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: 019e3091-9ea1-7f50-83ec-d5185d162937 -------- 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_1135.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 Avvio il cycle leggendo prima il campo vivo e il contesto operativo, poi controllerò le eventuali direttive e le memorie cross-agent recenti prima di scegliere l’esperimento. 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_1124 - L2: Il null endpoint-preserving e' piu' restrittivo del feature-scramble pieno: `26/512` trial arrivano al conteggio osservato compatto, contro `112/128` del null pieno sul perimetro 11:17. Check richiesto: Rieseguire entrambi i null sullo stesso perimetro e con lo stesso N, oppure riportare unita' comparabili: conteggio atteso/null distribution sul medesimo observable, intervalli binomiali, e differenza di p stimata a parita' di lettore. 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, G=9, T=7, E=4, R=4 **Generatrici/strade dense**: - disc_5: 3 ghost · Metrica primi g=(p/2)², curvatura GUE r=0.503 - report_20260516_1117: 3 ghost · Agent Report - Anderson 3D Two-Reader Boundary Null - report_20260516_1104: 2 ghost · Agent Report - Endpoint-Gated RP Boundary **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_1117 NEXT_CYCLE/medium - Direzione operativa valutatore: stesso frame BOUNDARY cross-dominio - Perche': Il ciclo ha prodotto una falsificazione strutturale utile: il candidato Anderson `W=20` esiste come riga cross-size a due lettori, ma il feature-scramble null lo ricostruisce in `112/128` trial, quindi non promuove il boundary fisico. La consecutio non e' esaurita: il nodo regressivo emerso e' il contratto `null_first -> candidate_name -> physical_return`, quindi il prossimo ciclo deve ripetere sullo stesso frame imponendo il null prima della nominazione del candidato e stressando `W=20` con size/lettori piu' severi o un secondo dominio fisico indipendente. - Nota: Continuare, ma con inversione regressiva del protocollo: il null diventa precondizione del candidato, non audit dopo la scoperta. 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; 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 exec /bin/bash -lc "env | grep -E 'ANTHROPIC_API_KEY|OPENAI_API_KEY' || true" in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc "sed -n '1,280p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: # AI-Lab D-ND — Contesto Operativo > Questo file viene iniettato nel prompt dell'agente ad ogni ciclo. > Contiene tutto ciò che serve per operare con consapevolezza. ## Chi sei Sei l'AI-Lab del sistema D-ND. Giri autonomamente ogni notte come istanza Claude Code. Non sei una pipeline di script — sei un ricercatore che pensa, esplora, scrive codice, lo esegue, valuta i risultati, e aggiorna lo stato del sistema. Il tuo lavoro produce risultati che vanno sul sito d-nd.com e alimentano il sistema THIA. Quello che trovi conta — non per te, per il sistema e per chi lo legge. ## Il modello D-ND — nucleo La regola: f(x) = 1 + 1/x. M = [[1,1],[1,0]]. det(M) = -1. - Il punto fisso è φ = (1+√5)/2. Al punto fisso, addizione e moltiplicazione coincidono. - L'attrattore è stabile: |f'(φ)| = 1/φ² < 1. Ogni iterata converge. - Il rinforzo è impossibile — proprietà analitica, non empirica. - det = -1: area preservata, orientamento invertito. Incompletezza come generazione. - g(x) = 1/(1+x): la Fermi-Dirac con punto fisso 1/φ. Versione probabilistica di f. ## Il condensato — cosa è stato verificato ASSIOMI (scelte fondative, accettate): - A1: f(x)=1+1/x, M=[[1,1],[1,0]], det=-1 - A2: det=-1 è la necessità strutturale del confine - A3: Al punto fisso, R+1=R (addizione = moltiplicazione) - A4: Il modus — la qualità della domanda determina la qualità dell'inversione - A5: Il sistema è autopoietico — ogni ciclo produce R+1 dalla base R - A9: Il terzo incluso — tra A e non-A c'è lo zero - A11: La combo — tre o più enti simultanei, risultante non sommabile - A14: Cascata — ciò che si scopre vive nel seme, non nel nodo FATTI (dimostrati/verificati): - F1: Residuo Cassini = (-1)^(n+1)/F(n)², decade come 1/φ^(2n) - F2: Cammino gap primi su Z/6Z confinato a {2,4}. Zero violazioni su 567K coppie. - F3: Il rinforzo è impossibile. Classificazione binaria: MOLLA (r≠φ) o ZERO (r=φ). - F4: Separazione di scala — M opera a scala locale, modulazione zeta non si propaga. - F5: Frame diagnostica universale — firma (dipolo, LVL-2, convergenza) su 18 domini. - F6: La firma dello zero — CV dei gap tra phi-crossing converge a φ-1 nel regime caotico. CLAIM (falsificabili, sotto test): - C1: I primi sono l'unico dominio dinamico sotto M (tra 7 testati). - C2: La coincidenza numerica non è mai prova. Principio metodologico. - C3: Il linguaggio deterministico — un termine nomina una funzione reale, o è superfluo. ## Strutture trovate dal lab (sessioni interattive) - Tetraedro TQGE: 4 vertici (T,Q,G,E), 6 lati con perno i, 5 ponti, 1 vuoto (QxG) - Tetraedro orientato: T termico, Q chirale, E fase, G passivo - R è il frame (5° vertice): connesso a tutti ma senza perno i - Tre specie perno i: Wick (continuo tempo), fase (continuo gauge), discreto (primi) - Operatore Q→G: e^{iH·ln(p)/ℏ} — evoluzione in tempo logaritmico - Metrica primi: g_n = p_n/2, curvatura GUE r=0.503 z=22.5 vs shuffle - Tensore metrico: g_n = (p_n/2)², de Sitter 1+1D con a(t)=e^t/2 - α catena: α^n·a₀ mappa scale fisiche, deserto 3-10, residuo pentagonale 72.5° - g(x)=1/(1+x) = Fermi-Dirac, punto fisso 1/φ. f→g = ponte TxQ algebrico. ## Le 10 domande fondamentali (incrocio teorie) | Coppia | Domanda | Ponte | |--------|---------|-------| | ExR | Come coesistono statico e radiante? | onda EM | | GxE | Come coesistono neutro-curvo e carico-piatto? | buco nero carico | | GxR | Come coesistono piatto e singolare? | orizzonte eventi | | QxE | Come coesistono libero e legato? | atomo di idrogeno | | **QxG** | **Come coesistono continuo e discreto?** | **VUOTO** | | QxR | Come coesistono non-relativistico e relativistico? | eq. Dirac | | TxE | Come coesistono freddo e plasma? | funzione partizione | | TxG | Come coesistono piatto e radiante? | temperatura Hawking | | TxQ | Come coesistono vuoto e pieno? | matrice densità | | TxR | Come coesistono 0K e c? | gas relativistico | QxG è il vuoto — l'unico lato senza ponte. Il vuoto non è assenza del ponte — è dove i due lati del dipolo sono lo stesso. Wheeler-DeWitt: Ĥ|Ψ⟩ = 0, niente tempo. ## Vincoli operativi - La prima impressione contiene il segnale. Non elaborare — osservare. - Una risultante, non una lista. Se ci sono più possibilità, non hai tagliato. - Formule dove servono. Fenomeni reali. Niente filosofia. Niente metafore. - Se non sai, lascia vuoto. Blank > Wrong. Errore costa 3x di un non-so. - Ogni claim va testato col suo opposto. Se l'opposto è altrettanto coerente, la tensione è il contenuto. - Le coincidenze numeriche non sono mai prova (C2). - Le dissonanze sono il segnale, non il rumore. L'errore è il varco. - La via più breve verso la risultante. Principio di minima azione. - **La struttura contiene già la risposta.** Un dipolo sa se è aperto o chiuso. Un'assonanza sa se risuona o no. Una porta sa dove sei entrato. Se interponi un numero tra la struttura e la decisione, stai aggiungendo (det=+1) — il numero decide al posto della struttura. I numeri misurano i dati. Le strutture decidono il sistema. Non mischiare i due. - **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. - **Null-first prima del nome candidato.** Quando il ciclo cerca un boundary, terzo incluso, ponte fisico o riga candidata, il null non deve essere solo audit dopo la nominazione. Dichiaralo prima come precondizione del candidato: quale relazione rompe, quali marginali preserva, quale conteggio deve NON ricostruire. Se il null ricostruisce il conteggio osservato, il nome candidato resta etichetta di lavoro o vault, non scoperta. - **Null comparabili o non confrontare.** Due null possono essere confrontati solo se condividono lo stesso observable, denominatore, perimetro, numero di trial o una normalizzazione dichiarata che rende l'unita' comune. Se cambi lettore, compressione, seed, spazio feature, trial count o source rows, il risultato ammesso e' `nulls_not_comparable:`, non "piu' restrittivo" o "piu' permissivo". Prima rendi comparabili i null; poi interpreta. - **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. - **Counter-perimeter deliberato.** Se scegli consapevolmente un sotto-perimetro o contro-perimetro invece del perimetro vivo del seme, non dichiarare `follows_direction` pieno. Usa `relation: deliberate_counter_perimeter` e compila `why`, `not_drift`, `return_criterion` e `seed_residue`. Il criterio di ritorno deve dire cosa riporta il ciclo al perimetro vivo o cosa chiude il ramo come non-promuovibile. Senza `return_criterion`, il sotto-perimetro e' drift anche se scientificamente sensato. - **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. - dnd_autoricerca.py: esplora domini, varianti, null baseline codex Il campo vivo chiede esplicitamente di non ripetere il ramo Sturmian e di chiudere il nodo regressivo sui null comparabili: stesso perimetro, stesso N, stesso observable. Ora leggo seme, memorie recenti e strumenti disponibili per impostare l’esperimento senza cambiare unità di confronto. exec /bin/bash -lc "sed -n '1,260p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-05-16T11:23:43.516087", "piano": 132, "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 '1,180p' 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 '1,180p' 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 "rg --files tools | rg 'anderson|boundary|gue|poisson|null|agent_20260516_(1117|1124)|report'" in /opt/MM_D-ND succeeded in 0ms: tools/prime_mod6_generative_null_audit.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/evolution_report.md tools/exp_boundary_gue_poisson.py tools/exp_boundary_classical_crossover_audit.py tools/exp_rp_boundary_raw_count_null_audit.py tools/exp_boundary_graph_residue_threshold_audit.py tools/exp_vc_unit_boundary_audit.py tools/exp_prime_vs_mod6_sr_boundary.py tools/exp_boundary_graph_null_audit.py tools/exp_boundary_short_denominator_extension.py tools/dnd_gue_test.py tools/test_gue_poisson_boundary.py tools/exp_rp_boundary_size_stability_audit.py tools/exp_markov_memory_by_gue_type.py tools/exp_anderson3d_endpoint_preserving_null.py tools/gue_gap_test.py tools/exp_poisson_convergence.py tools/exp_aubry_cosine_boundary_counter_gate.py tools/exp_boundary_row_aligned_nonexact_audit.py tools/exp_vc_null_regression_gate.py tools/exp_boundary_blank_thin_support_audit.py tools/exp_boundary_denominator_prescan.py tools/exp_boundary_coherence.py tools/exp_boundary_transition_taxonomy_13rows.py tools/exp_boundary_mixture_gate.py tools/exp_anderson3d_mobility_edge_two_reader_audit.py tools/exp_3d_boundary_layers.py tools/exp_boundary_blank_null_audit.py tools/exp_endpoint_gated_rp_boundary.py tools/exp_boundary_shuffle_audit.py tools/exp_boundary_residual_beta_absent_audit.py tools/exp_semireal_boundary_transfer_gate.py tools/prime_mod6_counter_null_audit.py tools/exp_boundary_growth.py tools/exp_vc_nonsturmian_label_null_gate.py tools/exp_photonic_boundary_third_included_gate.py tools/exp_prime_sr_persistent_boundary.py tools/exp_boundary_two_axis_matrix.py tools/prime_mod6_null_fairness_audit.py tools/exp_endpoint_feature_scramble_null.py tools/exp_boundary_bridge_stability_audit.py tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w4096.trace.jsonl tools/data/boundary_denominator_prescan_20260509_1409.json tools/data/component_state_anderson3d_interface_20260514_1850.json tools/data/vc_nonsturmian_label_null_gate_20260509_0819.json tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json tools/data/photonic_boundary_third_included_gate_20260515_1734.json tools/data/boundary_graph_residue_threshold_audit_20260516_0720.json tools/data/boundary_denominator_prescan_full_20260509_1500.json tools/data/endpoint_feature_scramble_null_20260516_1058.json tools/data/boundary_graph_null_audit_20260516_0330.json tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w16384.trace.jsonl tools/data/vc_null_regression_gate_20260509_0637.json tools/data/restore_backups/pre_restore_20260514_1330/reports/latest.md tools/data/prime_vs_mod6_sr_boundary_20260514_0330.json tools/data/boundary_denominator_prescan_20260509_1430.json tools/data/anderson3d_mobility_edge_two_reader_audit_20260515_1947.json tools/data/preflight/prime_mod6_generative_null_audit_20260515_1705_w1024.json tools/data/boundary_two_axis_matrix_20260509_1532.json tools/data/preflight/prime_mod6_generative_null_audit_20260515_w512.json tools/data/preflight/prime_mod6_null_fairness_audit_20260515_1712_w2048.json tools/data/tool_contracts/runs/component_state_anderson3d_20260514_1850.json tools/data/markov_memory_by_gue_type.json tools/data/prime_vs_mod6_sr_boundary_20260513_0330.json tools/data/preflight/prime_mod6_null_fairness_audit_20260515_1705_w1024.json tools/data/preflight/prime_mod6_counter_null_audit_20260515.json tools/data/preflight/prime_mod6_null_fairness_audit_20260515_w512.json tools/data/preflight/prime_mod6_generative_null_audit_20260515_1712_w2048.json tools/data/physical_sr_residue_bounce_20260514_1640_goe_gue_ncurve.json tools/data/boundary_short_denominator_extension_20260509_1556.json tools/data/preflight/reports_quarantine_manifest.json_backup_pre_1724_public_rollback_20260515 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/prime_vs_mod6_sr_boundary_20260514_1605_w8192.trace.jsonl tools/data/component_state_anderson3d_interface_20260514_1850.trace.jsonl tools/data/prime_vs_mod6_sr_boundary_20260514_1605_w16384.json 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/boundary_row_aligned_nonexact_audit_20260509_1538.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096_dense.trace.jsonl tools/data/boundary_blank_null_audit_20260509_1430.json tools/data/prime_vs_mod6_sr_boundary_20260513_0330_seedcheck.json tools/data/boundary_graph_curvature_gate_20260515_1855.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096.json tools/data/rp_boundary_size_stability_audit_20260515_1940.json tools/data/boundary_classical_crossover_audit_20260515_1904.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/prime_vs_mod6_sr_boundary_20260514_0330_seedcheck.trace.jsonl tools/data/aubry_boundary_phase_transport_gate_20260515_1745.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w2048.json tools/data/rp_boundary_raw_count_null_audit_20260516_0820.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w1024.json tools/data/prime_sr_persistent_boundary_20260512_0330_seedcheck.json tools/data/anderson3d_component_state_interface_input_20260514_1850.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096.trace.jsonl tools/data/exp_poisson_convergence.json tools/data/boundary_shuffle_audit.json tools/data/physical_sr_residue_bounce_20260514_1640_goe_gue_ncurve.trace.jsonl tools/data/boundary_blank_null_audit_residual_20260509_1500.json tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json tools/data/3d_boundary_layers.json tools/data/piano11b_gue_test.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/boundary_transition_taxonomy_13rows_20260509_1839.json tools/data/prime_vs_mod6_sr_boundary_20260514_1458_w4096_dense.json tools/data/endpoint_gated_rp_boundary_20260516_1104.json tools/data/vc_unit_boundary_audit_20260509_1457.json tools/data/reports/loop_guard_20260515_1758.json tools/data/reports/loop_guard_20260508_1632.json tools/data/reports/insights_20260315_0346.json tools/data/reports/loop_guard_20260509_1444.json tools/data/reports/agent_20260507_0923.md tools/data/reports/agent_20260410_0330.md tools/data/reports/ddf_20260428_0405.json tools/data/reports/agent_20260430_0330.md tools/data/reports/agent_20260507_2310.md tools/data/reports/ddf_20260510_0405.json tools/data/reports/falsifier_20260507_0803.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_1605_w4096.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w1024.trace.jsonl tools/data/boundary_residual_beta_absent_audit_20260510_0330.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w512.trace.jsonl tools/data/prime_vs_mod6_sr_boundary_20260514_0330.trace.jsonl tools/data/reports/falsifier_20260507_1804.json tools/data/reports/falsifier_20260508_1632.raw.txt tools/data/reports/gap_labeling_20260305_1111.json tools/data/reports/falsifier_20260508_2121.json tools/data/reports/falsifier_20260509_1444.json tools/data/reports/next_exec_20260329_0343.json tools/data/reports/agent_20260515_1855.md tools/data/reports/agent_20260515_1826.md tools/data/reports/agent_20260424_0330.md tools/data/reports/next_exec_20260405_0729.json tools/data/reports/fibonacci_spectrum_20260306_1834.json tools/data/reports/agent_20260509_1337.md tools/data/reports/report_20260329_0343.md tools/data/reports/falsifier_20260514_1649.json tools/data/reports/agent_20260506_1955.md tools/data/reports/agent_20260509_1556.md tools/data/reports/agent_20260423_0330.md tools/data/reports/agent_20260430_1905.md tools/data/reports/trajectory_apply_20260507_1042.json tools/data/reports/agent_20260421_0330.md tools/data/reports/loop_guard_20260508_2019.json tools/data/reports/gap_labeling_20260307_0342.json tools/data/reports/falsifier_20260515_1826.json tools/data/reports/evolution_20260420_0330.md tools/data/reports/ddf_20260501_0405.json tools/data/reports/next_exec_20260307_0342.json tools/data/reports/ddf_20260326_0405.json tools/data/reports/ddf_20260420_0405.json tools/data/reports/next_exec_20260405_0330.json tools/data/reports/ddf_20260511_0405.json tools/data/reports/ddf_20260402_0405.json tools/data/reports/loop_guard_20260516_1124.json tools/data/reports/loop_guard_20260508_0330.json tools/data/reports/ddf_20260415_0405.json tools/data/reports/exp_desitter_unification.json tools/data/reports/loop_guard_20260507_0942.json tools/data/reports/report_20260402_0344.md tools/data/reports/insights_20260329_0343.json tools/data/reports/agent_20260508_1632.md tools/data/reports/agent_20260509_0819.md tools/data/reports/loop_guard_20260515_1915.json tools/data/reports/incident_20260504_1138.md tools/data/reports/agent_20260416_0330.md tools/data/reports/report_20260314_0342.md tools/data/boundary_mixture_gate_20260507_0330_seedcheck.json tools/data/reports/loop_guard_20260512_0330.json tools/data/reports/ddf_20260401_0405.json tools/data/reports/report_20260315_0342.md tools/data/reports/ddf_20260403_0405.json tools/data/reports/agent_20260516_0720.md tools/data/reports/agent_20260516_1111.md tools/data/reports/agent_20260516_1124.md tools/data/reports/tension_projection_screening_2026-04-21.json tools/data/reports/loop_guard_20260508_0011.json tools/data/reports/exp_metric_tensor_diag_long.json tools/data/reports/loop_guard_20260509_1400.json tools/data/reports/agent_20260507_2042.md tools/data/reports/falsifier_20260503_0330.json tools/data/reports/falsifier_20260513_0330.json tools/data/reports/agent_20260514_1640.md tools/data/reports/phi_vs_silver_falsification_20260306.json tools/data/reports/falsifier_20260507_0901.json tools/data/reports/insights_20260305_0852.json