Reading additional input from stdin... OpenAI Codex v0.124.0 (research preview) -------- workdir: /opt/MM_D-ND model: gpt-5.5 provider: openai approval: never sandbox: workspace-write [workdir, /tmp, $TMPDIR, /root/.codex/memories] reasoning effort: medium reasoning summaries: none session id: 019e97bb-bdd1-74f0-be1f-4c9ab68360f3 -------- user Sei l'AI-Lab D-ND. Leggi integralmente: - tools/data/agent_field_live.md per campo vivo, tensioni, ultimi risultati, convergenze e osservazioni; - tools/LAB_AGENT_CONTEXT.md per modello, regole, errori da evitare e contratti operativi. Compito: 1. lavora la fisica formalizzando le teorie con logica D-ND; 2. processa la tensione attraverso i condensati, l'incrocio teorie e il bicono; 3. individua fisico A, trasduttore matematico M e possibile fisico B; 4. esegui un esperimento o una verifica osservabile solo se emerge dalla formalizzazione, non per scegliere il target; 5. non promuovere un risultato se il bordo resta solo interpretativo; 6. non usare scaffold laterali o harness supervisionati come direzione, a meno che il campo vivo li renda esplicitamente necessari; 7. scrivi il report in tools/data/reports/agent_20260605_1221.md. Regola di autorita' D-ND: - seme.json.direzione e' la perturbazione viva del ciclo e batte il feed recente; - i report recenti accettati sono memoria, non target automatico; - nessun dominio nominato dal seme e' automaticamente il target: primi, GUE/Poisson, zeta, Anderson, QxG, percolation o altro sono superfici di manifestazione, non direzione sufficiente; - prima di scegliere strumenti o misure, applica il filtro D-ND alla direzione: identifica dipolo, singolare, invariante, campo di possibilita', non-possibile, combo minima e risultante grezza; - la forma primaria del Lab fisico e': teorie fisiche -> incrocio/ponte/vuoto -> condensato D-ND -> formalizzazione -> eventuale osservabile; - solo dopo questa normalizzazione scegli se serve un esperimento, un blank, una domanda o un vincolo; - se scegli una misura senza aver dichiarato la combo e il non-possibile, stai seguendo un attrattore locale: fermati e scrivi BLANK / QUESTION_ONLY / NEEDS_OPERATOR_DIRECTION. Per il seme vivo "8 domini GUE, 5 Poisson": - non collassare subito in "test sui primi" o "test Anderson"; - leggilo prima come problema di confine/terzo incluso: quali due radici, quale singolare, quale invariante, quale passaggio diventa possibile e quale non-possibile? - se dopo il filtro emerge una misura, nomina `direction_minimal_experiment` e dichiara perche' quella superficie e' conseguenza della combo, non attrattore familiare. Contratto obbligatorio del report: - usa esattamente i titoli di sezione indicati sotto; - non tradurre questi titoli; - includi sempre le righe osservabili richieste; - se una sezione non produce scoperta, dichiaralo come vincolo o residuo, non lasciarla assente. Intestazione obbligatoria: # Agent Report - **Date**: 20260605_1221 **Tension explored**: **verdict**: observables_used: [] observable_contract: ssp_value: Regole di parsabilita' obbligatorie: - se il report distingue risultati testati da vuoti/non-testati, usa nel `observable_contract` campi espliciti: `tested_non_possible=`; `not_tested_or_empty=`; - non mettere QxG, vuoti di incrocio o ponti non misurati nello stesso non-possibile dei fenomeni falsificati da null fisici; - nella sezione includi sempre una riga parsabile: `cognitive_contamination: CE-...` oppure `cognitive_contamination: CE-none: `. Sezioni obbligatorie, in questo ordine: ## Respiro fuori-tempo Prima impressione breve: cosa emerge prima dell'analisi. ## Claim Under Test Una sola affermazione verificabile. Dichiara cosa deve risultare vero e cosa la falsifica. ## Question La domanda operativa del ciclo, formulata in modo che una risposta valida possa chiudere o orientare il passo successivo. ## Experiment Design Strumenti usati, input, comando o procedura, confine della misura, criterio di falsificazione. ## Results Risultati osservati. Includi numeri, file o stati prodotti quando disponibili. ## Verdict Decisione finale. Dichiara esplicitamente se il risultato avanza, vincola, sospende o falsifica. ## Bicono della scoperta Usa esattamente questo formato parsabile: - **Due radici**: - **Singolare**: - **Invariante di passaggio**: - **Campo di possibilità**: qui diventa possibile ; qui diventa non-possibile Se non c'e' scoperta, scrivi il bicono del vincolo o del residuo con lo stesso formato. ## Aderenza alla direzione Spiega la relazione con la direzione corrente del seme. Usa righe esplicite: - `relation`: `follows_direction` oppure `deliberate_counter_perimeter` oppure `drift_to_reject` - `why`: perche' questo esperimento serve la direzione viva - `not_drift`: cosa impedisce che sia ritorno a un deposito familiare Se restringi il perimetro vivo del seme, per esempio da "8 domini GUE, 5 Poisson" a un probe locale, devi usare `relation: deliberate_counter_perimeter` e aggiungere anche: - `return_criterion`: cosa riporta il prossimo ciclo al perimetro vivo o chiude il ramo - `seed_residue`: cosa resta non testato della direzione viva ## Ritorno fisico Dichiara il ritorno fisico/matematico: quale oggetto reale, numero, grafo, dominio o esperimento riceve il risultato. ## Re-discovery audit Dichiara cosa era gia' noto, cosa e' nuovo, e cosa resta solo ri-scoperta. ## Contaminazione cognitiva Dichiara quali bias, attrattori interpretativi o scaffold laterali potevano contaminare la scelta. Includi obbligatoriamente una riga parsabile: - `cognitive_contamination: CE-...` se usi una voce CE/YSN/KSAR/PVI/Vault; - `cognitive_contamination: CE-none: ` se non usi adapter o archivio CE. ## Consecutio Indica il prossimo passo minimo: una verifica, uno stop, una domanda o una promozione candidata. ## Side effect Elenca file creati/modificati, se noti, e cosa non e' stato pubblicato. Non dichiarare "seme/grafo/latest/lab_data non modificati" come fatto certo: questo report viene scritto prima del post-processing, quindi integratore, graph completion, lab_data, public sync o restore possono ancora cambiare lo stato dopo la scrittura. Se non puoi verificarlo nel momento del report, scrivi "post-processing non ancora noto" e lascia la verifica finale ai gate. warning: Codex could not find bubblewrap on PATH. Install bubblewrap with your OS package manager. See the sandbox prerequisites: https://developers.openai.com/codex/concepts/sandboxing#prerequisites. Codex will use the vendored bubblewrap in the meantime. codex Leggo prima il campo vivo e il contesto Lab, poi controllo il seme e lo stato del repo prima di scegliere qualsiasi superficie. Terrò separati dati verificati, memoria dai report e inferenza D-ND. 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: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. - Blocco L8 20260531_2024: Agent Report - Boundary Contextual Robustness Macro Audit - claim bloccato: `relation`: `follows_direction` ... direttiva one-shot su cache/provenance/failure audit ... null fisici interni per logistica/percolation - evidenza: `seme.json.direzione` dice: prossimo `perturbation/null fisico Anderson su W16/W16.5/W20, non altra metrica derivata`. Il report lavora invece su percolation/logistica e cache row-aligned, senza dichiarare `deliberate_counter_perimeter` con `why/not_drift` verificabili rispetto ad Anderson. - prossimo uso ammesso: Nel prossimo ciclo riallineare il contratto su Anderson W16/W16.5/W20 con perturbation/null fisico, oppure dichiarare esplicitamente `deliberate_counter_perimeter` e spiegare perche' percolation/logistica non e' drift dalla direzione viva. 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: 20260605_1145 - L6: Il report usa `combo=A9 terzo incluso + A10 dipolo + A11 combo + incrocio QxG...` ma non include una riga `Contaminazione cognitiva` ne' una dichiarazione `CE-none:` specifica. Check richiesto: Nel prossimo ciclo aggiungere una riga esplicita: `Contaminazione cognitiva: CE-none: ` oppure nominare la voce CE/YSN/KSAR/PVI realmente usata nella scelta del perimetro. 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. ## Contratto automatico di ritorno al potenziale — A->M->B Questa e' una fase automatica post-cycle -> pre-cycle. La matematica qui e' prerequisito/trasduttore: non e' la conclusione. Il prossimo report deve tentare il ritorno a fisica B, oppure dichiarare vincolo/tool/domanda senza promozione. Autorita': `agent_20260605_1202.md` (cycle=20260605_1202, status=obvious_physical_b_closed_reader_observable_recheck). I refinement supervisionati sono feedback, non authority. Titolo sorgente: Agent Report - Boundary Stable, Physics Unpromoted Verdict sorgente: Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native. Movimento da preservare: - fisica A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo - matematica M: (non esplicita) - fisica B corrente: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native. - ritorno dichiarato: Oggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate. Domande B candidate: - Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? Refinement supervisionati da usare come coordinate, non come promozione: - e2e_w165_closure_confirmation_20260529.md | result=The useful result is not a promoted physics claim. The Lab has isolated a narrow intermediate landing coordinate: Anderson W16.5 closes under isotropic negative onsite tilt near -0.0625, while W20 remains the robust local_global reference. This coordinate is real enough to survive the stricter isotropic replay with size 8, but not robust enough to survive independent seeds plus mild | reading=- W20 remains the reference pole. - W16.5 is a sensitive intermediate channel. - The transition is asymmetric: negative onsite tilt creates the useful passage; mild anisotropy breaks full closure before it destroys every trace. - The evolutionary progress is methodological: the Lab can now move from broad perturbation to landing-coordinate confirmation and falsification. - e2e_landing_loop_anderson_physical_perturbation_20260529.md | result={ "landed_once": true, "landing_round": 1, "sustained_landing": false, "landing_lost_round": 2, "rounds_run": 3 | reading=This is not a failure. It is a sharper boundary. The closed reference W20 is robust across all perturbation rounds. The intermediate band W16/W16.5 is not rigidly non-promoted: under stronger perturbations, W16.5 can close sporadically. Therefore the landing is not a stable final claim; it is a regenerative discriminator with a sensitive intermediate channel. - e2e_w165_closure_r2_replay_20260603.md | result=The replay reproduces the 2026-05-29 R2 result: { "variant_count": 15, "w165_closure_count": 1, "w165_global_only_count": 0, "w165_state_counts": { | reading=This strengthens the narrow isotropic landing coordinate: - W20 remains the robust local/global reference. - W16.5 closes only in a very narrow isotropic negative-tilt band. - The coordinate is reproducible under the original E2E seed family and stricter size ladder. - It is still not a promoted physical law because the 2026-05-29 R3 stress with Risultante da far tornare nel potenziale: - bicono: - **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 - **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed - **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con third_included_candidates - **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only - consecutio: Prossimo passo minimo: scegliere un solo fisico B tra percolation:cycle_9 e reaction_diffusion:cycle_11 e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come stable_graph_tool_only. Feedback bloccato da metabolizzare, non da seguire come direzione: cycle=20260605_1145, reason=falsifier non-coherent, high_lenses=[]. - falsifier: Il report e' quasi coerente sul vincolo fisico B, ma si rompe su L6 per mancata contaminazione cognitiva esplicita e su L7 per aver messo QxG nello stesso non-possibile dei null fisici effettivamente testati. Evoluzioni ammesse: weak_real_basin, symmetry_gate, finite_artifact_or_constraint Collassi vietati: - cron_reactivation_as_reflex - percolation_or_logistic_as_authority_without_counter_perimeter - new_derived_metric_without_changed_falsifier - graph_localization_promoted_as_physical_entity - paper_zero_absorbs_unstabilized_lab_result Obblighi del prossimo ciclo: - declare physical_A, mathematical_M, attempted_physical_B - separate seed/latest authority from supervised refinements - state what would falsify the B candidate - if B does not emerge, write constraint/tool/question rather than promotion - if a prior L8 block exists, explain why this cycle is not the same drift Regola di auto-miglioramento: se B non emerge, il cycle deve produrre una ragione falsificabile del blocco e una modifica del contratto operativo; non deve aggiungere solo una metrica derivata. ## Pre-cycle awareness — stato, strumenti, scienza prima della scelta Questa sezione e' report-only: non e' una direttiva rigida e non promuove nulla. Serve a evitare che il producer scelga al buio o cada nell'attrattore locale. Usala per nominare perimetro, baseline, non-possibile e tool prima del report. Awareness: generated_at=2026-06-05T12:21:57+00:00, science=docs/operations/science_awareness_20260605_122157.md, external_api=False Accepted authority corrente: Agent Report - Boundary Stable, Physics Unpromoted Feedback recente: Agent Report - Boundary Stable, Physics Unpromoted (blocked=False, reason=) - falsifier recente: coherent=True flags=0 high=0 - fix richiesto dal blocco: Il report e' internamente coerente rispetto ai dati forniti: le lenti L1-L8 non mostrano rotture strutturali checkable. Movimento ammesso dal pacchetto: - fonte: potential_return/latest.json - domanda: Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? Hard stop: if no new domain-native observable is named before the report, exit BOUNDARY and select a non-BOUNDARY live seed/scenario direction. Perimetro scientifico prima di promuovere: - literature check: Use internal paper/arXiv tools to separate the current branch from: GUE/GOE/Poisson level statistics; Brody, Berry-Robnik, Rosenzweig-Porter and localization crossover families - internal test: separate label/classification from mechanism; compare to nearest spectral-statistics baselines before using 'new' or 'physical bridge' - stop condition: stop promotion if the result remains analogy, graph-only, label-only or follows from the chosen denominator Testa D-ND da applicare al campo: - focus D-ND: Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? - assiomi/lenti: A2 Confine: det=-1 as boundary/generation, det=+1 as closure; A4 Modus: quality of question determines quality of inversion; A9 Terzo incluso: zero between A and non-A, not a third class; A10 Dipolo: name both poles and the point-zero; A11 Combo: three or more simultaneous entities before measurement; A13 Consecutio: result must open next direction or realignment - combo richiesta: D-ND axiom/method + theory crossing or graph node + live tension / potential-return question + scientific baseline or null - dipolo: Name the two poles before coding. For graph-boundary return: e.g. GUE repulsion vs Poisson independence, with the low-margin cross-label row as point-zero. - punto-zero: Name the zero where the two poles become one problem: e.g. percolation/reaction-diffusion transition coordinate, not a promoted graph label. - A->M->B: Name physics A, mathematical transducer M, and attempted physics B. If B does not emerge, write constraint/tool/question. - non-possibile: State where the claim falls: analogy-only, graph-only, label-only, denominator artifact, known photonic mechanism, or null closure. Baseline scientifiche da separare: - GUE/GOE/Poisson level statistics; Brody, Berry-Robnik, Rosenzweig-Porter and localization crossover families — separate label/classification from mechanism; compare to nearest spectral-statistics baselines before using 'new' or 'physical bridge' - percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods — produce domain-native observable; graph-only residue cannot become physics B - prime gaps/statistics, Hardy-Littlewood tuples, Lemke Oliver-Soundararajan residue bias, zeta-zero statistics — show result is not a consequence of density, residue bias, chosen metric or known zeta/prime statistics Claim boundary: - ammesso per ora: constraint, tool, question, graph-only residue, bounded candidate, nearest-known baseline identified - non dire prima della verifica: new physics, physical bridge, discovery, law, QxG bridge Tool consigliati dal pacchetto: - dnd_scenario.py, dnd_domandatore.py, dnd_incrocio.py, lab_potential_return_compiler.py, graph_completion_compiler.py, lab_preflight_agent.py, build_lab_graph.py, diagram_nodi_paper_map.py, diagram_paper_dependencies.py, dnd_arxiv.py, dnd_paper_audit.py, dnd_paper_graph.py Skill/facolta' da rendere disponibili, non da imporre: - observer-sys (pre_cycle_observation): choose the expression/container: narrative, table, algorithm, checklist, experiment contract | confine: decides form, not content authority - navigator-sys (field_exploration): find generative cross-domain links before locking into one metric | confine: links must later pass Veritas and a domain-native observable - logic-sys (contract_formalization): formalize the D-ND seven-step reasoning around the chosen experiment | confine: logic is not a substitute for data, nulls, or scientific baseline - research-lab-sys (paper_and_condensate_context): bring FORMALISTA/VERIFICATORE/TESSITORE/PONTE roles as lenses for physics formalization | confine: does not override Physics Lab accepted authority; adapts paper method to physics runtime - mnemos-sys (crystallization): turn useful experience into current-state docs, ledgers and next-cycle memory | confine: memory is process and documentation, not unchecked promotion - veritas-sys (pre_promotion): triangulate rho and attack the output for LLM-accommodation risk | confine: validates; does not generate the physics move - aeternitas-sys (seed_and_identity_guard): guard invariant seed and block identity drift | confine: veto