentemente fra test rows. Preserva marginali per feature/reader e rompe l'accoppiamento multivariato source row. +- **Contratto osservabile-operatore**: claim, osservabile, operatore, generatore, denominatore e non-possibile sono quelli dell'header; `gap_ratio` e RP residue non sono testati. + +## Results +| group | observed_successes | min margin | median margin | lettura | +|---|---:|---:|---:|---| +| GUE endpoint | 18/18 | 0.655482 | 1.552507 | endpoint stabile | +| Poisson endpoint | 18/18 | 0.929876 | 1.685385 | endpoint stabile | +| Combined | 36/36 | 0.655482 | n/a | endpoint filter completo | + +| null | k/N >= 36 | raw_p | add_one_p | max null count | mean null count | histogram | +|---|---:|---:|---:|---:|---:|---| +| label permutation | 15/128 | 0.1171875 | 0.124031008 | 36 | 11.343750 | {0:85, 27:1, 28:4, 29:2, 31:4, 33:1, 34:2, 35:14, 36:15} | +| feature scramble row-aligned | 0/512 | 0.0000000 | 0.001949318 | 2 | 0.312500 | {0:372, 1:120, 2:20} | + +## Key Findings +1. Verificato: il filtro endpoint osservato resta completo. GUE = 18/18, Poisson = 18/18, combined = 36/36; ogni source row ha 5/5 reader pass. +2. Verificato: il label-permutation null replica il problema 10:45. 15/128 trial arrivano a 36/36; `raw_p=0.1171875`, `add_one_p=0.124031008`. +3. Verificato: il feature-scramble null non ricostruisce il filtro. 0/512 trial arrivano a 36/36; il massimo null e' 2/36. +4. Inferito dal perimetro: la specificita' vive nell'accoppiamento multivariato row-level delle feature, non nelle marginali isolate. Il label-null e' troppo grossolano per questo lettore perche' puo' creare centroidi spurii separanti. + +## Verdict +CONSTRAINT + +Il filtro endpoint GUE/Poisson e' chiuso contro feature-scramble row-aligned nel perimetro 36 source rows / 5 reader. Non diventa scoperta fisica: diventa preflight valido per riaprire il boundary test. La prossima mossa puo' tornare a RP solo mantenendo questo gate: endpoint observed 36/36, feature-scramble `add_one_p<=0.05`, poi boundary residue contro null row-aligned. + +## Bicono della scoperta +- **Due radici**: endpoint reale multivariato; endpoint spurio da marginali disaccoppiate. +- **Singolare**: source row prima della scomposizione in feature indipendenti. +- **Invariante di passaggio**: stesso denominatore source row x reader per osservato e null. +- **Campo di possibilita**: possibile = usare il filtro endpoint come gate prima di RP; non-possibile = promuovere endpoint se il null feature-scramble raggiunge la stabilita' completa. + +## Consecutio +Il boundary puo' rientrare nel ciclo successivo solo dopo questo preflight: stesso lettore endpoint, stesso p-value dichiarato (`raw_p` e `add_one_p`), e null row-aligned separato dal label permutation. Se RP torna, non deve cercare una lambda; deve chiedere se una riga intermedia batte i null dopo endpoint chiuso. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_endpoint_feature_scramble_null.py` diventa preflight riusabile per distinguere null permissivi da null che rompono l'accoppiamento row-level prima di testare un terzo incluso. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY seguita per contratto vivo. +- `python -m py_compile tools/exp_endpoint_feature_scramble_null.py` completato. +- Run completato: `tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate. +- Nessun update del seme. +- Nessuna promozione e nessun public sync. + +## Files +- Script: `tools/exp_endpoint_feature_scramble_null.py` +- Data: `tools/data/endpoint_feature_scramble_null_20260516_1058.json` +- Report: `tools/data/reports/agent_20260516_1058.md` diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260516_1058.md b/tools/data/reports/agent_20260516_1058.md new file mode 100644 index 0000000000000000000000000000000000000000..d9000c8c94d617e70eac5e89299d771f6bee609e --- /dev/null +++ b/tools/data/reports/agent_20260516_1058.md @@ -0,0 +1,106 @@ +# Agent Report — Endpoint Feature-Scramble Null +**Date**: 2026-05-16 10:58 +**Piano**: 129 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Il filtro endpoint GUE/Poisson resta completo su 36/36 righe e supera il nuovo feature-scramble null row-aligned (`raw_p=0/512=0.0`, `add_one_p=1/513=0.001949318`). Il label-permutation null resta permissivo (`raw_p=15/128=0.1171875`, `add_one_p=16/129=0.124031008`). Il nodo regressivo non e' l'endpoint reader, ma quale null e' legittimo per sfidare il lettore. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts, feature_scramble_null_counts, raw_p, add_one_p] +**observable_contract**: claim=GUE/Poisson endpoint filter e' specifico se la stabilita' osservata resta completa e null feature-scramble che preservano marginali per reader non ricostruiscono la stabilita' completa; observable=`endpoint_stable` per source row, margine centroidale per reader, distribuzione null feature-scramble; operator=centroidi endpoint calibrati una volta su GUE/Poisson, poi scoring di test rows vere e feature-scrambled row-aligned; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ogni source row richiede 5/5 reader pass; non_possible=filtro endpoint specifico se il feature-scramble null raggiunge 36/36; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, universalita analitica. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY del grafo + tensione seme "8 domini GUE, 5 Poisson". +- **Dipolo / punto-zero**: endpoint osservato / endpoint ricostruito dal null. Punto-zero: il vettore osservabile prima che la relazione multivariata fra feature decida il polo. +- **Piano superiore**: topologia assiomatica del bordo. Il null e' boundary operator: separa polo reale da polo generato da marginali disaccoppiate. +- **Operatori laterali scelti**: boundary operator e parallel transport. Il primo taglia il perimetro endpoint/null; il secondo verifica se l'identita' endpoint si trasporta attraverso reader senza dipendere da una singola feature. +- **Contaminazione cognitiva**: CE-0019 metabolizzata come combo prima della misura; CE-0001/KSAR usata per reiterare il vincolo 10:45 senza tornare a RP; CE-0117 usata come cascata della possibilita': il risultato apre solo se il null non ricostruisce il polo. +- **Proto-ipotesi**: un filtro endpoint e' utilizzabile prima del terzo incluso quando la stabilita' nasce dall'accoppiamento row-level delle feature, non dalle marginali isolate. +- **Possibile/non-possibile**: possibile = riaprire RP come boundary test dopo endpoint chiuso contro null row-aligned; non-possibile = promuovere l'endpoint se un null che conserva marginali per reader arriva a 36/36. +- **Proiezione**: misuro `endpoint_stable` sulle stesse 36 source rows e confronto due null: label permutation per continuita' e feature-scramble per specificita' row-aligned. +- **Movimento A->M->B**: fisico A = crossover spettrale GUE/Poisson/RP; matematica M = vettore osservabile multivariato con null che rompe l'accoppiamento feature-riga; fisico B non emerge. Il ciclo consegna un gate metodologico prima del ritorno a RP/Anderson. + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: segue la direzione valutatore: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso e riparare il null che nel ciclo 10:45 lasciava il filtro aperto. +- `not_drift`: non torna a phi/Sturmian, V_c, lambda RP o residui graph-only; misura solo endpoint GUE/Poisson e null sullo stesso denominatore. +- `seed_residue`: restano non testati gli 8 domini GUE / 5 Poisson originali come perimetro largo e il terzo incluso RP. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' chiude il prerequisito endpoint prima del boundary, non sostituisce il boundary con un deposito familiare. + +## Re-discovery audit +- **Baseline noto piu vicino**: statistiche spettrali GUE/Poisson, spacing ratio, Brody interpolation, Berry-Robnik-like mixture, Rosenzweig-Porter come crossover. +- **Cosa assorbe il baseline**: la separazione dei poli GUE e Poisson nelle feature canoniche. +- **Cosa resta Lab-specific**: il contratto operativo: prima di leggere il terzo incluso, il filtro endpoint deve restare completo contro null row-aligned che sfidano il lettore. +- **Separazione**: `two_reader_boundary_confirmed=[]`; `graph_only_residue=0`; `scope_change_declared=endpoint_null_tightening_before_boundary`; `graph_baseline_audit=non_applicabile:no_graph_reader`. + +## Claim Under Test +> GUE e Poisson sono endpoint validi per il filtro boundary se 36/36 source rows restano endpoint-stable e un feature-scramble null row-aligned non ricostruisce 36/36. + +## Question +Il filtro endpoint 10:45 era assorbito solo dal label-null permissivo, oppure anche un null che preserva le marginali per reader puo' ricostruire la stabilita' completa? + +## Ritorno fisico +- **Punto fisico sorgente**: transizione spettrale GUE/Poisson/Rosenzweig-Porter. +- **Attraversamento matematico**: classificatore centroidale in spazio osservabile e null feature-scramble che preserva marginali ma rompe accoppiamento row-level. +- **Punto fisico di ritorno**: nessun nuovo setup fisico; il ritorno e' il protocollo per riaprire RP o Anderson 3D solo dopo endpoint-null chiuso. +- **Controllo concretezza**: non viene promosso un fenomeno fisico nuovo. +- **Relazione nuova**: endpoint stability richiede un null che rompa la relazione multivariata, non solo una permutazione di label. +- **Osservabile/test fisico possibile**: applicare lo stesso endpoint-null gate a RP/Anderson e chiedere se il boundary intermedio batte null row-aligned dopo endpoint chiuso. +- **Se fallisce**: `ritorno_fisico_assente`; resta gate metodologico. + +## Experiment Design +- **Script nuovo**: `tools/exp_endpoint_feature_scramble_null.py`. +- **Run**: `python tools/exp_endpoint_feature_scramble_null.py --out tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- **Perimetro**: size `128/192/256`; 4 seed di calibrazione; 6 seed test; 6 repliche per riga. +- **Reader**: `global_mean`, `exact_local:w9`, `exact_local:w12`, `odd_coerced:w9`, `odd_coerced:w12`. +- **Soglia preregistrata**: `endpoint_stable=True` se tutti i 5 reader predicono il vero endpoint con `centroid_margin >= 0.15`. +- **Null 1, continuita'**: 128 label permutations sulle righe di calibrazione. P-value right-tail: `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k=null_count >= observed_count`. +- **Null 2, specificita'**: 512 feature-scramble trial; dentro ogni reader, ogni feature viene permutata indipendentemente fra test rows. Preserva marginali per feature/reader e rompe l'accoppiamento multivariato source row. +- **Contratto osservabile-operatore**: claim, osservabile, operatore, generatore, denominatore e non-possibile sono quelli dell'header; `gap_ratio` e RP residue non sono testati. + +## Results +| group | observed_successes | min margin | median margin | lettura | +|---|---:|---:|---:|---| +| GUE endpoint | 18/18 | 0.655482 | 1.552507 | endpoint stabile | +| Poisson endpoint | 18/18 | 0.929876 | 1.685385 | endpoint stabile | +| Combined | 36/36 | 0.655482 | n/a | endpoint filter completo | + +| null | k/N >= 36 | raw_p | add_one_p | max null count | mean null count | histogram | +|---|---:|---:|---:|---:|---:|---| +| label permutation | 15/128 | 0.1171875 | 0.124031008 | 36 | 11.343750 | {0:85, 27:1, 28:4, 29:2, 31:4, 33:1, 34:2, 35:14, 36:15} | +| feature scramble row-aligned | 0/512 | 0.0000000 | 0.001949318 | 2 | 0.312500 | {0:372, 1:120, 2:20} | + +## Key Findings +1. Verificato: il filtro endpoint osservato resta completo. GUE = 18/18, Poisson = 18/18, combined = 36/36; ogni source row ha 5/5 reader pass. +2. Verificato: il label-permutation null replica il problema 10:45. 15/128 trial arrivano a 36/36; `raw_p=0.1171875`, `add_one_p=0.124031008`. +3. Verificato: il feature-scramble null non ricostruisce il filtro. 