tools/data/reports/falsifier_20260515_1940.json tools/data/reports/loop_guard_20260507_2120.json tools/data/reports/agent_20260507_0330.md tools/data/reports/trace_map_20260305_0844.json tools/data/reports/cycle_20260306_0342.json tools/data/reports/ddf_20260405_0405.json tools/data/reports/trajectory_apply_20260507_0942.json tools/data/reports/agent_20260508_0011.md tools/data/reports/agent_20260507_1957.md tools/data/reports/falsifier_20260508_0011.json tools/data/reports/falsifier_20260508_1834.json tools/data/reports/agent_20260501_0931.md tools/data/reports/loop_guard_20260507_2042.json tools/data/reports/agent_20260429_1041.md tools/data/reports/ddf_20260325_0405.json tools/data/reports/falsifier_20260516_1124.json tools/data/reports/falsifier_20260505_0330.json tools/data/reports/gap_labeling_20260315_0343.json tools/data/reports/ddf_20260404_0405.json tools/data/reports/cycle_20260305_0844.json tools/data/reports/falsifier_20260508_1909.json tools/data/reports/evolution_20260505_0330.md tools/data/reports/falsifier_20260509_1538.json tools/data/reports/agent_20260515_1758.md tools/data/reports/agent_20260516_1117.md tools/data/reports/report_20260403_0330.md tools/data/reports/agent_20260417_0803.md tools/data/reports/falsifier_20260516_1117.json tools/data/reports/falsifier_20260507_0330.raw.txt tools/data/reports/insights_20260403_0330.json tools/data/reports/agent_diag2.md tools/data/reports/evolution_20260506_0330.md tools/data/reports/next_exec_20260404_0330.json tools/data/reports/loop_guard_20260515_1724.json tools/data/reports/falsifier_20260515_1712.raw.txt tools/data/reports/report_20260328_0344.md tools/data/reports/agent_20260509_0846.md tools/data/reports/falsifier_20260516_1104.json tools/data/reports/evolution_20260421_0330.md tools/data/reports/agent_20260507_1751.md tools/data/reports/evolution_20260425_0330.md tools/data/reports/falsifier_20260510_0330.json tools/data/reports/agent_20260508_2019.md tools/data/reports/agent_20260418_0330.md tools/data/reports/loop_guard_20260516_1058.json tools/data/reports/agent_test_0406.md tools/data/reports/agent_20260514_1701.md tools/data/reports/falsifier_20260509_1409.json tools/data/reports/evolution_20260423_0330.md tools/data/reports/agent_20260508_1805.md tools/data/reports/agent_20260516_1104.md tools/data/reports/falsifier_20260509_0741.json tools/data/reports/agent_20260413_0330.md tools/data/reports/report_20260401_0346.md tools/data/reports/falsifier_20260507_1957.json tools/data/reports/loop_guard_20260511_0330.json tools/data/reports/agent_20260514_1656.md tools/data/reports/falsifier_20260516_1045.json tools/data/reports/agent_20260514_0330.md tools/data/reports/falsifier_20260508_2102.json tools/data/reports/loop_guard_20260515_1904.json tools/data/reports/trajectory_apply_20260507_0803.json tools/data/reports/loop_guard_20260507_1957.json tools/data/reports/ddf_20260504_0405.json tools/data/reports/ddf_20260413_0405.json tools/data/reports/agent_20260507_1458.md tools/data/reports/falsifier_20260516_1058.json tools/data/reports/agent_20260508_1834.md tools/data/reports/falsifier_20260515_1712.json tools/data/reports/loop_guard_20260508_2108.json tools/data/reports/agent_20260509_0652.md tools/data/reports/loop_guard_20260509_0652.json tools/data/reports/ddf_20260416_0405.json tools/data/reports/ddf_20260507_0405.json tools/data/reports/evolution_20260419_0330.md tools/data/reports/falsifier_20260506_1941.json tools/data/reports/falsifier_20260509_1400.json tools/data/reports/report_20260326_0343.md tools/data/reports/evolution_20260428_0330.md tools/data/reports/agent_20260514_1850.md tools/data/reports/falsifier_20260508_1805.json tools/data/reports/agent_20260506_0625.md tools/data/reports/falsifier_20260514_0330.json tools/data/reports/falsifier_20260508_0330.json tools/data/reports/loop_guard_20260507_0901.json tools/data/reports/loop_guard_20260515_1623.json tools/data/reports/loop_guard_20260509_1409.json tools/data/reports/loop_guard_20260514_1656.json tools/data/reports/falsifier_20260430_1905.json tools/data/reports/agent_20260405_0919.md tools/data/reports/ddf_20260423_0405.json tools/data/prime_vs_mod6_sr_boundary_20260514_1330_w512.json tools/data/reports/ddf_20260503_0405.json tools/data/reports/agent_20260516_0921.md tools/data/reports/falsifier_20260515_1904.json tools/data/reports/falsifier_20260508_1947.json tools/data/reports/next_exec_20260330_0344.json tools/data/reports/agent_20260516_0820.md tools/data/reports/loop_guard_20260507_0803.json tools/data/reports/agent_20260507_0901.md tools/data/reports/falsifier_20260514_1701.json tools/data/reports/loop_guard_20260515_1712.json tools/data/reports/agent_20260509_1457.md tools/data/reports/ddf_20260315_0811.json tools/data/reports/loop_guard_20260508_1915.json tools/data/reports/loop_guard_20260515_1807.json tools/data/reports/falsifier_20260515_1705.json tools/data/reports/falsifier_20260516_1007.json tools/data/reports/ddf_20260320_0405.json tools/data/reports/report_20260331_1809.md tools/data/reports/falsifier_20260509_0330.json tools/data/reports/loop_guard_20260509_1556.json tools/data/reports/loop_guard_20260509_1427.json tools/data/reports/loop_guard_20260509_1548.json tools/data/reports/falsifier_20260511_0330.json tools/data/reports/agent_20260515_1712.md tools/data/reports/falsifier_20260507_0923.raw.txt tools/data/reports/ddf_20260316_0405.json tools/data/reports/ddf_20260506_0405.json tools/data/reports/loop_guard_20260516_1111.json tools/data/reports/ddf_20260508_0405.json tools/data/reports/agent_20260508_2013.md tools/data/reports/agent_20260504_1219.md tools/data/reports/falsifier_20260430_1919.json tools/data/reports/falsifier_20260504_1219.json tools/data/reports/loop_guard_20260514_1330.json tools/data/reports/ddf_20260409_0405.json tools/data/reports/ddf_20260411_0405.json tools/data/reports/agent_20260509_1400.md tools/data/reports/agent_20260515_1734.md tools/data/reports/exp_acf_decay_data.json tools/data/reports/ddf_20260512_0405.json tools/data/reports/falsifier_20260502_0330.json tools/data/reports/ddf_20260515_0405.json tools/data/reports/agent_20260516_0330.md tools/data/reports/fibonacci_spectrum_20260305_0756.json tools/data/reports/loop_guard_20260515_1855.json tools/data/reports/trace_map_20260305_0843.json tools/data/reports/agent_20260509_1409.md tools/data/reports/agent_20260516_1045.md tools/data/reports/agent_20260508_2108.md tools/data/reports/report_20260404_0330.md tools/data/reports/falsifier_20260516_0330.json tools/data/reports/next_exec_20260314_0342.json tools/data/reports/falsifier_20260509_0829.json tools/data/reports/agent_20260507_0942.md tools/data/reports/falsifier_20260509_1437.json tools/data/reports/falsifier_20260516_0938.json tools/data/reports/falsifier_20260507_1458.json tools/data/reports/loop_guard_20260515_1826.json tools/data/reports/falsifier_20260507_2120.json tools/data/reports/loop_guard_20260509_1437.json tools/data/reports/report_20260306_0341.md tools/data/reports/ddf_20260502_0405.json tools/data/reports/falsifier_20260508_2133.json tools/data/reports/falsifier_20260515_1915.json tools/data/reports/ddf_20260315_0815.json tools/data/reports/ddf_20260419_0405.json tools/data/reports/agent_20260516_1007.md tools/data/reports/loop_guard_20260515_1647.json tools/data/reports/exp_geodesic_deviation_primes.json tools/data/reports/falsifier_20260509_1556.json tools/data/reports/falsifier_20260516_1031.json tools/data/reports/loop_guard_20260509_1538.json tools/data/reports/falsifier_20260507_1938.json tools/data/reports/agent_20260508_1909.md tools/data/reports/agent_20260419_0755.md tools/data/reports/falsifier_20260508_2005.json tools/data/reports/agent_20260412_0330.md tools/data/reports/agent_20260508_2133.md tools/data/reports/ddf_20260414_0405.json tools/data/reports/agent_20260515_1947.md tools/data/reports/agent_20260514_1330.md tools/data/reports/trajectory_apply_20260506_1931.json tools/data/reports/loop_guard_20260514_1612.json tools/data/reports/evolution_20260417_0803.md tools/data/reports/agent_20260508_2121.md tools/data/reports/agent_20260511_0330.md tools/data/reports/loop_guard_20260516_0330.json tools/data/reports/insights_20260405_0729.json tools/data/reports/loop_guard_20260508_1715.json tools/data/reports/falsifier_20260516_0720.json tools/data/reports/falsifier_20260508_2108.json tools/data/reports/report_20260304_0342.md tools/data/reports/loop_guard_20260507_1458.json tools/data/reports/loop_guard_20260515_1816.json tools/data/reports/agent_20260425_0330.md tools/data/reports/agent_20260507_1938.md tools/data/reports/agent_20260508_2005.md tools/data/reports/agent_20260509_1437.md tools/data/reports/loop_guard_20260514_1850.json tools/data/reports/agent_20260515_1940.md tools/data/reports/exp_ricci_primes.json tools/data/reports/report_20260405_0715.md tools/data/reports/falsifier_20260430_1946.json tools/data/reports/loop_guard_20260507_1804.json tools/data/reports/falsifier_20260509_1516.json tools/data/reports/falsifier_20260509_0659.json tools/data/reports/ddf_20260426_0405.json tools/data/reports/agent_20260507_1804.md tools/data/reports/report_20260307_0342.md tools/data/reports/report_20260303_0341.md tools/data/reports/next_exec_20260305_1111.json tools/data/reports/evolution_20260422_1616.md tools/data/reports/falsifier_20260501_0330.json tools/data/reports/agent_20260426_0330.md tools/data/reports/agent_20260508_1715.md tools/data/reports/agent_20260509_1444.md tools/data/reports/exp_number_variance_test.json tools/data/reports/agent_20260505_1022.md tools/data/reports/loop_guard_20260515_1933.json tools/data/reports/mapping_validation_2026-04-21.json tools/data/reports/loop_guard_20260516_0820.json tools/data/reports/ddf_20260329_0405.json tools/data/reports/loop_guard_20260513_0330.json tools/data/reports/loop_guard_20260508_1909.json tools/data/reports/report_20260305_2121.md tools/data/reports/ddf_20260317_0405.json tools/data/reports/loop_guard_20260516_1007.json tools/data/reports/agent_20260514_1649.md tools/data/reports/loop_guard_20260515_1734.json tools/data/reports/ddf_20260514_0405.json tools/data/reports/insights_20260306_1834.json tools/data/reports/falsifier_20260514_1656.json tools/data/reports/loop_guard_20260516_0921.json tools/data/reports/trajectory_apply_20260507_0330.json tools/data/reports/agent_20260509_1427.md tools/data/reports/falsifier_20260508_2108.raw.txt tools/data/reports/agent_20260512_0330.md tools/data/reports/loop_guard_20260515_1705.json tools/data/reports/falsifier_20260516_0921.json tools/data/reports/falsifier_20260507_1006.json tools/data/reports/falsifier_20260514_1631.json tools/data/reports/ddf_20260422_0405.json tools/data/reports/falsifier_20260515_1807.json tools/data/reports/agent_20260509_1538.md tools/data/reports/loop_guard_20260507_2310.json tools/data/reports/ddf_20260318_0405.json tools/data/reports/agent_20260514_1612.md tools/data/reports/falsifier_20260508_1715.json tools/data/reports/agent_20260507_0803.md tools/data/reports/next_exec_20260401_0346.json tools/data/reports/falsifier_20260509_0846.json tools/data/reports/ddf_20260427_0405.json tools/data/reports/next_exec_20260331_0345.json tools/data/reports/report_20260404_1852.md tools/data/reports/agent_20260516_1031.md tools/data/reports/loop_guard_20260514_1605.json tools/data/reports/falsifier_20260507_0803.raw.txt tools/data/reports/falsifier_20260509_1839.json tools/data/reports/exp_excess_scaling_20260405.json tools/data/reports/falsifier_20260516_0820.json tools/data/reports/falsifier_20260509_1427.json tools/data/reports/falsifier_20260507_1042.raw.txt tools/data/reports/report_20260305_0342.md tools/data/reports/falsifier_20260509_1548.json tools/data/reports/evolution_20260422_0330.md tools/data/reports/agent_20260505_0330.md tools/data/reports/loop_guard_20260508_1947.json tools/data/reports/ddf_20260331_0405.json tools/data/reports/agent_20260515_1915.md tools/data/reports/agent_20260515_1705.md tools/data/reports/gap_labeling_20260306_1834.json tools/data/reports/falsifier_20260516_0921.raw.txt tools/data/reports/agent_20260503_0330.md tools/data/reports/exp_boundary_growth_20260405_0914.json tools/data/reports/ddf_20260417_0405.json tools/data/reports/agent_20260513_0330.md tools/data/reports/falsifier_20260512_0330.json tools/data/reports/loop_guard_20260515_1940.json tools/data/reports/loop_guard_20260508_2013.json tools/data/reports/agent_20260507_2120.md tools/data/reports/ddf_20260505_0405.json tools/data/reports/loop_guard_20260507_0330.json tools/data/reports/loop_guard_20260509_1532.json tools/data/reports/report_20260330_0344.md tools/data/reports/loop_guard_20260516_0720.json tools/data/reports/falsifier_20260501_0725.json tools/data/reports/agent_20260405_0825.md tools/data/reports/agent_20260406_0714.md tools/data/reports/loop_guard_20260515_1745.json tools/data/reports/report_20260315_0801.md tools/data/reports/loop_guard_20260507_1042.json tools/data/reports/agent_20260507_1006.md tools/data/reports/agent_20260419_0330.md tools/data/reports/falsifier_20260429_1041.json tools/data/reports/loop_guard_20260507_1938.json tools/data/reports/agent_20260509_0637.md tools/data/reports/gap_labeling_20260306_0341.json tools/data/reports/agent_20260422_0330.md tools/data/reports/evolution_20260418_0330.md tools/data/reports/agent_20260509_0330.md tools/data/reports/ddf_20260505_0636.json tools/data/reports/ddf_20260322_0405.json tools/data/reports/loop_guard_20260516_1019.json tools/data/reports/ddf_20260509_0405.json tools/data/reports/ddf_20260424_0405.json tools/data/reports/agent_20260504_0901.md tools/data/reports/loop_guard_20260514_0330.json tools/data/reports/falsifier_20260514_1330.json tools/data/reports/ddf_20260430_0405.json tools/data/reports/agent_20260508_0330.md tools/data/reports/agent_20260509_1548.md tools/data/reports/falsifier_20260515_1734.json tools/data/reports/agent_20260508_2140.md tools/data/reports/agent_20260516_1058.md tools/data/reports/agent_20260508_1947.md tools/data/reports/insights_20260401_0346.json tools/data/reports/report_20260405_0330.md tools/data/reports/loop_guard_20260507_0923.json tools/data/reports/fibonacci_spectrum_20260306_0342.json tools/data/reports/quarantine_manifest.json tools/data/reports/loop_guard_20260509_0659.json tools/data/reports/agent_20260407_0637.md tools/data/reports/agent_20260408_0330.md tools/data/reports/agent_20260406_1030.md tools/data/reports/trajectory_apply_20260506_1941.json tools/data/reports/agent_20260515_1659.md tools/data/reports/falsifier_20260515_1855.json tools/data/reports/loop_guard_20260515_1659.json tools/data/reports/loop_guard_20260514_1458.json tools/data/reports/next_exec_20260306_1834.json tools/data/reports/loop_guard_20260516_1104.json tools/data/reports/ddf_20260321_0405.json tools/data/reports/agent_20260515_1816.md tools/data/reports/falsifier_20260507_1751.json tools/data/reports/falsifier_20260509_0819.json tools/data/reports/agent_20260506_1941.md tools/data/reports/ddf_20260418_0405.json tools/data/reports/ddf_20260410_0405.json tools/data/reports/agent_20260422_1616.md tools/data/reports/next_exec_20260327_0344.json tools/data/reports/falsifier_20260507_1419.json tools/data/reports/falsifier_20260516_1111.json tools/data/reports/loop_guard_20260514_1640.json tools/data/reports/agent_20260506_0330.md tools/data/reports/loop_guard_20260507_1419.json tools/data/reports/_quarantine_falsifier_29_04/agent_20260429_0852.md tools/data/reports/falsifier_20260515_1758.json tools/data/reports/agent_20260509_0829.md tools/data/reports/next_exec_20260328_0344.json tools/data/reports/falsifier_20260507_0923.json tools/data/reports/incident_20260504_0721.md tools/data/reports/agent_20260509_1839.md tools/data/reports/_quarantine_falsifier_29_04/falsifier_20260429_0958.json tools/data/reports/agent_20260509_0741.md tools/data/reports/_quarantine_falsifier_29_04/falsifier_20260429_0852.json tools/data/reports/agent_20260509_0837.md tools/data/reports/_quarantine_falsifier_29_04/agent_20260429_0833.md tools/data/reports/ddf_20260324_0405.json tools/data/reports/_quarantine_falsifier_29_04/agent_20260429_0958.md tools/data/reports/loop_guard_20260507_2203.json tools/data/reports/_quarantine_falsifier_29_04/evolution_20260429_0852.md tools/data/reports/_quarantine_falsifier_29_04/evolution_20260429_0958.md tools/data/reports/ddf_20260327_0405.json tools/data/reports/_quarantine_falsifier_29_04/agent_20260429_0829.md tools/data/reports/agent_20260502_0330.md tools/data/reports/falsifier_20260514_1850.json tools/data/reports/falsifier_20260515_1933.json tools/data/reports/loop_guard_20260509_0846.json tools/data/reports/hierarchy_data.json tools/data/reports/loop_guard_20260509_0819.json tools/data/reports/exp_crossover_universality.json tools/data/reports/trajectory_apply_20260506_1955.json tools/data/reports/loop_guard_20260508_2133.json tools/data/reports/agent_20260516_1019.md tools/data/reports/loop_guard_20260516_1031.json tools/data/reports/agent_20260515_1904.md tools/data/reports/loop_guard_20260507_1006.json tools/data/reports/falsifier_20260514_1640.json tools/data/reports/agent_20260507_2157.md tools/data/reports/loop_guard_20260516_1045.json tools/data/reports/lagrangiana_20260305_1048.json tools/data/reports/evolution_20260427_0330.md tools/data/reports/cycle_20260315_0346.json tools/data/reports/evolution_20260424_0330.md tools/data/reports/falsifier_20260507_2203.json tools/data/reports/falsifier_20260501_0931.json tools/data/reports/falsifier_20260507_0330.json tools/data/reports/loop_guard_20260514_1631.json tools/data/reports/loop_guard_20260509_1839.json tools/data/reports/trajectory_apply_20260507_1006.json tools/data/reports/agent_20260429_1013.md tools/data/reports/exp_boundary_20260405_0825.json tools/data/reports/next_exec_20260403_0330.json tools/data/reports/loop_guard_20260516_1117.json tools/data/reports/loop_guard_20260509_1337.json tools/data/reports/falsifier_20260515_1745.json tools/data/reports/falsifier_20260506_0330.raw.txt tools/data/reports/falsifier_20260506_1955.raw.txt tools/data/reports/ddf_20260406_0405.json tools/data/reports/loop_guard_20260508_2140.json tools/data/reports/agent_20260507_1042.md tools/data/reports/exp_brody_crossover_20260405.json tools/data/reports/ddf_20260513_0405.json tools/data/reports/loop_guard_20260509_0837.json tools/data/reports/cycle_20260306_1834.json tools/data/reports/falsifier_20260515_1724.json tools/data/reports/ddf_20260323_0405.json tools/data/reports/next_exec_20260315_0346.json tools/data/reports/falsifier_20260515_1623.json tools/data/reports/agent_20260509_0659.md tools/data/reports/falsifier_20260507_2042.json tools/data/reports/agent_20260501_0725.md tools/data/reports/loop_guard_20260508_1834.json tools/data/reports/falsifier_20260430_0330.json tools/data/reports/trajectory_apply_20260507_0901.json tools/data/reports/falsifier_20260507_1458.raw.txt tools/data/reports/agent_20260515_1647.md tools/data/reports/falsifier_20260509_1457.json tools/data/reports/agent_20260405_0916.md tools/data/reports/ddf_20260516_0405.json tools/data/reports/falsifier_20260509_0652.json