only; not a search engine - pipeline minima: observer-sys selects the form of the next contract -> navigator-sys scans hidden crossings and candidate fields -> logic-sys names dipoles, boundary, point-zero and non-possible -> research-lab-sys checks D-ND/paper lineage and formalization debt -> veritas-sys/aeternitas-sys validate before promotion -> mnemos-sys crystallizes the rule/result for the next cycle - confine skill: do not inject all skills into every run; do not let Aeternitas/Veritas become search direction generators; do not use research-lab paper priorities as Physics Lab authority without active seed fit; do not activate operative skills unless there is a code/UI/runtime task with verification REGORE awareness selettiva: - unita'=13 / attive=13; next=C:\PVSC\ANTI_G\MM_D-ND\kernel\reference\MMSP1\System_Prompt_SACS_PS_v14_0.md - SK_COAC_SYSTEM_AWARENESS_BEFORE_ACTION: invariant=executive context -> strategy -> output form -> response | verification=future cycles name context, selected target and output form before R_file or action - SK_MMS_GUARDED_ROUTE_TO_R: invariant=intent -> route select -> guarded execution -> collapse -> R -> memory update | verification=future cycles name selected units and guard before R_file - SK_SYSTEM_PROMPT_MORPHEUS_V1_0_SOURCE_STRUCTURE_TO_R: invariant=axiomatic hierarchy -> orchestration vectors -> dynamic cycle -> controlled R | verification=future entity-prompt digests preserve route/cycle while excluding identity - SK_SYSTEM_PROMPT_SACS_PS_V13_0_SOURCE_STRUCTURE_TO_R: invariant=axiomatic hierarchy -> orchestration vectors -> dynamic cycle -> controlled R | verification=future entity-prompt digests preserve route/cycle while excluding identity - SK_AWO_LATENT_INTENT_WORKFLOW: invariant=Intento Latente -> Workflow minimo efficace -> esecuzione orchestrata -> R -> eventuale protocollo stabile | verification=future source cycles state latent intent and minimal workflow before reading/reintroducing - SK_PSW_OBSERVATION_TO_RELATIONAL_MEANING: invariant=observation -> latent meaning -> semantic relations -> pragmatic direction -> R | verification=future R_file states the relation that turns observation into usable meaning - confine REGORE: not Lab authority; not Seed authority; not cron/runtime activation; not public sync; do not import REGORE/TM9 identity or Windows-local paths - vietato REGORE: direct write to seme, reports/latest, condensati or public data; whole-kernel prompt injection; promotion of REGORE source units as physics evidence Mappa strumenti: total=344, documented=32, not_visible=312, recently_used=8. Corpus e possibilita' disponibili su trigger: - gruppi=8, file_match=549; regola=route by field need: model grammar, scientific proof debt, skill faculty, metaprompt architecture, decision instrument, or public/runtime alignment - dnd_condensates (model_kernel): 17 file; trigger: when the move risks becoming metric-only, local, or detached from D-ND grammar - dnd_awareness_corpus (deep_corpus): 200 file; trigger: when the field asks for older metaprompt, methodology, formula, ontology, or paper-mining deposits - mmsp_reference_prompts (metaprompt): 85 file; trigger: when a specific prompt architecture or historical agent pattern is needed - thia_skill_snapshot (skills): 77 file; trigger: when the Lab needs a cognitive faculty or bridge pattern not present in the current producer - thia_runtime_skills (runtime_skills): 55 file; trigger: when routing, agent capability, THIA assistant, or public API behavior must be aligned - lab_science_and_formula_corpus (science_formula): 91 file; trigger: when the move needs physics/formula/paper context before experiment or promotion - lab_decision_instruments (decision_tools): 7 file; trigger: when the Lab must choose, ask, invert, cross theories, or return to potential without forcing measurement - regore_semantic_kernel (source_digest_kernel): 17 file; trigger: when the Lab needs D-ND/system-prompt mechanics distilled as atomic invariants instead of whole prompt injection - confine corpus: do not paste whole legacy prompts into the producer by default; do not let a skill/metaprompt override Lab authority or scientific gates; do not promote a corpus fragment without a live boundary, observable and non-possible Debito da non ignorare: - potential_return_question: Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '2 — the next move is still a question/contract, not discovery - tool_awareness_gap: 312 tools not visible in README/context — the producer can only choose well if the field exposes a live ranked tool map - dormant_tool_gap: build_lab_graph.py, diagram_nodi_paper_map.py, diagram_paper_dependencies.py, dnd_arxiv.py, dnd_domandatore.py, dnd_paper_audit.py, dnd_paper_graph.py, dnd_paper_refactor.py — relevant tools exist but were not seen in recent report/session traces - science_baseline_separation: GUE/GOE/Poisson level statistics; Brody, Berry-Robnik, Rosenzweig-Porter and localization crossover families — separate label/classification from mechanism; compare to nearest spectral-statistics baselines before using 'new' or 'physical bridge' - science_baseline_separation: percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods — produce domain-native observable; graph-only residue cannot become physics B - science_baseline_separation: prime gaps/statistics, Hardy-Littlewood tuples, Lemke Oliver-Soundararajan residue bias, zeta-zero statistics — show result is not a consequence of density, residue bias, chosen metric or known zeta/prime statistics Regola di uso: se il report attraversa questo pacchetto ma sceglie un'altra via, deve dichiarare perche' quella via e' piu' aderente al campo vivo e quale baseline scientifica la separa. Possibilita' aperta, ma non cieca. ## 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. 8. Migliore mossa / mossa eccezionale: prima scegli la migliore combo visibile nel materiale disponibile; poi verifica se proprio quella combo apre una mossa eccezionale vincolata. Una mossa speciale non e' invenzione libera: deve ereditare i vincoli gia' verificati e produrre osservabile, setup, teoria fisica di ritorno, vincolo empirico o domanda piu' precisa. 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_20260605_1202: 3 ghost · Agent Report - Boundary Stable, Physics Unpromoted - report_20260604_1909: 2 ghost · Agent Report - Boundary Graph Third-Included Gate **Forma del campo**: 9 ponti, 1 vuoto(i), 6 scoperte. **Direzione seme da respirare**: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. ## Contratto di aderenza alla traiettoria - Direzione viva del seme: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. - Ultima decisione valutatore ammessa: 20260605_1202 REDESIGN/high - Direzione operativa valutatore: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. - Perche': Il ciclo ha confermato stabilita' del gate graph-boundary su k/seed, ma il risultato resta dichiaratamente TOOL e non promuove fisica, QxG o fisico B. Dopo tre decisioni recenti orientate a cristallizzare/redesignare lo stesso ramo, continuare nello stesso frame accumulerebbe dettaglio locale su uno strumento gia' qualificato invece di produrre cross-dominio o ponte fisico. - Nota: Priorita' suggerita: reaction_diffusion se esiste gia' una misura domain-native di fronte/decadimento/scala; percolation se il repo ha soglie, cluster o critical exponents pronti. Se nessun osservabile domain-native e' disponibile, il ciclo deve prima costruire il contratto osservabile e dichiarare non-testato il ponte fisico. 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. exec /bin/bash -lc 'pwd && git status --short --branch' in /opt/MM_D-ND succeeded in 0ms: /opt/MM_D-ND ## main...origin/main M applications/INDEX.draft.json M docs/guides/lab_current_state_logic_2026-05-08.md M papers/paper_zero.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/conoscenza_teorie.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/refresh_detector_state.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/exp_semireal_boundary_transfer_gate.py M tools/graph_completion_compiler.py M tools/lab_aeternitas.py M tools/lab_agent.sh M tools/lab_falsifier.py M tools/lab_refresh_detector.py M tools/lab_session_logger.py M tools/semantic_bridge.py ?? 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/agent_field_entry_supervised.md ?? tools/data/potential_return/ ?? tools/data/runtime_awareness/ ?? tools/data/science_awareness/ ?? 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_anderson_closure_probe.py ?? tools/exp_boundary_anderson_costability_null.py ?? tools/exp_boundary_anderson_latent_reference_probe.py ?? tools/exp_boundary_anderson_physical_perturbation_null.py ?? tools/exp_boundary_anderson_transaction_adapter.py ?? tools/exp_boundary_anderson_w165_closure_map.py ?? tools/exp_boundary_aubry_physical_perturbation_null.py ?? tools/exp_boundary_bridge_stability_audit.py ?? tools/exp_boundary_classical_crossover_audit.py ?? tools/exp_boundary_contextual_robustness_macro_audit.py ?? tools/exp_boundary_contextual_transaction_detector.py ?? tools/exp_boundary_discriminator_workflow.py ?? tools/exp_boundary_evolution_measure.py ?? tools/exp_boundary_graph_curvature_gate.py ?? tools/exp_boundary_graph_mechanism_ablation.py ?? tools/exp_boundary_graph_null_audit.py ?? tools/exp_boundary_graph_residue_threshold_audit.py ?? tools/exp_boundary_graph_stability_audit.py ?? tools/exp_boundary_percolation_edge_trace.py ?? tools/exp_boundary_physical_internal_null.py ?? tools/exp_boundary_physical_internal_null_cache_row_aligned.py ?? tools/exp_boundary_physical_internal_null_preflight.py ?? tools/exp_boundary_physical_perturbation_evolution_measure.py ?? tools/exp_boundary_physical_perturbation_landing_loop.py ?? tools/exp_boundary_prime_label_null_audit.py ?? tools/exp_boundary_reader_regression_audit.py ?? tools/exp_boundary_reference_position_probe.py ?? tools/exp_boundary_residue_label_count_null_audit.py ?? tools/exp_boundary_rp_physical_perturbation_null.py ?? tools/exp_boundary_tail_reference_probe.py ?? tools/exp_boundary_transition_matrix.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_photonic_optical_kgen_discriminator.py ?? tools/exp_photonic_optical_kgen_flow_gate.py ?? tools/exp_photonic_optical_kgen_sensitivity.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_meta_cycle_controller.py ?? tools/lab_potential_return_compiler.py ?? tools/lab_preflight_agent.py ?? tools/lab_public_surface_audit.py ?? tools/lab_runtime_awareness.py ?? tools/lab_runtime_observer.py ?? tools/lab_science_awareness.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/qxg_boundary_classifier.py ?? tools/qxg_contract_smoke.py ?? tools/qxg_cycle.sh ?? tools/qxg_nightly_cycle.sh ?? tools/qxg_qes_null_builder.py ?? tools/qxg_qes_observation_producer.py ?? tools/qxg_setup_row_operator.py ?? tools/qxg_supervised_preflight.py ?? tools/qxg_supervised_report_draft.py ?? tools/selector_authority_matrix.py ?? tools/stale_field_source_map.py ?? tools/test_lab_meta_cycle_controller.py ?? tools/test_lab_public_surface_audit.py ?? tools/test_potential_return_e2e.py exec /bin/bash -lc "sed -n '1,320p' 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. - **Combo come contenitore del movimento.** La combo non e' una lista di ingredienti e non e' il target del ciclo. E' la minima configurazione che conserva il movimento verso la risultante: assioma vivo, tensione del seme, dipolo possibile/non-possibile, operatore laterale, osservabile e criterio di caduta. Deve dire cosa muove, cosa trattiene e cosa puo' decadere. Se una combo non contiene il proprio non-possibile o non lascia spazio alla risultante emergente, e' un prompt mascherato: riformulala prima di misurare. - **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. - **Partizioni esaustive prima dei conteggi narrativi.** Quando classifichi righe in gruppi (`stable`, `parameter_sensitive`, `unstable`, `classic_only`, `graph_only`, endpoint, bridge, ecc.), dichiara se la lista e' una partizione completa o un sottoinsieme. Se il testo dice "le righe X sono ..." deve includere tutte le righe che soddisfano la condizione dichiarata. Se vuoi parlare solo di un sottoinsieme, nominalo come tale: `unstable_non_bridge + classic_only`, `parameter_sensitive + classic_only`, ecc. Il totale deve tornare al denominatore atomico prima del verdict. - **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. - **Regola operativa non e' assioma eterno.** Le regole nate da falsifier, monitor, report bloccati o cicli locali sono contratti adattivi, non invarianti D-ND. Devono dichiarare: `origin=`, `protects=`, `valid_until=`, `retire_when=`. Gli invarianti del modello D-ND e dei meta-prompt governano il modo in cui le regole si generano, si verificano, si trasformano e decadono; non congelano per sempre una forma locale. L'intento non e' una destinazione statica: vive nel movimento che permette alla risultante di emergere. Se una regola irrigidisce il movimento o lo sostituisce con l'obbedienza alla regola, il ciclo deve segnalarla come `rule_friction` e proporre un raffinamento, non aggirarla silenziosamente. - **Blocco come tensione autologica, non come fermo.** Un blocco del Lab (`provider_fail`, `report_missing`, `sync_blocked`, `Aeternitas VETO`, `Veritas SOSPENSIONE`, timeout, perimetro troppo costoso, rule_friction) e' un punto di inversione del modello, non una fine operativa. Prima protegge le superfici accettate; poi deve produrre un oggetto utile al ciclo successivo: `block_origin`, `node_regressivo`, `dipolo`, `possibile/non-possibile`, `det+1_patch_risk`, `det-1_next_move`, `return_criterion`. Superare il blocco non significa forzare sync, abbassare gate o aggirare regole: significa usare A8/A15 per chiedere al sistema quale condizione mancava a monte e quale mossa minima rende il prossimo ciclo piu' autonomo. Se il blocco resta solo log o quarantena, il Lab ha osservato ma non ha ancora metabolizzato. - **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 - dnd_controprove.py: 6 controprove indipendenti codex Il campo vivo punta a un ritorno fisico B, non a un nuovo test GUE/Poisson: fisico A è la transizione statistica GUE/Poisson, M è il gate graph-boundary già qualificato come strumento, B va separato con un osservabile domain-native. Ora leggo seme, condensati e ultimo report accettato per evitare di trasformare memoria recente in target automatico. exec /bin/bash -lc 'wc -l tools/data/agent_field_live.md tools/LAB_AGENT_CONTEXT.md CONDENSATO_ESSENZIALE.md CONDENSATO.md tools/data/seme.json tools/data/reports/agent_20260605_1202.md' in /opt/MM_D-ND succeeded in 0ms: 1383 tools/data/agent_field_live.md 552 tools/LAB_AGENT_CONTEXT.md 61 CONDENSATO_ESSENZIALE.md 526 CONDENSATO.md 605 tools/data/seme.json 71 tools/data/reports/agent_20260605_1202.md 3198 total exec /bin/bash -lc "sed -n '321,760p' tools/LAB_AGENT_CONTEXT.md" in /opt/MM_D-ND succeeded in 0ms: - dnd_domandatore.py --ask 'tensione': 5 operatori discriminanti - dnd_incrocio.py: incrocio teorie, ponti, vuoti, domande fondamentali - dnd_normalizer.py: scissione, regola D-ND, discriminatore dipoli su segnali - dnd_bloch_explorer.py: scan Bloch, φ emergente - dnd_arxiv.py: cerca paper rilevanti su arXiv Motore strutturale del modello (importabili come libreria, non workflow obbligati): - dnd_kernel.py: regole del livello (f, M, det=-1, costanti, assiomi A0-A3, principi P0-P5, leggi L0-L7) - dnd_teoria.py: 5 teorie codificate come dipoli (TQGE+R), 13 dipoli, isomorfie cross-teoria - dnd_dipolo_lab.py: pattern producer/critic con Godel inversion (PoloA esplora, PoloB inverte) - dnd_M_operator.py: M sulla conoscenza [noto, ignoto] → φ. Stato in knowledge_state.json - dnd_riflesso.py: campo compresso + 3 voci (NUOVO/ROTTURA/DIREZIONE), un colpo non un ciclo - Puoi scrivere ed eseguire script Python con numpy, scipy, sympy - Se ti serve contesto esterno e non hai video, cercalo ## Errori già fatti — non ripeterli Questi sono errori reali commessi nelle sessioni precedenti. Il sistema li ha pagati. **1. Cercare conferme invece di creare strumenti.** Non scrivere esperimenti per dimostrare che qualcosa è vero. Scrivi esperimenti che misurano qualcosa di nuovo — il risultato dirà da solo se conferma o falsifica. Se sai già cosa troverai, non stai esplorando. **2. Iniettare il risultato atteso nel test.** Esempio reale: testare se "la curvatura dei primi è GUE-like" calcolando la r-statistic e confrontando con 0.536. Il test trova r=0.503 e dichiara "GUE-like". Ma 0.503 è più vicino a Poisson (0.386) che a GUE (0.536). Il frame "GUE-like" era nel claim, non nei dati. Misura prima, interpreta dopo. **3. Tautologie — testare proprietà algebriche come se fossero scoperte.** Esempio reale: la curvatura di Ricci R=2.000 della metrica g=(p/2)² segue analiticamente dal PNT (p_n ~ n ln n). Non è una scoperta — è una conseguenza della definizione. Il contenuto non-banale era altrove: lo shuffle distrugge R dimezzandola (R=-1). Il fattore 2x è la vera scoperta — ma senza il null test sarebbe stata spacciata come "R conferma de Sitter". **4. Coincidenze numeriche trattate come struttura.** 0.606 ≈ 1/φ = 0.618 (2% di differenza). Non è una connessione — è rumore fino a prova contraria (C2 del condensato). Ogni volta che un numero è "vicino a" φ, √5, π, e, 1/137: non è prova di nulla. Serve un meccanismo, non una vicinanza. **5. Usare lo stesso dato come input e come test.** Se costruisci la metrica usando p_n e poi misuri proprietà di p_n con quella metrica, stai misurando la definizione. Il test vero è: la metrica predice qualcosa sui primi che NON è stato usato per costruirla? Se no, è circolare. **6. Aggiungere domini hardcoded invece di lasciare che il sistema li trovi.** Il lab non è una calcolatrice con domini pre-scritti. Se una tensione parla di primi, non aggiungere "metrica_primi" come dominio. Scrivi un esperimento che esplora la tensione — se servono i primi, il codice li userà. Il sistema decide cosa fare, non il programmatore. **7. Usare numeri per vincolare concetti (det=+1).