0/512 trial arrivano a 36/36; il massimo null e' 2/36. +4. Inferito dal perimetro: la specificita' vive nell'accoppiamento multivariato row-level delle feature, non nelle marginali isolate. Il label-null e' troppo grossolano per questo lettore perche' puo' creare centroidi spurii separanti. + +## Verdict +CONSTRAINT + +Il filtro endpoint GUE/Poisson e' chiuso contro feature-scramble row-aligned nel perimetro 36 source rows / 5 reader. Non diventa scoperta fisica: diventa preflight valido per riaprire il boundary test. La prossima mossa puo' tornare a RP solo mantenendo questo gate: endpoint observed 36/36, feature-scramble `add_one_p<=0.05`, poi boundary residue contro null row-aligned. + +## Bicono della scoperta +- **Due radici**: endpoint reale multivariato; endpoint spurio da marginali disaccoppiate. +- **Singolare**: source row prima della scomposizione in feature indipendenti. +- **Invariante di passaggio**: stesso denominatore source row x reader per osservato e null. +- **Campo di possibilita**: possibile = usare il filtro endpoint come gate prima di RP; non-possibile = promuovere endpoint se il null feature-scramble raggiunge la stabilita' completa. + +## Consecutio +Il boundary puo' rientrare nel ciclo successivo solo dopo questo preflight: stesso lettore endpoint, stesso p-value dichiarato (`raw_p` e `add_one_p`), e null row-aligned separato dal label permutation. Se RP torna, non deve cercare una lambda; deve chiedere se una riga intermedia batte i null dopo endpoint chiuso. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_endpoint_feature_scramble_null.py` diventa preflight riusabile per distinguere null permissivi da null che rompono l'accoppiamento row-level prima di testare un terzo incluso. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY seguita per contratto vivo. +- `python -m py_compile tools/exp_endpoint_feature_scramble_null.py` completato. +- Run completato: `tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate. +- Nessun update del seme. +- Nessuna promozione e nessun public sync. + +## Files +- Script: `tools/exp_endpoint_feature_scramble_null.py` +- Data: `tools/data/endpoint_feature_scramble_null_20260516_1058.json` +- Report: `tools/data/reports/agent_20260516_1058.md` diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Report scritto. Faccio un controllo rapido dei requisiti strutturali principali e dei file prodotti, poi chiudo. exec /bin/bash -lc "test -s tools/data/reports/agent_20260516_1058.md && printf 'report_ok\\n'; test -s tools/data/endpoint_feature_scramble_null_20260516_1058.json && printf 'data_ok\\n'; test -s tools/exp_endpoint_feature_scramble_null.py && printf 'script_ok\\n'" in /opt/MM_D-ND succeeded in 0ms: report_ok data_ok script_ok exec /bin/bash -lc 'rg -n "raw_p|add_one_p|## Aderenza alla direzione|## Re-discovery audit|## Contaminazione|CE-|observables_used|observable_contract|## Bicono" tools/data/reports/agent_20260516_1058.md' in /opt/MM_D-ND succeeded in 0ms: 5:**verdict**: CONSTRAINT - Il filtro endpoint GUE/Poisson resta completo su 36/36 righe e supera il nuovo feature-scramble null row-aligned (`raw_p=0/512=0.0`, `add_one_p=1/513=0.001949318`). Il label-permutation null resta permissivo (`raw_p=15/128=0.1171875`, `add_one_p=16/129=0.124031008`). Il nodo regressivo non e' l'endpoint reader, ma quale null e' legittimo per sfidare il lettore. 7:observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts, feature_scramble_null_counts, raw_p, add_one_p] 8:**observable_contract**: claim=GUE/Poisson endpoint filter e' specifico se la stabilita' osservata resta completa e null feature-scramble che preservano marginali per reader non ricostruiscono la stabilita' completa; observable=`endpoint_stable` per source row, margine centroidale per reader, distribuzione null feature-scramble; operator=centroidi endpoint calibrati una volta su GUE/Poisson, poi scoring di test rows vere e feature-scrambled row-aligned; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ogni source row richiede 5/5 reader pass; non_possible=filtro endpoint specifico se il feature-scramble null raggiunge 36/36; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, universalita analitica. 15:- **Contaminazione cognitiva**: CE-0019 metabolizzata come combo prima della misura; CE-0001/KSAR usata per reiterare il vincolo 10:45 senza tornare a RP; CE-0117 usata come cascata della possibilita': il risultato apre solo se il null non ricostruisce il polo. 21:## Aderenza alla direzione 28:## Re-discovery audit 55:- **Null 1, continuita'**: 128 label permutations sulle righe di calibrazione. P-value right-tail: `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k=null_count >= observed_count`. 66:| null | k/N >= 36 | raw_p | add_one_p | max null count | mean null count | histogram | 73:2. Verificato: il label-permutation null replica il problema 10:45. 15/128 trial arrivano a 36/36; `raw_p=0.1171875`, `add_one_p=0.124031008`. 80:Il filtro endpoint GUE/Poisson e' chiuso contro feature-scramble row-aligned nel perimetro 36 source rows / 5 reader. Non diventa scoperta fisica: diventa preflight valido per riaprire il boundary test. La prossima mossa puo' tornare a RP solo mantenendo questo gate: endpoint observed 36/36, feature-scramble `add_one_p<=0.05`, poi boundary residue contro null row-aligned. 82:## Bicono della scoperta 89:Il boundary puo' rientrare nel ciclo successivo solo dopo questo preflight: stesso lettore endpoint, stesso p-value dichiarato (`raw_p` e `add_one_p`), e null row-aligned separato dal label permutation. Se RP torna, non deve cercare una lambda; deve chiedere se una riga intermedia batte i null dopo endpoint chiuso. exec /bin/bash -lc "python - <<'PY' import json p='tools/data/endpoint_feature_scramble_null_20260516_1058.json' with open(p) as f: d=json.load(f) assert d['observed_successes'] == 36 assert d['observed_total'] == 36 assert d['feature_scramble']['tail_stats']['k_ge_observed'] == 0 assert d['feature_scramble']['tail_stats']['n_trials'] == 512 assert d['label_permutation']['tail_stats']['k_ge_observed'] == 15 assert d['label_permutation']['tail_stats']['n_trials'] == 128 print('json_assertions_ok') PY" in /opt/MM_D-ND succeeded in 0ms: json_assertions_ok diff --git a/tools/data/reports/agent_20260516_1058.md b/tools/data/reports/agent_20260516_1058.md new file mode 100644 index 0000000000000000000000000000000000000000..d9000c8c94d617e70eac5e89299d771f6bee609e --- /dev/null +++ b/tools/data/reports/agent_20260516_1058.md @@ -0,0 +1,106 @@ +# Agent Report — Endpoint Feature-Scramble Null +**Date**: 2026-05-16 10:58 +**Piano**: 129 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Il filtro endpoint GUE/Poisson resta completo su 36/36 righe e supera il nuovo feature-scramble null row-aligned (`raw_p=0/512=0.0`, `add_one_p=1/513=0.001949318`). Il label-permutation null resta permissivo (`raw_p=15/128=0.1171875`, `add_one_p=16/129=0.124031008`). Il nodo regressivo non e' l'endpoint reader, ma quale null e' legittimo per sfidare il lettore. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts, feature_scramble_null_counts, raw_p, add_one_p] +**observable_contract**: claim=GUE/Poisson endpoint filter e' specifico se la stabilita' osservata resta completa e null feature-scramble che preservano marginali per reader non ricostruiscono la stabilita' completa; observable=`endpoint_stable` per source row, margine centroidale per reader, distribuzione null feature-scramble; operator=centroidi endpoint calibrati una volta su GUE/Poisson, poi scoring di test rows vere e feature-scrambled row-aligned; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ogni source row richiede 5/5 reader pass; non_possible=filtro endpoint specifico se il feature-scramble null raggiunge 36/36; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, universalita analitica. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY del grafo + tensione seme "8 domini GUE, 5 Poisson". +- **Dipolo / punto-zero**: endpoint osservato / endpoint ricostruito dal null. Punto-zero: il vettore osservabile prima che la relazione multivariata fra feature decida il polo. +- **Piano superiore**: topologia assiomatica del bordo. Il null e' boundary operator: separa polo reale da polo generato da marginali disaccoppiate. +- **Operatori laterali scelti**: boundary operator e parallel transport. Il primo taglia il perimetro endpoint/null; il secondo verifica se l'identita' endpoint si trasporta attraverso reader senza dipendere da una singola feature. +- **Contaminazione cognitiva**: CE-0019 metabolizzata come combo prima della misura; CE-0001/KSAR usata per reiterare il vincolo 10:45 senza tornare a RP; CE-0117 usata come cascata della possibilita': il risultato apre solo se il null non ricostruisce il polo. +- **Proto-ipotesi**: un filtro endpoint e' utilizzabile prima del terzo incluso quando la stabilita' nasce dall'accoppiamento row-level delle feature, non dalle marginali isolate. +- **Possibile/non-possibile**: possibile = riaprire RP come boundary test dopo endpoint chiuso contro null row-aligned; non-possibile = promuovere l'endpoint se un null che conserva marginali per reader arriva a 36/36. +- **Proiezione**: misuro `endpoint_stable` sulle stesse 36 source rows e confronto due null: label permutation per continuita' e feature-scramble per specificita' row-aligned. +- **Movimento A->M->B**: fisico A = crossover spettrale GUE/Poisson/RP; matematica M = vettore osservabile multivariato con null che rompe l'accoppiamento feature-riga; fisico B non emerge. Il ciclo consegna un gate metodologico prima del ritorno a RP/Anderson. + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: segue la direzione valutatore: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso e riparare il null che nel ciclo 10:45 lasciava il filtro aperto. +- `not_drift`: non torna a phi/Sturmian, V_c, lambda RP o residui graph-only; misura solo endpoint GUE/Poisson e null sullo stesso denominatore. +- `seed_residue`: restano non testati gli 8 domini GUE / 5 Poisson originali come perimetro largo e il terzo incluso RP. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' chiude il prerequisito endpoint prima del boundary, non sostituisce il boundary con un deposito familiare. + +## Re-discovery audit +- **Baseline noto piu vicino**: statistiche spettrali GUE/Poisson, spacing ratio, Brody interpolation, Berry-Robnik-like mixture, Rosenzweig-Porter come crossover. +- **Cosa assorbe il baseline**: la separazione dei poli GUE e Poisson nelle feature canoniche. +- **Cosa resta Lab-specific**: il contratto operativo: prima di leggere il terzo incluso, il filtro endpoint deve restare completo contro null row-aligned che sfidano il lettore. +- **Separazione**: `two_reader_boundary_confirmed=[]`; `graph_only_residue=0`; `scope_change_declared=endpoint_null_tightening_before_boundary`; `graph_baseline_audit=non_applicabile:no_graph_reader`. + +## Claim Under Test +> GUE e Poisson sono endpoint validi per il filtro boundary se 36/36 source rows restano endpoint-stable e un feature-scramble null row-aligned non ricostruisce 36/36. + +## Question +Il filtro endpoint 10:45 era assorbito solo dal label-null permissivo, oppure anche un null che preserva le marginali per reader puo' ricostruire la stabilita' completa? + +## Ritorno fisico +- **Punto fisico sorgente**: transizione spettrale GUE/Poisson/Rosenzweig-Porter. +- **Attraversamento matematico**: classificatore centroidale in spazio osservabile e null feature-scramble che preserva marginali ma rompe accoppiamento row-level. +- **Punto fisico di ritorno**: nessun nuovo setup fisico; il ritorno e' il protocollo per riaprire RP o Anderson 3D solo dopo endpoint-null chiuso. +- **Controllo concretezza**: non viene promosso un fenomeno fisico nuovo. +- **Relazione nuova**: endpoint stability richiede un null che rompa la relazione multivariata, non solo una permutazione di label. +- **Osservabile/test fisico possibile**: applicare lo stesso endpoint-null gate a RP/Anderson e chiedere se il boundary intermedio batte null row-aligned dopo endpoint chiuso. +- **Se fallisce**: `ritorno_fisico_assente`; resta gate metodologico. + +## Experiment Design +- **Script nuovo**: `tools/exp_endpoint_feature_scramble_null.py`. +- **Run**: `python tools/exp_endpoint_feature_scramble_null.py --out tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- **Perimetro**: size `128/192/256`; 4 seed di calibrazione; 6 seed test; 6 repliche per