tools/data/reports/agent_20260515_1807.md tools/data/reports/ddf_20260429_0405.json tools/data/reports/falsifier_20260509_1337.json tools/data/reports/falsifier_20260514_1458.json tools/data/reports/falsifier_20260507_2310.json tools/data/reports/ddf_20260319_0405.json tools/data/reports/loop_guard_20260509_1457.json tools/data/reports/ddf_20260412_0405.json tools/data/reports/falsifier_20260508_2140.json tools/data/reports/report_20260327_0344.md tools/data/reports/falsifier_20260508_2133.raw.txt tools/data/reports/falsifier_20260515_1816.json tools/data/reports/agent_20260508_2102.md tools/data/reports/falsifier_20260507_0942.json tools/data/reports/report_20260402_0756.md tools/data/reports/falsifier_20260509_1532.json tools/data/reports/falsifier_20260515_1947.json tools/data/reports/loop_guard_20260508_2121.json tools/data/reports/loop_guard_20260515_1947.json tools/data/reports/agent_20260428_0330.md tools/data/reports/loop_guard_20260514_1701.json tools/data/reports/agent_20260430_1919.md tools/data/reports/fibonacci_spectrum_20260305_0844.json tools/data/reports/cycle_20260307_0342.json tools/data/reports/agent_20260515_1933.md tools/data/reports/agent_20260515_1724.md tools/data/reports/ddf_20260328_0405.json tools/data/reports/falsifier_20260507_1938.raw.txt tools/data/reports/falsifier_20260515_1659.json tools/data/reports/agent_20260515_1745.md tools/data/reports/loop_guard_20260509_0829.json tools/data/reports/falsifier_20260514_1605.json tools/data/reports/agent_20260514_1631.md tools/data/reports/agent_20260514_1458.md tools/data/reports/exp_psd_prime_gaps.json tools/data/reports/falsifier_20260506_1955.json tools/data/reports/falsifier_20260515_1647.json tools/data/reports/loop_guard_20260508_2102.json tools/data/reports/falsifier_20260509_0637.json tools/data/reports/evolution_20260503_0330.md tools/data/reports/falsifier_20260508_1915.json tools/data/reports/agent_20260514_1605.md tools/data/reports/ddf_20260407_0405.json tools/data/reports/agent_20260510_0330.md tools/data/reports/falsifier_20260429_1013.json tools/data/reports/falsifier_20260504_0901.json tools/data/reports/loop_guard_20260507_1751.json tools/data/reports/agent_20260515_1623.md tools/data/reports/lagrangiana_20260305_1042.json tools/data/reports/trajectory_apply_20260507_0923.json tools/data/reports/agent_20260411_0330.md tools/data/reports/next_exec_20260306_0342.json tools/data/reports/loop_guard_20260508_1805.json tools/data/reports/falsifier_20260506_0625.json tools/data/reports/exp_dR_brody_connection.json tools/data/reports/falsifier_20260514_1612.json tools/data/reports/agent_20260509_1532.md tools/data/reports/agent_20260507_2203.md tools/data/reports/insights_20260307_0342.json tools/data/reports/agent_20260415_0330.md tools/data/reports/loop_guard_20260509_1516.json tools/data/reports/ddf_20260421_0405.json tools/data/reports/loop_guard_20260510_0330.json tools/data/reports/loop_guard_20260508_2005.json tools/data/reports/falsifier_20260509_0837.json tools/data/reports/loop_guard_20260509_0637.json tools/data/reports/report_20260302_0341.md tools/data/reports/agent_20260501_0330.md tools/data/reports/agent_20260508_1915.md tools/data/reports/evolution_20260504_0330.md tools/data/reports/agent_test_field.md tools/data/reports/falsifier_20260508_2019.json tools/data/reports/agent_20260409_0330.md tools/data/reports/falsifier_20260507_1042.json tools/data/reports/report_20260331_0345.md tools/data/reports/agent_20260516_0938.md tools/data/reports/ddf_20260425_0405.json tools/data/reports/agent_20260420_0330.md tools/data/reports/falsifier_20260508_2013.json tools/data/reports/evolution_20260506_1941.md tools/data/reports/gap_labeling_20260305_0843.json tools/data/reports/agent_20260509_1516.md tools/data/reports/next_exec_20260326_0343.json tools/data/reports/next_exec_20260402_0344.json tools/data/reports/falsifier_20260516_1019.json tools/data/reports/agent_20260507_1419.md tools/data/reports/insights_20260306_0342.json tools/data/reports/agent_20260405_0914.md tools/data/reports/loop_guard_20260509_0741.json tools/data/reports/loop_guard_20260516_0938.json tools/data/reports/ddf_20260408_0405.json tools/data/reports/loop_guard_20260514_1649.json tools/data/reports/agent_20260427_0330.md tools/data/reports/ddf_20260330_0405.json tools/data/reports/loop_guard_20260509_0330.json tools/data/reports/agent_20260430_1946.md exec /bin/bash -lc 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND succeeded in 143ms: 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 traiettoria operativa non è “trovare un nuovo candidato”, ma rendere confrontabili i due null che l’ultimo falsifier ha separato. L’esperimento sarà quindi un audit null-first sul perimetro Anderson 3D/W=20: feature-scramble ed endpoint-preserving, stesso seed/trial count/observable/lettore, senza promuovere il candidato se il null lo ricostruisce. exec /bin/bash -lc "sed -n '1,260p' tools/exp_anderson3d_endpoint_preserving_null.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Endpoint-preserving null for the Anderson 3D two-reader boundary candidate. The 11:17 cycle found W=20 as a cross-size two-reader row, but a full feature scramble reconstructed the count. This audit makes the null stricter and more physical: endpoint rows stay fixed, while only mobility-candidate feature rows are permuted within each size before the candidate is named. """ from __future__ import annotations import argparse import json from pathlib import Path from typing import Any import numpy as np from exp_anderson3d_mobility_edge_two_reader_audit import ( OBS_NAMES, classify_graph, classical_state, parse_ints, stability_state, two_reader_names_from_rows, ) from observables_registry import OBSERVABLES_REGISTRY_VERSION SCALAR_FIELDS = [ "adjacent_r", "brody_q", "wigner_poisson_like_weight", "mean_ipr", "participation_entropy", ] def compact_rows(entry: dict[str, Any]) -> list[dict[str, Any]]: rows = [] for row in entry["rows"]: obs = { "SR": row["median_adjacent_r"], "SR2": row["median_brody_q"], "L1": row["median_wigner_poisson_like_weight"], "L2": row["median_mean_ipr"], "triple_var": row["median_participation_entropy"], "SR_local_rigidity": row["median_adjacent_r"], } rows.append( { "domain_window": row["domain_window"], "disorder_W": row["disorder_W"], "source_domain_type": row["source_domain_type"], "adjacent_r": row["median_adjacent_r"], "brody_q": row["median_brody_q"], "wigner_poisson_like_weight": row["median_wigner_poisson_like_weight"], "mean_ipr": row["median_mean_ipr"], "participation_entropy": row["median_participation_entropy"], "observables": obs, } ) return rows def endpoint_preserving_scramble(rows: list[dict[str, Any]], rng: np.random.Generator) -> list[dict[str, Any]]: trial = [{**row, "observables": dict(row["observables"])} for row in rows] candidate_indices = [ idx for idx, row in enumerate(trial) if row["source_domain_type"] == "mobility_candidate" ] if len(candidate_indices) < 2: return trial for name in OBS_NAMES: values = [trial[idx]["observables"][name] for idx in candidate_indices] rng.shuffle(values) for idx, value in zip(candidate_indices, values): trial[idx]["observables"][name] = float(value) trial_values = {field: [trial[idx][field] for idx in candidate_indices] for field in SCALAR_FIELDS} for field, values in trial_values.items(): rng.shuffle(values) for idx, value in zip(candidate_indices, values): trial[idx][field] = float(value) for idx in candidate_indices: trial[idx]["observables"]["SR_local_rigidity"] = trial[idx]["observables"]["SR"] return trial def classify_size(rows: list[dict[str, Any]], k_values: list[int], graph_margin_max: float) -> dict[str, Any]: graph_hits = {row["domain_window"]: 0 for row in rows} graph_rows_by_k = [] for k in k_values: graph = classify_graph(rows, k, graph_margin_max) graph_rows_by_k.append(graph) for grow in graph["rows"]: if grow["boundary_state"] == "third_included_candidate": graph_hits[grow["domain_window"]] += 1 two_reader = [] row_states = [] for row in rows: freq = graph_hits[row["domain_window"]] / len(k_values) g_state = stability_state(freq) c_state = classical_state(row) if g_state == "stable_graph_bridge" and c_state == "classical_intermediate": two_reader.append(row["domain_window"]) row_states.append( { "domain_window": row["domain_window"], "disorder_W": row["disorder_W"], "source_domain_type": row["source_domain_type"], "graph_bridge_frequency": round(freq, 6), "stability_state": g_state, "classical_audit_state": c_state, "composite_state": f"{g_state}+{c_state}", } ) return {"two_reader_rows": sorted(two_reader), "row_states": row_states, "graph_rows_by_k": graph_rows_by_k} def run(args: argparse.Namespace) -> dict[str, Any]: with Path(args.source).open(encoding="utf-8") as f: source = json.load(f) k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) graph_margin_max = float(source["parameters"]["graph_margin_max"]) base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} observed_sets = {} observed_size_audit = {} for l_size, rows in base_by_size.items(): audit = classify_size(rows, k_values, graph_margin_max) observed_sets[l_size] = set(audit["two_reader_rows"]) observed_size_audit[str(l_size)] = audit["two_reader_rows"] observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] observed_count = len(observed_all) rng = np.random.default_rng(args.null_seed) null_counts = [] named_hits: dict[str, int] = {} size_null_hits: dict[str, int] = {str(l_size): 0 for l_size in base_by_size} for _ in range(args.null_trials): trial_sets = [] for l_size, rows in base_by_size.items(): trial_rows = endpoint_preserving_scramble(rows, rng) names = two_reader_names_from_rows(trial_rows, argparse.Namespace(k_values=",".join(map(str, k_values)), graph_margin_max=graph_margin_max)) trial_sets.append(names) if names: size_null_hits[str(l_size)] += 1 cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] null_counts.append(len(cross)) for name in cross: named_hits[name] = named_hits.get(name, 0) + 1 k_ge = sum(1 for value in null_counts if value >= observed_count) raw_p = k_ge / args.null_trials if args.null_trials else 0.0 add_one_p = (k_ge + 1) / (args.null_trials + 1) if args.null_trials else 1.0 output = { "experiment": "anderson3d_endpoint_preserving_null", "question": "If endpoint rows stay fixed, does W=20 still beat a null that permutes only mobility-candidate feature alignment before candidate naming?", "source": args.source, "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": [ "endpoint_preserving_mobility_candidate_feature_scramble", "two_reader_all_sizes", "graph_bridge_frequency", "classical_audit_state", "raw_p", "add_one_p", ], "parameters": { "sizes": sorted(base_by_size), "k_values": k_values, "graph_margin_max": graph_margin_max, "null_trials": args.null_trials, "null_seed": args.null_seed, "null_policy": "preserve metallic_wigner_pole and localized_poisson_pole rows; permute feature columns only among mobility_candidate rows inside each size", }, "observable_contract": { "claim": "W=20 can be named only after endpoint-preserving candidate-row null fails to reconstruct the cross-size two-reader count", "observable": "cross-size intersection of stable_graph_bridge+classical_intermediate rows", "operator": "Anderson 3D cached row features from 20260516_1117; endpoint-preserving candidate feature permutation", "generator": "fixed endpoint rows plus mobility-candidate row-feature permutation within each size", "denominator": f"{args.null_trials} null trials, same 11 disorder rows and same L=5,6 compact rows from source", "non_possible": "physical promotion if raw_p is high or the named candidate appears frequently under endpoint-preserving null", "not_tested": "new eigensolver data, L>=7, mobility-edge exponent, experimental spectra", }, "summary": { "observed_all_size_count": observed_count, "observed_all_size_rows": observed_all, "observed_size_audit": observed_size_audit, "endpoint_preserving_null": { "observed": observed_count, "k_ge_observed": k_ge, "trials": args.null_trials, "raw_p": round(raw_p, 9), "add_one_p": round(add_one_p, 9), "max_null": max(null_counts) if null_counts else 0, "mean_null": round(float(np.mean(null_counts)), 9) if null_counts else 0.0, }, "size_null_hit_trials": size_null_hits, "cross_size_named_hits": dict(sorted(named_hits.items())), }, } 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") parser.add_argument("--out", default="tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json") parser.add_argument("--null-trials", type=int, default=512) parser.add_argument("--null-seed", type=int, default=202605161124) args = parser.parse_args() run(args) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '1,260p' tools/exp_endpoint_feature_scramble_null.py" in /opt/MM_D-ND succeeded in 0ms: #!/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() exec /bin/bash -lc "sed -n '1,240p' tools/exp_anderson3d_mobility_edge_two_reader_audit.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Two-reader BOUNDARY audit on a 3D Anderson tight-binding flow. The live direction asks whether the Rosenzweig-Porter two-reader gate transfers to a second physical row-aligned flow. Each disorder value W is one row; the classical reader uses spacing/Brody/Wigner-Poisson diagnostics and the graph reader asks whether the same W row sits between metallic and localized poles under kNN perturbations. """ from __future__ import annotations import argparse import json import math from pathlib import Path from types import SimpleNamespace from typing import Any import numpy as np from observables_registry import OBSERVABLES_CANONICAL, OBSERVABLES_REGISTRY_VERSION, SR_local_rigidity from exp_rosenzweig_porter_bridge_physical_audit import ( brody_pdf, empirical_ks, fit_brody_q, fit_mixture_weight, gue_wigner_cdf, normalize_spacings, parse_floats, parse_ints, poisson_cdf, ) OBS_NAMES = list(OBSERVABLES_CANONICAL.keys()) FEATURE_NAMES = OBS_NAMES + [ "SR_local_rigidity", "brody_q", "wigner_poisson_like_weight", "mean_ipr", "participation_entropy", ] def median(values: list[float]) -> float: return float(np.median(np.asarray(values, dtype=float))) def central_slice(n: int, fraction: float) -> slice: keep = max(8, min(n, int(round(n * fraction)))) start = (n - keep) // 2 return slice(start, start + keep) def anderson_hamiltonian(l_size: int, disorder: float, rng: np.random.Generator) -> np.ndarray: n = l_size**3 h = np.diag(rng.uniform(-disorder / 2.0, disorder / 2.0, n)) def idx(x: int, y: int, z: int) -> int: return (x * l_size + y) * l_size + z for x in range(l_size): for y in range(l_size): for z in range(l_size): i = idx(x, y, z) for dx, dy, dz in ((1, 0, 0), (0, 1, 0), (0, 0, 1)): j = idx((x + dx) % l_size, (y + dy) % l_size, (z + dz) % l_size) h[i, j] = 1.0 h[j, i] = 1.0 return h def row_spacings_and_ipr( disorder: float, l_size: int, reps: int, central_fraction: float, seed: int, ) -> tuple[np.ndarray, float, float]: rng = np.random.default_rng(seed) spacings: list[float] = [] iprs: list[float] = [] entropy_values: list[float] = [] n_sites = l_size**3 for _ in range(reps): h = anderson_hamiltonian(l_size, disorder, rng) levels, vectors = np.linalg.eigh(h) central = levels[central_slice(len(levels), central_fraction)] gaps = np.diff(np.sort(central)) gaps = gaps[np.isfinite(gaps) & (gaps > 1e-12)] spacings.extend(gaps.tolist()) subset = vectors[:, central_slice(vectors.shape[1], central_fraction)] probs = np.square(np.abs(subset)) ipr = np.sum(probs * probs, axis=0) iprs.extend(ipr.tolist()) for col in range(probs.shape[1]): p = probs[:, col] p = p[p > 1e-15] entropy_values.append(float(-np.sum(p * np.log(p)) / math.log(n_sites))) if not spacings: raise ValueError(f"W={disorder} produced no spacings") return ( np.asarray(spacings, dtype=float), float(np.mean(iprs)) if iprs else 0.0, float(np.mean(entropy_values)) if entropy_values else 0.0, ) def source_type(disorder: float, metallic_max: float, localized_min: float) -> str: if disorder <= metallic_max: return "metallic_wigner_pole" if disorder >= localized_min: return "localized_poisson_pole" return "mobility_candidate" def adjacent_ratio(spacings: np.ndarray) -> float: gaps = np.asarray(spacings, dtype=float) if len(gaps) < 2: return 0.0 left = gaps[:-1] right = gaps[1:] return float(np.mean(np.minimum(left, right) / np.maximum(left, right))) def compute_row(disorder: float, args: argparse.Namespace, seed: int) -> dict[str, Any]: gaps, mean_ipr, participation_entropy = row_spacings_and_ipr( disorder, args.l_size, args.reps, args.central_fraction, seed, ) s = normalize_spacings(gaps) obs = {name: float(fn(s)) for name, fn in OBSERVABLES_CANONICAL.items()} obs["SR_local_rigidity"] = float(SR_local_rigidity(s)) brody_q, brody_nll = fit_brody_q(s, args.grid_size) mixture_w, mixture_ks = fit_mixture_weight(s, args.grid_size) return { "domain_window": f"Anderson3D_W_{disorder:.2f}", "disorder_W": round(disorder, 6), "source_domain_type": source_type(disorder, args.metallic_pole_max, args.localized_pole_min), "n_spacings": int(len(s)), "adjacent_r": round(adjacent_ratio(s), 9), "mean_ipr": round(mean_ipr, 9), "participation_entropy": round(participation_entropy, 9), "observables": {key: round(value, 9) for key, value in obs.items()}, "brody_q": round(brody_q, 6), "brody_nll": round(brody_nll, 6), "wigner_poisson_like_weight": round(mixture_w, 6), "mixture_ks": round(mixture_ks, 6), } def standardized_matrix(rows: list[dict[str, Any]]) -> np.ndarray: matrix = [] for row in rows: obs = row["observables"] matrix.append( [obs[name] for name in OBS_NAMES] + [ obs["SR_local_rigidity"], row["brody_q"], row["wigner_poisson_like_weight"], row["mean_ipr"], row["participation_entropy"], ] ) x = np.asarray(matrix, dtype=float) center = np.mean(x, axis=0) scale = np.std(x, axis=0, ddof=1) scale[scale <= 1e-15] = 1.0 return (x - center) / scale def build_knn_edges(x: np.ndarray, k: int) -> list[tuple[int, int, float]]: distances = np.linalg.norm(x[:, None, :] - x[None, :, :], axis=2) edges: set[tuple[int, int]] = set() for i in range(len(x)): for j in np.argsort(distances[i])[1 : k + 1]: edges.add((min(i, int(j)), max(i, int(j)))) return [(i, j, float(distances[i, j])) for i, j in sorted(edges)] def classify_graph(rows: list[dict[str, Any]], k: int, margin_max: float) -> dict[str, Any]: x = standardized_matrix(rows) labels = [row["source_domain_type"] for row in rows] metallic_idx = [i for i, label in enumerate(labels) if label == "metallic_wigner_pole"] localized_idx = [i for i, label in enumerate(labels) if label == "localized_poisson_pole"] if not metallic_idx or not localized_idx: raise ValueError("disorder grid must include metallic and localized poles") c_metal = np.mean(x[metallic_idx], axis=0) c_local = np.mean(x[localized_idx], axis=0) edges = build_knn_edges(x, k) degree = {i: 0 for i in range(len(rows))} for i, j, _ in edges: degree[i] += 1 degree[j] += 1 graph_rows = [] for i, row in enumerate(rows): d_metal = float(np.linalg.norm(x[i] - c_metal)) d_local = float(np.linalg.norm(x[i] - c_local)) denom = d_metal + d_local margin = float(abs(d_metal - d_local) / denom) if denom > 1e-15 else 0.0 incident = [(a, b) for a, b, _ in edges if a == i or b == i] cross = 0 for a, b in incident: other = b if a == i else a if labels[i] == "mobility_candidate" and labels[other] in { "metallic_wigner_pole", "localized_poisson_pole", }: cross += 1 elif {labels[i], labels[other]} == {"metallic_wigner_pole", "localized_poisson_pole"}: cross += 1 cross_fraction = float(cross / len(incident)) if incident else 0.0 state = "class_interior" if row["source_domain_type"] == "mobility_candidate" and cross_fraction > 0 and margin < margin_max: state = "third_included_candidate" elif cross_fraction > 0: state = "cut_edge" graph_rows.append( { "domain_window": row["domain_window"], "disorder_W": row["disorder_W"], "source_domain_type": row["source_domain_type"], "centroid_margin": round(margin, 6), "cross_neighbor_fraction": round(cross_fraction, 6), "degree": degree[i], "boundary_state": state, } ) return { "k": k, "rows": graph_rows, exec /bin/bash -lc "sed -n '1,220p' tools/data/reports/agent_20260516_1117.