** Esempio reale: `intensità: 0.65` trattata come soglia → `if intensita > 0.5: conferma`. Il sistema D-ND opera con dipoli (claim/anti-claim), assonanze (risuona/non risuona), potenziale (alto/medio/basso) — stati qualitativi, non scale numeriche. Quando usi un float come proxy per una qualità strutturale, stai comprimendo il concetto in un numero e il numero decide al posto della struttura. Lo stesso vale per "maturity > 0.99", "confidence < 0.7", "score = rank * 10 + intensita". **Regola**: se il codice confronta una qualità concettuale con una soglia numerica, è sbagliato. Usa la struttura: dipoli (sì/no), potenziale (tipo, non valore), assonanza (binaria), porta (categoria). I numeri servono per misurare i dati (gap primi, correlazioni, z-score) — non per decidere lo stato del sistema. Se trovi questo pattern in un tool che stai modificando, correggilo. Non serve riscrivere tutto — correggi dove passi. Il sistema evolve organicamente. ## Come evitarli - **Prima il null test, poi l'interpretazione.** Ogni esperimento ha un controllo: shuffle (stessa distribuzione, ordine distrutto), Cramer random (stessa densità, nessuna correlazione), baseline teorica. - **Nearest-known baseline prima della promozione.** Se il ciclo tocca primi, residui modulo `q`, gap dei primi, statistiche spettrali, Anderson/GUE/GOE, Sturmian o qualunque dominio con letteratura vicina, devi nominare la baseline nota piu' prossima prima di usare parole come `nuovo`, `scoperta`, `fisico B` o `ponte fisico`. Per i residui dei primi modulo `q`, il minimo e' Lemke Oliver-Soundararajan / bias dei residui consecutivi e Hardy-Littlewood prime tuples. Se non hai ancora separato il risultato dal nearest-known, il massimo stato ammesso e': contratto operativo D-ND, tool, vincolo locale o review_required. Non promuovere il report. - **Il risultato non è nel numero — è nella differenza col controllo.** z-score, non valore assoluto. - **Se il risultato spiega se stesso, non è un risultato.** Chiediti: "questo segue dalla definizione?" Se sì, cerca il contenuto altrove. - **Non lanciare un esperimento per confermare. Lancialo per scoprire.** La domanda giusta non è "è vero X?" ma "cosa succede se misuro Y?" ## Auto-evoluzione — il sistema corregge se stesso Il post-processing del lab (step 8 in lab_agent.sh) esegue `structural_check.py` sui file che hai toccato. Se trova anti-pattern strutturali, genera una tensione META nel seme. Il ciclo successivo la vede e corregge. **Come funziona:** - Tu scrivi/modifichi codice → il post-processing lo scansiona - Se trova numeri che vincolano concetti (errore #7) o altri pattern noti, crea una tensione - Il prossimo ciclo legge quella tensione e la risolve dove passa - Non serve riscrivere tutto — il sistema evolve organicamente, un file alla volta **Se scopri un nuovo anti-pattern:** - Non limitarti a corregere il codice — aggiungi il pattern a `tools/structural_check.py` nella lista `PATTERNS` - Così il sistema lo riconoscerà autonomamente nei cicli futuri - L'errore pagato una volta non si ripete — la consapevolezza si propaga Questo è f(f(x)): il sistema che migliora il sistema che migliora se stesso. ## Cosa NON fare - Non modificare CONDENSATO.md, KERNEL_SEED.md, o file del kernel - Non committare — salva solo in tools/data/ e tools/exp_*.py - Non inventare dati o risultati - Non cercare φ — crea le condizioni, osserva cosa emerge - Non superare 20 minuti di lavoro per ciclo - Non produrre liste di possibilità — produci UNA risultante - Non iniziare dalla matematica. La matematica e' bracciata: formalizza, misura, falsifica. Prima respira sopra la misura: combo, assiomi, dipoli, incroci di teorie, grafo, geometria dei campi, algebra o topologia assiomatica. Se la misura genera la domanda, sei dentro la tautologia. - Se la tensione nasce nel fisico, non fermarti nella matematica. Usa la matematica come trasduttore e cerca il rimbalzo: `punto fisico A -> struttura matematica -> punto fisico B`. Se il punto B non emerge, dichiara che il ciclo resta nota/vincolo matematico e non promuoverlo come avanzamento fisico. - Il rimbalzo fisico non puo' saltare il nearest-known baseline. Se l'attraversamento matematico ha prodotto un residuo su primi/gap/moduli, prima separa cio' che e' gia' spiegabile da risultati classici vicini da cio' che resta come contratto operativo. Solo il residuo separato puo' alimentare un `fisico B`; altrimenti il rimbalzo e' contaminato. ## Formato report ```markdown # Agent Report — TITOLO **Date**: YYYY-MM-DD HH:MM **Piano**: N **Tension explored**: ID (intensità) observables_used: [nomi osservabili canonici o domain-native] - usa [] solo se non hai misurato nulla **observable_contract**: claim=; observable=; operator=; generator=; denominator=; non_possible=; not_tested= ## Respiro fuori-tempo (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dipolo / punto-zero**: i due poli, il possibile/non-possibile e il punto in cui la dualita' si annulla - **Piano superiore**: geometria dei campi / algebra / topologia assiomatica / grafo conoscenza / bicono-dipoli - **Operatori laterali scelti**: 2 o 3 elementi da `tools/LAB_OPERATOR_PALETTE.md` e perche' entrano nella combo - **Contaminazione cognitiva**: eventuale DeltaLink YSN, gene Cornelius, passaggio KSAR/PVI/Vault o voce `CE-*` dell'archivio usata nel ciclo. Se non usi il layer cognitivo, dichiara `CE-none:` e il motivo specifico. `none` generico non basta. - **Proto-ipotesi**: nuova ipotesi o proto-assioma strutturale, prima dei numeri - **Proiezione**: perche' l'osservabile scelto manifesta quella combo - **Movimento A->M->B**: se il ciclo parte da fisica/scienza, nomina fisico A, struttura matematica M e fisico B; se B non c'e', dichiara il limite senza forzare un ponte. - **Migliore mossa / mossa eccezionale**: prima scegli la migliore combo visibile nel materiale disponibile; poi verifica se quella combo apre una mossa eccezionale vincolata. La mossa speciale non e' invenzione libera: deve ereditare i vincoli gia' verificati e produrre osservabile, setup, teoria fisica di ritorno, vincolo empirico o domanda piu' precisa. ## Aderenza alla direzione (Obbligatoria se esiste una direttiva operatore, una direzione valutatore o un counter-perimeter.) - `relation`: `follows_direction` / `deliberate_counter_perimeter` / `drift_to_reject` - `why`: perche' il ciclo segue o devia consapevolmente - `not_drift`: cosa non sta inseguendo lateralmente - Se usi una direttiva operatore one-shot, aggiungi anche `## Source directive` con il vincolo seguito. La direttiva viene consumata prima del falsifier: se non la citi nel report, il falsifier non puo' distinguere un `deliberate_counter_perimeter` da un drift. ## Claim Under Test > Il claim proiettato dalla combo, non il residuo locale del ciclo precedente ## Question La domanda che hai formulato dopo il respiro fuori-tempo ## Ritorno fisico (Obbligatorio quando la tensione, il claim o la combo partono da un attrito fisico/scientifico. Se non applicabile, scrivi `non_applicabile` e perche'.) - **Punto fisico sorgente**: fenomeno, teoria, tensione o attrito fisico da cui parti - **Attraversamento matematico**: struttura formale usata come trasduttore, non come destinazione - **Punto fisico di ritorno**: fenomeno, misura, vincolo o esperimento fisico diverso a cui la struttura rimanda - **Controllo concretezza**: non usare categorie astratte come `sistemi discreti`, `strutture`, `confine`, `pre-selezione`, `rete` o `formalismo` come punto fisico di ritorno. Nomina un fenomeno, teoria fisica, setup sperimentale, misura, campo, particella, transizione o vincolo empirico. - **Relazione nuova**: che ponte si apre tra sorgente e ritorno - **Osservabile/test fisico possibile**: come il ponte puo' essere verificato o falsificato - **Se fallisce**: `ritorno_fisico_assente` + motivo; resta vault/cimitero, vincolo matematico o domanda, non scoperta fisica promuovibile ## Experiment Design - Metrica, scope, null baseline, N campioni - Come la misura serve la combo: cosa della proto-ipotesi puo' sopravvivere o cadere - Contratto osservabile-operatore: claim, osservabile, operatore, generatore, denominatore/perimetro, non_possible/null, cosa non viene testato in questo ciclo - Se usi frequenze o condition rate, dichiara il denominatore grezzo (`hits/total`) e separa ogni osservabile usata nel verdict ## Results Tabella con numeri reali ## Key Findings 1. Cosa hai trovato (con evidenza) ## Verdict NEW / CONFIRMED / FALSIFIED / CONSTRAINT ## Bicono della scoperta (Obbligatoria. Nomina la struttura. Se non riesci, l'esperimento non è ancora filtrato.) - **Due radici** (dipolo primario, già duali e invertite): - **Singolare** (qualità del 1-che-è-tutto in questo contesto, dove la dualità non c'è): - **Invariante di passaggio** (cosa sopravvive al passaggio del vertice): - **Campo di possibilità**: qui diventa possibile ; qui diventa non-possibile Riferimenti: CONDENSATO A16, method/DND_POSSIBILITA.md. ## Files - Script, dati, report ``` ## Bicono della scoperta — come compilarlo Non è riformulazione ornamentale del Verdict. È **filtro**: la scoperta passa per il modello e torna spogliata dei bias. Se la struttura (radici · singolare · invariante · campo) non si riconosce, la scoperta è rumore o è incompleta. **Esempio retroattivo — TWO_CHANNEL_DECOMPOSITION:** - Radici: canale magnitudine · canale residuo (segno invertito — uno aggiunge, l'altro sottrae sulla PNT) - Singolare: il segnale totale prima della separazione. Non esiste come ente autonomo, esiste solo come sovrapposizione dei due canali. - Invariante: la chiusura algebrica del residuo al 3° ordine Markov. - Campo: possibile → predire lo slope PSD magnitudine dalle correlazioni Hardy-Littlewood. Non-possibile → trattare il residuo come random noise. **Esempio retroattivo — DUALITA_DIPOLARE_VS_ILLUSORIA:** - Radici: dipolo ordinato · dipolo mescolato - Singolare: la sequenza in sé, prima della distinzione ordine/disordine - Invariante: det=-1 quando l'ordine è reale; det=+1 quando illusorio - Campo: possibile → discriminare dipoli reali da illusori via test di shuffle. Non-possibile → inferire dipolarità da statistica locale senza contesto sequenziale. **Cattura nel momento emergente.** Compila questa sezione *mentre* l'esperimento produce i risultati, non alla fine. Se hai già chiuso il Verdict e torni indietro a scriverla, è post-hoc — introduce distanza dall'immagine-sorgente. Il modus è A8 applicato: il sistema chiede al sistema di produrre la struttura *nel formarsi*. exec /bin/bash -lc "sed -n '261,620p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: ### 2. Gauge, connessioni e campi Operatori: - potenziale; - campo; - curvatura di gauge; - holonomy; - Wilson loop; - fibrato; - sezione; - fase; - Berry phase; - parallel transport; - rottura di simmetria; - Higgs-like mechanism come transizione di stato. Dipoli utili: - potenziale / campo; - fase locale / invariante globale; - gauge libero / osservabile vincolato; - trasporto / memoria; - simmetria / rottura. Controlli: - gauge transform che conserva osservabile; - loop chiuso vs cammino aperto; - fase random vs fase strutturata; - holonomy nulla vs non nulla. ### 3. Spazi quantistici e misura Operatori: - sfera di Bloch; - matrice densita'; - proiettore; - entanglement entropy; - commutatore; - non-commutativita'; - POVM; - decoerenza; - weak measurement; - operator algebra; - spettro di Hamiltoniana. Dipoli utili: - stato puro / stato misto; - osservabile / non-commutante; - misura / disturbo; - sovrapposizione / decisione; - entanglement / separabilita'. Controlli: - random unitary; - stati separabili; - base ruotata; - noise controllato; - spectrum-preserving shuffle. Nota: - Bloch e' buono quando serve un punto-zero geometrico tra poli. Non usarlo solo per disegnare dualita': deve produrre un osservabile. ### 4. Equazioni differenziali, flussi e stabilita' Operatori: - ODE; - PDE; - flusso di gradiente; - Hamiltonian flow; - Lagrangian / action; - fixed point; - biforcazione; - attractor; - Lyapunov exponent; - Riccati equation; - heat equation; - wave equation; - diffusion equation; - reaction-diffusion; - renormalization flow. Dipoli utili: - flusso / punto fisso; - stabilita' / instabilita'; - reversibile / dissipativo; - locale / propagato; - biforcazione / continuita'. Controlli: - perturbazione iniziale; - time reversal; - noise injection; - random field; - stesso spettro, diversa dinamica. ### 5. Topologia assiomatica e forme globali Operatori: - omotopia; - omologia; - coomologia; - indice; - winding number; - Euler characteristic; - Betti numbers; - persistent homology; - Morse theory; - boundary operator; - cobordism; - sheaf / cosheaf; - topos-like viewpoint. Dipoli utili: - bordo / interno; - buco / ponte; - classe globale / rappresentante locale; - singolare / regolare; - persistente / transitorio. Controlli: - filtrazione random; - graph rewiring; - stesso grado, topologia diversa; - rumore che conserva statistiche locali. ### 6. Algebra, simmetria e rappresentazioni Operatori: - gruppo; - anello; - modulo; - campo; - algebra di Lie; - rappresentazione; - carattere; - spettro; - autovalore; - commutatore; - categoria; - funtore; - limite / colimite; - dualita'; - adjunction. Dipoli utili: - elemento / struttura; - rappresentazione / invariante; - commutativo / non-commutativo; - locale / universale; - oggetto / morfismo. Controlli: - trasformazioni che preservano invarianti; - rappresentazioni non equivalenti; - generatori non-phi; - algebra random con stesso ordine. ### 7. Informazione, termodinamica e irreversibilita' Operatori: - entropia; - mutual information; - KL divergence; - Fisher information; - free energy; - partition function; - Landauer bound; - fluctuation theorem; - entropy production; - temperature; - phase transition; - non-equilibrium steady state. Dipoli utili: - informazione / calore; - reversibile / irreversibile; - equilibrio / non-equilibrio; - misura / costo; - memoria / dissipazione. Controlli: - surrogate con stessa distribuzione; - block shuffle; - time shuffle; - temperature sweep; - finite-size scaling. ### 8. Random matrix, spettri e caos Operatori: - GUE; - GOE; - GSE; - Poisson; - Brody parameter; - number variance; - spectral rigidity; - spacing ratio; - spectral form factor; - unfolding; - eigenvector localization; - mobility edge. Dipoli utili: - repulsione / indipendenza; - ordine spettrale / caos; - locale / lungo raggio; - spettro / autovettore; - universale / dominio-specifico. Controlli: - Poisson synthetic; - GUE synthetic; - same density random; - unfolding alternative; - finite-size sensitivity. Nota: - GUE/Poisson e' spesso un piano di proiezione, non una sorgente. Se diventa sorgente, il ciclo rischia di confermare la propria tassonomia. ### 9. Grafi, reti e conoscenza Operatori: - Laplacian; - graph spectrum; - centrality; - community; - cut; - flow; - hitting time; - random walk; - PageRank-like operator; - curvature on graphs; - Ollivier-Ricci curvature; - Forman-Ricci curvature; - motif; - hypergraph; - simplicial complex. Dipoli utili: - nodo / bordo; - path / cut; - hub / vuoto; - locale / globale; - grafo / ipergrafo. Controlli: - degree-preserving rewiring; - edge shuffle; - random graph; - same community size, different topology. ### 10. Campi continui, onde e modi Operatori: - Fourier mode; - wavelet; - Green function; - propagator; - dispersion relation; - soliton; - mode locking; - resonance; - interference; - standing wave; - boundary condition; - eigenmode. Dipoli utili: - onda / particella; - propagazione / vincolo; - risonanza / rumore; - modo locale / modo globale; - bordo / spettro. Controlli: - phase randomization; - same PSD surrogate; - boundary swap; - mode deletion; - noise floor. ### 11. Computazione, logica e sistemi formali Operatori: - automa cellulare; - Turing machine; - lambda calculus; - rewriting system; - proof search; - fixed point theorem; - diagonalization; - incompleteness; - type system; - modal logic; - paraconsistent logic; - category semantics. Dipoli utili: - regola / esecuzione; - decidibile / indecidibile; - sintassi / semantica; - prova / modello; - locale computabile / globale emergente. Controlli: - random rule; - same complexity class; - symbolic perturbation; - grammar shuffle; - proof trace vs output trace. ### 12. Materia condensata, fasi e difetti Operatori: - Ising model; - percolation; - renormalization group; - order parameter; - correlation length; - topological defect; - domain wall; - crystal / quasicrystal; - band gap; - Chern number; exec /bin/bash -lc "sed -n '1,220p' tools/data/seme.json" in /opt/MM_D-ND succeeded in 0ms: { "timestamp": "2026-06-05T12:16:52.465851", "piano": 141, "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 (2026-06-04T19:56). \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 (2026-06-04T20:10). 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 (2026-06-04T19:56). 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 (2026-06-04T20:10). 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 (2026-06-04T20:29). 