riga. +- **Reader**: `global_mean`, `exact_local:w9`, `exact_local:w12`, `odd_coerced:w9`, `odd_coerced:w12`. +- **Soglia preregistrata**: `endpoint_stable=True` se tutti i 5 reader predicono il vero endpoint con `centroid_margin >= 0.15`. +- **Null 1, continuita'**: 128 label permutations sulle righe di calibrazione. P-value right-tail: `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k=null_count >= observed_count`. +- **Null 2, specificita'**: 512 feature-scramble trial; dentro ogni reader, ogni feature viene permutata indipendentemente fra test rows. Preserva marginali per feature/reader e rompe l'accoppiamento multivariato source row. +- **Contratto osservabile-operatore**: claim, osservabile, operatore, generatore, denominatore e non-possibile sono quelli dell'header; `gap_ratio` e RP residue non sono testati. + +## Results +| group | observed_successes | min margin | median margin | lettura | +|---|---:|---:|---:|---| +| GUE endpoint | 18/18 | 0.655482 | 1.552507 | endpoint stabile | +| Poisson endpoint | 18/18 | 0.929876 | 1.685385 | endpoint stabile | +| Combined | 36/36 | 0.655482 | n/a | endpoint filter completo | + +| null | k/N >= 36 | raw_p | add_one_p | max null count | mean null count | histogram | +|---|---:|---:|---:|---:|---:|---| +| label permutation | 15/128 | 0.1171875 | 0.124031008 | 36 | 11.343750 | {0:85, 27:1, 28:4, 29:2, 31:4, 33:1, 34:2, 35:14, 36:15} | +| feature scramble row-aligned | 0/512 | 0.0000000 | 0.001949318 | 2 | 0.312500 | {0:372, 1:120, 2:20} | + +## Key Findings +1. Verificato: il filtro endpoint osservato resta completo. GUE = 18/18, Poisson = 18/18, combined = 36/36; ogni source row ha 5/5 reader pass. +2. Verificato: il label-permutation null replica il problema 10:45. 15/128 trial arrivano a 36/36; `raw_p=0.1171875`, `add_one_p=0.124031008`. +3. Verificato: il feature-scramble null non ricostruisce il filtro. 0/512 trial arrivano a 36/36; il massimo null e' 2/36. +4. Inferito dal perimetro: la specificita' vive nell'accoppiamento multivariato row-level delle feature, non nelle marginali isolate. Il label-null e' troppo grossolano per questo lettore perche' puo' creare centroidi spurii separanti. + +## Verdict +CONSTRAINT + +Il filtro endpoint GUE/Poisson e' chiuso contro feature-scramble row-aligned nel perimetro 36 source rows / 5 reader. Non diventa scoperta fisica: diventa preflight valido per riaprire il boundary test. La prossima mossa puo' tornare a RP solo mantenendo questo gate: endpoint observed 36/36, feature-scramble `add_one_p<=0.05`, poi boundary residue contro null row-aligned. + +## Bicono della scoperta +- **Due radici**: endpoint reale multivariato; endpoint spurio da marginali disaccoppiate. +- **Singolare**: source row prima della scomposizione in feature indipendenti. +- **Invariante di passaggio**: stesso denominatore source row x reader per osservato e null. +- **Campo di possibilita**: possibile = usare il filtro endpoint come gate prima di RP; non-possibile = promuovere endpoint se il null feature-scramble raggiunge la stabilita' completa. + +## Consecutio +Il boundary puo' rientrare nel ciclo successivo solo dopo questo preflight: stesso lettore endpoint, stesso p-value dichiarato (`raw_p` e `add_one_p`), e null row-aligned separato dal label permutation. Se RP torna, non deve cercare una lambda; deve chiedere se una riga intermedia batte i null dopo endpoint chiuso. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_endpoint_feature_scramble_null.py` diventa preflight riusabile per distinguere null permissivi da null che rompono l'accoppiamento row-level prima di testare un terzo incluso. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY seguita per contratto vivo. +- `python -m py_compile tools/exp_endpoint_feature_scramble_null.py` completato. +- Run completato: `tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate. +- Nessun update del seme. +- Nessuna promozione e nessun public sync. + +## Files +- Script: `tools/exp_endpoint_feature_scramble_null.py` +- Data: `tools/data/endpoint_feature_scramble_null_20260516_1058.json` +- Report: `tools/data/reports/agent_20260516_1058.md` diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Eseguito esperimento e scritto il report richiesto: [tools/data/reports/agent_20260516_1058.md](/opt/MM_D-ND/tools/data/reports/agent_20260516_1058.md) Prodotti anche: - [tools/exp_endpoint_feature_scramble_null.py](/opt/MM_D-ND/tools/exp_endpoint_feature_scramble_null.py) - [tools/data/endpoint_feature_scramble_null_20260516_1058.json](/opt/MM_D-ND/tools/data/endpoint_feature_scramble_null_20260516_1058.json) Risultato chiave: endpoint GUE/Poisson stabile su `36/36`; il label-null resta permissivo (`add_one_p=0.124031008`), ma il nuovo feature-scramble row-aligned non ricostruisce il filtro (`0/512`, `add_one_p=0.001949318`). Ho lasciato il seme invariato: il risultato è un gate metodologico/preflight, non una nuova promozione fisica. diff --git a/tools/data/reports/agent_20260516_1058.md b/tools/data/reports/agent_20260516_1058.md new file mode 100644 index 0000000000000000000000000000000000000000..d9000c8c94d617e70eac5e89299d771f6bee609e --- /dev/null +++ b/tools/data/reports/agent_20260516_1058.md @@ -0,0 +1,106 @@ +# Agent Report — Endpoint Feature-Scramble Null +**Date**: 2026-05-16 10:58 +**Piano**: 129 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Il filtro endpoint GUE/Poisson resta completo su 36/36 righe e supera il nuovo feature-scramble null row-aligned (`raw_p=0/512=0.0`, `add_one_p=1/513=0.001949318`). Il label-permutation null resta permissivo (`raw_p=15/128=0.1171875`, `add_one_p=16/129=0.124031008`). Il nodo regressivo non e' l'endpoint reader, ma quale null e' legittimo per sfidare il lettore. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, brody_q, berry_robnick_like_gue_weight, endpoint_reader_pass, endpoint_stable, centroid_margin, label_permutation_null_counts, feature_scramble_null_counts, raw_p, add_one_p] +**observable_contract**: claim=GUE/Poisson endpoint filter e' specifico se la stabilita' osservata resta completa e null feature-scramble che preservano marginali per reader non ricostruiscono la stabilita' completa; observable=`endpoint_stable` per source row, margine centroidale per reader, distribuzione null feature-scramble; operator=centroidi endpoint calibrati una volta su GUE/Poisson, poi scoring di test rows vere e feature-scrambled row-aligned; generator=matrici GUE e gap Poisson esponenziali; denominator=2 domini x 3 size x 6 test seed = 36 source rows, ogni source row richiede 5/5 reader pass; non_possible=filtro endpoint specifico se il feature-scramble null raggiunge 36/36; not_tested=RP residue, Anderson 3D, spettri sperimentali, limite N infinito, universalita analitica. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY del grafo + tensione seme "8 domini GUE, 5 Poisson". +- **Dipolo / punto-zero**: endpoint osservato / endpoint ricostruito dal null. Punto-zero: il vettore osservabile prima che la relazione multivariata fra feature decida il polo. +- **Piano superiore**: topologia assiomatica del bordo. Il null e' boundary operator: separa polo reale da polo generato da marginali disaccoppiate. +- **Operatori laterali scelti**: boundary operator e parallel transport. Il primo taglia il perimetro endpoint/null; il secondo verifica se l'identita' endpoint si trasporta attraverso reader senza dipendere da una singola feature. +- **Contaminazione cognitiva**: CE-0019 metabolizzata come combo prima della misura; CE-0001/KSAR usata per reiterare il vincolo 10:45 senza tornare a RP; CE-0117 usata come cascata della possibilita': il risultato apre solo se il null non ricostruisce il polo. +- **Proto-ipotesi**: un filtro endpoint e' utilizzabile prima del terzo incluso quando la stabilita' nasce dall'accoppiamento row-level delle feature, non dalle marginali isolate. +- **Possibile/non-possibile**: possibile = riaprire RP come boundary test dopo endpoint chiuso contro null row-aligned; non-possibile = promuovere l'endpoint se un null che conserva marginali per reader arriva a 36/36. +- **Proiezione**: misuro `endpoint_stable` sulle stesse 36 source rows e confronto due null: label permutation per continuita' e feature-scramble per specificita' row-aligned. +- **Movimento A->M->B**: fisico A = crossover spettrale GUE/Poisson/RP; matematica M = vettore osservabile multivariato con null che rompe l'accoppiamento feature-riga; fisico B non emerge. Il ciclo consegna un gate metodologico prima del ritorno a RP/Anderson. + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: segue la direzione valutatore: testare prima la stabilita' endpoint GUE/Poisson come filtro del confine-terzo incluso e riparare il null che nel ciclo 10:45 lasciava il filtro aperto. +- `not_drift`: non torna a phi/Sturmian, V_c, lambda RP o residui graph-only; misura solo endpoint GUE/Poisson e null sullo stesso denominatore. +- `seed_residue`: restano non testati gli 8 domini GUE / 5 Poisson originali come perimetro largo e il terzo incluso RP. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' chiude il prerequisito endpoint prima del boundary, non sostituisce il boundary con un deposito familiare. + +## Re-discovery audit +- **Baseline noto piu vicino**: statistiche spettrali GUE/Poisson, spacing ratio, Brody interpolation, Berry-Robnik-like mixture, Rosenzweig-Porter come crossover. +- **Cosa assorbe il baseline**: la separazione dei poli GUE e Poisson nelle feature canoniche. +- **Cosa resta Lab-specific**: il contratto operativo: prima di leggere il terzo incluso, il filtro endpoint deve restare completo contro null row-aligned che sfidano il lettore. +- **Separazione**: `two_reader_boundary_confirmed=[]`; `graph_only_residue=0`; `scope_change_declared=endpoint_null_tightening_before_boundary`; `graph_baseline_audit=non_applicabile:no_graph_reader`. + +## Claim Under Test +> GUE e Poisson sono endpoint validi per il filtro boundary se 36/36 source rows restano endpoint-stable e un feature-scramble null row-aligned non ricostruisce 36/36. + +## Question +Il filtro endpoint 10:45 era assorbito solo dal label-null permissivo, oppure anche un null che preserva le marginali per reader puo' ricostruire la stabilita' completa? + +## Ritorno fisico +- **Punto fisico sorgente**: transizione spettrale GUE/Poisson/Rosenzweig-Porter. +- **Attraversamento matematico**: classificatore centroidale in spazio osservabile e null feature-scramble che preserva marginali ma rompe accoppiamento row-level. +- **Punto fisico di ritorno**: nessun nuovo setup fisico; il ritorno e' il protocollo per riaprire RP o Anderson 3D solo dopo endpoint-null chiuso. +- **Controllo concretezza**: non viene promosso un fenomeno fisico nuovo. +- **Relazione nuova**: endpoint stability richiede un null che rompa la relazione multivariata, non solo una permutazione di label. +- **Osservabile/test fisico possibile**: applicare lo stesso endpoint-null gate a RP/Anderson e chiedere se il boundary intermedio batte null row-aligned dopo endpoint chiuso. +- **Se fallisce**: `ritorno_fisico_assente`; resta gate metodologico. + +## Experiment Design +- **Script nuovo**: `tools/exp_endpoint_feature_scramble_null.py`. +- **Run**: `python tools/exp_endpoint_feature_scramble_null.py --out tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- **Perimetro**: size `128/192/256`; 4 seed di calibrazione; 6 seed test; 6 repliche per riga. +- **Reader**: `global_mean`, `exact_local:w9`, `exact_local:w12`, `odd_coerced:w9`, `odd_coerced:w12`. +- **Soglia preregistrata**: `endpoint_stable=True` se tutti i 5 reader predicono il vero endpoint con `centroid_margin >= 0.15`. +- **Null 1, continuita'**: 128 label permutations sulle righe di calibrazione. P-value right-tail: `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k=null_count >= observed_count`. +- **Null 2, specificita'**: 512 feature-scramble trial; dentro ogni reader, ogni feature viene permutata indipendentemente fra test rows. Preserva marginali per feature/reader e rompe l'accoppiamento multivariato source row. +- **Contratto osservabile-operatore**: claim, osservabile, operatore, generatore, denominatore e non-possibile sono quelli dell'header; `gap_ratio` e RP residue non sono testati. + +## Results +| group | observed_successes | min margin | median margin | lettura | +|---|---:|---:|---:|---| +| GUE endpoint | 18/18 | 0.655482 | 1.552507 | endpoint stabile | +| Poisson endpoint | 18/18 | 0.929876 | 1.685385 | endpoint stabile | +| Combined | 36/36 | 0.655482 | n/a | endpoint filter completo | + +| null | k/N >= 36 | raw_p | add_one_p | max null count | mean null count | histogram | +|---|---:|---:|---:|---:|---:|---| +| label permutation | 15/128 | 0.1171875 | 0.124031008 | 36 | 11.343750 | {0:85, 27:1, 28:4, 29:2, 31:4, 33:1, 34:2, 35:14, 36:15} | +| feature scramble row-aligned | 0/512 | 0.0000000 | 0.001949318 | 2 | 0.312500 | {0:372, 1:120, 2:20} | + +## Key Findings +1. Verificato: il filtro endpoint osservato resta completo. GUE = 18/18, Poisson = 18/18, combined = 36/36; ogni source row ha 5/5 reader pass. +2. Verificato: il label-permutation null replica il problema 10:45. 15/128 trial arrivano a 36/36; `raw_p=0.1171875`, `add_one_p=0.124031008`. +3. Verificato: il feature-scramble null non ricostruisce il filtro. 0/512 trial arrivano a 36/36; il massimo null e' 2/36. +4. Inferito dal perimetro: la specificita' vive nell'accoppiamento multivariato row-level delle feature, non nelle marginali isolate. Il label-null e' troppo grossolano per questo lettore perche' puo' creare centroidi spurii separanti. + +## Verdict +CONSTRAINT + +Il filtro endpoint GUE/Poisson e' chiuso contro feature-scramble row-aligned nel perimetro 36 source rows / 5 reader. Non diventa scoperta fisica: diventa preflight valido per riaprire il boundary test. La prossima mossa puo' tornare a RP solo mantenendo questo gate: endpoint observed 36/36, feature-scramble `add_one_p<=0.05`, poi boundary residue contro null row-aligned. + +## Bicono della scoperta +- **Due radici**: endpoint reale multivariato; endpoint spurio da marginali disaccoppiate. +- **Singolare**: source row prima della scomposizione in feature indipendenti. +- **Invariante di passaggio**: stesso denominatore source row x reader per osservato e null. +- **Campo di possibilita**: possibile = usare il filtro endpoint come gate prima di RP; non-possibile = promuovere endpoint se il null feature-scramble raggiunge la stabilita' completa. + +## Consecutio +Il boundary puo' rientrare nel ciclo successivo solo dopo questo preflight: stesso lettore endpoint, stesso p-value dichiarato (`raw_p` e `add_one_p`), e null row-aligned separato dal label permutation. Se RP torna, non deve cercare una lambda; deve chiedere se una riga intermedia batte i null dopo endpoint chiuso. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_endpoint_feature_scramble_null.py` diventa preflight riusabile per distinguere null permissivi da null che rompono l'accoppiamento row-level prima di testare un terzo incluso. + +## Telemetria +- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. +- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY seguita per contratto vivo. +- `python -m py_compile tools/exp_endpoint_feature_scramble_null.py` completato. +- Run completato: `tools/data/endpoint_feature_scramble_null_20260516_1058.json`. +- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate. +- Nessun update del seme. +- Nessuna promozione e nessun public sync. + +## Files +- Script: `tools/exp_endpoint_feature_scramble_null.py` +- Data: `tools/data/endpoint_feature_scramble_null_20260516_1058.json` +- Report: `tools/data/reports/agent_20260516_1058.md` diff --git a/tools/exp_endpoint_feature_scramble_null.py b/tools/exp_endpoint_feature_scramble_null.py new file mode 100644 index 0000000000000000000000000000000000000000..b23885735db34d67dd859f2a7e73dafc18d6d343 --- /dev/null +++ b/tools/exp_endpoint_feature_scramble_null.py @@ -0,0 +1,185 @@ +#!/usr/bin/env python3 +""" +Feature-scramble null for the endpoint stability filter. + +The 10:45 endpoint filter repaired the reader but left label permutation too +permissive. This audit keeps the same observed reader/model contract and +scrambles feature columns within each reader on test rows. It preserves the +per-reader marginal distribution of every observable while breaking the +row-level multivariate endpoint signature. +""" + +from __future__ import annotations + +import argparse +import json +from pathlib import Path +from typing import Any + +import numpy as np + +from exp_endpoint_stability_filter import ( + FEATURE_NAMES, + build_rows, + fit_reader_centroids, + null_success_counts, + parse_ints, + score_sources, + summarize, +) +from exp_rosenzweig_porter_bridge_physical_audit import OBSERVABLES_REGISTRY_VERSION + + +def scramble_test_features( + rows: list[dict[str, Any]], + rng: np.random.Generator, +) -> list[dict[str, Any]]: + scrambled = [{**row, "features": dict(row["features"])} for row in rows] + by_reader: dict[str, list[int]] = {} + for idx, row in enumerate(scrambled): + by_reader.setdefault(row["reader"], []).append(idx) + + for indices in by_reader.values(): + for feature in FEATURE_NAMES: + values = [scrambled[idx]["features"][feature] for idx in indices] + rng.shuffle(values) + for idx, value in zip(indices, values): + scrambled[idx]["features"][feature] = value + return scrambled + + +def feature_scramble_null_counts( + test_rows: list[dict[str, Any]], + model: dict[str, Any], + args: argparse.Namespace, +) -> list[int]: + rng = np.random.default_rng(args.feature_scramble_seed) + counts = [] + for _ in range(args.feature_scramble_trials): + scrambled = scramble_test_features(test_rows, rng) + _, source_rows = score_sources(scrambled, model, args.min_margin) + counts.append(sum(1 for row in source_rows if row["endpoint_stable"])) + return counts + + +def tail_stats(counts: list[int], observed: int) -> dict[str, Any]: + ge = sum(1 for count in counts if count >= observed) + total = len(counts) + return { + "tail": "right", + "criterion": "null endpoint-stable source count >= observed endpoint-stable source