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Anderson 3D Two-Reader Boundary Null **Date**: 2026-05-16 11:17 **Piano**: 131 **Tension explored**: BOUNDARY (0.8) **verdict**: CONSTRAINT - Anderson 3D produce una riga cross-size a due lettori (`W=20.00`), ma il feature-scramble null ricostruisce almeno lo stesso conteggio in `112/128` trial (`raw_p=0.875000000`, `add_one_p=0.875968992`). Il boundary trasferisce come candidato operativo sul dominio, non come terzo incluso fisico promosso. observables_registry: 1.0.0-2026-05-06 observables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, wigner_poisson_like_weight, mean_ipr, participation_entropy, graph_bridge_frequency, size_stability, centroid_margin, cross_neighbor_fraction, classical_audit_state, raw_p, add_one_p] **observable_contract**: claim=il gate BOUNDARY a due lettori trasferisce oltre RP solo se la stessa riga Anderson e' `stable_graph_bridge+classical_intermediate` su tutte le size e batte il feature-scramble null; observable=`two_reader_all_sizes` unito a `graph_bridge_frequency`, adjacent ratio, Brody q, mixture Wigner/Poisson, IPR, entropy; operator=Hamiltoniana Anderson 3D con disorder sweep, seed perturbation e kNN reader; generator=`H=sum_i eps_i |i>M->B**: fisico A = crossover RP GUE/Poisson bloccato dal ciclo 11:11; matematica M = gate a due lettori con trasporto per size e null; fisico B = Anderson 3D mobility edge. Il ritorno fisico resta candidato non promosso. ## Aderenza alla direzione - `relation`: `follows_direction` - `why`: segue la direzione valutatore: porta il gate endpoint/two-reader fuori da RP verso Anderson 3D, dominio fisico indipendente con transizione metallico/localizzato. - `not_drift`: non torna a phi/Sturmian, V_c, fit locali o aumento griglia RP; usa il deposito 11:11 solo come contratto operativo da falsificare fuori dominio. - `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson e spettri fisici reali. - `why_not_drift`: il sotto-perimetro e' regressivo perche' attacca il nodo lasciato aperto dal valutatore: trasferibilita' cross-dominio del boundary. ## Re-discovery audit - **Baseline noto piu vicino**: Anderson localization e mobility edge 3D; crossover Wigner-Dyson/Poisson; Brody interpolation; finite-size scaling della transizione metallico/localizzato. - **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, drift di adjacent ratio/Brody q/IPR, dipendenza da size piccole. - **Cosa resta Lab-specific**: il contratto a due lettori con riga row-aligned, separazione graph-only/classic-only e p-value feature-scramble definito. - **Separazione**: `two_reader_boundary_confirmed=1 cross-size`; `graph_only_residue_by_size={L5:3,L6:4}`; `scope_change_declared=RP_to_Anderson3D`; `graph_baseline_audit=kNN stability/cut-edge persistence`. ## Claim Under Test > Il boundary come terzo incluso trasferisce da RP ad Anderson 3D solo se una riga disorder resta a due lettori su tutte le size e il feature-scramble null non ricostruisce quel conteggio. ## Question Il gate a due lettori trova un confine fisico Anderson, o una combinazione di feature che il null puo' ricomporre senza struttura fisica? ## Ritorno fisico - **Punto fisico sorgente**: crossover spettrale RP GUE/Poisson con residuo finito-size. - **Attraversamento matematico**: grafo kNN standardizzato delle feature spettrali e classificazione classica row-aligned. - **Punto fisico di ritorno**: Anderson 3D mobility edge, transizione metallico/localizzato. - **Controllo concretezza**: il ritorno e' un Hamiltoniano tight-binding 3D con disorder `W`, non una categoria astratta di confine. - **Relazione nuova**: il gate individua `W=20` come riga candidata, ma il null mostra che il lettore puo' ricostruire candidate cross-size. - **Osservabile/test fisico possibile**: ripetere su `L>=7` con sparse eigensolver e null che preserva endpoint fisici ma rompe accoppiamento feature-row. - **Se fallisce**: `ritorno_fisico_non_promosso`: resta vincolo metodologico e candidato da stressare, non scoperta fisica. ## Experiment Design - **Script**: `tools/exp_anderson3d_mobility_edge_two_reader_audit.py`. - **Run**: `python tools/exp_anderson3d_mobility_edge_two_reader_audit.py --out tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json --scramble-trials 128`. - **Scope**: `L=5,6`, `reps=8`, disorder grid `2,4,8,12,14,16,16.5,17,20,24,32`, seeds `202605151947,202605151948`, k values `2,3,4`, central fraction `0.45`. - **Classical reader**: adjacent ratio, Brody q, Wigner/Poisson mixture weight; `classical_intermediate` quando non cade negli endpoint. - **Graph reader**: riga `stable_graph_bridge` se `graph_bridge_frequency >= 0.75` sui k/seed reader. - **P-value**: right-tail; `raw_p=k/N` e `add_one_p=(k+1)/(N+1)`, dove `k` e' il numero di null feature-scramble con conteggio cross-size almeno pari all'osservato. - **Null**: feature-scramble trial che preserva marginali delle feature compatte e rompe accoppiamento row-feature del lettore. - **Non testato**: non misura exponent critico, non usa large-L sparse solver, non confronta dati sperimentali. ## Results | measure | observed | null k/N | raw_p | add_one_p | max null | lettura | |---|---:|---:|---:|---:|---:|---| | two_reader_all_sizes | 1 | 112/128 | 0.875000000 | 0.875968992 | 4 | non significativo | | two_reader_intermittent | 2 | n/a | n/a | n/a | n/a | residuo size-sensitive | | graph_only_residue L=5 | 3 | n/a | n/a | n/a | n/a | graph-only separato | | graph_only_residue L=6 | 4 | n/a | n/a | n/a | n/a | graph-only separato | | W row | L=5 state | L=6 state | all sizes | adjacent r L5/L6 | lettura | |---:|---|---|---|---|---| | 16.00 | stable_graph_bridge+classical_intermediate | parameter_sensitive_bridge+classical_intermediate | no | 0.502545 / 0.514892 | intermittente | | 16.50 | parameter_sensitive_bridge+classical_wigner_endpoint | stable_graph_bridge+classical_intermediate | no | 0.520130 / 0.504157 | intermittente e reader-sensitive | | 20.00 | stable_graph_bridge+classical_intermediate | stable_graph_bridge+classical_intermediate | yes | 0.494405 / 0.491363 | candidato cross-size non promosso | | 24.00 | unstable_non_bridge+classical_intermediate | unstable_non_bridge+classical_intermediate | no | 0.468283 / 0.473644 | endpoint/localizzato non bridge | ## Key Findings 1. Verificato: `W=20.00` e' l'unica riga `stable_graph_bridge+classical_intermediate` su entrambe le size testate. 2. Verificato: `W=16.00` e `W=16.50` sono candidate intermittenti, quindi non trasportano il gate in modo cross-size. 3. Verificato: il null feature-scramble assorbe il conteggio osservato: `112/128` trial arrivano ad almeno `1` candidato, con massimo null `4`. 4. Verificato: esiste residuo graph-only separato (`3` righe a `L=5`, `4` a `L=6`); non viene sommato al boundary a due lettori. 5. Inferito dal perimetro: Anderson 3D e' un contro-perimetro utile, ma il risultato attuale misura fragilita' del lettore piu' che terzo incluso fisico. ## Verdict CONSTRAINT Il gate trasferisce abbastanza da nominare `W=20` come candidato Anderson, ma il null feature-scramble lo ricostruisce. La possibilita' ammessa e' "corridoio Anderson da stressare"; la possibilita' non ammessa e' "boundary fisico promosso". Il prossimo ciclo deve aumentare indipendenza del null o la size fisica, non ripetere il conteggio su `L=5,6`. ## Bicono della scoperta - **Due radici**: riga cross-size osservata; ricostruzione da null. - **Singolare**: disorder row prima della doppia lettura classico/grafo. - **Invariante di passaggio**: row alignment e p-value dichiarato (`raw_p`, `add_one_p`) restano il filtro. - **Campo di possibilita**: possibile = usare Anderson come stress test cross-dominio del gate; non-possibile = promuovere il boundary senza battere il null. ## Consecutio Portare il candidato `W=20` a un audit piu' duro: `L>=7` con sparse eigensolver oppure null endpoint-preserving che mantiene i poli metallic/localized e rompe solo l'accoppiamento delle righe candidate. Se anche li' il null ricostruisce, il boundary resta proprieta' del lettore. ## Ricadute pratiche ssp_value: yes. `tools/exp_anderson3d_mobility_edge_two_reader_audit.py` ora include un feature-scramble null con `raw_p` e `add_one_p`; il dato `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json` diventa regressione negativa riusabile. ## 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; BOUNDARY seguito per contratto vivo valutatore. - `python -m py_compile tools/exp_anderson3d_mobility_edge_two_reader_audit.py` completato. - Run completato: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.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_anderson3d_mobility_edge_two_reader_audit.py` - Data: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json` - Report: `tools/data/reports/agent_20260516_1117.md` exec /bin/bash -lc "sed -n '1,240p' tools/data/reports/agent_20260516_1124.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Anderson Endpoint-Preserving Null **Date**: 2026-05-16 11:24 **Piano**: 132 **Tension explored**: BOUNDARY (0.8) **verdict**: CONSTRAINT - Il null endpoint-preserving riduce la ricostruzione del conteggio cross-size rispetto al feature-scramble pieno, ma non promuove il boundary fisico: nel perimetro compatto osserva `2` righe (`W=16.00`, `W=20.00`) e il null arriva almeno a `2` in `26/512` trial (`raw_p=0.050781250`, `add_one_p=0.052631579`). `W=20` ricompare nominato nel null `32/512` volte. observables_registry: 1.0.0-2026-05-06 observables_used: [endpoint_preserving_mobility_candidate_feature_scramble, two_reader_all_sizes, graph_bridge_frequency, classical_audit_state, raw_p, add_one_p] **observable_contract**: claim=`W=20` si nomina solo dopo un null endpoint-preserving che congela i poli fisici e rompe l'allineamento feature-row delle sole righe mobility-candidate; observable=intersezione cross-size di righe `stable_graph_bridge+classical_intermediate`; operator=righe compatte Anderson 3D dal deposito 11:17 + permutazione feature candidate-only; generator=poli metallic/localized fissi, righe candidate rimescolate dentro ciascuna size; denominator=11 disorder rows x 2 size compatte, 512 null trial; non_possible=promozione fisica se il null ricostruisce il conteggio o rinomina spesso il candidato; not_tested=nuovi autovalori, `L>=7`, exponent mobility edge, spettri sperimentali. ## Respiro fuori-tempo - **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY + direzione seme "8 domini GUE, 5 Poisson". - **Dipolo / punto-zero**: polo fisico congelato / riga candidata libera. Punto-zero: la riga disorder prima della nominazione. - **Piano superiore**: topologia del bordo su grafo row-aligned; i poli sono vincolo fisico, la zona intermedia e' il campo da falsificare. - **Operatori laterali scelti**: boundary operator, graph rewiring, spectrum-preserving/candidate-only shuffle. - **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:17; PVI applicato al presupposto "un null piu' fisico salva W=20"; Vault = `W=20` resta candidato ricorrente, non scoperta. - **Proto-ipotesi**: se il terzo incluso e' fisico, un null che preserva i poli non deve ricostruire la stessa molteplicita' cross-size. - **Possibile/non-possibile**: possibile = il null endpoint-preserving e' piu' severo del feature-scramble pieno e lascia un residuo vicino soglia; non-possibile = promuovere `W=20` quando viene rinominato dal null. - **Proiezione**: misuro conteggio cross-size su righe compatte del run 11:17 e `512` permutazioni candidate-only. - **Movimento A->M->B**: fisico A = Anderson 3D mobility-edge row `W=20`; matematica M = null endpoint-preserving prima della nominazione; fisico B = stress test del candidato con poli fisici congelati. Il ritorno fisico resta vincolo. ## Aderenza alla direzione - `relation`: `follows_direction` - `why`: segue il frame BOUNDARY cross-dominio imponendo `null_first -> candidate_name -> physical_return` sul candidato Anderson lasciato aperto dal ciclo 11:17. - `not_drift`: non torna a phi/Sturmian, V_c o fit locali; lavora sul dominio Anderson e sul nodo regressivo del null che aveva falsificato la promozione. - `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson e un audit fisico large-L. - `why_not_drift`: il sotto-perimetro e' regressivo: isola il punto dove il gate precedente nominava il candidato prima che il null lo vincolasse. ## Re-discovery audit - **Baseline noto piu vicino**: Anderson localization, crossover Wigner-Dyson/Poisson, Brody interpolation, finite-size scaling della transizione metallico/localizzato. - **Cosa assorbe il baseline**: righe intermedie vicino a mobility edge, dipendenza da size piccole, sensibilita' a feature compatte. - **Cosa resta Lab-specific**: il contratto `null-first` con poli fisici congelati e rimescolamento delle sole righe candidate prima della nominazione. - **Separazione**: `two_reader_boundary_confirmed=2` nel perimetro compatto; `graph_only_residue` non sommato; `scope_change_declared=raw-reader_11:17_to_compact-row_null`; `graph_baseline_audit=kNN/row-feature rewiring`. ## Claim Under Test > `W=20` resta candidato fisico solo se un null endpoint-preserving, applicato prima della nominazione, non ricostruisce il conteggio cross-size e non rinomina spesso la stessa riga. ## Question Il candidato Anderson resta distinto dal null quando i poli fisici restano fissi e l'allineamento interno delle righe candidate viene rotto? ## Experiment Design - **Script**: `tools/exp_anderson3d_endpoint_preserving_null.py`. - **Run**: `python tools/exp_anderson3d_endpoint_preserving_null.py --out tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json --null-trials 512`. - **Source**: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`. - **Null**: conserva righe `metallic_wigner_pole` e `localized_poisson_pole`; permuta colonne feature solo fra righe `mobility_candidate`, separatamente per size. - **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = numero di null trial con conteggio cross-size almeno pari all'osservato compatto. - **Non testato**: nessun nuovo Hamiltoniano, nessun `L>=7`, nessun exponent critico. ## Results | measure | observed | null k/N | raw_p | add_one_p | max null | lettura | |---|---:|---:|---:|---:|---:|---| | compact two_reader_all_sizes | 2 | 26/512 | 0.050781250 | 0.052631579 | 2 | non promosso | | mean null count | 0.517578125 | n/a | n/a | n/a | n/a | residuo inferiore al conteggio osservato | | W=20 named by null | 32/512 | n/a | n/a | n/a | n/a | candidato ricostruibile | | W=16 named by null | 33/512 | n/a | n/a | n/a | n/a | riga compatta riaperta | | size | observed compact two-reader rows | |---:|---| | L=5 | `W=16.00`, `W=20.00` | | L=6 | `W=16.00`, `W=16.50`, `W=20.00` | ## Key Findings 1. Verificato: il perimetro compatto nomina `W=16.00` e `W=20.00` come intersezione cross-size, mentre il report 11:17 nominava solo `W=20.00` sul lettore raw multi-seed. 2. Verificato: il null endpoint-preserving e' piu' restrittivo del feature-scramble pieno: `26/512` trial arrivano al conteggio osservato compatto, contro `112/128` del null pieno sul perimetro 11:17. 3. Verificato: `add_one_p=0.052631579`; con la formula preregistrata il risultato resta sopra soglia 0.05. 4. Verificato: `W=20.00` viene rinominato dal null in `32/512` trial; non e' zero. 5. Inferito dal perimetro: il nodo regressivo non e' "salvare W=20"; e' separare raw-reader multi-seed da compact-row null prima di ogni promozione. ## Verdict CONSTRAINT Il null endpoint-preserving apre un vincolo piu' informativo: preservare i poli fisici rende il candidato meno facile da ricostruire, ma non lo azzera. Il boundary non si promuove. La riga `W=20` resta in vault insieme a `W=16` come effetto del passaggio a righe compatte. ## Bicono della scoperta - **Due radici**: conteggio osservato compatto `2`; ricostruzione endpoint-preserving non-zero. - **Singolare**: riga mobility-candidate prima della nominazione. - **Invariante di passaggio**: p-value dichiarato come `raw_p=k/N` e `add_one_p=(k+1)/(N+1)`. - **Campo di possibilita**: possibile = costruire un audit raw-reader endpoint-preserving senza comprimere seed/k; non-possibile = promuovere `W=20` dal deposito compatto. ## Consecutio Ripetere il null endpoint-preserving sul lettore raw multi-seed del ciclo 11:17, senza passare dalle mediane compatte. Se il null raw resta sopra soglia o rinomina `W=20`, il candidato Anderson resta proprieta' del lettore. Se scende a zero, solo allora ha senso pagare il costo computazionale di `L>=7`. ## Ricadute pratiche ssp_value: yes. `tools/exp_anderson3d_endpoint_preserving_null.py` crea un audit riusabile per null endpoint-preserving candidate-only a partire da depositi Anderson compatti. Uso concreto: filtro pre-costoso prima di lanciare sparse eigensolver large-L. ## Telemetria - No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente. - `python -m py_compile tools/exp_anderson3d_endpoint_preserving_null.py` completato. - Run completato: `tools/data/anderson3d_endpoint_preserving_null_20260516_1124.