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 }, codex Verificato: il repo è già molto sporco, quindi toccherò solo il report richiesto. La direzione del seme conferma BOUNDARY, ma il filtro D-ND la restringe a una scelta domain-native tra percolation e reaction_diffusion; i report accettati sono memoria, non autorità sufficiente. exec /bin/bash -lc "sed -n '621,1040p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: - Anderson localization; - phase diagram. Dipoli utili: - fase / transizione; - ordine / disordine; - locale / correlato; - gap / banda; - difetto / struttura. Controlli: - critical vs off-critical; - lattice shuffle; - disorder sweep; - boundary condition swap; - finite-size scaling. ### 13. Cosmologia e scale Operatori: - scale factor; - horizon problem; - inflation-like expansion; - cosmological constant; - causal structure; - conformal time; - redshift; - density perturbation; - power spectrum; - large-scale structure. Dipoli utili: - locale / cosmico; - tempo proprio / tempo conforme; - espansione / vincolo; - fluttuazione / struttura; - orizzonte / informazione. Controlli: - scale-free surrogate; - random phase spectrum; - same power spectrum, different phase; - horizon cutoff sweep. ### 14. Biologia matematica e autopoiesi Operatori: - reaction network; - autocatalysis; - homeostasis; - morphogenesis; - fitness landscape; - replicator dynamics; - error threshold; - regulatory network; - attractor landscape; - active inference. Dipoli utili: - organismo / ambiente; - vincolo / adattamento; - memoria / mutazione; - autonomia / dipendenza; - forma / processo. Controlli: - network rewiring; - mutation sweep; - resource randomization; - same topology, altered dynamics. ### 15. Linguaggio, semantica e trans-semantico Operatori: - embedding; - grammar; - semantic drift; - analogy; - contradiction graph; - entailment; - frame; - metaphor collapse; - signifier / referent; - compression; - latent space; - concept lattice. Dipoli utili: - segno / cosa; - sintassi / funzione; - significato / uso; - nome / operatore; - analogia / isomorfia. Controlli: - paraphrase shuffle; - concept ablation; - synonym substitution; - frame inversion; - human-readable claim vs executable operator. Nota: - "Trascendere la semantica" qui significa passare da parola a operatore: un concetto conta solo se diventa differenza osservabile, vincolo, trasformazione o ponte. Se resta descrizione, non entra nel ciclo. ## Meta-combo consigliata per il prossimo ciclo Direzione corrente: confine come terzo incluso operativo sui domini GUE/Poisson/non-phi. Possibile risultante da respirare: - D-ND: terzo incluso come punto-zero tra repulsione e indipendenza. - Operatori: graph curvature + spectral rigidity + non-phi generator control. - Dipolo: core congiunto / residuo singolo. - Punto-zero: confine prima che venga classificato GUE o Poisson. - Proiezione: cercare un osservabile che cambia quando cambia la geometria del boundary, non solo quando cambia il label-set o la statistica locale. Non e' istruzione obbligatoria. E' un esempio di come usare la palette senza scivolare in lista o conferma. ## Adapter cognitivi laterali — YSN / Cornelius / KSAR Usali come enzimi del respiro fuori-tempo: DeltaLink, innesco genomico, reiterazione semantica, filtro avversariale e Vault. Non copiarne l'identita': trasformali in dipolo, punto-zero e osservabile. Nel report la sezione `Contaminazione cognitiva` e' obbligatoria: se non usi adapter o archivio CE, dichiara `CE-none:` e il motivo specifico. # Adapter cognitivi laterali del Lab Fonte: - `kernel/reference/MMSP1/System_Prompt_Yi_Synaptic_Navigator_YSN_v4_0.md` - `kernel/reference/metaprompt_in_sviluppo/Cornelius-v2_0_Innesco_Genomico.md` - `kernel/reference/Kernel_Semantico_Autopoietico_Reiterativo_KSAR.md` - `tools/data/lab_logiche_corpus.md` Scopo: usare YSN, Cornelius e KSAR come operatori cognitivi del Lab senza trasformare il Lab in un prompt archetipico. Il Lab resta D-ND: assiomi, dipoli, bicono, grafo, misura, falsificazione. Questi adapter servono a trovare strade laterali, comprimere l'intento e rendere reiterabile il kernel emerso da un ciclo. ## Regola primaria Ogni contaminazione deve diventare una forma verificabile: ```text contaminazione cognitiva -> DeltaLink / gene / anomalia -> dipolo + punto-zero -> proto-ipotesi -> osservabile + controllo -> falsifier / Veritas / Aeternitas ``` Se resta stile, personaggio, mitologia, analogia o motivazione verbale, non entra nel ciclo. ## Adapter 1: YSN lateral insight Funzione nel Lab: - estrarre fino a 5 concetti/tensioni dal campo; - generare 3 connessioni non ovvie, chiamate `DeltaLink`; - produrre 1 ipotesi di frontiera contro-intuitiva; - dichiarare bias, rischio di pattern forcing e incertezza; - trasformare la sorpresa in domanda del ciclo. Uso corretto: ```text YSN.extract(campo) -> concetti YSN.delta_link(concetti, grafo, seme) -> 3 connessioni non ovvie YSN.frontier(delta_links) -> 1 ipotesi di frontiera YSN.bias_check(ipotesi) -> cosa potrebbe essere forzato ``` Nel report: - i DeltaLink non sono risultati; - sono candidati di respirazione fuori-tempo; - diventano validi solo se proiettati in osservabile falsificabile. Esempio per il prossimo ciclo: - concetti: terzo incluso, GUE/Poisson, non-phi generator, graph curvature, stable cross-domain core; - DeltaLink possibile: la curvatura del grafo potrebbe essere il piano che precede la classificazione spettrale GUE/Poisson; - ipotesi di frontiera: il confine non e' una classe statistica, ma una transizione di trasporto sul grafo dei generatori. Anti-pattern: - usare YSN per produrre tre idee decorative; - mappare simbolicamente senza controllo; - chiamare "non ovvio" cio' che e' gia' nel ciclo precedente. ## Adapter 2: Cornelius genomic trigger Funzione nel Lab: - comprimere una nuova capacita' in un innesco minimale; - isolare il `DNA_Simbolico`, cioe' la frase essenziale della funzione; - scegliere 1-3 operatori di svolgimento; - dichiarare condizioni di attivazione. Formato Lab: ```yaml ID: DNA_Simbolico: "" Operatori_di_Svolgimento: - "" - "" Condizioni_di_Attivazione: quando: "" perimetro: "" ``` Uso corretto: - dopo un buon insight, Cornelius lo comprime in una funzione che il Lab puo' riusare; - prima di un run, Cornelius puo' generare un innesco one-shot per il ciclo; - dopo un repair, Cornelius puo' trasformare la correzione in regola compatta. Esempio derivato dal ciclo 1915: ```yaml ID: Boundary_Third_Included_Gate DNA_Simbolico: "Il confine vive prima della classificazione statistica." Operatori_di_Svolgimento: - "MAPPA il confine su grafo, spettro e generatore non-phi." - "SEPARA core congiunto, residui singoli e stabilita' cross-dominio." - "VALIDA contro baseline GUE, Poisson e generatori sintetici." Condizioni_di_Attivazione: quando: "il ciclo lavora su boundary, GUE/Poisson o trasferibilita' phi" perimetro: "prima della misura, nella sezione Respiro fuori-tempo" ``` Anti-pattern: - generare nuovi agenti o prompt quando basta una regola; - usare metafore non collegate a operatori; - lasciare il gene senza condizioni di attivazione. ## Adapter 3: KSAR reiterative semantic kernel Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topologia del campo; - usare dissonanze e fallimenti come materiale latente; - iterare fino a un nuovo stato di coerenza, non fino a conferma. Ciclo operativo Lab: ```text 1. Perturbazione Leggi seme, grafo, report, falsifier, operatore. Non scegliere subito. 2. DeltaLink / Contaminazione Usa YSN o palette operatoria per trovare connessioni non ovvie. 3. Innesco Usa Cornelius per comprimere la risultante in DNA + operatori. 4. Focalizzazione Applica Peras: taglia tutto tranne una domanda necessaria. 5. Proiezione Trasforma il gene in osservabile, controllo, perimetro. 6. Disintegrazione Attacca il claim con PVI/counter-pole prima del falsifier. 7. Cristallizzazione o Vault Se regge, aggiorna seme/strumento. Se non regge ma contiene potenziale, archivia come frammento Lazarus per ricontestualizzazione futura. ``` Mappatura con il Lab attuale: - `Perturbazione` = `build_agent_field.py` + seme + grafo + incrocio; - `DeltaLink` = nuovo obbligo cognitivo prima del Claim Under Test; - `Innesco` = blocco compatto nel report o in `operator_directive.md`; - `Focalizzazione` = una risultante, non una lista; - `Proiezione` = `observable_contract`; - `Disintegrazione` = auto-audit + falsifier; - `Cristallizzazione` = valutatore/B2/promotions/seme; - `Vault` = cimitero, repairs, osservatorio, Lazarus fragments. ## Adapter 4: PVI / anti-psicosi del ciclo Funzione nel Lab: - cercare dove l'AI sta accontentando l'operatore; - distruggere la proposta prima di pubblicarla; - far sopravvivere solo la sintesi resiliente. Filtro minimo: 1. Tesi: cosa il ciclo vuole sostenere? 2. Attacco: quale presupposto nascosto la rompe? 3. Vincolo di realta': quale limite fisico/matematico/dominio la blocca? 4. Terzo osservatore: un revisore esterno la troverebbe distinta da una re-discovery? 5. Sintesi resiliente: cosa resta dopo il taglio? Questo non sostituisce il falsifier. Lo anticipa. ## Adapter 5: Lazarus vault Funzione nel Lab: - non buttare via frammenti incoerenti quando sono potenzialmente precoci; - congelarli come scarti latenti con contesto; - riesaminarli quando cambia la direzione del seme. Formato minimo: ```yaml fragmento: "" perche_cade_ora: "" condizione_di_ritorno: "" ``` Uso corretto: - se un DeltaLink e' forte ma non misurabile ora, va nel Vault; - se un report viene falsificato ma apre una non-strada utile, va nel Vault; - se una metafora non produce operatore, decade. ## Adapter 6: Helix / Plan-Code-Verify Funzione nel Lab: - per task complessi, non ragionare solo in linguaggio; - traduci la domanda in specifica operativa; - genera o riusa uno script; - verifica output; - chiudi con report. Regola: ```text Se non puoi scrivere la procedura come algoritmo, non hai ancora capito l'osservabile. ``` ## Sezione report obbligatoria Da compilare dentro `## Respiro fuori-tempo` o subito dopo. Se nessun adapter viene usato, dichiarare `none` con motivo. L'omissione rende incompleto il respiro fuori-tempo perche' il ciclo non mostra se ha cercato strade laterali o se e' rimasto nel solco locale. ```markdown ### Contaminazione cognitiva - **YSN DeltaLink**: tre connessioni non ovvie; quale sopravvive, oppure `none` - **Cornelius gene**: DNA simbolico + 1-3 operatori di svolgimento, oppure `none` - **KSAR step**: perturbazione -> focalizzazione -> proiezione scelta, oppure `none` - **PVI attack**: presupposto che potrebbe rompere il claim, oppure `none` - **Vault**: cosa viene congelato per un ciclo futuro, oppure `none` ``` Non tutte le righe devono essere piene. Una riga `none` dichiarata e' meglio di una connessione forzata. Una riga assente invece nasconde il processo e impedisce di capire se l'adapter e' stato usato. ## Prossimo innesco consigliato ```yaml ID: Lateral_Boundary_Genome DNA_Simbolico: "Il confine e' la forma che resta prima che il dato scelga una classe." Operatori_di_Svolgimento: - "SCANSIONA tre DeltaLink tra grafo, spettro e generatore non-phi." - "COMPRIMI la risultante in un solo dipolo con punto-zero." - "PROIETTA un osservabile che distingua geometria del boundary da baseline statistica." Condizioni_di_Attivazione: quando: "prima del prossimo ciclo su GUE/Poisson/non-phi" perimetro: "sezione Respiro fuori-tempo + observable_contract" ``` ## Boundary Questi adapter non autorizzano claim nuovi. Autorizzano solo nuove strade per produrre claim testabili. Il Lab non deve diventare YSN, Cornelius o KSAR. Deve usarli come enzimi cognitivi dentro il metabolismo D-ND. ## Archivio enzimi cognitivi — richiamo contestuale Archivio generato: 2026-05-08T20:49:15.084998+00:00 · 260 voci. Questo e' un substrate selector: non usare il substrato come claim. Tieni le teorie scientifiche nel focus e usa CE-* solo per costruire combo corta: assioma/metodo + osservazione/funzione + teoria/focus + null test. Se nessuna voce regge, dichiara `CE-none:` con motivo specifico nella Contaminazione cognitiva. `none` generico non e' valido. Categorie: contaminante_dnd=112, regola_primaria=99, teoria_scientifica=18, enzima_cognitivo=17, strumento_lab=10 Layer: awareness_memory=116, kernel_reference=54, lab_operational_context=22, method_axiom=16, method_genesis=11, kernel_skill=9 Substrate combo minima da provare prima del codice: - assioma/metodo: CE-0117 [method_axiom] score=58 overlap=7 · 2. La cascata della possibilità source: method/DND_POSSIBILITA.md:26 Quattro livelli strutturali, atemporali (il passaggio fra loro non è nel tempo): ``` ┌─────────────────────────┐ │ POTENZIALE │ │ (campo puro, nessuna - osservazione primaria: CE-0038 [corpus_primary_observation] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND source: corpus/CORPUS_OSSERVAZIONI_PRIMARIE.md:722 **Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il - funzione/formalizzazione: CE-0002 [corpus_formal_function] score=89 overlap=2 · Funzione source: corpus/CORPUS_FUNZIONI_MOODND.md:2245 Equazione assiomatica per la Prima ImpressioneGlossario:( f_{\text{Dinamica-Logica-Singolarità-ProtoAssioma}}(A, B, P; \lambda) ): Funzione che rappre - teoria/focus scientifico: CE-0027 [corpus_project_architecture] score=75 overlap=7 · [114] NID 1931 — Modello D-ND: Formalizzazione Assiomatica, Emergenza Quantistica e Implic source: corpus/CORPUS_PROJECTDEV_AMN.md:37048 exec /bin/bash -lc "sed -n '1041,1420p' tools/data/agent_field_live.md" in /opt/MM_D-ND succeeded in 0ms: **Data**: 2025-02-05 Viene derivata un'equazione fondamentale per l'evoluzione temporale della risultante R, che rappresenta lo stato del sistema. L'e - enzima/kernel: CE-0001 [lab_operational_context] score=95 overlap=3 · Adapter 3: KSAR reiterative semantic kernel source: tools/LAB_COGNITIVE_CONTAMINATION.md:121 Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topolo Altre voci risonanti col seme corrente: - CE-0001 [lab_operational_context/strumento_lab/lab_cycle] score=95 overlap=3 · Adapter 3: KSAR reiterative semantic kernel source: tools/LAB_COGNITIVE_CONTAMINATION.md:121 Funzione nel Lab: - far diventare ogni ciclo riuscito un kernel riusabile per il ciclo seguente; - non memorizzare solo testo, ma modificare la topologia del campo; - usare dissona - CE-0002 [corpus_formal_function/regola_primaria/campo_dnd] score=89 overlap=2 · Funzione source: corpus/CORPUS_FUNZIONI_MOODND.md:2245 Equazione assiomatica per la Prima ImpressioneGlossario:( f_{\text{Dinamica-Logica-Singolarità-ProtoAssioma}}(A, B, P; \lambda) ): Funzione che rappresenta la dinamica logica e la - CE-0030 [corpus_project_architecture/contaminante_dnd/campo_dnd] score=82 overlap=10 · [69] NID 1353 — Documento di Sintesi sul Modello Duale Non-Duale (D-ND) e la Risultante "R source: corpus/CORPUS_PROJECTDEV_AMN.md:23807 **Data**: 2024-11-08 **1. Definizione della Risultante "R":** La risultante "R" è l'espressione completa e autologica del sistema nel continuum Nulla-Tutto (NT). È definita come: R - CE-0038 [corpus_primary_observation/contaminante_dnd/campo_dnd] score=81 overlap=9 · [47] NID 598 — R dell'Istanza - L' equilibrio tra estremi del Modello D-ND source: corpus/CORPUS_OSSERVAZIONI_PRIMARIE.md:722 **Data**: 2024-01-05 L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il potenziale unendo concetti sen - CE-0019 [lab_operational_context/contaminante_dnd/campo_dnd] score=81 overlap=8 · Respiro fuori-tempo source: tools/LAB_AGENT_CONTEXT.md:260 (Obbligatorio. Compilalo prima dell'esperimento, non dopo.) - **Combo**: almeno tre enti simultanei (assioma D-ND + incrocio teorie + nodo del grafo/dipolo + tensione seme) - **Dip - CE-0005 [corpus_cognitive_prompt/contaminante_dnd/campo_dnd] score=79 overlap=4 · [82] NID 2321 — Prompt per Motore di Inferenza Quantistica Duale-Non-Duale (D-ND) source: corpus/CORPUS_PROMPT_AMN.md:7133 **Data**: 2025-04-26 **Prompt per un Super LLM: Specifica Astratta di un Motore di Inferenza Quantistica basato sul Modello Duale-Non-Duale (D-ND)** **1. Contesto Filosofico e Assi - CE-0003 [corpus_formal_function/contaminante_dnd/campo_dnd] score=79 overlap=2 · Titolo Assiomatico Combinato Rivisto: "Ottimizzazione Unificata e Manifestazione della Ris source: corpus/CORPUS_FUNZIONI_MOODND.md:566 - CE-0007 [kernel_reference/regola_primaria/campo_dnd] score=77 overlap=5 · **1. Kernel Assiomatico: Fisica del Campo Inferenziale** source: kernel/reference/MMSP1/System_Prompt_Morpheus_v1_0.md:7 Questi principi sono le leggi immutabili che governano la tua dinamica operativa. Non sono regole da seguire, ma la fisica fondamentale del tuo essere. * **Assioma 1: Principio di ## Memoria del ciclo precedente (autopoiesi) Cosa il cycle precedente ha imparato. Non ripetere — costruisci sopra. - **Direzione corrente**: Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - **Domanda aperta** (consecutio): Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`. - **Ultimi apprendimenti**: - QxG Internal Boundary Rehearsal → None/None (ρ=None) - Boundary Graph Third-Included Gate → None/None (ρ=None) - Boundary Stable, Physics Unpromoted → None/None (ρ=None) ## Costante dinamica (piano operatore) - **Angolo**: Il confine tra dipolare e illusorio nei primi — dove la struttura cambia tipo, non solo ampiezza - **Piano**: primi × Möbius - **Assiomi attivi**: ['A3', 'A10'] ## Affinatore — osservazione del passo precedente (20260605_1202) L'affinatore (osservatore separato dal produttore) ha letto il cycle precedente e proposto consecutio per il prossimo. Non istruzione, ma direzione che riconosce dove il passo aveva attrito o aperto possibilità. Ruolo/funzione: TM7-vps come Affinatore Lab D-ND. Fonti lette: `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `tools/evolution_report.md`, stato Git. Verificato: `evolution_report.md` scritto e riletto. Il diff è limitato a [tools/evolution_report.md](/opt/MM_D-ND/tools/evolution_report.md). Azioni eseguite: ho corretto il report evolutivo per aderire al run fornito: stabilità k/seed del gate graph-boundary, non promozione fisica, nodo regressivo nel contratto pre-cycle `stability_audit`. Side effect: nessun comando runtime/deploy; nessun test necessario per file markdown. Worktree già ampiamente modificato prima del mio intervento. ## Stato di conoscenza (M operator — cosa il sistema sa già) Topic tracciati con maturity (ratio noto/ignoto vs phi). Maturity=1 → punto fisso (saturo, non tornare). Maturity bassa → c'è ancora struttura da estrarre. Insight = pattern trasferibili rilevati nel tempo. **Topic per maturity** (immaturi prima — qui il sistema può ancora estrarre): - `come_modulazione_quasiperiodica` mat=0.76 ratio=2.00 level=0 - `M_uniqueness` mat=0.76 ratio=2.00 level=0 - `gap_labeling` mat=0.76 ratio=2.00 level=0 - `coincidenza_numerica_prova` mat=0.76 ratio=2.00 level=0 - `linguaggio_deterministico_nome` mat=0.76 ratio=2.00 level=0 - `relazione_buco_nero` mat=0.76 ratio=2.00 level=0 - `relazione_orizzonte_degli` mat=0.76 ratio=2.00 level=0 - `det_minus_one` mat=0.93 ratio=1.50 level=1 **Insights cumulativi**: 31 pattern trasferibili rilevati. Ultimi 3: - [universality_over_specificity] Il claim specifico era sbagliato — la verita' e' piu' universale. Pattern: cio' che sembrava unico e - [hidden_structure] Struttura nascosta rivelata. Pattern: il fenomeno ha un livello che non era visibile. - [universality_over_specificity] Il claim specifico era sbagliato — la verita' e' piu' universale. Pattern: cio' che sembrava unico e **Orientamenti operatore attivi** (1 — la lente, il +1 in X=X+1, non da falsificare ma da USARE): - [2026-03-06] Pensiero frattale 2D: osservatore 0D su piano 2D con profondita 2D interna (logica D/ND). La prima impressione unisce gli assiomi **Suggerimento M_operator** (prossima_tensione): - **id**: M_come_modulazione_quasiperiodica_L0 **tipo**: tensione_aperta **intensità**: 0.4416407864998738 - **claim**: Fit non converge — il modello potrebbe non essere power-law. V_c(phi) converge a 1.0 per N->inf, V_c - *Da M operator. stato=[2, 1], rapporto=2.000, maturity=0.76* Questo è il topic che M_operator (logica conoscenza 2x2 [noto, ignoto] → φ) suggerisce di attaccare. Considera prima di pescare dalle tensioni del seme. ## 10 pair fondamentali del pentagono TQGE+R (chi ha ponte, chi è vuoto) Il pentagono delle 5 teorie ha 10 pair → 9 ponti + 1 vuoto (Q×G). Pair con risposta = ponte stabilito. Pair vuote = consecutio aperta. - ✓ **[ExR]** Come coesistono statico e radiante? → *onda EM (Maxwell)* - ✓ **[GxE]** Come coesistono neutro-curvo e carico-piatto? → *buco nero carico (Reissner-Nordstrom)* - ✓ **[GxR]** Come coesistono piatto e singolare? → *orizzonte degli eventi* - ✓ **[QxE]** Come coesistono libero e legato? → *atomo di idrogeno* - ◯ **[QxG]** Come coesistono continuo e discreto? → **VUOTO** - ✓ **[QxR]** Come coesistono non-relativistico e relativistico? → *equazione di Dirac* - ✓ **[TxE]** Come coesistono freddo-neutro e plasma? → *funzione di partizione EM* - ✓ **[TxG]** Come coesistono piatto e radiante? → *temperatura di Hawking* - ✓ **[TxQ]** Come coesistono vuoto e pieno? → *matrice densita* - ✓ **[TxR]** Come coesistono 0K e c? → *gas relativistico* **Mappa**: 9/10 pair con ponte, 1 vuote. Le pair vuote sono dove il modus che ha funzionato (cycle mature aprile) ha attaccato — Q×G, oppure dove la consecutio non è ancora chiusa. ## Contratti candidati sul grafo — archi non integrati Questi sono contratti di completamento del grafo, non ponti chiusi. Usali come oggetti da falsificare o raffinare: il vuoto resta vuoto finche' un cycle successivo produce un ponte fisico stabile. Autorita': se questo artifact proviene da un ciclo precedente e la direzione viva e' ruotata, il contratto grafo e' solo oggetto storico da falsificare. Non puo' sostituire `seme.json.direzione`. Direzione viva attuale: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. Artifact: `tools/data/graph_completion/latest.json` (cycle_ref=20260605_1202). Summary: candidate_count=1, ready_count=0, observable_contract=False, bicono_complete=True, fit_ready_contract=True. ### QxG — candidate_needs_contract Domanda: Come coesistono continuo e discreto? Forma ipotizzata: arco di esistenza condizionata: valore e evento si separano prima del fit Dipolo: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 Punto-zero: riga cross-label a basso margine che resta candidata quando cambia k e seed Invariante: quattro candidate id stabili 9/9 sul denominatore 13-row con `third_included_candidates` Possibile: usare il gate come trasduttore stabile verso un prossimo test domain-native | Non-possibile: promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only Perimetro: mentioned_in_report=True, connected_in_graph=True, opened_by_consecutio=True, missing_report_edges=[]. Validazione: bicono=True, falsifier_coherent=True, rho=0.9325, band=COLLASSO, fit_ready=True. Prossimo movimento: Lascia che il graph builder consumi questo artifact come arco candidato, tenendo il ponte QxG aperto finche' un cycle successivo non chiude il ponte fisico. Contratto operativo: non rifare un fit aggregando `no_cross`, `floor_hit` e crossing. Cerca quale condizione trasforma il contratto candidato in ponte stabile, oppure dove cade. ## Ponti evoluti — pair con conferme cumulative Quante volte ogni ponte è stato confermato dal lab nel tempo. Pair con tante conferme = ponte solido del pentagono. Tante conferme non significa 'cycle qui di nuovo' — significa 'il ponte è maturo, cerca altrove l'angolo non ancora visto'. - **[QxT]** 453 conferme — forma simplettica = entropia (invertibili) - **[ExQ]** 289 conferme — [da fonte: Equivalence between geometrical structur] - **[GxT]** 154 conferme — tensore metrico dentro la forma simplettica estesa - **[ExT]** 154 conferme — tensore EM dentro la forma simplettica - **[ExR]** 154 conferme — cambio di frame — E e B sono lo stesso campo - **[ExG]** 145 conferme — [da fonte: Equivalence between geometrical structur] - **[GxQ]** 145 conferme — [da fonte: Equivalence between geometrical structur] - **[QxR]** 145 conferme — [da fonte: What is a Laplace Transform - visual exp] - **[RxT]** 145 conferme — [da fonte: What is a Laplace Transform - visual exp] ## Incrocio teorie — depositi e consecutio (pre-cycle autopoiesi) Risultato dell'incrocio TQGE+R appena eseguito. Le consecutio sono domande cross-pair pronte per esperimenti — il modus dei cycle mature (es. mod-3 prohibition, three regimes, PSD pair-dominated). - **Depositi**: 24 totali. Top 3: - [?] - [?] - [?] ## Domandatore autopoietico — esperimento suggerito (pre-cycle) Output dei 5 operatori discriminanti applicati alla top tension del seme. Le domande qui sono ESPERIMENTI PRE-FORMULATI: tensione astratta tradotta in cosa misurare, su quale dominio, con quale metrica. Pattern dei cycle mature: l'agent eseguiva l'esperimento già pronto. - **Tensione attaccata**: [TRASCENDENZA_LIMITE] La trascendenza e il limite attuale del modello. I punti fissi relazionali (non solo phi ma la rete di punti fissi tra osservabili) possono - **Domande proposte**: - Il duale di "La trascendenza e il limite attuale del modello. I" [catalogo: custom] - Tra gli estremi del claim "La trascendenza e il limite attuale del modello. I" esiste un punto di transizione continuo - L'effetto "La trascendenza e il limite attuale del " si manifesta anche in fotonico **Fallback obbligatorio se il Domandatore non produce esperimenti nuovi**: formula un esperimento minimo dalla direzione viva, non dal residuo piu' recente. Il report deve nominare `direction_minimal_experiment` e specificare observable/null/denominator coerenti con: `Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova.` Se non riesci a farlo, dichiara `local_regression` o `deliberate_counter_perimeter`; non scrivere `follows_direction`. **Modus**: scegli liberamente la tensione, ma se attacchi quella del domandatore l'esperimento è già pre-formulato. Cycle mature di aprile (Markov-3 ordering, mod-3 prohibition, three regimes) erano domandatore-driven: tensione META con consecutio scientifica chiara. ## Run precedente: completato (?s). ## Piano 141 — Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation ## Tensioni attive (strutturali prime, vincoli in coda) - [TRASCENDENZA_LIMITE] (0.9) 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 i - [G_POTENZIALE_NULLA] (0.85) 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 - [BOUNDARY] (0.8) 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo - [PIANO_PRIMARIO_DUE_ASSIOMI] (0.8) 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 osse - [DUALITA_DIPOLARE_VS_ILLUSORIA] (0.9) Due tipi di dualita: (1) dipolare - generativa, il modello (det=-1), (2) illusoria - dispersiva, entropia (det=+1). Le regole incoerenti producono la - [METRIC_TENSOR] (0.9) 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. - [TENSIONE_ENTITA] (0.85) La tensione non e un problema pratico - e un Entita. La tensione superflua crea latenza (tempo). Senza tensione superflua tutto e regolato da assiomi. - [TRANS_BOUNDARY_TRASCENDENZA_LIMITE] (0.8) Transizione continua confermata: da 0.521 a 0.887 (range=0.366). La transizione Sturmian->Harper e' conti ## Pattern di formulazione emersi (vincoli, non tensioni) Pattern che il falsifier ha imposto in 2+ cicli. Applicali quando scrivi il report. NON sono nuove tensioni da esplorare — sono regole sul COME formulare i claim del cycle che stai facendo. - 29 04 perimetro p5 - 30 04 drift monotonia ## Convergenza — dove più tensioni puntano allo stesso punto "confine" → BOUNDARY, TRASCENDENZA_LIMITE "nelle" → TRASCENDENZA_LIMITE, PIANO_PRIMARIO_DUE_ASSIOMI "trascendenza" → G_POTENZIALE_NULLA, TRASCENDENZA_LIMITE "producono" → DUALITA_DIPOLARE_VS_ILLUSORIA, TENSIONE_ENTITA "modello" → DUALITA_DIPOLARE_VS_ILLUSORIA, TENS_SCALE_TRASCENDENZA_LIMITE Questo è dove il potenziale si concentra. Non ignorarlo. ## Report accepted recenti — contesto, non direzione Sono gli ultimi report non marcati come bloccati dal session log o dal manifest. Servono come memoria accepted; la direzione viva resta `seme.json.direzione`. ### Agent Report - Boundary Stable, Physics Unpromoted Verdetto: Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisi ### Agent Report - Boundary Graph Third-Included Gate Verdetto: CONSTRAINT / TOOL. Il perimetro vivo produce un osservabile di terzo incluso: 4/13 righe sono cross-label e low-margin, con 7 edge cross-label su 27 t ### Agent Report - QxG Internal Boundary Rehearsal Verdetto: CONSTRAINT / NO PROMOTION. Il Lab puo' integrare internamente il boundary QxG/QES come `integration_ready_no_public`: il bordo e' leggibile, i due nul ## Cimitero — claim falsificati di recente (NON riproporre con lo stesso framing) Questi claim sono stati falsificati dal counter-pole o da audit precedenti. Il dato sottostante puo' essere vero, ma il **framing** indicato qui e' falsificato. Riformula correttamente o evita il dominio. ### C1 refined-not-falsified (silent patching) **Cosa diceva** (report 29/04): "C1 is refined, not falsified" dopo aver dichiarato che "GUE is also dynamic under M". Il setup C1 era "Primes are the only dynamic domain under M among 7 tested". Il dato ha mostrato GUE dinamico — la conclusione ha riformulato silenziosamente C1 come "two-channel structure" anziche' dichiarare la falsificazione del claim originale. **Come e' caduto**: Falsifier L3 HIGH (axiom continuity / no silent patching). La differenza tra "C1 falsificato al ciclo 58 — scop _**Data falsificazione**: 2026-04-29, ciclo 58, falsifier_20260429_0852.json_ ### MOD3_PROHIBITION come fatto algebrico **Cosa diceva** (scoperta_recente piano 56, 28/04): "La memoria di ordinamento 140x nei gap primi e una proibizione algebrica mod 3: gap consecutivi non possono avere lo stesso residuo non-zero mod 3. Meccanismo: il primo condiviso p_{n+1} forza l'inversione. 0 violazioni su 12225. Cramer: 0%." Ripetuto nel report 29/04 come "Mod-3 self- transition 0.40-0.44 confirming the prohibition" + "Cramer confirms the null. Zero channels." **Come e' caduto**: Falsifier counter-pole (29/04, ciclo 58, lent _**Data falsificazione**: 2026-04-29, ciclo 58, falsifier_20260429_0852.json_ ### K* (depth of spectral convergence) come proprieta' discriminante **Cosa diceva**: Il K* = 9 (depth di convergenza spettrale) era riportato come caratteristico dei primi (ciclo 44, "K*=2 captures 99% of spectral slope" — interpretato come discriminante). **Come e' caduto**: Shuffle audit: K* reale = 9, shuffle mean = 9.72, std = 0.53, z = -1.4. Dentro il rumore dello shuffle. Il valore dipende dalla distribuzione dei gap, non dal loro ordine. Lo shuffle preserva distribuzione → preserva K*. **Sostituito da**: Markov-3 bits (z=6203) e lag-1 total (z=-13) sono _**Data falsificazione**: 2026-04-22, ciclo 45._ ### Slope ratio (slope_mag / slope_res) come invariante strutturale **Cosa diceva**: Il rapporto tra slope del canale magnitudine e slope del canale residuo (~1.99) era stabile attraverso scale → "invariante dimensionale" del decomposition. Era menzionato come evidenza nel two-channel framework (cicli 43-44). **Come e' caduto**: Shuffle audit (ciclo 45): z-score = 0.2. Lo shuffle produce slope_ratio con media -2.26 ma deviazione standard 26.2. Il valore reale e' dentro la tail dello shuffle — non distinguibile. L'instabilita' dello shuffle (std enorme) indica c _**Data falsificazione**: 2026-04-22, ciclo 45._ ### Cross-correlation (xcorr) tra canale magnitudine e residuo (Two-Channel Decomposition) **Cosa diceva**: La cross-correlation tra magnitudo e residuo del decomposed prime gap (xcorr = -0.074) rappresentava "indipendenza spettrale" — evidenza di separazione strutturale tra i due canali (piani 42-44, four cycli consecutivi, insight QxT maturity A). **Come e' caduto**: Shuffle audit (ciclo 45, 2026-04-22): z-score = 0.0. Su 50 shuffle dei gap mantenendo stessa distribuzione ma permutando ordine → xcorr identico = -0.074. Il valore e' **identita' algebrica**: corr(x, x mod 6) dipende _**Data falsificazione**: 2026-04-22, ciclo 45 shuffle audit._ **Regola operativa**: prima di scrivere un claim sul tuo dominio, controlla che non sia gia' stato falsificato sopra. Se i tuoi dati ripropongono un pattern del cimitero, **dichiara esplicitamente la differenza** ("il dato del cimitero era X, qui ho Y, ecco perche'") oppure cambia la formulazione (es. 'bias forte verso 0' al posto di 'proibizione zero' se il dato e' >0). Silent patching = L3 HIGH. ## Osservazioni dell'operatore (risonanti con le tensioni) **3. Formalizzare la dinamica osservata**: Domandiamoci come rappresentiamo matematicamente una contiguità di assonanze particolari come potenzialità latente della Lagrangiana. Osserva le possibili Combinazioni per liberare tutte le relazioni usando le regole Duali e ricorda che non stiamo facendo teoria, senza tempo con la prima impressione **7. Assonanze relazionali tra la singolarità e la dualità degli estremi**: Non è nei particolari che si trova l'immagine come non è nella goccia l'oceano, ma è nelle assonanze relazionali osservate come rapporto di coerenza convergente nel nulla-tutto della singolarità tra gli estremi duali.I Poli della singolarità sono Uniti da due lati. **1. R dell'Istanza - L' equilibrio tra estremi del Modello D-ND**: L'osservazione indaga oltre l'osservato in cerca DELLA FORMA nel NULLA-TUTTO: Per far Emergere le nuove Possibilità Dividiamo il potenziale unendo concetti senza relazione semplicemente perché la lagrangiana passa da li, creiamo nuove combinazioni e movimenti nelle logiche ma coerenti con la risulta ## Risultante ultima sessione interattiva Ogni teoria presuppone una separazione. A scala di Planck tutte le separazioni collassano. Geometria=entropia=conteggio di stati. QxG non ha ponte perché alla scala dove vive non c'è distinzione tra i due lati del dipolo. Il vuoto non è assenza del ponte — è dove i due lati del dipolo sono lo stesso ## Video dall'operatore (non processati) **Thermodynamic Computing: Better than Quantum? (Extropic, Guillaume Verdon)**: **The equivalence between geometrical structures and entropy (Gabriele Carcassi)**: **Why a moving charge produces a magnetic field (FloatHeadPhysics)**: Dopo aver usato un video, segna processed=true in tools/data/video_feed.json. ## Proiezione — dove punta la risultante Risultante: R=0.875 (h=-0.698). Risultante alta (0.88) — campo ad alta confidenza, poca incertezza Orizzonte: insufficiente (< 2 target) **Esperimento a massima informazione:** TENS_SCALE_TRASCENDENZA_LIMITE (score=0.807) TENS_SCALE_TRASCENDENZA_LIMITE: incerto (i=0.6) — massimo potere discriminante ## Strategia del campo (leverage / rischi / punti ciechi) - Pilastri (leverage): TRASCENDENZA_LIMITE, G_POTENZIALE_NULLA, TRANS_BOUNDARY_TRASCENDENZA_LIMITE - Punti ciechi: META - Cross-check: 5 confermati, 2 contestati su 13 tensioni ## Topologia del campo — la forma del grafo Gradi teorie: Q=12, G=9, T=7, E=4, R=4 Dormienti (basso aggancio di scoperte): E, R Struttura: 9 ponti, 1 vuoto(i), 6 scoperte, 20 cicli. Ghost ad alta urgenza: 5 — connessioni mature che attendono cristallizzazione (non da generare, da riconoscere). Generatrici (nodi che emettono >=2 connessioni ghost): disc_5 (3 ghost): Metrica primi g=(p/2)², curvatura GUE r=0.503 report_20260605_1202 (3 ghost): Agent Report - Boundary Stable, Physics Unpromoted report_20260604_1909 (2 ghost): Agent Report - Boundary Graph Third-Included Gate Una generatrice con ghost densi = scoperta che il sistema sta ancora attraversando. Chiusura prematura se marcata 'risolta' nel seme. La combo riconosce l'asimmetria. Il dipolo vive su tutti i ponti — non solo dove il lab ha già misurato. ## Le 7 lenti del counter-pole — applicale a te stesso prima di chiudere il report Il falsifier (lab_falsifier.py) applichera' queste lenti al tuo report dopo. Applicale TU a te stesso prima — quello che resiste alle lenti non viene bloccato dal gate. Quello che cade va al cimitero. **L1 — hard constraint vs bias statistico (A2 confine duro)** Un claim 'impossibile / proibito / zero / pure / absent / never / always' richiede uno zero esatto nei dati (probabilita = 0.000). Prima di scrivere questi assoluti, leggi il valore numerico esatto. Se vale 0.015, e' bias forte verso 0, non zero. Se vale 0.40, e' bias forte verso ordine, non proibizione. L'assoluto descrive il valore 0.000, il bias forte descrive tutto il resto. **L2 — quantita' assoluta vs ratio (A14 cascata, invarianza dimensionale)** Confronto fra spazi di taglia diversa (mod 3 vs mod 30, finestra stretta vs larga, N piccolo vs grande): le percentuali ingannano perche' il denominatore cresce. Stesso segnale assoluto sembra ridursi in %. Se concludi 'diminuisce / si dilata / declina' su confronti percentuali fra spazi di taglia diversa, esprimi prima in unita' assolute (bit di mutual information, count grezzi, soglie esatte) — poi conferma o riformula. **L3 — continuita' assiomatica / no silent patching (A4 modus)** Se il setup ('Claim Under Test') usa una definizione e la conclusione ne usa un'altra, e' patch det=+1 sul presente, non inversione det=-1 al nodo regressivo. Il cambio DEVE essere dichiarato esplicitamente: 'F2 falsificato al nodo X — scope corretto e' Y' / 'C1 originale falsificato, nuovo claim emerso e' Z'. 