count", + "k_ge_observed": ge, + "n_trials": total, + "raw_p": round(ge / total, 9) if total else None, + "add_one_p": round((ge + 1) / (total + 1), 9) if total else None, + "max_null_count": max(counts) if counts else None, + "mean_null_count": round(float(np.mean(counts)), 6) if counts else None, + "median_null_count": round(float(np.median(counts)), 6) if counts else None, + } + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.array(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def run(args: argparse.Namespace) -> dict[str, Any]: + calibration_rows = build_rows(args, "calibration", parse_ints(args.calibration_seeds)) + test_rows = build_rows(args, "test", parse_ints(args.test_seeds)) + model = fit_reader_centroids(calibration_rows) + reader_rows, source_rows = score_sources(test_rows, model, args.min_margin) + observed_successes = sum(1 for row in source_rows if row["endpoint_stable"]) + + label_counts = null_success_counts(calibration_rows, test_rows, args) + feature_counts = feature_scramble_null_counts(test_rows, model, args) + + output = { + "experiment": "endpoint_feature_scramble_null", + "question": "Does the endpoint filter remain specific when row-level feature coupling is destroyed but per-reader feature marginals are preserved?", + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": FEATURE_NAMES + + [ + "endpoint_reader_pass", + "endpoint_stable", + "centroid_margin", + "label_permutation_null_counts", + "feature_scramble_null_counts", + "raw_p", + "add_one_p", + ], + "parameters": { + "sizes": parse_ints(args.sizes), + "calibration_seeds": parse_ints(args.calibration_seeds), + "test_seeds": parse_ints(args.test_seeds), + "reps": args.reps, + "central_fraction": args.central_fraction, + "local_windows": parse_ints(args.local_windows), + "grid_size": args.grid_size, + "min_margin": args.min_margin, + "label_null_trials": args.label_null_trials, + "null_seed": args.null_seed, + "feature_scramble_trials": args.feature_scramble_trials, + "feature_scramble_seed": args.feature_scramble_seed, + }, + "threshold_preregistered": { + "endpoint_stable": f"every reader for a source row predicts the true endpoint and centroid margin >= {args.min_margin}", + "feature_scramble_null": "within each reader, independently permute each feature column across test rows; keep true source labels for scoring", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with stable source count >= observed", + }, + "observable_contract": { + "claim": "GUE/Poisson endpoint filter is specific if observed endpoint stability remains complete and feature-scramble nulls do not reconstruct complete stability", + "observable": "endpoint_stable source count, reader centroid margin, feature-scramble null count distribution", + "operator": "calibrate endpoint centroids once on true calibration rows; score true test rows and feature-scrambled test rows row-aligned by reader", + "generator": "GUE matrices and Poisson exponential spacings", + "denominator": "2 domains x sizes x test seeds source rows; each row requires all readers to pass", + "non_possible": "specific endpoint filter if feature-scramble null reaches observed complete endpoint stability", + "not_tested": "RP boundary residue, Anderson 3D, experimental spectra, asymptotic universality", + }, + "summary": summarize(source_rows, label_counts), + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": { + "counts": label_counts, + "histogram": count_histogram(label_counts), + "tail_stats": tail_stats(label_counts, observed_successes), + }, + "feature_scramble": { + "counts": feature_counts, + "histogram": count_histogram(feature_counts), + "tail_stats": tail_stats(feature_counts, observed_successes), + }, + "source_rows": source_rows, + "reader_rows": reader_rows, + } + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + out.write_text(json.dumps(output, indent=2, sort_keys=True) + "\n", encoding="utf-8") + print(json.dumps({ + "observed_successes": observed_successes, + "observed_total": len(source_rows), + "label_permutation": output["label_permutation"]["tail_stats"], + "feature_scramble": output["feature_scramble"]["tail_stats"], + }, indent=2, sort_keys=True)) + return output + + +def main() -> None: + parser = argparse.ArgumentParser() + parser.add_argument("--out", default="tools/data/endpoint_feature_scramble_null_20260516_1058.json") + parser.add_argument("--sizes", default="128,192,256") + parser.add_argument("--calibration-seeds", default="202605161101,202605161102,202605161103,202605161104") + parser.add_argument("--test-seeds", default="202605161105,202605161106,202605161107,202605161108,202605161109,202605161110") + parser.add_argument("--reps", type=int, default=6) + parser.add_argument("--central-fraction", type=float, default=0.6) + parser.add_argument("--local-windows", default="9,12") + parser.add_argument("--grid-size", type=int, default=151) + parser.add_argument("--min-margin", type=float, default=0.15) + parser.add_argument("--label-null-trials", type=int, default=128) + parser.add_argument("--null-seed", type=int, default=202605161045) + parser.add_argument("--feature-scramble-trials", type=int, default=512) + parser.add_argument("--feature-scramble-seed", type=int, default=202605161058) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() tokens used 97,968 Eseguito esperimento e scritto il report richiesto: [tools/data/reports/agent_20260516_1058.md](/opt/MM_D-ND/tools/data/reports/agent_20260516_1058.md) Prodotti anche: - [tools/exp_endpoint_feature_scramble_null.py](/opt/MM_D-ND/tools/exp_endpoint_feature_scramble_null.py) - [tools/data/endpoint_feature_scramble_null_20260516_1058.json](/opt/MM_D-ND/tools/data/endpoint_feature_scramble_null_20260516_1058.json) Risultato chiave: endpoint GUE/Poisson stabile su `36/36`; il label-null resta permissivo (`add_one_p=0.124031008`), ma il nuovo feature-scramble row-aligned non ricostruisce il filtro (`0/512`, `add_one_p=0.001949318`). Ho lasciato il seme invariato: il risultato è un gate metodologico/preflight, non una nuova promozione fisica.