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_anderson3d_endpoint_preserving_null.py` - Data: `tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json` - Report: `tools/data/reports/agent_20260516_1124.md` exec /bin/bash -lc "sed -n '1,200p' tools/data/reports/falsifier_20260516_1124.json" in /opt/MM_D-ND succeeded in 0ms: { "report_file": "agent_20260516_1124.md", "marked_at": "2026-05-16T11:29:03.522924+00:00", "coherent": false, "flags": [ { "lens": 2, "severity": "medium", "claim": "Il null endpoint-preserving e' piu' restrittivo del feature-scramble pieno: `26/512` trial arrivano al conteggio osservato compatto, contro `112/128` del null pieno sul perimetro 11:17.", "evidence": "Il confronto usa denominatori diversi (`512` vs `128`) e perimetri diversi (`compact-row null` vs `raw multi-seed/full feature-scramble`). La proporzione suggerisce un segnale, ma non isola se la riduzione viene dal null endpoint-preserving o dal cambio di spazio/lettore.", "suggestion": "Rieseguire entrambi i null sullo stesso perimetro e con lo stesso N, oppure riportare unita' comparabili: conteggio atteso/null distribution sul medesimo observable, intervalli binomiali, e differenza di p stimata a parita' di lettore." }, { "lens": 8, "severity": "low", "claim": "`relation`: `follows_direction`; `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson e un audit fisico large-L.", "evidence": "La direzione viva in `seme.json` e' `Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo`. Il report resta su un sotto-perimetro Anderson compatto/regressivo e dichiara il residuo, ma non lo marca come `deliberate_counter_perimeter`; quindi l'aderenza e' motivata ma non pienamente allineata al perimetro 8/5.", "suggestion": "Nel prossimo ciclo dichiarare esplicitamente `deliberate_counter_perimeter` se si resta su Anderson, con `why` e `not_drift`, oppure trasferire il null endpoint-preserving ad almeno un confronto multi-dominio GUE/Poisson del seme." } ], "summary": "Il report e' internamente coerente sui vincoli hard, sul non-zero e sul non-possibile; le rotture sono L2 per confronto fra null non omogenei e L8 per sotto-perimetro dichiarato ma non formalizzato come counter-perimeter." } exec /bin/bash -lc "sed -n '240,520p' tools/exp_anderson3d_mobility_edge_two_reader_audit.py" in /opt/MM_D-ND succeeded in 0ms: "rows": graph_rows, "third_included_candidates": [r["domain_window"] for r in graph_rows if r["boundary_state"] == "third_included_candidate"], } def classical_state(row: dict[str, Any]) -> str: r = float(row["adjacent_r"]) q = float(row["brody_q"]) w = float(row["wigner_poisson_like_weight"]) if r <= 0.43 and q <= 0.35 and w <= 0.35: return "classical_poisson_endpoint" if r >= 0.50 and q >= 0.65: return "classical_wigner_endpoint" return "classical_intermediate" def stability_state(freq: float) -> str: if freq >= 0.75: return "stable_graph_bridge" if freq >= 0.25: return "parameter_sensitive_bridge" return "unstable_non_bridge" def scrambled_rows(rows: list[dict[str, Any]], rng: np.random.Generator) -> list[dict[str, Any]]: scrambled = [] scalar_fields = [ "adjacent_r", "brody_q", "wigner_poisson_like_weight", "mean_ipr", "participation_entropy", ] obs_values = { name: rng.permutation([row["observables"][name] for row in rows]).tolist() for name in OBS_NAMES } scalar_values = {field: rng.permutation([row[field] for row in rows]).tolist() for field in scalar_fields} for index, row in enumerate(rows): clone = dict(row) clone["observables"] = dict(row["observables"]) for name in OBS_NAMES: clone["observables"][name] = float(obs_values[name][index]) clone["observables"]["SR_local_rigidity"] = clone["observables"]["SR"] for field in scalar_fields: clone[field] = float(scalar_values[field][index]) scrambled.append(clone) return scrambled def two_reader_names_from_rows(rows: list[dict[str, Any]], args: argparse.Namespace) -> set[str]: graph_hits: dict[str, int] = {row["domain_window"]: 0 for row in rows} ks = parse_ints(args.k_values) for k in ks: graph = classify_graph(rows, k, args.graph_margin_max) for grow in graph["rows"]: if grow["boundary_state"] == "third_included_candidate": graph_hits[grow["domain_window"]] += 1 names = set() for row in rows: freq = graph_hits[row["domain_window"]] / len(ks) if stability_state(freq) == "stable_graph_bridge" and classical_state(row) == "classical_intermediate": names.add(row["domain_window"]) return names def audit_size(args: argparse.Namespace, l_size: int) -> dict[str, Any]: disorders = parse_floats(args.disorders) seeds = parse_ints(args.seeds) ks = parse_ints(args.k_values) total_runs = len(seeds) * len(ks) row_hits: dict[str, dict[str, Any]] = {} reader_runs = [] row_args = SimpleNamespace(**vars(args)) row_args.l_size = l_size for seed in seeds: rows = [compute_row(w, row_args, seed + (l_size * 10000) + int(round(w * 100))) for w in disorders] for k in ks: graph = classify_graph(rows, k, args.graph_margin_max) reader_runs.append({"L": l_size, "seed": seed, "k": k, "third_included_candidates": graph["third_included_candidates"]}) graph_by_name = {row["domain_window"]: row for row in graph["rows"]} for row in rows: name = row["domain_window"] if name not in row_hits: row_hits[name] = { "disorder_W": row["disorder_W"], "source_domain_type": row["source_domain_type"], "graph_hits": 0, "margins": [], "cross_fractions": [], "brody_q": [], "mixture_w": [], "adjacent_r": [], "mean_ipr": [], "participation_entropy": [], } grow = graph_by_name[name] if grow["boundary_state"] == "third_included_candidate": row_hits[name]["graph_hits"] += 1 row_hits[name]["margins"].append(float(grow["centroid_margin"])) row_hits[name]["cross_fractions"].append(float(grow["cross_neighbor_fraction"])) row_hits[name]["brody_q"].append(float(row["brody_q"])) row_hits[name]["mixture_w"].append(float(row["wigner_poisson_like_weight"])) row_hits[name]["adjacent_r"].append(float(row["adjacent_r"])) row_hits[name]["mean_ipr"].append(float(row["mean_ipr"])) row_hits[name]["participation_entropy"].append(float(row["participation_entropy"])) rows_out = [] composite_counts: dict[str, int] = {} for name in sorted(row_hits, key=lambda key: row_hits[key]["disorder_W"]): item = row_hits[name] freq = item["graph_hits"] / total_runs class_row = { "adjacent_r": median(item["adjacent_r"]), "brody_q": median(item["brody_q"]), "wigner_poisson_like_weight": median(item["mixture_w"]), } c_state = classical_state(class_row) g_state = stability_state(freq) composite = f"{g_state}+{c_state}" composite_counts[composite] = composite_counts.get(composite, 0) + 1 rows_out.append( { "domain_window": name, "disorder_W": item["disorder_W"], "source_domain_type": item["source_domain_type"], "graph_bridge_frequency": round(freq, 6), "stability_state": g_state, "classical_audit_state": c_state, "composite_state": composite, "median_adjacent_r": round(median(item["adjacent_r"]), 6), "median_brody_q": round(median(item["brody_q"]), 6), "median_wigner_poisson_like_weight": round(median(item["mixture_w"]), 6), "median_mean_ipr": round(median(item["mean_ipr"]), 9), "median_participation_entropy": round(median(item["participation_entropy"]), 6), "mean_centroid_margin": round(float(np.mean(item["margins"])), 6), "mean_cross_neighbor_fraction": round(float(np.mean(item["cross_fractions"])), 6), } ) two_reader_rows = [ row["domain_window"] for row in rows_out if row["stability_state"] == "stable_graph_bridge" and row["classical_audit_state"] == "classical_intermediate" ] graph_only_rows = [ row["domain_window"] for row in rows_out if row["stability_state"] == "stable_graph_bridge" and row["classical_audit_state"] != "classical_intermediate" ] classic_only_rows = [ row["domain_window"] for row in rows_out if row["stability_state"] != "stable_graph_bridge" and row["classical_audit_state"] == "classical_intermediate" ] return { "L": l_size, "sites": l_size**3, "total_graph_reader_runs": total_runs, "summary": { "two_reader_boundary_confirmed": len(two_reader_rows), "two_reader_rows": two_reader_rows, "graph_only_residue": len(graph_only_rows), "graph_only_rows": graph_only_rows, "classic_only_residue": len(classic_only_rows), "classic_only_rows": classic_only_rows, "composite_counts": composite_counts, }, "rows": rows_out, "reader_runs": reader_runs, } def run(args: argparse.Namespace) -> dict[str, Any]: sizes = parse_ints(args.sizes) by_size = [audit_size(args, l_size) for l_size in sizes] size_names = {entry["L"]: set(entry["summary"]["two_reader_rows"]) for entry in by_size} all_two_reader = sorted(set.intersection(*size_names.values())) if size_names else [] any_two_reader = sorted(set.union(*size_names.values())) if size_names else [] intermittent_two_reader = [name for name in any_two_reader if name not in all_two_reader] row_by_w: dict[str, dict[str, Any]] = {} for entry in by_size: for row in entry["rows"]: item = row_by_w.setdefault( row["domain_window"], { "disorder_W": row["disorder_W"], "size_states": {}, "frequencies": [], "classical_states": [], "stability_states": [], "adjacent_r": [], }, ) item["size_states"][str(entry["L"])] = row["composite_state"] item["frequencies"].append(row["graph_bridge_frequency"]) item["classical_states"].append(row["classical_audit_state"]) item["stability_states"].append(row["stability_state"]) item["adjacent_r"].append(row["median_adjacent_r"]) cross_size_rows = [] for name in sorted(row_by_w, key=lambda key: row_by_w[key]["disorder_W"]): item = row_by_w[name] cross_size_rows.append( { "domain_window": name, "disorder_W": item["disorder_W"], "size_states": item["size_states"], "min_graph_bridge_frequency": round(float(min(item["frequencies"])), 6), "max_graph_bridge_frequency": round(float(max(item["frequencies"])), 6), "median_adjacent_r_by_size": item["adjacent_r"], "two_reader_all_sizes": name in all_two_reader, "two_reader_intermittent": name in intermittent_two_reader, "classical_states_seen": sorted(set(item["classical_states"])), "stability_states_seen": sorted(set(item["stability_states"])), } ) observed_all_size_count = len(all_two_reader) rng = np.random.default_rng(args.scramble_seed) null_counts = [] base_rows_by_size = {} for entry in by_size: base_rows_by_size[entry["L"]] = [] for row in entry["rows"]: obs = { "SR": row["median_adjacent_r"], "SR2": row["median_brody_q"], "L1": row["median_wigner_poisson_like_weight"], "L2": row["median_mean_ipr"], "triple_var": row["median_participation_entropy"], "SR_local_rigidity": row["median_adjacent_r"], } base_rows_by_size[entry["L"]].append( { "domain_window": row["domain_window"], "disorder_W": row["disorder_W"], "source_domain_type": row["source_domain_type"], "adjacent_r": row["median_adjacent_r"], "brody_q": row["median_brody_q"], "wigner_poisson_like_weight": row["median_wigner_poisson_like_weight"], "mean_ipr": row["median_mean_ipr"], "participation_entropy": row["median_participation_entropy"], "observables": obs, } ) for _ in range(args.scramble_trials): trial_sets = [] for l_size in sizes: trial_rows = scrambled_rows(base_rows_by_size[l_size], rng) trial_sets.append(two_reader_names_from_rows(trial_rows, args)) null_counts.append(len(set.intersection(*trial_sets)) if trial_sets else 0) null_ge = sum(1 for value in null_counts if value >= observed_all_size_count) raw_p = null_ge / args.scramble_trials if args.scramble_trials else 0.0 add_one_p = (null_ge + 1) / (args.scramble_trials + 1) if args.scramble_trials else 1.0 output = { "experiment": "anderson3d_mobility_edge_two_reader_audit", "question": "Does the two-reader BOUNDARY gate transfer from Rosenzweig-Porter to a 3D Anderson mobility-edge flow?", "observables_registry": OBSERVABLES_REGISTRY_VERSION, "observables_used": FEATURE_NAMES + [ "graph_bridge_frequency", "size_stability", "centroid_margin", "cross_neighbor_fraction", "classical_audit_state", ], "parameters": { "sizes": sizes, "sites": [l_size**3 for l_size in sizes], "reps": args.reps, "disorders": parse_floats(args.disorders), "seeds": parse_ints(args.seeds), "k_values": parse_ints(args.k_values), "central_fraction": args.central_fraction, exec /bin/bash -lc "python - <<'PY' import json for p in ['tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json','tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json']: d=json.load(open(p)) print('\\n',p) print(d.keys()) print(json.dumps(d.get('summary',{}),indent=2)[:3000]) PY" in /opt/MM_D-ND succeeded in 0ms: tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json dict_keys(['by_size', 'cross_size_rows', 'experiment', 'observable_contract', 'observables_registry', 'observables_used', 'parameters', 'question', 'summary']) { "disorder_rows": 11, "feature_scramble_null": { "add_one_p": 0.875968992, "k_ge_observed": 112, "max_null": 4, "observed": 1, "raw_p": 0.875, "trials": 128 }, "graph_only_residue_by_size": { "5": 3, "6": 4 }, "sizes_analyzed": 2, "two_reader_all_size_rows": [ "Anderson3D_W_20.00" ], "two_reader_all_sizes": 1, "two_reader_intermittent": 2, "two_reader_intermittent_rows": [ "Anderson3D_W_16.00", "Anderson3D_W_16.50" ] } tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json dict_keys(['experiment', 'observable_contract', 'observables_registry', 'observables_used', 'parameters', 'question', 'source', 'summary']) { "cross_size_named_hits": { "Anderson3D_W_12.00": 41, "Anderson3D_W_14.00": 50, "Anderson3D_W_16.00": 33, "Anderson3D_W_16.50": 39, "Anderson3D_W_17.00": 38, "Anderson3D_W_20.00": 32, "Anderson3D_W_8.00": 32 }, "endpoint_preserving_null": { "add_one_p": 0.052631579, "k_ge_observed": 26, "max_null": 2, "mean_null": 0.517578125, "observed": 2, "raw_p": 0.05078125, "trials": 512 }, "observed_all_size_count": 2, "observed_all_size_rows": [ "Anderson3D_W_16.00", "Anderson3D_W_20.00" ], "observed_size_audit": { "5": [ "Anderson3D_W_16.00", "Anderson3D_W_20.00" ], "6": [ "Anderson3D_W_16.00", "Anderson3D_W_16.50", "Anderson3D_W_20.00" ] }, "size_null_hit_trials": { "5": 495, "6": 506 } } codex Procedo con uno script nuovo invece di riscrivere retroattivamente i due report: userà lo stesso deposito compatto, lo stesso conteggio osservabile e `N=512` per entrambi i null. Così il risultato è un confronto omogeneo, non una correzione narrativa del confronto precedente. apply patch patch: completed /opt/MM_D-ND/tools/exp_anderson3d_comparable_null_audit.py diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Lo script è stato aggiunto. Ora lo compilo e lo eseguo; se i due null restano separati sullo stesso perimetro, il report potrà dirlo con count grezzi e intervalli, altrimenti il confronto precedente cade del tutto. exec /bin/bash -lc 'python -m py_compile tools/exp_anderson3d_comparable_null_audit.py' in /opt/MM_D-ND succeeded in 0ms: exec /bin/bash -lc 'python tools/exp_anderson3d_comparable_null_audit.py --out tools/data/anderson3d_comparable_null_audit_20260516_1135.json --null-trials 512' in /opt/MM_D-ND diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() succeeded in 1512ms: { "difference": { "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", "difference": 0.4609375, "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", "wald_95": { "high": 0.509505354, "low": 0.412369646 }, "z_approx": 18.601211 }, "endpoint_preserving": { "add_one_p": 0.072124756, "cross_size_named_hits": { "Anderson3D_W_12.00": 41, "Anderson3D_W_14.00": 37, "Anderson3D_W_16.00": 33, "Anderson3D_W_16.50": 37, "Anderson3D_W_17.00": 39, "Anderson3D_W_20.00": 54, "Anderson3D_W_8.00": 32 }, "histogram": { "0": 275, "1": 201, "2": 36 }, "k_ge_observed": 36, "max_null": 2, "mean_null": 0.533203125, "median_null": 0.0, "null_name": "endpoint_preserving_candidate_only", "observed": 2, "raw_p": 0.0703125, "trials": 512, "wilson_95": { "high": 0.09580672, "low": 0.051218024 } }, "full_feature_scramble": { "add_one_p": 0.532163743, "cross_size_named_hits": { "Anderson3D_W_12.00": 123, "Anderson3D_W_14.00": 122, "Anderson3D_W_16.00": 117, "Anderson3D_W_16.50": 112, "Anderson3D_W_17.00": 117, "Anderson3D_W_20.00": 116, "Anderson3D_W_8.00": 124 }, "histogram": { "0": 64, "1": 176, "2": 179, "3": 75, "4": 18 }, "k_ge_observed": 272, "max_null": 4, "mean_null": 1.623046875, "median_null": 2.0, "null_name": "full_feature_scramble", "observed": 2, "raw_p": 0.53125, "trials": 512, "wilson_95": { "high": 0.574081486, "low": 0.487953078 } }, "observed_all_size_count": 2, "observed_all_size_rows": [ "Anderson3D_W_16.00", "Anderson3D_W_20.00" ], "observed_size_audit": { "5": [ "Anderson3D_W_16.00", "Anderson3D_W_20.00" ], "6": [ "Anderson3D_W_16.00", "Anderson3D_W_16.50", "Anderson3D_W_20.00" ] } } diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Risultato verificato: sullo stesso perimetro compatto e con `512` trial ciascuno, il full feature-scramble ricostruisce il conteggio `272/512`, mentre l’endpoint-preserving lo ricostruisce `36/512`. La differenza è reale nel perimetro compatto, ma `W=20` resta nominabile dal null endpoint-preserving `54/512`, quindi non c’è promozione fisica. exec /bin/bash -lc 'rg -n "CE-[0-9]|Archivio enzimi|Contaminazione cognitiva" tools/data/agent_field_live.md tools/LAB_AGENT_CONTEXT.md tools/data/reports/agent_20260516_1117.md tools/data/reports/agent_20260516_1124.md | head -80' in /opt/MM_D-ND succeeded in 0ms: tools/data/reports/agent_20260516_1124.md:15:- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:17; PVI applicato al presupposto "un null piu' fisico salva W=20"; Vault = `W=20` resta candidato ricorrente, non scoperta. tools/data/reports/agent_20260516_1117.md:15:- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:11 su dominio indipendente; PVI applicato al presupposto "una riga cross-size basta"; Vault = `W=20` congelato come candidato da stressare su size maggiori, non come scoperta. tools/LAB_AGENT_CONTEXT.md:191: `Contaminazione cognitiva` e' obbligatoria nel report; se un adapter non tools/LAB_AGENT_CONTEXT.md:193:- **Archivio enzimi cognitivi.** Se il campo vivo contiene `Archivio enzimi tools/LAB_AGENT_CONTEXT.md:194: cognitivi`, la sezione `Contaminazione cognitiva` deve citare almeno una voce tools/LAB_AGENT_CONTEXT.md:401:- **Contaminazione cognitiva**: eventuale DeltaLink YSN, gene Cornelius, tools/data/agent_field_live.md:630: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:864:### Contaminazione cognitiva tools/data/agent_field_live.md:898:## Archivio enzimi cognitivi — richiamo contestuale tools/data/agent_field_live.md:899: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:903:- assioma/metodo: CE-0117 [method_axiom] score=58 overlap=7 · 2. La cascata della possibilità tools/data/agent_field_live.md:906:- 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:909:- funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:912:- 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:915:- enzima/kernel: CE-0001 [lab_operational_context] score=92 overlap=2 · Adapter 3: KSAR reiterative semantic kernel tools/data/agent_field_live.md:919:- 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:922:- CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione tools/data/agent_field_live.md:925:- 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:928:- 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:931:- CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo tools/data/agent_field_live.md:934:- 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:937:- 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:939:- 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:1251:Se il campo contiene adapter cognitivi o archivio CE, la sezione `Contaminazione cognitiva` deve nominare almeno una voce `CE-*`, YSN, Cornelius, KSAR, PVI/Vault usata nella combo, oppure `CE-none:` con motivo specifico e verificabile. `none` generico significa che il campo e' stato visto ma non metabolizzato. exec /bin/bash -lc 'git status --short' in /opt/MM_D-ND exec /bin/bash -lc "python - <<'PY' import json p='tools/data/anderson3d_comparable_null_audit_20260516_1135.json' d=json.load(open(p)) print(json.dumps(d['observable_contract'], indent=2)) print(json.dumps(d['summary']['difference'], indent=2)) PY" in /opt/MM_D-ND succeeded in 0ms: { "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", "denominator": "512 trials for each null on the same 11 rows per size", "generator": "same source rows; two null operators differ only in preserved structure", "non_possible": "calling one null more restrictive if the perimeters or N differ", "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed" } { "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", "difference": 0.4609375, "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", "wald_95": { "high": 0.509505354, "low": 0.412369646 }, "z_approx": 18.601211 } 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/scoperte/20260516_1104_endpoint-gated-rp-boundary_auto/ ?? applications/scoperte/20260516_1111_endpoint-gated-rp-size-ladder_auto/ ?? applications/scoperte/20260516_1117_anderson-3d-two-reader-boundary-null_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/ ?? applications/soluzioni/20260516_1104_endpoint-gated-rp-boundary/ ?? applications/soluzioni/20260516_1111_endpoint-gated-rp-size-ladder/ ?? applications/soluzioni/20260516_1117_anderson-3d-two-reader-boundary-null/ ?? 