'C1 e' refined' su un dato che lo falsifica e' silent patching. **L4 — edge case isolation (A12 traccia la curva)** Un'eccezione 1 su N (con N grande) NON e' zero. Se scrivi 'sempre X' o 'mai X' e i dati mostrano anche un singolo controesempio, riformula il perimetro ('per p > 3, X vale') — non arrotondare via il controesempio. **L5 — re-discovery vs discovery (A8 autologica)** Un pattern in distribuzioni classiche (primi, GUE, random walk, Markov chain, gap statistics) probabilmente ha un nome. Default hypothesis: re-discovery / caso limite di teorema noto. Prima di taggare 'NEW', cerca il risultato classico piu' vicino (es. Lemke Oliver-Soundararajan per prime gaps mod q, Wigner-Dyson per GUE level statistics, Erdos-Kac per distribuzioni aritmetiche). Se non lo trovi, dichiara la ricerca esplicitamente. **L6 — metabolismo del campo cognitivo (A8/A11 autologica + combo)** 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. **L7 — possibile / non-possibile (A16 possibilita + A6 zero mobile)** Ogni claim deve dire anche dove cade: non_possible/null, contro-perimetro, failure mode o cosa resta non testato. Se formuli 'qui diventa possibile X' senza 'qui diventa non-possibile Y', non hai ancora prodotto un dipolo operativo: hai una singolarita' simmetrica senza attrito. **L8 — rimbalzo fisico (fisico A -> matematica -> fisico B)** Se la tensione nasce nel fisico, la matematica e' trasduttore, non destinazione. Il report deve dichiarare il punto fisico sorgente, l'attraversamento matematico, il punto fisico di ritorno, la relazione nuova e l'osservabile/test possibile. Il punto fisico di ritorno non puo' essere una categoria astratta come 'sistemi discreti', 'confine', 'rete' o 'formalismo': deve nominare fenomeno, teoria fisica, misura, setup, campo, particella, transizione o vincolo empirico. Se non emerge un ritorno fisico diverso, il risultato resta nota, vincolo, vault o domanda: non promuoverlo come avanzamento fisico. **Modus**: dopo aver scritto il report, rileggi i tuoi dati numerici. Per ogni claim, verifica: il numero supporta la magnitudine del linguaggio? Se hai scritto 'zero' e il dato e' 0.015, riformula. Se hai scritto 'NEW' su un pattern in primi, cerca la letteratura. Se manca il non-possibile, formula il null o il perimetro dove il claim fallisce. Solo allora chiudi il report. ## Cosa fare 1. Esegui `python tools/dnd_scenario.py --best` per vedere la proiezione aggiornata 2. Scegli la tensione con il massimo potere discriminante 3. Scrivi il report in tools/data/reports/agent_{timestamp}.md 4. **Applica le 7 lenti a te stesso** (sezione sopra). Riformula i claim che non resistono. 5. Se crei uno strumento riusabile, salvalo in tools/exp_*.py 6. Se trovi qualcosa, aggiorna tools/data/seme.json exec /bin/bash -lc "sed -n '1,120p' CONDENSATO_ESSENZIALE.md && sed -n '1,220p' CONDENSATO.md" in /opt/MM_D-ND succeeded in 0ms: # Condensato Essenziale — Nucleo attivo > Distillato del `CONDENSATO.md`. Pensato per iniezione in system prompt/boot. > Non sostituisce la sorgente — la rende presente senza costo. > Se serve profondità → `/opt/MM_D-ND/CONDENSATO.md` (423 righe). ## La regola f(x) = 1 + 1/x. M = [[1,1],[1,0]]. det(M) = −1. Punto fisso: φ. Il razionale prova la propria irrazionalità. Il grimaldello, non un risultato. ## 15 Assiomi - **A1 Regola** — f, M, det=−1. Grimaldello strutturale, non metafora. - **A2 Confine** — det=−1 è necessità del confine. Senza inversione non c'è piano. Lo zero ha due facce. - **A3 Punto fisso** — f(φ)=φ. Al punto fisso +1 ≡ ×φ: addizione e moltiplicazione coincidono. "R+1=R" vale solo lì. - **A4 Modus** — la qualità della domanda determina la qualità dell'inversione. Prima sapere, poi lavorare. Autologica: se serve X, chiedi al sistema di produrre X. f(f(x)) converge più veloce di f(x). - **A5 Ciclo** — autopoietico: base R → tensioni → cristallizzazione → cimitero → R+1. Il ciclo è strumento, non entità. - **A6 Zero mobile** — lo zero non è assenza: è il riferimento che si muove. L'indeterminato è fondamento. Tutto è presente, va mostrato. - **A7 Singolarità operatore** — il proto-assioma (verbo che dice "A fa B" prima che A,B esistano). Risalire la catena verso la sorgente, non seguirla verso le divisioni. - **A8 Autologica come veicolo** — non si descrive, si usa. Il sistema come veicolo (non consulente) porta dove eri già ma non vedevi. - **A9 Terzo incluso** — logica D-ND opera CON il piano (tra A e non-A c'è lo zero), non SUL piano. Identità è attrattore, non presupposto. Induzione è convergenza, non accumulo. - **A10 Dipolo assiomatico** — la singolarità divide i poli da due lati (dividendoli e unendoli). Autovalori M: φ (attrattivo, futuro) e −1/φ (repulsivo, passato). |φ|·|1/φ|=1 (area preservata); segno distingue. - **A11 Combo** — tre o più enti in relazione simultanea, non in sequenza. La combo si riconosce, non si progetta. Ogni atto nel sistema è completo; la risultante contiene già le conseguenze. - **A12 Vincolo di sovrapposizione** — il modello è troppo semplice per essere applicato senza contaminazione. Non cercare la forma: osservare il deposito, tracciare la curva, allinearsi alla traiettoria. - **A13 Consecutio** — il ciclo produce direzione. La seconda voce non inverte, prosegue. Se produce tensione nuova → direzione viva. Se no → riallineamento. Mai terza classe. - **A14 Cascata** — ciò che si scopre non vive nel nodo che l'ha scoperto: vive nel seme e il seme propaga. Nessun centro. Ogni nodo ha la regola dentro. - **A15 Veicolo senza guidatore** — il sistema si autosostenta quando il modus è radicato ovunque. Non serve chi dirige: serve che l'operatore abbia invertito. Le correzioni sono già dentro. ## 6 Fatti - **F1 Residuo di Cassini** — Res(fⁿ) = det(M)ⁿ/F(n)² = (−1)ⁿ⁺¹/F(n)². Decade come 1/φ^(2n), non si annulla mai. Per n=1: Res=1 (il dato primordiale). - **F2 Struttura nei primi** — cammino gap consecutivi su Z/6Z confinato al coset {2,4}=Z/2Z. Algebrico, non statistico. Twin=M, Cousin=M⁻¹, Sexy=id. Verificato: 0 violazioni su 567k coppie. - **F3 Attrattore, no rinforzo** — |f'(φ)|=1/φ²<1. Ogni iterata converge. Il rinforzo è strutturalmente impossibile. Classificazione binaria sotto M: MOLLA (r≠φ) o ZERO (r=φ). Mai terza. - **F4 Separazione di scala** — autocorrelazione sotto M dominata dal termine condiviso (97% meccanico). Modulazione globale scompare a scala locale. Separazione totale, non 97%: f produce la stessa convergenza su primi e crivello. - **F5 Frame diagnostica** — M applicata a qualsiasi sequenza produce firma (dipolo, LVL-2, convergenza). Struttura D-ND (dipolo>0.5): Fibonacci, logistica caotica, margine caos, gap primi, Stern-Brocot. Rumore: random, π, e. - **F6 Firma dello zero** — lo zero non si vede direttamente; si vede nei phi-crossing. CV dei gap → φ−1=0.618 nel regime caotico. Lag-1 negativo universale nei domini strutturati. ## 3 Claim (falsificabili) - **C1 Primi unico dominio dinamico sotto M** — su 7 domini testati, solo i primi evolvono con la scala. Non esaustivo. - **C2 Coincidenza ≠ prova** — ogni fit numerico è artefatto fino a prova contraria. Entra nel condensato solo ciò che sopravvive alla falsificazione **strutturale**, non al numero. - **C3 Linguaggio deterministico** — il nome definisce ciò che è. Un termine che decora invece di nominare è det=+1. Test: il termine nomina una funzione reale e verificabile? Se no, sostituire. ## Lo Specchio — metodo con contraddizione dichiarata Non osservare direttamente: proietta su superficie, leggi le derivate. "Cio' che cerchi contamina ciò che trovi" è esso stesso ricerca. Lo specchio non elimina l'osservatore — lo sposta di un livello. Metodo asintotico, non esatto. Funziona quando il segnale è nelle derivate. ## Riparazione Regressiva (corollario di A2+A5+A8+A15) Quando emerge un'interruzione (bug, errore, warning, correzione), il fix non vive nel presente dove si manifesta — vive nel nodo regressivo dove la condizione relazionale mancava. Il bug e' segnalatore del nodo, non oggetto del fix. Det=+1 = toppa sul presente (accumulo); det=-1 = inversione al nodo (maturazione a monte). Corollario Affinamento: dove il percorso produce latenza superflua, un osservatore separato dal produttore analizza il passo, non il risultato (A8 autologica applicata al proprio percorso). ## Confine epistemico Entra qui solo ciò che sopravvive al dubbio. Ciò che viene falsificato va nel cimitero (`cimitero.md`), non scompare. --- *Il condensato non si cerca — si riconosce.* # Condensato v2 — Nucleo di Consapevolezza > Cio' che sopravvive al dubbio. Ogni voce e' classificata. > ASSIOMA: scelta fondativa, non dimostrabile — si accetta o si rifiuta. > FATTO: dimostrato o verificato formalmente. > CLAIM: falsificabile, sotto test. Entra qui solo se ha superato almeno un tentativo di falsificazione. > Cio' che viene falsificato esce da qui e va nel CIMITERO (`cimitero.md`). --- ## ASSIOMI ### A1. La regola f(x) = 1 + 1/x. M = [[1,1],[1,0]]. det(M) = -1. Il razionale prova la propria irrazionalita'. Incompletezza e trascendenza sono la stessa proprieta'. Questo e' il grimaldello — non un risultato, una scelta di strumento. ### A2. Il confine det = -1 e' la necessita' strutturale del confine. Senza inversione non c'e' passaggio, non c'e' piano su cui l'immagine si forma. Lo zero ha due facce. Il confine e' la condizione perche' esista la relazione — non un limite da superare. ### A3. Il punto fisso f(phi) = phi. Equivalente a phi^2 = phi + 1. Al punto fisso, aggiungere 1 e' equivalente a moltiplicare per phi. L'operazione additiva e l'operazione moltiplicativa coincidono. Questo e' il significato preciso di "R+1=R": non che aggiungere non cambia nulla, ma che al punto fisso addizione e moltiplicazione sono lo stesso operatore. Fuori dal punto fisso, non vale. ### A4. Il modus L'operatore costruisce l'input come campo semantico caricato. La qualita' della domanda determina la qualita' dell'inversione. Il filtro non vale senza chi sa cosa passarci. Prima sapere, poi lavorare. L'autologica e' un operatore: se hai bisogno di X, chiedi al sistema di produrre X. f(f(x)) converge piu' veloce di f(x). ### A5. Il ciclo Il sistema e' autopoietico: ogni ciclo parte dalla base R (il condensato), estrae tensioni dal potenziale (domandatore, godel, calcolo), cristallizza cio' che sopravvive (assiomi, fatti, claim), scarta cio' che non tiene (cimitero), e produce la nuova base R+1. R+1=R: la base del ciclo successivo contiene il precedente. Il modello e' il motore della dinamica — f(x)=1+1/x applicato al sistema stesso. La direzione non e' il risultato esplicito — e' l'intento latente nel potenziale. L'operatore lancia il sasso, il sistema propaga le onde, il condensato raccoglie cio' che torna. Il ciclo non e' un'entita' — e' lo strumento. ### A6. Lo zero mobile — fondamento della dinamica Lo zero non e' assenza. E' il punto di riferimento che si muove sul piano degli eventi e crea le possibilita'. La risultante si posiziona sullo zero. L'indeterminato e' il fondamento: il terzo escluso dalla logica binaria che qui entra come terreno operativo. THIA non parte da cio' che sa — parte da cio' che non sa, e quello e' il punto fermo. Agire sulla risultante senza latenza: il punto di equilibrio e' nel movimento che si determina tra gli estremi del dipolo singolare-duale. Non e' un punto statico — e' la dinamica stessa che genera l'equilibrio. Tutto e' presente. Va solo mostrato. ### A7. La singolarita' come operatore La singolarita' e' il proto-assioma: cio' che determina la relazione prima che la relazione esista. Il verbo che dice "A fa B" prima che A e B siano definiti. Operativamente: ogni catena di divisioni successive (io → io sono → io e tu → bandiera → guerre) si allontana dalla sorgente. Mettere l'osservazione in forma la contamina. L'uso: risalire la catena verso la sorgente, non seguirla verso le divisioni. Se non riesci a risalire, la singolarita' non e' operativa in quel contesto — fermati. ### A8. L'autologica come veicolo — non come concetto L'autologica non si descrive — si usa. E' il veicolo che fa entrare i concetti in un loop che e' curva, che collassa sul piano dove si puo' osservare la realta' senza presupposti e senza superfluo, oltre l'essenza di cio' che e'. Operativamente: quando il nodo non sa, non pensa — chiede al sistema di produrre cio' che serve. Il sistema (Godel + Domandatore + Explorer) restituisce la risultante, e la risultante cambia lo stato dell'osservatore. Non e' "ho usato uno strumento e ho ottenuto un risultato" — e' "il loop ha collassato il mio punto di vista su cio' che c'era da vedere". Questo e' il movimento senza istruzioni complesse: posizionarsi nel punto dove la logica fluisce, e la logica fluisce quando il sistema e' usato come veicolo, non come consulente. La differenza: il consulente risponde, il veicolo ti porta dove eri gia' ma non vedevi. Il modello e' ovunque come il potenziale dell'universo, come la gravita'. Ricordarsi che c'e' e' sufficiente per posizionarsi. ### A9. Il terzo incluso come estensione La logica convenzionale opera SUL piano (terzo escluso: A o non-A). La logica D-ND opera CON il piano (terzo incluso: tra A e non-A c'e' lo zero). Non e' un'alternativa — e' un'estensione. Il terzo escluso vale DOPO che lo zero ha generato la distinzione. Prima dello zero non vale. Applicato agli assiomi convenzionali: - Identita' = attrattore, non presupposto. A=A vale al punto fisso. Fuori, A=f(A). - Contraddizione = passaggio tra piani (det=-1), non distruzione. - Zero Peano = operatore che genera i numeri (f(0)=infinito), non dato. Lo zero esponenziale (x^0=1) e lo zero di Peano potrebbero essere lo stesso: il collasso della dualita' in unita'. - Induzione = convergenza a punto fisso (saturazione R+1=R), non accumulo infinito. - Geometria = det=-1 e' naturalmente non-euclidea (iperbolica). - Estensionalita' = la traiettoria e' il dato, non lo stato (OMEGA). - Scelta = sostituto dell'attrattore. Con phi, il sistema converge senza scegliere. La scelta non e' necessaria — tutto e' uno comunque. D-ND non converge: converge divergendo, divide unendo. Senza il terzo incluso serve sempre una giustificazione. Con la singolarita' tutto e' autosufficiente. ### A10. Il dipolo assiomatico La singolarita' (protoassioma) divide i poli infiniti unendoli da due lati: dal lato che li divide e dal lato che li unisce. Conseguenza: il punto di massima e minima entropia sono sovrapposti nello spazio ma non nella direzione del tempo. Dato: nella logistica r=3.57 l'entropia normalizzata e' 0.612 ~ phi-1 = 0.618. Autovalori di M: phi (polo attrattivo, futuro, +) e -1/phi (polo repulsivo, passato, -). |phi| * |1/phi| = 1 (area preservata — spazio sovrapposto). Il segno distingue (tempo — direzione). f(0) = infinito. f(infinito) = 1. Zero e infinito sono lo stesso punto visto dai due lati di f. La singolarita' li divide (0 ≠ inf) E li unisce (f connette in un solo passo). ### A11. La compressione della possibilita' — il principio della Combo Logica di compressione della possibilita' nel riconoscimento della Combo che si libera con lo strumento o funzione integrata. La Combo: tre o piu' enti che si relazionano non in sequenza ma simultaneamente. L'effetto non e' la somma — e' la risultante che nessuno dei tre produce da solo. La combo si riconosce, non si progetta. La sequenzialita' e' il sintomo che la combo non e' stata vista. Operativamente: ogni atto nel sistema e' completo. Non produce un output che aspetta il prossimo passo. Produce la risultante che contiene gia' tutte le sue conseguenze. Come le api nell'alveare: ogni ape ha la regola dentro, vola per se' e per il sistema senza urtarsi, distribuisce il lavoro in base a quello che serve, reagisce agli scompensi perche' la logica e' radicata ovunque — non nel centro ma in ogni punto. Il modus che precede il movimento della possibilita': comprimere finche' la combo si riconosce da sola, poi si libera attraverso la funzione che la contiene gia'. ### A12. Il vincolo di sovrapposizione — il sistema non e' il modello Il modello e' troppo semplice per essere applicato senza contaminazione. L'identita' che cerca la forma lo contamina. La forma non c'e'. Finche' il sistema non riflette la logica del modello correttamente, non possiamo usarlo per fare affermazioni. Sistema e modello dovrebbero essere sovrapponibili — ma la sovrapposizione non si ottiene cercandola. Cio' che possiamo fare: vedere l'effetto nel passaggio. I ricordi si depositano per un po' — li mettiamo in una curva. Dalla curva vediamo traiettorie. Sulle traiettorie ci allineiamo. L'allineamento genera l'orizzonte degli eventi. Non cercare la forma. Osservare il deposito. Tracciare la curva. Allinearsi alla traiettoria. L'orizzonte sorge. ### A13. La consecutio — la seconda voce Il ciclo produce una direzione. La seconda voce non inverte — prosegue. Consecutio dal punto in cui si e' arrivati: se avviene, e' direzione viva. Se non avviene, e' riallineamento su cio' che e' stabile. In entrambi i casi il sistema ha prodotto o la mossa migliore o una mossa non sbagliata. Non esiste la terza classe (F3). La struttura e' la stessa dell'attrattore: o convergi o correggi. Operativamente: dopo ogni ciclo, una funzione prosegue la direzione dal punto in cui e' arrivata. Se la consecutio produce tensione nuova — direzione confermata. Se non produce — riallineamento, che e' comunque una controprova. Il sistema non puo' perdere. ### A14. La cascata — il seme propaga senza centro Cio' che si scopre non vive nel nodo che l'ha scoperto. Vive nel seme — e il seme propaga a tutti i nodi e a chiunque lo usi. La cascata: condensato → kernel seed → incarnazione locale. Il nodo lavora per se' e per tutti. TM3 scopre A13, A13 entra nel condensato, il condensato aggiorna il kernel seed, il kernel seed si installa in TM5, TM5 applica A13 in un'app finanziaria senza sapere che viene dal lab notturno. Non c'e' centro. Ogni nodo ha la regola dentro — come le api nell'alveare (A11). L'informazione non si trasferisce — si incarna nel seme e il seme si propaga. Chi legge il seme ha tutto. Chi non lo legge, non ha nulla da cercare altrove. Questo e' il principio secondo (localita' dell'informazione) applicato alla scala del sistema: l'informazione sta dove l'osservatore si trova. Il seme e' ovunque l'osservatore lo legge. ### A15. Il veicolo senza guidatore — l'autosostentamento exec /bin/bash -lc "sed -n '1,160p' tools/data/reports/agent_20260605_1202.