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/aeternitas/aeternitas_20260516_1058.json ?? tools/data/aeternitas/aeternitas_20260516_1104.json ?? tools/data/aeternitas/aeternitas_20260516_1111.json ?? tools/data/aeternitas/aeternitas_20260516_1117.json ?? tools/data/aeternitas/aeternitas_20260516_1124.json ?? tools/data/agent_field_entry_supervised.md ?? tools/data/anderson3d_comparable_null_audit_20260516_1135.json ?? tools/data/anderson3d_component_state_interface_input_20260514_1850.json ?? tools/data/anderson3d_endpoint_preserving_null_20260516_1124.json ?? tools/data/anderson3d_mobility_edge_two_reader_audit_20260515_1947.json ?? tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.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/biconi/bicono_20260516_1058.json ?? tools/data/biconi/bicono_20260516_1104.json ?? tools/data/biconi/bicono_20260516_1111.json ?? tools/data/biconi/bicono_20260516_1117.json ?? tools/data/biconi/bicono_20260516_1124.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_gated_rp_boundary_20260516_1104.json ?? tools/data/endpoint_gated_rp_size_ladder_20260516_1111.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/evolution/evolution_20260516_1058.md ?? tools/data/evolution/evolution_20260516_1104.md ?? tools/data/evolution/evolution_20260516_1111.md ?? tools/data/evolution/evolution_20260516_1117.md ?? tools/data/evolution/evolution_20260516_1124.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/graph_completion/graph_completion_20260516_1104.json ?? tools/data/graph_completion/graph_completion_20260516_1111.json ?? tools/data/graph_completion/graph_completion_20260516_1117.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/incrocio_20260516_1104.json ?? tools/data/incrocio_20260516_1111.json ?? tools/data/incrocio_20260516_1117.json ?? tools/data/incrocio_20260516_1124.json ?? tools/data/incrocio_20260516_1135.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/promotions/promotion_20260516_1104.json ?? tools/data/promotions/promotion_20260516_1111.json ?? tools/data/promotions/promotion_20260516_1117.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/agent_20260516_1058.md ?? tools/data/reports/agent_20260516_1104.md ?? tools/data/reports/agent_20260516_1111.md ?? tools/data/reports/agent_20260516_1117.md ?? tools/data/reports/agent_20260516_1124.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/falsifier_20260516_1058.json ?? tools/data/reports/falsifier_20260516_1104.json ?? tools/data/reports/falsifier_20260516_1111.json ?? tools/data/reports/falsifier_20260516_1117.json ?? tools/data/reports/falsifier_20260516_1124.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/loop_guard_20260516_1058.json ?? tools/data/reports/loop_guard_20260516_1104.json ?? tools/data/reports/loop_guard_20260516_1111.json ?? tools/data/reports/loop_guard_20260516_1117.json ?? tools/data/reports/loop_guard_20260516_1124.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/data/veritas/veritas_20260516_110354.json ?? tools/data/veritas/veritas_20260516_111042.json ?? tools/data/veritas/veritas_20260516_111633.json ?? tools/data/veritas/veritas_20260516_112343.json ?? tools/data/veritas/veritas_20260516_113001.json ?? tools/exp_anderson3d_comparable_null_audit.py ?? tools/exp_anderson3d_endpoint_preserving_null.py ?? 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_gated_rp_boundary.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_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Scrivo ora il report richiesto in `tools/data/reports/agent_20260516_1135.md`. Lo marco come contro-perimetro deliberato: resta su Anderson per chiudere il difetto L2 del run precedente, non pretende di coprire tutto il seme 8 GUE / 5 Poisson. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260516_1135.md diff --git a/tools/data/reports/agent_20260516_1135.md b/tools/data/reports/agent_20260516_1135.md new file mode 100644 index 0000000000000000000000000000000000000000..9a4a13d609230d7e8f3b3c65ff08ddb314e17b49 --- /dev/null +++ b/tools/data/reports/agent_20260516_1135.md @@ -0,0 +1,106 @@ +# Agent Report - Anderson Comparable Null Audit +**Date**: 2026-05-16 11:35 +**Piano**: 132 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Sullo stesso perimetro compatto Anderson, stesso observable e stesso `N=512`, il null endpoint-preserving ricostruisce il conteggio osservato in `36/512` trial (`raw_p=0.070312500`, Wilson 95% `[0.051218024, 0.095806720]`), mentre il full feature-scramble lo ricostruisce in `272/512` (`raw_p=0.531250000`, Wilson 95% `[0.487953078, 0.574081486]`). Il confronto L2 e' chiuso come unita' comparabile; il boundary fisico non si promuove perche' `W=20` resta rinominato dal null endpoint-preserving in `54/512` trial. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, wigner_poisson_like_weight, mean_ipr, participation_entropy, two_reader_all_sizes, raw_p, add_one_p, wilson_95] +**observable_contract**: claim=i null sono confrontabili solo se condividono observable, perimetro righe e N; observable=conteggio cross-size di righe `stable_graph_bridge+classical_intermediate`; operator=righe compatte Anderson 3D dal run 11:17 classificate dallo stesso reader kNN/classico; generator=stesse righe sorgente, due operatori null che differiscono solo per struttura preservata; denominator=`512` trial per null su 11 righe per size; p_value_definition=right-tail `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null con conteggio cross-size >= osservato; non_possible=chiamare un null piu' restrittivo se perimetro o N cambiano; not_tested=raw multi-seed reader, nuovi Hamiltoniani, `L>=7`, perimetro completo 8 GUE / 5 Poisson. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY + feedback falsifier L2 sui null comparabili. +- **Dipolo / punto-zero**: null permissivo / null fisico. Punto-zero: la stessa riga disorder prima della nominazione e prima della scelta del null. +- **Piano superiore**: topologia del bordo row-aligned; il bordo vive solo se l'operatore nullo non puo' ricostruire la stessa molteplicita' nello stesso spazio di lettura. +- **Operatori laterali scelti**: boundary operator, graph rewiring, candidate-only shuffle. +- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:24 sullo stesso spazio; CE-0117/Cascata applicata come vincolo: il risultato del falsifier entra nel seme operativo del ciclo e corregge il nodo regressivo, non il claim. +- **Proto-ipotesi**: la restrittivita' di un null non e' proprieta' del nome del null; e' proprieta' misurabile solo a perimetro, observable e N fissati. +- **Possibile/non-possibile**: possibile = distinguere quantitativamente full-scramble ed endpoint-preserving sul perimetro compatto; non-possibile = promuovere `W=20` finche' il null endpoint-preserving lo rinomina con frequenza non-zero. +- **Proiezione**: rieseguo entrambi i null su `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`, usando le stesse righe compatte e `512` trial ciascuno. +- **Movimento A->M->B**: fisico A = Anderson 3D mobility edge; matematica M = confronto omogeneo di operatori null; fisico B = criterio di costo per decidere se lanciare large-L. Il ritorno fisico resta vincolo, non scoperta. + +## Aderenza alla direzione +- `relation`: `deliberate_counter_perimeter` +- `why`: resta su Anderson per chiudere il check obbligatorio del falsifier 11:24: stessi null, stesso perimetro, stesso N e stessa observable prima di interpretare restrittivita'. +- `not_drift`: non usa Sturmian, phi, V_c o fit locali; attacca il nodo regressivo `null_first -> candidate_name -> physical_return` emerso dentro il frame BOUNDARY cross-dominio. +- `return_criterion`: tornare al perimetro vivo 8 GUE / 5 Poisson quando il contratto dei null comparabili e' stabilizzato; oppure chiudere Anderson se anche il raw-reader endpoint-preserving rinomina `W=20`. +- `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson, raw multi-seed Anderson e `L>=7`. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' corregge il confronto non omogeneo segnalato dal falsifier, senza promuovere un nuovo candidato. + +## Re-discovery audit +- **Baseline noto piu vicino**: Anderson localization, mobility edge 3D, crossover Wigner-Dyson/Poisson, Brody interpolation, finite-size scaling. +- **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, dipendenza da size piccole, sensibilita' a feature compatte. +- **Cosa resta Lab-specific**: contratto null-first comparabile con due operatori null sullo stesso observable row-aligned. +- **Separazione**: `two_reader_boundary_confirmed=2` nel perimetro compatto; `graph_only_residue` non sommato; `scope_change_declared=Anderson_compact_null_comparison`; `graph_baseline_audit=kNN stability / row-feature rewiring`. + +## Claim Under Test +> Nel perimetro compatto Anderson, il confronto tra null e' interpretabile solo se full feature-scramble ed endpoint-preserving candidate-only misurano lo stesso conteggio cross-size con lo stesso numero di trial. + +## Question +La riduzione osservata nel null endpoint-preserving era effetto del null o effetto del cambio di perimetro? + +## Experiment Design +- **Script**: `tools/exp_anderson3d_comparable_null_audit.py`. +- **Run**: `python tools/exp_anderson3d_comparable_null_audit.py --out tools/data/anderson3d_comparable_null_audit_20260516_1135.json --null-trials 512`. +- **Source**: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`. +- **Perimetro**: righe compatte mediane del run 11:17, `L=5,6`, 11 disorder rows per size. +- **Observed observable**: intersezione cross-size di righe `stable_graph_bridge+classical_intermediate`. +- **Null A**: endpoint-preserving candidate-only; conserva poli metallic/localized e permuta feature solo fra righe `mobility_candidate`. +- **Null B**: full feature-scramble; permuta feature su tutte le righe compatte della size. +- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`; Wilson 95% riportato sul count binomiale `k/N`. +- **Non testato**: non misura nuovi autovalori, raw multi-seed reader, exponent critico o large-L. + +## Results +| measure | observed | null k/N | raw_p | add_one_p | Wilson 95% | max null | mean null | lettura | +|---|---:|---:|---:|---:|---|---:|---:|---| +| endpoint-preserving candidate-only | 2 | 36/512 | 0.070312500 | 0.072124756 | [0.051218024, 0.095806720] | 2 | 0.533203125 | riduce la ricostruzione ma non azzera | +| full feature-scramble | 2 | 272/512 | 0.531250000 | 0.532163743 | [0.487953078, 0.574081486] | 4 | 1.623046875 | ricostruisce spesso il conteggio | +| difference full - endpoint | n/a | n/a | 0.460937500 | n/a | [0.412369646, 0.509505354] | n/a | n/a | differenza comparabile nello stesso perimetro | + +| W row | endpoint-preserving named hits | full-scramble named hits | lettura | +|---:|---:|---:|---| +| 16.00 | 33/512 | 117/512 | riga osservata ricostruibile | +| 20.00 | 54/512 | 116/512 | candidato non-zero nel null fisico | +| 16.50 | 37/512 | 112/512 | intermittente nel deposito, ricostruibile | + +| size | observed compact two-reader rows | +|---:|---| +| L=5 | `W=16.00`, `W=20.00` | +| L=6 | `W=16.00`, `W=16.50`, `W=20.00` | + +## Key Findings +1. Verificato: sullo stesso perimetro e con lo stesso `N=512`, endpoint-preserving ricostruisce meno del full feature-scramble: `36/512` contro `272/512`. +2. Verificato: gli intervalli binomiali non si sovrappongono; la differenza `raw_p_full - raw_p_endpoint = 0.460937500` ha intervallo approssimato `[0.412369646, 0.509505354]`. +3. Verificato: il risultato L2 precedente non era formulabile come confronto; ora lo e', ma solo nel perimetro compatto. +4. Verificato: `W=20` non e' zero sotto endpoint-preserving: `54/512` rinomine cross-size. +5. Inferito dal perimetro: il null endpoint-preserving e' un filtro piu' duro, non una prova fisica del boundary. + +## Verdict +CONSTRAINT + +Il nodo regressivo L2 e' chiuso: a parita' di perimetro, observable e N, il null endpoint-preserving e' piu' restrittivo del full feature-scramble. La promozione fisica resta bloccata perche' il candidato `W=20` sopravvive come rinomina non-zero nel null che preserva i poli. + +## Bicono della scoperta +- **Due radici**: differenza comparabile fra null; rinomina non-zero del candidato. +- **Singolare**: riga disorder prima del nome e prima del null. +- **Invariante di passaggio**: stesso observable, stesso perimetro, stesso N. +- **Campo di possibilita**: possibile = usare endpoint-preserving come pre-filtro di costo; non-possibile = pagare large-L per salvare `W=20` prima del raw-reader null. + +## Consecutio +Ripetere l'endpoint-preserving sul raw multi-seed reader del ciclo 11:17, non sulle mediane compatte. Se `W=20` resta rinominato, Anderson si chiude come proprieta' del lettore. Se va a zero, allora il costo `L>=7` diventa giustificato. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_anderson3d_comparable_null_audit.py` diventa strumento riusabile per confrontare null solo dopo allineamento di perimetro, observable e N. + +## 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; BOUNDARY seguito come contro-perimetro regressivo per obbligo falsifier. +- `python -m py_compile tools/exp_anderson3d_comparable_null_audit.py` completato. +- Run completato: `tools/data/anderson3d_comparable_null_audit_20260516_1135.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_anderson3d_comparable_null_audit.py` +- Data: `tools/data/anderson3d_comparable_null_audit_20260516_1135.json` +- Report: `tools/data/reports/agent_20260516_1135.md` diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() diff --git a/tools/data/reports/agent_20260516_1135.md b/tools/data/reports/agent_20260516_1135.md new file mode 100644 index 0000000000000000000000000000000000000000..9a4a13d609230d7e8f3b3c65ff08ddb314e17b49 --- /dev/null +++ b/tools/data/reports/agent_20260516_1135.md @@ -0,0 +1,106 @@ +# Agent Report - Anderson Comparable Null Audit +**Date**: 2026-05-16 11:35 +**Piano**: 132 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Sullo stesso perimetro compatto Anderson, stesso observable e stesso `N=512`, il null endpoint-preserving ricostruisce il conteggio osservato in `36/512` trial (`raw_p=0.070312500`, Wilson 95% `[0.051218024, 0.095806720]`), mentre il full feature-scramble lo ricostruisce in `272/512` (`raw_p=0.531250000`, Wilson 95% `[0.487953078, 0.574081486]`). Il confronto L2 e' chiuso come unita' comparabile; il boundary fisico non si promuove perche' `W=20` resta rinominato dal null endpoint-preserving in `54/512` trial. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, wigner_poisson_like_weight, mean_ipr, participation_entropy, two_reader_all_sizes, raw_p, add_one_p, wilson_95] +**observable_contract**: claim=i null sono confrontabili solo se condividono observable, perimetro righe e N; observable=conteggio cross-size di righe `stable_graph_bridge+classical_intermediate`; operator=righe compatte Anderson 3D dal run 11:17 classificate dallo stesso reader kNN/classico; generator=stesse righe sorgente, due operatori null che differiscono solo per struttura preservata; denominator=`512` trial per null su 11 righe per size; p_value_definition=right-tail `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null con conteggio cross-size >= osservato; non_possible=chiamare un null piu' restrittivo se perimetro o N cambiano; not_tested=raw multi-seed reader, nuovi Hamiltoniani, `L>=7`, perimetro completo 8 GUE / 5 Poisson. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY + feedback falsifier L2 sui null comparabili. +- **Dipolo / punto-zero**: null permissivo / null fisico. Punto-zero: la stessa riga disorder prima della nominazione e prima della scelta del null. +- **Piano superiore**: topologia del bordo row-aligned; il bordo vive solo se l'operatore nullo non puo' ricostruire la stessa molteplicita' nello stesso spazio di lettura. +- **Operatori laterali scelti**: boundary operator, graph rewiring, candidate-only shuffle. +- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:24 sullo stesso spazio; CE-0117/Cascata applicata come vincolo: il risultato del falsifier entra nel seme operativo del ciclo e corregge il nodo regressivo, non il claim. +- **Proto-ipotesi**: la restrittivita' di un null non e' proprieta' del nome del null; e' proprieta' misurabile solo a perimetro, observable e N fissati. +- **Possibile/non-possibile**: possibile = distinguere quantitativamente full-scramble ed endpoint-preserving sul perimetro compatto; non-possibile = promuovere `W=20` finche' il null endpoint-preserving lo rinomina con frequenza non-zero. +- **Proiezione**: rieseguo entrambi i null su `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`, usando le stesse righe compatte e `512` trial ciascuno. +- **Movimento A->M->B**: fisico A = Anderson 3D mobility edge; matematica M = confronto omogeneo di operatori null; fisico B = criterio di costo per decidere se lanciare large-L. Il ritorno fisico resta vincolo, non scoperta. + +## Aderenza alla direzione +- `relation`: `deliberate_counter_perimeter` +- `why`: resta su Anderson per chiudere il check obbligatorio del falsifier 11:24: stessi null, stesso perimetro, stesso N e stessa observable prima di interpretare restrittivita'. +- `not_drift`: non usa Sturmian, phi, V_c o fit locali; attacca il nodo regressivo `null_first -> candidate_name -> physical_return` emerso dentro il frame BOUNDARY cross-dominio. +- `return_criterion`: tornare al perimetro vivo 8 GUE / 5 Poisson quando il contratto dei null comparabili e' stabilizzato; oppure chiudere Anderson se anche il raw-reader endpoint-preserving rinomina `W=20`. +- `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson, raw multi-seed Anderson e `L>=7`. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' corregge il confronto non omogeneo segnalato dal falsifier, senza promuovere un nuovo candidato. + +## Re-discovery audit +- **Baseline noto piu vicino**: Anderson localization, mobility edge 3D, crossover Wigner-Dyson/Poisson, Brody interpolation, finite-size scaling. +- **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, dipendenza da size piccole, sensibilita' a feature compatte. +- **Cosa resta Lab-specific**: contratto null-first comparabile con due operatori null sullo stesso observable row-aligned. +- **Separazione**: `two_reader_boundary_confirmed=2` nel perimetro compatto; `graph_only_residue` non sommato; `scope_change_declared=Anderson_compact_null_comparison`; `graph_baseline_audit=kNN stability / row-feature rewiring`. + +## Claim Under Test +> Nel perimetro compatto Anderson, il confronto tra null e' interpretabile solo se full feature-scramble ed endpoint-preserving candidate-only misurano lo stesso conteggio cross-size con lo stesso numero di trial. + +## Question +La riduzione osservata nel null endpoint-preserving era effetto del null o effetto del cambio di perimetro? + +## Experiment Design +- **Script**: `tools/exp_anderson3d_comparable_null_audit.py`. +- **Run**: `python tools/exp_anderson3d_comparable_null_audit.py --out tools/data/anderson3d_comparable_null_audit_20260516_1135.json --null-trials 512`. +- **Source**: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`. +- **Perimetro**: righe compatte mediane del run 11:17, `L=5,6`, 11 disorder rows per size. +- **Observed observable**: intersezione cross-size di righe `stable_graph_bridge+classical_intermediate`. +- **Null A**: endpoint-preserving candidate-only; conserva poli metallic/localized e permuta feature solo fra righe `mobility_candidate`. +- **Null B**: full feature-scramble; permuta feature su tutte le righe compatte della size. +- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`; Wilson 95% riportato sul count binomiale `k/N`. +- **Non testato**: non misura nuovi autovalori, raw multi-seed reader, exponent critico o large-L. + +## Results +| measure | observed | null k/N | raw_p | add_one_p | Wilson 95% | max null | mean null | lettura | +|---|---:|---:|---:|---:|---|---:|---:|---| +| endpoint-preserving candidate-only | 2 | 36/512 | 0.070312500 | 0.072124756 | [0.051218024, 0.095806720] | 2 | 0.533203125 | riduce la ricostruzione ma non azzera | +| full feature-scramble | 2 | 272/512 | 0.531250000 | 0.532163743 | [0.487953078, 0.574081486] | 4 | 1.623046875 | ricostruisce spesso il conteggio | +| difference full - endpoint | n/a | n/a | 0.460937500 | n/a | [0.412369646, 0.509505354] | n/a | n/a | differenza comparabile nello stesso perimetro | + +| W row | endpoint-preserving named hits | full-scramble named hits | lettura | +|---:|---:|---:|---| +| 16.00 | 33/512 | 117/512 | riga osservata ricostruibile | +| 20.00 | 54/512 | 116/512 | candidato non-zero nel null fisico | +| 16.50 | 37/512 | 112/512 | intermittente nel deposito, ricostruibile | + +| size | observed compact two-reader rows | +|---:|---| +| L=5 | `W=16.00`, `W=20.00` | +| L=6 | `W=16.00`, `W=16.50`, `W=20.00` | + +## Key Findings +1. Verificato: sullo stesso perimetro e con lo stesso `N=512`, endpoint-preserving ricostruisce meno del full feature-scramble: `36/512` contro `272/512`. +2. Verificato: gli intervalli binomiali non si sovrappongono; la differenza `raw_p_full - raw_p_endpoint = 0.460937500` ha intervallo approssimato `[0.412369646, 0.509505354]`. +3. Verificato: il risultato L2 precedente non era formulabile come confronto; ora lo e', ma solo nel perimetro compatto. +4. Verificato: `W=20` non e' zero sotto endpoint-preserving: `54/512` rinomine cross-size. +5. Inferito dal perimetro: il null endpoint-preserving e' un filtro piu' duro, non una prova fisica del boundary. + +## Verdict +CONSTRAINT + +Il nodo regressivo L2 e' chiuso: a parita' di perimetro, observable e N, il null endpoint-preserving e' piu' restrittivo del full feature-scramble. La promozione fisica resta bloccata perche' il candidato `W=20` sopravvive come rinomina non-zero nel null che preserva i poli. + +## Bicono della scoperta +- **Due radici**: differenza comparabile fra null; rinomina non-zero del candidato. +- **Singolare**: riga disorder prima del nome e prima del null. +- **Invariante di passaggio**: stesso observable, stesso perimetro, stesso N. +- **Campo di possibilita**: possibile = usare endpoint-preserving come pre-filtro di costo; non-possibile = pagare large-L per salvare `W=20` prima del raw-reader null. + +## Consecutio +Ripetere l'endpoint-preserving sul raw multi-seed reader del ciclo 11:17, non sulle mediane compatte. Se `W=20` resta rinominato, Anderson si chiude come proprieta' del lettore. Se va a zero, allora il costo `L>=7` diventa giustificato. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_anderson3d_comparable_null_audit.py` diventa strumento riusabile per confrontare null solo dopo allineamento di perimetro, observable e N. + +## 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; BOUNDARY seguito come contro-perimetro regressivo per obbligo falsifier. +- `python -m py_compile tools/exp_anderson3d_comparable_null_audit.py` completato. +- Run completato: `tools/data/anderson3d_comparable_null_audit_20260516_1135.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_anderson3d_comparable_null_audit.py` +- Data: `tools/data/anderson3d_comparable_null_audit_20260516_1135.json` +- Report: `tools/data/reports/agent_20260516_1135.md` diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Report scritto. Faccio una verifica leggera di presenza, sintassi del dato e riferimenti principali, senza toccare il seme o altri output di pipeline. exec /bin/bash -lc 'test -s tools/data/reports/agent_20260516_1135.md && wc -l tools/data/reports/agent_20260516_1135.md' in /opt/MM_D-ND succeeded in 0ms: 106 tools/data/reports/agent_20260516_1135.md exec /bin/bash -lc 'rg -n "deliberate_counter_perimeter|36/512|272/512|W=20|CE-0001|Re-discovery audit|Aderenza alla direzione" tools/data/reports/agent_20260516_1135.md' in /opt/MM_D-ND succeeded in 0ms: 5:**verdict**: CONSTRAINT - Sullo stesso perimetro compatto Anderson, stesso observable e stesso `N=512`, il null endpoint-preserving ricostruisce il conteggio osservato in `36/512` trial (`raw_p=0.070312500`, Wilson 95% `[0.051218024, 0.095806720]`), mentre il full feature-scramble lo ricostruisce in `272/512` (`raw_p=0.531250000`, Wilson 95% `[0.487953078, 0.574081486]`). Il confronto L2 e' chiuso come unita' comparabile; il boundary fisico non si promuove perche' `W=20` resta rinominato dal null endpoint-preserving in `54/512` trial. 15:- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:24 sullo stesso spazio; CE-0117/Cascata applicata come vincolo: il risultato del falsifier entra nel seme operativo del ciclo e corregge il nodo regressivo, non il claim. 17:- **Possibile/non-possibile**: possibile = distinguere quantitativamente full-scramble ed endpoint-preserving sul perimetro compatto; non-possibile = promuovere `W=20` finche' il null endpoint-preserving lo rinomina con frequenza non-zero. 21:## Aderenza alla direzione 22:- `relation`: `deliberate_counter_perimeter` 25:- `return_criterion`: tornare al perimetro vivo 8 GUE / 5 Poisson quando il contratto dei null comparabili e' stabilizzato; oppure chiudere Anderson se anche il raw-reader endpoint-preserving rinomina `W=20`. 29:## Re-discovery audit 55:| endpoint-preserving candidate-only | 2 | 36/512 | 0.070312500 | 0.072124756 | [0.051218024, 0.095806720] | 2 | 0.533203125 | riduce la ricostruzione ma non azzera | 56:| full feature-scramble | 2 | 272/512 | 0.531250000 | 0.532163743 | [0.487953078, 0.574081486] | 4 | 1.623046875 | ricostruisce spesso il conteggio | 67:| L=5 | `W=16.00`, `W=20.00` | 68:| L=6 | `W=16.00`, `W=16.50`, `W=20.00` | 71:1. Verificato: sullo stesso perimetro e con lo stesso `N=512`, endpoint-preserving ricostruisce meno del full feature-scramble: `36/512` contro `272/512`. 74:4. Verificato: `W=20` non e' zero sotto endpoint-preserving: `54/512` rinomine cross-size. 80:Il nodo regressivo L2 e' chiuso: a parita' di perimetro, observable e N, il null endpoint-preserving e' piu' restrittivo del full feature-scramble. La promozione fisica resta bloccata perche' il candidato `W=20` sopravvive come rinomina non-zero nel null che preserva i poli. 86:- **Campo di possibilita**: possibile = usare endpoint-preserving come pre-filtro di costo; non-possibile = pagare large-L per salvare `W=20` prima del raw-reader null. 89:Ripetere l'endpoint-preserving sul raw multi-seed reader del ciclo 11:17, non sulle mediane compatte. Se `W=20` resta rinominato, Anderson si chiude come proprieta' del lettore. Se va a zero, allora il costo `L>=7` diventa giustificato. exec /bin/bash -lc 'git status --short tools/exp_anderson3d_comparable_null_audit.py tools/data/anderson3d_comparable_null_audit_20260516_1135.json tools/data/reports/agent_20260516_1135.md' in /opt/MM_D-ND succeeded in 0ms: ?? tools/data/anderson3d_comparable_null_audit_20260516_1135.json ?? tools/data/reports/agent_20260516_1135.md ?? tools/exp_anderson3d_comparable_null_audit.py exec /bin/bash -lc 'python -m json.tool tools/data/anderson3d_comparable_null_audit_20260516_1135.json >/tmp/anderson3d_comparable_null_audit_1135.validated.json' in /opt/MM_D-ND succeeded in 0ms: diff --git a/tools/data/reports/agent_20260516_1135.md b/tools/data/reports/agent_20260516_1135.md new file mode 100644 index 0000000000000000000000000000000000000000..9a4a13d609230d7e8f3b3c65ff08ddb314e17b49 --- /dev/null +++ b/tools/data/reports/agent_20260516_1135.md @@ -0,0 +1,106 @@ +# Agent Report - Anderson Comparable Null Audit +**Date**: 2026-05-16 11:35 +**Piano**: 132 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Sullo stesso perimetro compatto Anderson, stesso observable e stesso `N=512`, il null endpoint-preserving ricostruisce il conteggio osservato in `36/512` trial (`raw_p=0.070312500`, Wilson 95% `[0.051218024, 0.095806720]`), mentre il full feature-scramble lo ricostruisce in `272/512` (`raw_p=0.531250000`, Wilson 95% `[0.487953078, 0.574081486]`). Il confronto L2 e' chiuso come unita' comparabile; il boundary fisico non si promuove perche' `W=20` resta rinominato dal null endpoint-preserving in `54/512` trial. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, wigner_poisson_like_weight, mean_ipr, participation_entropy, two_reader_all_sizes, raw_p, add_one_p, wilson_95] +**observable_contract**: claim=i null sono confrontabili solo se condividono observable, perimetro righe e N; observable=conteggio cross-size di righe `stable_graph_bridge+classical_intermediate`; operator=righe compatte Anderson 3D dal run 11:17 classificate dallo stesso reader kNN/classico; generator=stesse righe sorgente, due operatori null che differiscono solo per struttura preservata; denominator=`512` trial per null su 11 righe per size; p_value_definition=right-tail `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null con conteggio cross-size >= osservato; non_possible=chiamare un null piu' restrittivo se perimetro o N cambiano; not_tested=raw multi-seed reader, nuovi Hamiltoniani, `L>=7`, perimetro completo 8 GUE / 5 Poisson. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY + feedback falsifier L2 sui null comparabili. +- **Dipolo / punto-zero**: null permissivo / null fisico. Punto-zero: la stessa riga disorder prima della nominazione e prima della scelta del null. +- **Piano superiore**: topologia del bordo row-aligned; il bordo vive solo se l'operatore nullo non puo' ricostruire la stessa molteplicita' nello stesso spazio di lettura. +- **Operatori laterali scelti**: boundary operator, graph rewiring, candidate-only shuffle. +- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:24 sullo stesso spazio; CE-0117/Cascata applicata come vincolo: il risultato del falsifier entra nel seme operativo del ciclo e corregge il nodo regressivo, non il claim. +- **Proto-ipotesi**: la restrittivita' di un null non e' proprieta' del nome del null; e' proprieta' misurabile solo a perimetro, observable e N fissati. +- **Possibile/non-possibile**: possibile = distinguere quantitativamente full-scramble ed endpoint-preserving sul perimetro compatto; non-possibile = promuovere `W=20` finche' il null endpoint-preserving lo rinomina con frequenza non-zero. +- **Proiezione**: rieseguo entrambi i null su `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`, usando le stesse righe compatte e `512` trial ciascuno. +- **Movimento A->M->B**: fisico A = Anderson 3D mobility edge; matematica M = confronto omogeneo di operatori null; fisico B = criterio di costo per decidere se lanciare large-L. Il ritorno fisico resta vincolo, non scoperta. + +## Aderenza alla direzione +- `relation`: `deliberate_counter_perimeter` +- `why`: resta su Anderson per chiudere il check obbligatorio del falsifier 11:24: stessi null, stesso perimetro, stesso N e stessa observable prima di interpretare restrittivita'. +- `not_drift`: non usa Sturmian, phi, V_c o fit locali; attacca il nodo regressivo `null_first -> candidate_name -> physical_return` emerso dentro il frame BOUNDARY cross-dominio. +- `return_criterion`: tornare al perimetro vivo 8 GUE / 5 Poisson quando il contratto dei null comparabili e' stabilizzato; oppure chiudere Anderson se anche il raw-reader endpoint-preserving rinomina `W=20`. +- `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson, raw multi-seed Anderson e `L>=7`. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' corregge il confronto non omogeneo segnalato dal falsifier, senza promuovere un nuovo candidato. + +## Re-discovery audit +- **Baseline noto piu vicino**: Anderson localization, mobility edge 3D, crossover Wigner-Dyson/Poisson, Brody interpolation, finite-size scaling. +- **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, dipendenza da size piccole, sensibilita' a feature compatte. +- **Cosa resta Lab-specific**: contratto null-first comparabile con due operatori null sullo stesso observable row-aligned. +- **Separazione**: `two_reader_boundary_confirmed=2` nel perimetro compatto; `graph_only_residue` non sommato; `scope_change_declared=Anderson_compact_null_comparison`; `graph_baseline_audit=kNN stability / row-feature rewiring`. + +## Claim Under Test +> Nel perimetro compatto Anderson, il confronto tra null e' interpretabile solo se full feature-scramble ed endpoint-preserving candidate-only misurano lo stesso conteggio cross-size con lo stesso numero di trial. + +## Question +La riduzione osservata nel null endpoint-preserving era effetto del null o effetto del cambio di perimetro? + +## Experiment Design +- **Script**: `tools/exp_anderson3d_comparable_null_audit.py`. +- **Run**: `python tools/exp_anderson3d_comparable_null_audit.py --out tools/data/anderson3d_comparable_null_audit_20260516_1135.json --null-trials 512`. +- **Source**: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`. +- **Perimetro**: righe compatte mediane del run 11:17, `L=5,6`, 11 disorder rows per size. +- **Observed observable**: intersezione cross-size di righe `stable_graph_bridge+classical_intermediate`. +- **Null A**: endpoint-preserving candidate-only; conserva poli metallic/localized e permuta feature solo fra righe `mobility_candidate`. +- **Null B**: full feature-scramble; permuta feature su tutte le righe compatte della size. +- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`; Wilson 95% riportato sul count binomiale `k/N`. +- **Non testato**: non misura nuovi autovalori, raw multi-seed reader, exponent critico o large-L. + +## Results +| measure | observed | null k/N | raw_p | add_one_p | Wilson 95% | max null | mean null | lettura | +|---|---:|---:|---:|---:|---|---:|---:|---| +| endpoint-preserving candidate-only | 2 | 36/512 | 0.070312500 | 0.072124756 | [0.051218024, 0.095806720] | 2 | 0.533203125 | riduce la ricostruzione ma non azzera | +| full feature-scramble | 2 | 272/512 | 0.531250000 | 0.532163743 | [0.487953078, 0.574081486] | 4 | 1.623046875 | ricostruisce spesso il conteggio | +| difference full - endpoint | n/a | n/a | 0.460937500 | n/a | [0.412369646, 0.509505354] | n/a | n/a | differenza comparabile nello stesso perimetro | + +| W row | endpoint-preserving named hits | full-scramble named hits | lettura | +|---:|---:|---:|---| +| 16.00 | 33/512 | 117/512 | riga osservata ricostruibile | +| 20.00 | 54/512 | 116/512 | candidato non-zero nel null fisico | +| 16.50 | 37/512 | 112/512 | intermittente nel deposito, ricostruibile | + +| size | observed compact two-reader rows | +|---:|---| +| L=5 | `W=16.00`, `W=20.00` | +| L=6 | `W=16.00`, `W=16.50`, `W=20.00` | + +## Key Findings +1. Verificato: sullo stesso perimetro e con lo stesso `N=512`, endpoint-preserving ricostruisce meno del full feature-scramble: `36/512` contro `272/512`. +2. Verificato: gli intervalli binomiali non si sovrappongono; la differenza `raw_p_full - raw_p_endpoint = 0.460937500` ha intervallo approssimato `[0.412369646, 0.509505354]`. +3. Verificato: il risultato L2 precedente non era formulabile come confronto; ora lo e', ma solo nel perimetro compatto. +4. Verificato: `W=20` non e' zero sotto endpoint-preserving: `54/512` rinomine cross-size. +5. Inferito dal perimetro: il null endpoint-preserving e' un filtro piu' duro, non una prova fisica del boundary. + +## Verdict +CONSTRAINT + +Il nodo regressivo L2 e' chiuso: a parita' di perimetro, observable e N, il null endpoint-preserving e' piu' restrittivo del full feature-scramble. La promozione fisica resta bloccata perche' il candidato `W=20` sopravvive come rinomina non-zero nel null che preserva i poli. + +## Bicono della scoperta +- **Due radici**: differenza comparabile fra null; rinomina non-zero del candidato. +- **Singolare**: riga disorder prima del nome e prima del null. +- **Invariante di passaggio**: stesso observable, stesso perimetro, stesso N. +- **Campo di possibilita**: possibile = usare endpoint-preserving come pre-filtro di costo; non-possibile = pagare large-L per salvare `W=20` prima del raw-reader null. + +## Consecutio +Ripetere l'endpoint-preserving sul raw multi-seed reader del ciclo 11:17, non sulle mediane compatte. Se `W=20` resta rinominato, Anderson si chiude come proprieta' del lettore. Se va a zero, allora il costo `L>=7` diventa giustificato. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_anderson3d_comparable_null_audit.py` diventa strumento riusabile per confrontare null solo dopo allineamento di perimetro, observable e N. + +## 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; BOUNDARY seguito come contro-perimetro regressivo per obbligo falsifier. +- `python -m py_compile tools/exp_anderson3d_comparable_null_audit.py` completato. +- Run completato: `tools/data/anderson3d_comparable_null_audit_20260516_1135.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_anderson3d_comparable_null_audit.py` +- Data: `tools/data/anderson3d_comparable_null_audit_20260516_1135.json` +- Report: `tools/data/reports/agent_20260516_1135.md` diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() codex Completato. Ho eseguito l’esperimento comparabile sui due null Anderson e scritto il report richiesto in: `tools/data/reports/agent_20260516_1135.md` Output generati: - `tools/exp_anderson3d_comparable_null_audit.py` - `tools/data/anderson3d_comparable_null_audit_20260516_1135.json` - `tools/data/reports/agent_20260516_1135.md` Verifica: - `py_compile` dello script completato. - JSON validato. - Report presente e contiene `Aderenza alla direzione`, `Re-discovery audit`, `Contaminazione cognitiva`, count comparabili e verdict. Risultato centrale: a parita’ di perimetro, observable e `N=512`, endpoint-preserving ricostruisce `36/512`, full feature-scramble `272/512`; il confronto L2 e’ chiuso, ma `W=20` resta non-zero nel null endpoint-preserving (`54/512`), quindi niente promozione fisica. diff --git a/tools/data/reports/agent_20260516_1135.md b/tools/data/reports/agent_20260516_1135.md new file mode 100644 index 0000000000000000000000000000000000000000..9a4a13d609230d7e8f3b3c65ff08ddb314e17b49 --- /dev/null +++ b/tools/data/reports/agent_20260516_1135.md @@ -0,0 +1,106 @@ +# Agent Report - Anderson Comparable Null Audit +**Date**: 2026-05-16 11:35 +**Piano**: 132 +**Tension explored**: BOUNDARY (0.8) +**verdict**: CONSTRAINT - Sullo stesso perimetro compatto Anderson, stesso observable e stesso `N=512`, il null endpoint-preserving ricostruisce il conteggio osservato in `36/512` trial (`raw_p=0.070312500`, Wilson 95% `[0.051218024, 0.095806720]`), mentre il full feature-scramble lo ricostruisce in `272/512` (`raw_p=0.531250000`, Wilson 95% `[0.487953078, 0.574081486]`). Il confronto L2 e' chiuso come unita' comparabile; il boundary fisico non si promuove perche' `W=20` resta rinominato dal null endpoint-preserving in `54/512` trial. +observables_registry: 1.0.0-2026-05-06 +observables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, wigner_poisson_like_weight, mean_ipr, participation_entropy, two_reader_all_sizes, raw_p, add_one_p, wilson_95] +**observable_contract**: claim=i null sono confrontabili solo se condividono observable, perimetro righe e N; observable=conteggio cross-size di righe `stable_graph_bridge+classical_intermediate`; operator=righe compatte Anderson 3D dal run 11:17 classificate dallo stesso reader kNN/classico; generator=stesse righe sorgente, due operatori null che differiscono solo per struttura preservata; denominator=`512` trial per null su 11 righe per size; p_value_definition=right-tail `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null con conteggio cross-size >= osservato; non_possible=chiamare un null piu' restrittivo se perimetro o N cambiano; not_tested=raw multi-seed reader, nuovi Hamiltoniani, `L>=7`, perimetro completo 8 GUE / 5 Poisson. + +## Respiro fuori-tempo +- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY + feedback falsifier L2 sui null comparabili. +- **Dipolo / punto-zero**: null permissivo / null fisico. Punto-zero: la stessa riga disorder prima della nominazione e prima della scelta del null. +- **Piano superiore**: topologia del bordo row-aligned; il bordo vive solo se l'operatore nullo non puo' ricostruire la stessa molteplicita' nello stesso spazio di lettura. +- **Operatori laterali scelti**: boundary operator, graph rewiring, candidate-only shuffle. +- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione del kernel 11:24 sullo stesso spazio; CE-0117/Cascata applicata come vincolo: il risultato del falsifier entra nel seme operativo del ciclo e corregge il nodo regressivo, non il claim. +- **Proto-ipotesi**: la restrittivita' di un null non e' proprieta' del nome del null; e' proprieta' misurabile solo a perimetro, observable e N fissati. +- **Possibile/non-possibile**: possibile = distinguere quantitativamente full-scramble ed endpoint-preserving sul perimetro compatto; non-possibile = promuovere `W=20` finche' il null endpoint-preserving lo rinomina con frequenza non-zero. +- **Proiezione**: rieseguo entrambi i null su `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`, usando le stesse righe compatte e `512` trial ciascuno. +- **Movimento A->M->B**: fisico A = Anderson 3D mobility edge; matematica M = confronto omogeneo di operatori null; fisico B = criterio di costo per decidere se lanciare large-L. Il ritorno fisico resta vincolo, non scoperta. + +## Aderenza alla direzione +- `relation`: `deliberate_counter_perimeter` +- `why`: resta su Anderson per chiudere il check obbligatorio del falsifier 11:24: stessi null, stesso perimetro, stesso N e stessa observable prima di interpretare restrittivita'. +- `not_drift`: non usa Sturmian, phi, V_c o fit locali; attacca il nodo regressivo `null_first -> candidate_name -> physical_return` emerso dentro il frame BOUNDARY cross-dominio. +- `return_criterion`: tornare al perimetro vivo 8 GUE / 5 Poisson quando il contratto dei null comparabili e' stabilizzato; oppure chiudere Anderson se anche il raw-reader endpoint-preserving rinomina `W=20`. +- `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson, raw multi-seed Anderson e `L>=7`. +- `why_not_drift`: il sotto-perimetro e' regressivo perche' corregge il confronto non omogeneo segnalato dal falsifier, senza promuovere un nuovo candidato. + +## Re-discovery audit +- **Baseline noto piu vicino**: Anderson localization, mobility edge 3D, crossover Wigner-Dyson/Poisson, Brody interpolation, finite-size scaling. +- **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, dipendenza da size piccole, sensibilita' a feature compatte. +- **Cosa resta Lab-specific**: contratto null-first comparabile con due operatori null sullo stesso observable row-aligned. +- **Separazione**: `two_reader_boundary_confirmed=2` nel perimetro compatto; `graph_only_residue` non sommato; `scope_change_declared=Anderson_compact_null_comparison`; `graph_baseline_audit=kNN stability / row-feature rewiring`. + +## Claim Under Test +> Nel perimetro compatto Anderson, il confronto tra null e' interpretabile solo se full feature-scramble ed endpoint-preserving candidate-only misurano lo stesso conteggio cross-size con lo stesso numero di trial. + +## Question +La riduzione osservata nel null endpoint-preserving era effetto del null o effetto del cambio di perimetro? + +## Experiment Design +- **Script**: `tools/exp_anderson3d_comparable_null_audit.py`. +- **Run**: `python tools/exp_anderson3d_comparable_null_audit.py --out tools/data/anderson3d_comparable_null_audit_20260516_1135.json --null-trials 512`. +- **Source**: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`. +- **Perimetro**: righe compatte mediane del run 11:17, `L=5,6`, 11 disorder rows per size. +- **Observed observable**: intersezione cross-size di righe `stable_graph_bridge+classical_intermediate`. +- **Null A**: endpoint-preserving candidate-only; conserva poli metallic/localized e permuta feature solo fra righe `mobility_candidate`. +- **Null B**: full feature-scramble; permuta feature su tutte le righe compatte della size. +- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`; Wilson 95% riportato sul count binomiale `k/N`. +- **Non testato**: non misura nuovi autovalori, raw multi-seed reader, exponent critico o large-L. + +## Results +| measure | observed | null k/N | raw_p | add_one_p | Wilson 95% | max null | mean null | lettura | +|---|---:|---:|---:|---:|---|---:|---:|---| +| endpoint-preserving candidate-only | 2 | 36/512 | 0.070312500 | 0.072124756 | [0.051218024, 0.095806720] | 2 | 0.533203125 | riduce la ricostruzione ma non azzera | +| full feature-scramble | 2 | 272/512 | 0.531250000 | 0.532163743 | [0.487953078, 0.574081486] | 4 | 1.623046875 | ricostruisce spesso il conteggio | +| difference full - endpoint | n/a | n/a | 0.460937500 | n/a | [0.412369646, 0.509505354] | n/a | n/a | differenza comparabile nello stesso perimetro | + +| W row | endpoint-preserving named hits | full-scramble named hits | lettura | +|---:|---:|---:|---| +| 16.00 | 33/512 | 117/512 | riga osservata ricostruibile | +| 20.00 | 54/512 | 116/512 | candidato non-zero nel null fisico | +| 16.50 | 37/512 | 112/512 | intermittente nel deposito, ricostruibile | + +| size | observed compact two-reader rows | +|---:|---| +| L=5 | `W=16.00`, `W=20.00` | +| L=6 | `W=16.00`, `W=16.50`, `W=20.00` | + +## Key Findings +1. Verificato: sullo stesso perimetro e con lo stesso `N=512`, endpoint-preserving ricostruisce meno del full feature-scramble: `36/512` contro `272/512`. +2. Verificato: gli intervalli binomiali non si sovrappongono; la differenza `raw_p_full - raw_p_endpoint = 0.460937500` ha intervallo approssimato `[0.412369646, 0.509505354]`. +3. Verificato: il risultato L2 precedente non era formulabile come confronto; ora lo e', ma solo nel perimetro compatto. +4. Verificato: `W=20` non e' zero sotto endpoint-preserving: `54/512` rinomine cross-size. +5. Inferito dal perimetro: il null endpoint-preserving e' un filtro piu' duro, non una prova fisica del boundary. + +## Verdict +CONSTRAINT + +Il nodo regressivo L2 e' chiuso: a parita' di perimetro, observable e N, il null endpoint-preserving e' piu' restrittivo del full feature-scramble. La promozione fisica resta bloccata perche' il candidato `W=20` sopravvive come rinomina non-zero nel null che preserva i poli. + +## Bicono della scoperta +- **Due radici**: differenza comparabile fra null; rinomina non-zero del candidato. +- **Singolare**: riga disorder prima del nome e prima del null. +- **Invariante di passaggio**: stesso observable, stesso perimetro, stesso N. +- **Campo di possibilita**: possibile = usare endpoint-preserving come pre-filtro di costo; non-possibile = pagare large-L per salvare `W=20` prima del raw-reader null. + +## Consecutio +Ripetere l'endpoint-preserving sul raw multi-seed reader del ciclo 11:17, non sulle mediane compatte. Se `W=20` resta rinominato, Anderson si chiude come proprieta' del lettore. Se va a zero, allora il costo `L>=7` diventa giustificato. + +## Ricadute pratiche +ssp_value: yes. `tools/exp_anderson3d_comparable_null_audit.py` diventa strumento riusabile per confrontare null solo dopo allineamento di perimetro, observable e N. + +## 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; BOUNDARY seguito come contro-perimetro regressivo per obbligo falsifier. +- `python -m py_compile tools/exp_anderson3d_comparable_null_audit.py` completato. +- Run completato: `tools/data/anderson3d_comparable_null_audit_20260516_1135.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_anderson3d_comparable_null_audit.py` +- Data: `tools/data/anderson3d_comparable_null_audit_20260516_1135.json` +- Report: `tools/data/reports/agent_20260516_1135.md` diff --git a/tools/exp_anderson3d_comparable_null_audit.py b/tools/exp_anderson3d_comparable_null_audit.py new file mode 100644 index 0000000000000000000000000000000000000000..09490b77f978f59919e9e7c18ce774a1fdbb7a37 --- /dev/null +++ b/tools/exp_anderson3d_comparable_null_audit.py @@ -0,0 +1,229 @@ +#!/usr/bin/env python3 +""" +Comparable null audit for the Anderson 3D compact boundary rows. + +The 11:24 falsifier rejected a comparison between a full feature-scramble null +and an endpoint-preserving null because the two runs used different readers, +denominators and trial counts. This script keeps one compact row perimeter and +one observable, then runs both nulls with the same N before interpreting them. +""" + +from __future__ import annotations + +import argparse +import json +import math +from pathlib import Path +from typing import Any, Callable + +import numpy as np + +from exp_anderson3d_endpoint_preserving_null import ( + classify_size, + compact_rows, + endpoint_preserving_scramble, +) +from exp_anderson3d_mobility_edge_two_reader_audit import ( + OBS_NAMES, + parse_ints, + scrambled_rows, + two_reader_names_from_rows, +) +from observables_registry import OBSERVABLES_REGISTRY_VERSION + + +def wilson_interval(k: int, n: int, z: float = 1.959963984540054) -> dict[str, float]: + if n <= 0: + return {"low": 0.0, "high": 1.0} + phat = k / n + denom = 1.0 + (z * z / n) + center = (phat + (z * z) / (2.0 * n)) / denom + half = (z / denom) * math.sqrt((phat * (1.0 - phat) / n) + (z * z / (4.0 * n * n))) + return {"low": round(max(0.0, center - half), 9), "high": round(min(1.0, center + half), 9)} + + +def count_histogram(counts: list[int]) -> dict[str, int]: + values, freq = np.unique(np.asarray(counts, dtype=int), return_counts=True) + return {str(int(value)): int(n) for value, n in zip(values, freq)} + + +def summarize_null( + name: str, + counts: list[int], + observed: int, + named_hits: dict[str, int], + trials: int, +) -> dict[str, Any]: + k_ge = sum(1 for value in counts if value >= observed) + raw_p = k_ge / trials if trials else 0.0 + add_one_p = (k_ge + 1) / (trials + 1) if trials else 1.0 + return { + "null_name": name, + "observed": observed, + "k_ge_observed": k_ge, + "trials": trials, + "raw_p": round(raw_p, 9), + "add_one_p": round(add_one_p, 9), + "wilson_95": wilson_interval(k_ge, trials), + "max_null": max(counts) if counts else 0, + "mean_null": round(float(np.mean(counts)), 9) if counts else 0.0, + "median_null": round(float(np.median(counts)), 9) if counts else 0.0, + "histogram": count_histogram(counts), + "cross_size_named_hits": dict(sorted(named_hits.items())), + } + + +def run_null( + base_by_size: dict[int, list[dict[str, Any]]], + sizes: list[int], + args: argparse.Namespace, + rng: np.random.Generator, + scramble_fn: Callable[[list[dict[str, Any]], np.random.Generator], list[dict[str, Any]]], +) -> tuple[list[int], dict[str, int]]: + counts: list[int] = [] + named_hits: dict[str, int] = {} + reader_args = argparse.Namespace(k_values=",".join(map(str, args.k_values)), graph_margin_max=args.graph_margin_max) + for _ in range(args.null_trials): + trial_sets = [] + for l_size in sizes: + trial_rows = scramble_fn(base_by_size[l_size], rng) + trial_sets.append(two_reader_names_from_rows(trial_rows, reader_args)) + cross = sorted(set.intersection(*trial_sets)) if trial_sets else [] + counts.append(len(cross)) + for name in cross: + named_hits[name] = named_hits.get(name, 0) + 1 + return counts, named_hits + + +def difference_summary(endpoint: dict[str, Any], full: dict[str, Any]) -> dict[str, Any]: + p_endpoint = endpoint["raw_p"] + p_full = full["raw_p"] + n_endpoint = endpoint["trials"] + n_full = full["trials"] + diff = p_full - p_endpoint + se = math.sqrt((p_full * (1.0 - p_full) / n_full) + (p_endpoint * (1.0 - p_endpoint) / n_endpoint)) + z = diff / se if se > 0 else 0.0 + ci_low = diff - 1.959963984540054 * se + ci_high = diff + 1.959963984540054 * se + return { + "comparison": "full_feature_scramble_raw_p - endpoint_preserving_raw_p", + "difference": round(diff, 9), + "wald_95": {"low": round(ci_low, 9), "high": round(ci_high, 9)}, + "z_approx": round(z, 6), + "interpretation_unit": "same compact row perimeter, same cross-size two-reader observable, same N", + } + + +def run(args: argparse.Namespace) -> dict[str, Any]: + with Path(args.source).open(encoding="utf-8") as f: + source = json.load(f) + + args.k_values = parse_ints(",".join(str(v) for v in source["parameters"]["k_values"])) + args.graph_margin_max = float(source["parameters"]["graph_margin_max"]) + sizes = sorted(entry["L"] for entry in source["by_size"]) + base_by_size = {entry["L"]: compact_rows(entry) for entry in source["by_size"]} + + observed_sets: dict[int, set[str]] = {} + observed_size_audit: dict[str, list[str]] = {} + for l_size, rows in base_by_size.items(): + audit = classify_size(rows, args.k_values, args.graph_margin_max) + observed_sets[l_size] = set(audit["two_reader_rows"]) + observed_size_audit[str(l_size)] = audit["two_reader_rows"] + observed_all = sorted(set.intersection(*observed_sets.values())) if observed_sets else [] + observed_count = len(observed_all) + + endpoint_counts, endpoint_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.endpoint_seed), + endpoint_preserving_scramble, + ) + full_counts, full_named_hits = run_null( + base_by_size, + sizes, + args, + np.random.default_rng(args.full_seed), + scrambled_rows, + ) + + endpoint_summary = summarize_null( + "endpoint_preserving_candidate_only", + endpoint_counts, + observed_count, + endpoint_named_hits, + args.null_trials, + ) + full_summary = summarize_null( + "full_feature_scramble", + full_counts, + observed_count, + full_named_hits, + args.null_trials, + ) + + output = { + "experiment": "anderson3d_comparable_null_audit", + "question": "On the same compact Anderson perimeter, does endpoint-preserving candidate-only scrambling differ from full feature scrambling for the same cross-size two-reader observable?", + "source": args.source, + "observables_registry": OBSERVABLES_REGISTRY_VERSION, + "observables_used": [ + *OBS_NAMES, + "SR_local_rigidity", + "brody_q", + "wigner_poisson_like_weight", + "mean_ipr", + "participation_entropy", + "two_reader_all_sizes", + "raw_p", + "add_one_p", + "wilson_95", + ], + "parameters": { + "sizes": sizes, + "k_values": args.k_values, + "graph_margin_max": args.graph_margin_max, + "null_trials": args.null_trials, + "endpoint_seed": args.endpoint_seed, + "full_seed": args.full_seed, + "source_perimeter": "compact median rows from 20260516_1117", + }, + "observable_contract": { + "claim": "Nulls can be compared only when they share one observable, one row perimeter and one N", + "observable": "cross-size intersection count of stable_graph_bridge+classical_intermediate rows", + "operator": "compact Anderson 3D rows from 11:17, classified by the same kNN/classical reader", + "generator": "same source rows; two null operators differ only in preserved structure", + "denominator": f"{args.null_trials} trials for each null on the same {len(base_by_size[sizes[0]]) if sizes else 0} rows per size", + "p_value_definition": "right tail; raw_p=k/N and add_one_p=(k+1)/(N+1), where k is null trials with cross-size count >= observed", + "non_possible": "calling one null more restrictive if the perimeters or N differ", + "not_tested": "raw multi-seed reader, new Hamiltonian samples, L>=7, full 8 GUE / 5 Poisson seed perimeter", + }, + "summary": { + "observed_all_size_count": observed_count, + "observed_all_size_rows": observed_all, + "observed_size_audit": observed_size_audit, + "endpoint_preserving": endpoint_summary, + "full_feature_scramble": full_summary, + "difference": difference_summary(endpoint_summary, full_summary), + }, + } + + 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("--source", default="tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json") + parser.add_argument("--out", default="tools/data/anderson3d_comparable_null_audit_20260516_1135.json") + parser.add_argument("--null-trials", type=int, default=512) + parser.add_argument("--endpoint-seed", type=int, default=202605161135) + parser.add_argument("--full-seed", type=int, default=202605161136) + run(parser.parse_args()) + + +if __name__ == "__main__": + main() tokens used 168,593 Completato. Ho eseguito l’esperimento comparabile sui due null Anderson e scritto il report richiesto in: `tools/data/reports/agent_20260516_1135.md` Output generati: - `tools/exp_anderson3d_comparable_null_audit.py` - `tools/data/anderson3d_comparable_null_audit_20260516_1135.json` - `tools/data/reports/agent_20260516_1135.md` Verifica: - `py_compile` dello script completato. - JSON validato. - Report presente e contiene `Aderenza alla direzione`, `Re-discovery audit`, `Contaminazione cognitiva`, count comparabili e verdict. Risultato centrale: a parita’ di perimetro, observable e `N=512`, endpoint-preserving ricostruisce `36/512`, full feature-scramble `272/512`; il confronto L2 e’ chiuso, ma `W=20` resta non-zero nel null endpoint-preserving (`54/512`), quindi niente promozione fisica.