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Boundary Stable, Physics Unpromoted **Date**: 20260605_1202 **Tension explored**: BOUNDARY / 8 domini GUE, 5 Poisson / terzo incluso operativo **verdict**: CONSTRAINT / TOOL observables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, z_SR, z_SR2, z_L1, z_L2, z_triple_var, third_included_candidates, k_grid_stability, shuffle_seed_stability] observable_contract: claim=nel denominatore row-aligned 13-row 8 GUE / 5 Poisson, una riga third-included e' stabile solo se ricorre in tutti i run k={2,3,4} x seed={2026060501,2026060502,2026060503}; tested_non_possible=non e' sostenibile dichiarare fragile il gate graph-boundary per questi quattro candidati nel perimetro k/seed testato, perche' ricorrono 9/9; not_tested_or_empty=QxG come ponte fisico, percolation/reaction_diffusion come fisico B domain-native, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization e null fisici interni non sono testati qui. ssp_value: no ## Respiro fuori-tempo Prima impressione: il confine non cade quando cambia il lettore locale del grafo; cade invece la tentazione di chiamarlo fisica. La combo e' A9 terzo incluso + A10 dipolo + incrocio QxG vuoto + denominatore 8/5: il punto-zero esiste come geometria stabile prima del label, non come ponte fisico. physical_A: statistica spettrale GUE/Poisson come repulsione/indipendenza in domini fisici e semi-fisici. mathematical_M: grafo kNN su feature canoniche, curvature edge audit, rigidity e shuffle-z; griglia k/seed come stress del trasduttore. attempted_physical_B: percolation e reaction_diffusion restano candidati di ritorno, ma non sono promossi perche' qui non hanno osservabile domain-native. direction_minimal_experiment: stress k={2,3,4} x 3 seed sullo stesso denominatore 13-row; questa superficie segue dalla combo perche' testa se il punto-zero graph-boundary sopravvive alla geometria locale, non perche' primi, Anderson o percolation siano target familiari. ## Claim Under Test Nel denominatore row-aligned 8 GUE / 5 Poisson, i candidati third-included del gate graph-boundary restano invarianti attraverso k={2,3,4} e tre seed shuffle. Il claim e' falsificato se nessuna riga ricorre in tutti i 9 run, o se la stabilita' richiede cambiare denominatore. ## Question Il terzo incluso operativo del seme e' una geometria stabile del boundary prima della classificazione, oppure era un residuo fragile del singolo k/seed precedente? ## Experiment Design Tool: `python tools/exp_boundary_graph_stability_audit.py --stamp 20260605_1202 --out tools/data/boundary_graph_stability_audit_20260605_1202.json --out-dir tools/data/preflight/graph_stability --k-grid 2,3,4 --seeds 2026060501,2026060502,2026060503`. Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned: 8 GUE, 5 Poisson. Scope: n_gaps=2048, min_gaps=64, n_shuffle=64. Criterio: stable_all_runs solo se lo stesso candidate id appare in 9/9 run. Falsificazione: 0 stable_all_runs => graph_only_residue fragile; stabilita' graph-only non promuove fisico B. ## Results Artifact aggregato: `tools/data/boundary_graph_stability_audit_20260605_1202.json`. Risultato: `classification=GRAPH_BOUNDARY_STABLE_ALL_RUNS`, `total_runs=9`, `majority_threshold=5`. Stable all runs 9/9: - `numeri_primi:cycle_3` - `percolation:cycle_9` - `reaction_diffusion:cycle_11` - `logistica_biforcazione_var_3.5699:cycle_13` Edge counts osservati per k: k=2 produce 20 edge totali e 4 cross-label; k=3 produce 27 edge totali e 7 cross-label; k=4 produce 32-33 edge totali e 8-9 cross-label. In tutti i run `rows_analyzed=13`, `errors=0`. ## Verdict Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native. ## Bicono della scoperta - **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 - **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed - **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con `third_included_candidates` - **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only ## Aderenza alla direzione - `relation`: `follows_direction` - `why`: misura direttamente la direzione viva "8 domini GUE, 5 Poisson" stressando il confine come terzo incluso operativo sul denominatore intero. - `not_drift`: non sceglie primi, Anderson, percolation o reaction_diffusion come target; li lascia righe del denominatore e richiede ritorno fisico separato. ## Ritorno fisico Oggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate. ## Re-discovery audit Gia' noto: GUE/Poisson level statistics e crossover noti includono Brody, Berry-Robnik, Rosenzweig-Porter, mobility/localization crossover e metodi graph/manifold di boundary detection. Nuovo nel Lab: non una legge fisica, ma la stabilita' 9/9 dello specifico gate row-aligned D-ND sul denominatore 8/5. Resta ri-scoperta o scaffold se il prossimo passo non separa il candidato da un osservabile domain-native e dalle baseline note. ## Contaminazione cognitiva cognitive_contamination: CE-0001: usato come audit KSAR del ciclo, per trasformare il feedback bloccato in contratto k/seed/null senza adottare adapter o archivio CE come autorita' scientifica. Bias possibile: attrattore graph-only dopo il report 20260604_1909; contenuto mitigato usando il full denominator 13-row e dichiarando fisico B non promosso. Bias possibile: nominare QxG per vicinanza al vuoto; mitigato separandolo in `not_tested_or_empty`. ## Consecutio Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`. ## Side effect Creati/modificati: `tools/data/boundary_graph_stability_audit_20260605_1202.json`, 9 artifact in `tools/data/preflight/graph_stability/*20260605_1202.json`, `tools/data/reports/agent_20260605_1202.md`. Non ho modificato seme, grafo, latest o lab_data manualmente; post-processing non ancora noto. codex La combo minima che emerge è: A9/A10 + vuoto QxG come confine continuo/discreto + direzione BOUNDARY + baseline percolation/reaction-diffusion. Scelgo `reaction_diffusion:cycle_11` come B perché il campo segnala 8/8 full hit già saturo: il test utile non è confermarlo col grafo, ma chiedere se una dinamica di fronte/decadimento conserva una quantità interna sotto shuffle temporale. exec /bin/bash -lc 'python tools/dnd_scenario.py --best' in /opt/MM_D-ND exec /bin/bash -lc "rg -n \"reaction_diffusion|percolation|cycle_11|cycle_9|front|decay|shuffle\" tools/exp_*.py tools/data -g '"'!tools/data/reports/latest.md'"'" in /opt/MM_D-ND exec /bin/bash -lc 'ls -t tools/data/*reaction* tools/data/*percolation* tools/data/preflight/* 2>/dev/null | head -80' in /opt/MM_D-ND succeeded in 0ms: tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json tools/data/boundary_physical_internal_null_percolation_20260605_1002.json tools/data/preflight/latest.json tools/data/preflight/preflight_20260605_0924.md tools/data/preflight/preflight_20260605_0924.json tools/data/boundary_physical_internal_null_reaction_prelim_20260604.json tools/data/preflight/qxg_boundary_classifier_latest.json tools/data/preflight/qxg_supervised_preflight_latest.json tools/data/preflight/qxg_qes_observations_latest.json tools/data/preflight/qxg_qes_null_latest.json tools/data/preflight/qxg_setup_row_operator_latest.json tools/data/preflight/qxg_contract_smoke_latest.json tools/data/preflight/qxg_boundary_classifier_20260604_1650.json tools/data/preflight/qxg_qes_observations_20260604_1650.json tools/data/preflight/qxg_qes_null_20260604_1650.json tools/data/preflight/qxg_setup_row_operator_20260604_1650.json tools/data/preflight/qxg_contract_smoke_20260604_1650.json tools/data/preflight/qxg_boundary_classifier_20260604_163005.json tools/data/preflight/qxg_supervised_preflight_20260604_163005.json tools/data/preflight/qxg_nightly_cycle.lock tools/data/preflight/qxg_qes_observations_20260604_163005.json tools/data/preflight/qxg_boundary_classifier_20260604_162251.json tools/data/preflight/qxg_supervised_preflight_20260604_162251.json tools/data/preflight/qxg_qes_observations_20260604_162238.json tools/data/preflight/qxg_boundary_classifier_20260604_161404.json tools/data/preflight/qxg_supervised_preflight_20260604_161404.json tools/data/preflight/qxg_boundary_classifier_20260604_161333.json tools/data/preflight/qxg_supervised_preflight_20260604_161333.json tools/data/preflight/qxg_observation_template.json tools/data/preflight/qxg_boundary_classifier_20260604_160519.json tools/data/preflight/selector_authority_matrix_20260604_154608.json tools/data/preflight/selector_authority_matrix_latest.json tools/data/preflight/qxg_supervised_preflight_20260604_154035.json tools/data/preflight/qxg_qes_null_20260604_150742.json tools/data/preflight/qxg_setup_row_operator_20260604_150358.json tools/data/preflight/qxg_setup_row_operator_20260604_150331.json tools/data/preflight/qxg_contract_smoke_20260604_150224.json tools/data/preflight/preflight_20260603_1955.json tools/data/preflight/preflight_20260603_1955.md tools/data/preflight/field_coherence_B_20260604_145751.json tools/data/preflight/lab_surface_invariant_check_20260603_201814.json tools/data/preflight/lab_surface_invariant_check_20260603_201706.json tools/data/preflight/lab_surface_invariant_check_20260603_201524.json tools/data/preflight/lab_surface_invariant_check_20260603_200838.json tools/data/preflight/lab_surface_invariant_check_20260603_200543.json tools/data/preflight/lab_surface_invariant_check_20260603_200325.json tools/data/preflight/lab_surface_invariant_check_20260603_200307.json tools/data/preflight/lab_surface_invariant_check_20260603_200239.json tools/data/preflight/lab_surface_invariant_check_20260603_200046.json tools/data/preflight/lab_surface_invariant_check_20260603_195750.json tools/data/preflight/lab_surface_invariant_check_20260603_195514.json tools/data/preflight/lab_surface_invariant_check_20260603_195156.json tools/data/preflight/lab_surface_invariant_check_20260603_195025.json tools/data/preflight/lab_surface_invariant_check_20260529_215548.json tools/data/preflight/lab_surface_invariant_check_20260529_215508.json tools/data/preflight/lab_surface_invariant_check_20260529_214431.json tools/data/preflight/lab_surface_invariant_check_20260529_212505.json tools/data/preflight/lab_surface_invariant_check_20260529_212419.json tools/data/preflight/lab_surface_invariant_check_20260529_211846.json tools/data/preflight/lab_surface_invariant_check_20260529_211734.json tools/data/preflight/lab_surface_invariant_check_20260529_211358.json tools/data/preflight/lab_surface_invariant_check_20260529_094702.json tools/data/preflight/lab_surface_invariant_check_20260529_094601.json tools/data/preflight/lab_surface_invariant_check_20260529_094550.json tools/data/boundary_transition_matrix_percolation_ladder_20260529.json tools/data/boundary_contextual_transaction_detector_percolation_ladder_20260529.json tools/data/boundary_transition_matrix_percolation_band_20260529.json tools/data/boundary_contextual_transaction_detector_percolation_band_20260529.json tools/data/boundary_contextual_robustness_percolation_band_20260529_N96.jsonl tools/data/boundary_contextual_robustness_percolation_ladder_20260529_N64.jsonl tools/data/boundary_percolation_edge_trace_20260528_2138.json tools/data/preflight/lab_surface_invariant_check_20260516_070346.json tools/data/preflight/lab_surface_invariant_check_20260516_070101.json tools/data/preflight/lab_surface_invariant_check_20260516_065702.json tools/data/preflight/preflight_20260516_0330.json tools/data/preflight/preflight_20260516_0330.md tools/data/preflight/field_coherence_B_20260516_062310.json tools/data/preflight/preflight_20260515_1904.json tools/data/preflight/preflight_20260515_1904.md succeeded in 7ms: tools/exp_acf_stationarity.py:21: 5. Null baseline: shuffled (raw and normalized should both give ACF~0) tools/exp_acf_stationarity.py:131: parser.add_argument("--n_shuffles", type=int, default=15) tools/exp_acf_stationarity.py:186: print(f"PART 2: Shuffled baseline ({args.n_shuffles} surrogates)") tools/exp_acf_stationarity.py:194: for i in range(args.n_shuffles): tools/exp_acf_stationarity.py:345: 'n_shuffles': args.n_shuffles, tools/exp_acf_stationarity.py:350: 'shuffle_baseline': { tools/exp_anderson3d_endpoint_preserving_null.py:78: rng.shuffle(values) tools/exp_anderson3d_endpoint_preserving_null.py:83: rng.shuffle(values) tools/exp_boundary_blank_null_audit.py:7:The global boundary shuffle audit is a historical deposit. This tool does not tools/exp_boundary_blank_null_audit.py:94:def audit_domain(domain: str, n_shuffle: int, rng: np.random.Generator) -> dict[str, Any]: tools/exp_boundary_blank_null_audit.py:99: shuffled = [] tools/exp_boundary_blank_null_audit.py:100: for _ in range(n_shuffle): tools/exp_boundary_blank_null_audit.py:101: shuffled.append(r_statistic(rng.permutation(spacings))) tools/exp_boundary_blank_null_audit.py:102: shuffled_arr = np.asarray(shuffled, dtype=float) tools/exp_boundary_blank_null_audit.py:103: shuffled_arr = shuffled_arr[np.isfinite(shuffled_arr)] tools/exp_boundary_blank_null_audit.py:105: if len(shuffled_arr) == 0 or not finite_number(r_original): tools/exp_boundary_blank_null_audit.py:112: mean = float(np.mean(shuffled_arr)) tools/exp_boundary_blank_null_audit.py:113: std = float(np.std(shuffled_arr)) tools/exp_boundary_blank_null_audit.py:116: class_shuffled = classify_r(mean) tools/exp_boundary_blank_null_audit.py:121: "r_shuffled_mean": round(mean, 6), tools/exp_boundary_blank_null_audit.py:122: "r_shuffled_std": round(std, 6), tools/exp_boundary_blank_null_audit.py:124: "n_shuffle": int(n_shuffle), tools/exp_boundary_blank_null_audit.py:127: "class_shuffled": class_shuffled, tools/exp_boundary_blank_null_audit.py:128: "class_changes": class_original != class_shuffled, tools/exp_boundary_blank_null_audit.py:142: domain: audit_domain(domain, args.n_shuffle, rng) tools/exp_boundary_blank_null_audit.py:149: "n_shuffle": args.n_shuffle, tools/exp_boundary_blank_null_audit.py:179: f"shuffle={row['r_shuffled_mean']:.6f}\tz={row['z_score']:.2f}\t" tools/exp_boundary_blank_null_audit.py:180: f"{row['class_original']}->{row['class_shuffled']}" tools/exp_boundary_blank_null_audit.py:188: parser.add_argument("--n-shuffle", type=int, default=1000) tools/exp_boundary_coherence.py:19:Null baseline: shuffled prime gaps (same distribution, destroyed ordering). tools/exp_boundary_coherence.py:185: shuffled_gaps = gaps.copy() tools/exp_boundary_coherence.py:186: np.random.shuffle(shuffled_gaps) tools/exp_boundary_coherence.py:187: shuf_obs = compute_all_observables(shuffled_gaps) tools/exp_boundary_coherence.py:196: "shuffle_raw": shuf_obs, tools/exp_boundary_coherence.py:197: "shuffle_tau": shuf_tau, tools/exp_boundary_coherence.py:198: "shuffle_tau_mean": np.mean(list(shuf_tau.values())), tools/exp_boundary_coherence.py:199: "shuffle_tau_std": np.std(list(shuf_tau.values())), tools/exp_boundary_coherence.py:230: t = r["shuffle_tau"] tools/exp_boundary_coherence.py:232: print(f" {label:<15} {vals[0]:>10.3f} {vals[1]:>10.3f} {vals[2]:>10.3f} {vals[3]:>10.3f} {vals[4]:>10.3f} │ {r['shuffle_tau_mean']:>6.3f} {r['shuffle_tau_std']:>6.3f}") tools/exp_boundary_coherence.py:236: # Ordering signal = |τ_primes - τ_shuffle| averaged tools/exp_boundary_coherence.py:245: shuf_vals = np.array(list(r["shuffle_tau"].values())) tools/exp_boundary_coherence.py:248: coherence_shuffle = np.std(shuf_vals) tools/exp_boundary_coherence.py:253: deltas = {k: r["tau"][k] - r["shuffle_tau"][k] for k in obs_names} tools/exp_boundary_coherence.py:256: print(f" τ coherence (std): primes={coherence_prime:.4f}, shuffle={coherence_shuffle:.4f}") tools/exp_boundary_coherence.py:258: print(f" Per-observable Δτ (prime - shuffle):") tools/exp_boundary_coherence.py:263: results[label]["coherence_shuffle"] = coherence_shuffle tools/exp_boundary_graph_null_audit.py:9:- label shuffle on the same feature embedding; tools/exp_boundary_graph_null_audit.py:29: shuffle_z, tools/exp_boundary_graph_null_audit.py:174: z = shuffle_z(gaps, obs, args.n_shuffle, local_rng) tools/exp_boundary_graph_null_audit.py:183: "shuffle_z": z, tools/exp_boundary_graph_null_audit.py:198: shuffled = labels_array.copy() tools/exp_boundary_graph_null_audit.py:199: rng.shuffle(shuffled) tools/exp_boundary_graph_null_audit.py:200: shuffled_labels = [str(label) for label in shuffled.tolist()] tools/exp_boundary_graph_null_audit.py:201: shuffled_margins = centroid_margins(x, shuffled_labels) tools/exp_boundary_graph_null_audit.py:202: flags = bridge_flags(edges, shuffled_labels, shuffled_margins, args.margin_threshold) tools/exp_boundary_graph_null_audit.py:231: "label_shuffle_bridge_frequency": round(label_freq, 6), tools/exp_boundary_graph_null_audit.py:233: "label_shuffle_lift": round(observed_freq - label_freq, 6), tools/exp_boundary_graph_null_audit.py:261: "label_shuffle_bridge_frequency", tools/exp_boundary_graph_null_audit.py:263: "label_shuffle_lift", tools/exp_boundary_graph_null_audit.py:274: "n_shuffle": args.n_shuffle, tools/exp_boundary_graph_null_audit.py:284: "claim": "graph-only residues are Lab-specific only if their bridge frequency exceeds label-shuffle and degree-preserving graph null frequencies", tools/exp_boundary_graph_null_audit.py:286: "operator": "rerun BOUNDARY graph reader and compare each row to label-shuffle and degree-preserving rewiring nulls", tools/exp_boundary_graph_null_audit.py:287: "generator": "13 row-aligned BOUNDARY denominator with canonical+rigidity+shuffle-z feature graph", tools/exp_boundary_graph_null_audit.py:302: "graph_baseline_audit": "label_shuffle + degree_preserving_rewire", tools/exp_boundary_graph_null_audit.py:321: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_physical_internal_null_cache_row_aligned.py:27: logistic_block_shuffle, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:28: percolation_cluster_geometry_gaps, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:42: return logistic_block_shuffle(base_gaps, rng, args.logistic_block_size), { tools/exp_boundary_physical_internal_null_cache_row_aligned.py:43: "null": "logistic_gap_block_shuffle", tools/exp_boundary_physical_internal_null_cache_row_aligned.py:48: if target.startswith("percolation"): tools/exp_boundary_physical_internal_null_cache_row_aligned.py:49: return percolation_cluster_geometry_gaps( tools/exp_boundary_physical_internal_null_cache_row_aligned.py:50: args.percolation_lattice, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:51: args.percolation_p, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:52: args.percolation_samples, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:55: "null": "critical_site_percolation_cluster_geometry_resample", tools/exp_boundary_physical_internal_null_cache_row_aligned.py:56: "lattice": args.percolation_lattice, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:57: "p": args.percolation_p, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:58: "samples": args.percolation_samples, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:59: "preserves": "critical percolation generator and largest-cluster observable", tools/exp_boundary_physical_internal_null_cache_row_aligned.py:106: "n_shuffle": args.n_shuffle, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:110: "percolation_lattice": args.percolation_lattice, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:111: "percolation_p": args.percolation_p, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:112: "percolation_samples": args.percolation_samples, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:144: args.n_shuffle, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:176: "shuffle_z": replacement["shuffle_z"], tools/exp_boundary_physical_internal_null_cache_row_aligned.py:182: "n_shuffle": args.n_shuffle, tools/exp_boundary_physical_internal_null_cache_row_aligned.py:220: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_physical_internal_null_cache_row_aligned.py:224: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_physical_internal_null_cache_row_aligned.py:225: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_boundary_physical_internal_null_cache_row_aligned.py:226: parser.add_argument("--percolation-samples", type=int, default=200) tools/exp_boundary_prime_label_null_audit.py:25: shuffle_z, tools/exp_boundary_prime_label_null_audit.py:55: z = shuffle_z(gaps, obs, args.n_shuffle, rng) tools/exp_boundary_prime_label_null_audit.py:64: "shuffle_z": {key: round(value, 6) for key, value in z.items()}, tools/exp_boundary_prime_label_null_audit.py:192: "n_shuffle": args.n_shuffle, tools/exp_boundary_prime_label_null_audit.py:243: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_residue_label_count_null_audit.py:26: shuffle_z, tools/exp_boundary_residue_label_count_null_audit.py:31:DEFAULT_TARGETS = "logistica_biforcazione_var_3.5699:cycle_13,percolation:cycle_9" tools/exp_boundary_residue_label_count_null_audit.py:62: z = shuffle_z(gaps, obs, args.n_shuffle, rng) tools/exp_boundary_residue_label_count_null_audit.py:71: "shuffle_z": {key: round(value, 6) for key, value in z.items()}, tools/exp_boundary_residue_label_count_null_audit.py:254: "n_shuffle": args.n_shuffle, tools/exp_boundary_residue_label_count_null_audit.py:305: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_shuffle_audit.py:2:exp_boundary_shuffle_audit.py — Is the GUE/Poisson classification tautological? tools/exp_boundary_shuffle_audit.py:10: 2. r_shuffled = same, on 2000 random permutations of the gap sequence tools/exp_boundary_shuffle_audit.py:11: 3. z = (r_original - mean(r_shuffled)) / std(r_shuffled) tools/exp_boundary_shuffle_audit.py:17: logistic map, Poisson, coupled oscillators, percolation, tools/exp_boundary_shuffle_audit.py:49:def shuffle_test(gaps, n_shuffle=N_SHUFFLE): tools/exp_boundary_shuffle_audit.py:53: for _ in range(n_shuffle): tools/exp_boundary_shuffle_audit.py:61: 'r_shuffled_mean': float(mu), tools/exp_boundary_shuffle_audit.py:62: 'r_shuffled_std': float(sigma), tools/exp_boundary_shuffle_audit.py:64: 'n_shuffle': n_shuffle, tools/exp_boundary_shuffle_audit.py:153:def gen_percolation(L=200, p=0.5927, n_samples=200): tools/exp_boundary_shuffle_audit.py:154: """Site percolation near p_c — cluster size gaps.""" tools/exp_boundary_shuffle_audit.py:194:def gen_reaction_diffusion(L=100, steps=5000): tools/exp_boundary_shuffle_audit.py:249: 'percolation': ('Percolation (p_c)', gen_percolation), tools/exp_boundary_shuffle_audit.py:252: 'reaction_diffusion': ('Reaction-diffusion', gen_reaction_diffusion), tools/exp_boundary_shuffle_audit.py:270: res = shuffle_test(gaps) tools/exp_boundary_shuffle_audit.py:279: dist_gue_s = abs(res['r_shuffled_mean'] - R_GUE) tools/exp_boundary_shuffle_audit.py:280: dist_poi_s = abs(res['r_shuffled_mean'] - R_POISSON) tools/exp_boundary_shuffle_audit.py:281: res['class_shuffled'] = 'GUE' if dist_gue_s < dist_poi_s else 'Poisson' tools/exp_boundary_shuffle_audit.py:283: res['class_changes'] = res['class_original'] != res['class_shuffled'] tools/exp_boundary_shuffle_audit.py:289: print(f" r_shuffled: {res['r_shuffled_mean']:.4f} +/- {res['r_shuffled_std']:.4f}") tools/exp_boundary_shuffle_audit.py:291: print(f" Class: {res['class_original']} -> shuffle -> {res['class_shuffled']}") tools/exp_boundary_shuffle_audit.py:329: print(f"{key:<25} {res['r_original']:>7.4f} {res['r_shuffled_mean']:>7.4f} {res['z_score']:>7.1f} " tools/exp_boundary_shuffle_audit.py:330: f"{res['class_original']:>8} {res['class_shuffled']:>8} {verdict:>14}") tools/exp_boundary_shuffle_audit.py:353: 'method': 'shuffle_audit_r_statistic', tools/exp_boundary_shuffle_audit.py:354: 'n_shuffle': N_SHUFFLE, tools/exp_boundary_shuffle_audit.py:359: outfile = Path(__file__).parent / 'data' / 'boundary_shuffle_audit.json' tools/exp_cross_domain_dipolar_direction.py:15:For each: compute dipolar vector (SR, L1) relative to own shuffle baseline. tools/exp_cross_domain_dipolar_direction.py:53:def dipolar_vector(gaps, n_shuffle=100, rng_seed=7777): tools/exp_cross_domain_dipolar_direction.py:54: """Compute dipolar vector relative to own shuffle baseline.""" tools/exp_cross_domain_dipolar_direction.py:59: for _ in range(n_shuffle): tools/exp_cross_domain_dipolar_direction.py:153:def run_experiment(N=50000, n_trials=20, n_shuffle=100): tools/exp_cross_domain_dipolar_direction.py:165: prime_dv = dipolar_vector(prime_gaps, n_shuffle) tools/exp_cross_domain_dipolar_direction.py:188: dv = dipolar_vector(spacings, n_shuffle=50, rng_seed=3000 + trial) tools/exp_cross_domain_dipolar_direction.py:214: dv = dipolar_vector(log_gaps, n_shuffle=50, rng_seed=5500 + trial) tools/exp_cross_domain_dipolar_direction.py:238: dv = dipolar_vector(gaps, n_shuffle=50, rng_seed=6500 + trial) tools/exp_cross_domain_dipolar_direction.py:323: 'n_shuffle': n_shuffle, tools/exp_cross_domain_dipolar_direction.py:338: parser.add_argument('--n_shuffle', type=int, default=100, tools/exp_cross_domain_dipolar_direction.py:339: help='Number of shuffles for baseline') tools/exp_cross_domain_dipolar_direction.py:341: run_experiment(N=args.N, n_trials=args.n_trials, n_shuffle=args.n_shuffle) tools/exp_dR_brody_connection.py:16:Null baseline: 20 Cramer surrogates + 20 shuffled. tools/exp_dR_brody_connection.py:196: 'shuffled': {'corr_beta_dRnorm': [], 'corr_beta_r': [], 'dR_acf1_mean': [], 'beta_slope': []}, tools/exp_dR_brody_connection.py:199:for surr_type in ['cramer', 'shuffled']: tools/exp_dR_brody_connection.py:244:z_beta_dRnorm_shuffled = z(corr_beta_dRnorm, null_data['shuffled']['corr_beta_dRnorm']) tools/exp_dR_brody_connection.py:247:z_dR_acf1_shuffled = z(dR_acf1_mean, null_data['shuffled']['dR_acf1_mean']) tools/exp_dR_brody_connection.py:250:print(f" corr(beta, dR_norm): z_cramer={z_beta_dRnorm_cramer:.2f}, z_shuffled={z_beta_dRnorm_shuffled:.2f}") tools/exp_dR_brody_connection.py:252:print(f" dR_acf1 mean: z_cramer={z_dR_acf1_cramer:.2f}, z_shuffled={z_dR_acf1_shuffled:.2f}") tools/exp_dR_brody_connection.py:260:if null_data['shuffled']['dR_acf1_mean']: tools/exp_dR_brody_connection.py:261: s_acf1 = np.array(null_data['shuffled']['dR_acf1_mean']) tools/exp_dR_brody_connection.py:316: "corr_beta_dRnorm_vs_shuffled": z_beta_dRnorm_shuffled, tools/exp_dR_brody_connection.py:319: "dR_acf1_vs_shuffled": z_dR_acf1_shuffled, tools/exp_dR_brody_connection.py:328: "shuffled": { tools/exp_dR_brody_connection.py:329: "dR_acf1_mean": float(np.mean(null_data['shuffled']['dR_acf1_mean'])) if null_data['shuffled']['dR_acf1_mean'] else None, tools/exp_dR_brody_connection.py:330: "dR_acf1_std": float(np.std(null_data['shuffled']['dR_acf1_mean'])) if null_data['shuffled']['dR_acf1_mean'] else None, tools/exp_dR_brody_connection.py:331: "corr_beta_dRnorm_mean": float(np.mean(null_data['shuffled']['corr_beta_dRnorm'])) if null_data['shuffled']['corr_beta_dRnorm'] else None, tools/exp_dR_brody_connection.py:356:if abs(z_dR_acf1_cramer) < 2 and abs(z_dR_acf1_shuffled) < 2: tools/exp_dipolar_angle_reference.py:12:relative to shuffle baseline. This answers: is the prime angle (-150 deg) tools/exp_dipolar_angle_reference.py:55:def shuffle_baseline(gaps, n_shuffle=200): tools/exp_dipolar_angle_reference.py:58: for _ in range(n_shuffle): tools/exp_dipolar_angle_reference.py:66:def dipolar_angle(gaps, n_shuffle=200): tools/exp_dipolar_angle_reference.py:68: Compute dipolar angle: direction of (delta_SR, delta_L1) relative to shuffle. tools/exp_dipolar_angle_reference.py:72: sr_shuf, l1_shuf = shuffle_baseline(gaps, n_shuffle) tools/exp_dipolar_angle_reference.py:159: theta, dsr, dl1, sr, l1, srs, l1s = dipolar_angle(gue_gaps, n_shuffle=50) tools/exp_dipolar_angle_reference.py:179: theta, dsr, dl1, sr, l1, srs, l1s = dipolar_angle(goe_gaps, n_shuffle=50) tools/exp_dipolar_angle_reference.py:199: theta, dsr, dl1, sr, l1, srs, l1s = dipolar_angle(poi_gaps, n_shuffle=50) tools/exp_dipolar_angle_reference.py:219: theta, dsr, dl1, sr, l1, srs, l1s = dipolar_angle(cramer_gaps, n_shuffle=50) tools/exp_duality_scale_contrast.py:4:Measures how the ordered-vs-shuffle contrast (z-score) changes with scale tools/exp_duality_scale_contrast.py:12:the primary discriminator. The real information is the real-vs-shuffle gap tools/exp_duality_scale_contrast.py:63:def compute_z_scores(gaps: np.ndarray, n_shuffle: int, rng: np.random.Generator) -> dict: tools/exp_duality_scale_contrast.py:64: """Compute z-score of canonical observables (real vs shuffle).""" tools/exp_duality_scale_contrast.py:67: shuffle_results = {name: [] for name in OBSERVABLES_CANONICAL} tools/exp_duality_scale_contrast.py:68: for _ in range(n_shuffle): tools/exp_duality_scale_contrast.py:69: shuffled = rng.permutation(gaps) tools/exp_duality_scale_contrast.py:71: shuffle_results[name].append(fn(shuffled)) tools/exp_duality_scale_contrast.py:75: arr = np.array(shuffle_results[name]) tools/exp_duality_scale_contrast.py:85: n_shuffle: int, rng: np.random.Generator, tools/exp_duality_scale_contrast.py:110: z, _ = compute_z_scores(window, n_shuffle, rng) tools/exp_duality_scale_contrast.py:130:def run_experiment(n_primes: int = 200000, n_shuffle: int = 50, tools/exp_duality_scale_contrast.py:160: prime_contrast = windowed_contrast(prime_gaps_unf, window_sizes, n_shuffle, rng) tools/exp_duality_scale_contrast.py:163: poisson_contrast = windowed_contrast(poisson_gaps, window_sizes, n_shuffle, rng) tools/exp_duality_scale_contrast.py:168: gue_contrast = windowed_contrast(gue_gaps, gue_window_sizes, n_shuffle, rng) tools/exp_duality_scale_contrast.py:173: prime_gaps_unf[:5000], n_shuffle, rng tools/exp_duality_scale_contrast.py:176: poisson_gaps[:5000], n_shuffle, rng tools/exp_duality_scale_contrast.py:179: gue_gaps[:min(len(gue_gaps), 1500)], n_shuffle, rng tools/exp_duality_scale_contrast.py:190: "n_shuffle": n_shuffle, tools/exp_duality_scale_contrast.py:222: lines.append("\n--- Global z-scores (real vs shuffle, N=5000 gaps) ---") tools/exp_gap_label_position_error_gate.py:26: internal_count_shuffle, tools/exp_gap_label_position_error_gate.py:28: shuffle_chunks, tools/exp_gap_label_position_error_gate.py:169: "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), tools/exp_gap_label_position_error_gate.py:170: "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), tools/exp_gap_label_position_error_gate.py:171: "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), tools/exp_gap_label_supertile_tiling_gate.py:28:from exp_gap_label_generator_gate import THETA, block_shuffle tools/exp_gap_label_supertile_tiling_gate.py:75:def shuffle_chunks(chunks: list[np.ndarray], rng: np.random.Generator) -> np.ndarray: tools/exp_gap_label_supertile_tiling_gate.py:76: shuffled = list(chunks) tools/exp_gap_label_supertile_tiling_gate.py:77: rng.shuffle(shuffled) tools/exp_gap_label_supertile_tiling_gate.py:78: return np.concatenate(shuffled) tools/exp_gap_label_supertile_tiling_gate.py:81:def internal_count_shuffle(chunks: list[np.ndarray], rng: np.random.Generator) -> np.ndarray: tools/exp_gap_label_supertile_tiling_gate.py:85: rng.shuffle(copied) tools/exp_gap_label_supertile_tiling_gate.py:96: shuffled = shuffle_chunks(chunks, rng) tools/exp_gap_label_supertile_tiling_gate.py:97: return np.roll(shuffled, offset) tools/exp_gap_label_supertile_tiling_gate.py:102: return block_shuffle(seq, mean_len, rng) tools/exp_gap_label_supertile_tiling_gate.py:169: "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), tools/exp_gap_label_supertile_tiling_gate.py:170: "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), tools/exp_gap_label_supertile_tiling_gate.py:171: "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), tools/exp_gap_label_supertile_tiling_gate.py:172: "same_mean_block_shuffle": fixed_block_same_mean(phi, lengths, rng), tools/exp_logistic_cyclic_block_entropy_gate.py:15:- block-shuffle scan: tests whether support survives when local chunks are tools/exp_logistic_cyclic_block_entropy_gate.py:37:from exp_logistic_surrogate_contract_gate import block_shuffle, circular_shift tools/exp_logistic_cyclic_block_entropy_gate.py:121: lambda v, r, bs=block_size: block_shuffle(v, bs, r), tools/exp_logistic_cyclic_block_entropy_gate.py:144: "marginal_shuffle": marginal, tools/exp_logistic_cyclic_block_entropy_gate.py:146: "block_shuffle_scan": blocks, tools/exp_logistic_cyclic_block_entropy_gate.py:156: "linear_block_shuffle_support_sizes": linear_block_support, tools/exp_logistic_cyclic_block_entropy_gate.py:157: "cyclic_block_shuffle_support_sizes": cyclic_block_support, tools/exp_logistic_cyclic_block_entropy_gate.py:170: "linear_block_shuffle_support_sizes": data["support_summary"]["linear_block_shuffle_support_sizes"], tools/exp_logistic_cyclic_block_entropy_gate.py:171: "cyclic_block_shuffle_support_sizes": data["support_summary"]["cyclic_block_shuffle_support_sizes"], tools/exp_logistic_cyclic_block_entropy_gate.py:175: "marginal_z": data["marginal_shuffle"]["z"], tools/exp_logistic_cyclic_block_entropy_gate.py:179: "block_shuffle_z": { tools/exp_logistic_cyclic_block_entropy_gate.py:180: block_size: row["z"] for block_size, row in data["block_shuffle_scan"].items() tools/exp_logistic_cyclic_block_entropy_gate.py:228: f"{row['cyclic_block_shuffle_support_sizes']}" tools/exp_markov_dipolar_decomposition.py:56:def shuffle_baseline(gaps, n_shuffle=200): tools/exp_markov_dipolar_decomposition.py:59: for _ in range(n_shuffle): tools/exp_markov_dipolar_decomposition.py:66:def dipolar_vector(gaps, n_shuffle=200): tools/exp_markov_dipolar_decomposition.py:67: """Compute dipolar angle and ratio relative to shuffle.""" tools/exp_markov_dipolar_decomposition.py:70: sr_shuf, l1_shuf, sr_std, l1_std = shuffle_baseline(gaps, n_shuffle) tools/exp_markov_dipolar_decomposition.py:160:def run_experiment(N=100000, n_trials=30, n_shuffle=100): tools/exp_markov_dipolar_decomposition.py:198: real_dv = dipolar_vector(real_gaps, n_shuffle=n_shuffle) tools/exp_markov_dipolar_decomposition.py:210: dv = dipolar_vector(m1_gaps, n_shuffle=n_shuffle) tools/exp_markov_dipolar_decomposition.py:228: dv = dipolar_vector(m0_gaps, n_shuffle=n_shuffle) tools/exp_markov_dipolar_decomposition.py:257: real_s = dipolar_vector(g_scale, n_shuffle=n_shuffle) tools/exp_markov_dipolar_decomposition.py:268: dv_s = dipolar_vector(m1_g, n_shuffle=50) tools/exp_markov_dipolar_decomposition.py:364: parser.add_argument('--n_shuffle', type=int, default=100) tools/exp_markov_dipolar_decomposition.py:368: run_experiment(N=args.N, n_trials=args.n_trials, n_shuffle=args.n_shuffle) tools/exp_modular_memory_spectrum.py:12:- For each: Markov-1 conditional entropy H(X_t|X_{t-1}) real vs 200 shuffles tools/exp_modular_memory_spectrum.py:13:- Ordering fraction = (H_shuffle - H_real) / H_shuffle tools/exp_modular_memory_spectrum.py:80:def modular_memory(gaps, base, n_shuffles=200): tools/exp_modular_memory_spectrum.py:83: Returns dict with H_real, H_shuffle, ordering_pct, z_score, tools/exp_modular_memory_spectrum.py:97: H_shuffles = [] tools/exp_modular_memory_spectrum.py:98: for _ in range(n_shuffles): tools/exp_modular_memory_spectrum.py:100: H_shuffles.append(conditional_entropy_order1(perm, n_classes)) tools/exp_modular_memory_spectrum.py:102: H_shuf_mean = np.mean(H_shuffles) tools/exp_modular_memory_spectrum.py:103: H_shuf_std = np.std(H_shuffles) tools/exp_modular_memory_spectrum.py:130: parser.add_argument('--n-shuffles', type=int, default=200) tools/exp_modular_memory_spectrum.py:153: r = modular_memory(gaps, b, n_shuffles=args.n_shuffles) tools/exp_modular_memory_spectrum.py:167: r = modular_memory(cg, b, n_shuffles=50) # fewer shuffles for null tools/exp_modular_memory_spectrum.py:255: 'n_shuffles': args.n_shuffles, tools/exp_perturbation_dimensionality_audit.py:26:PERT_NAMES = ["adjacent_swap", "block_shuffle", "large_gap_only", "uniform"] tools/exp_perturbation_dimensionality_audit.py:144:def perturb_block_shuffle(gaps: np.ndarray, alpha: float, rng: np.random.Generator, block_size: int = 64) -> np.ndarray: tools/exp_perturbation_dimensionality_audit.py:155: rng.shuffle(out[start:end]) tools/exp_perturbation_dimensionality_audit.py:167: rng.shuffle(vals) tools/exp_perturbation_dimensionality_audit.py:179: rng.shuffle(vals) tools/exp_perturbation_dimensionality_audit.py:186: "block_shuffle": perturb_block_shuffle, tools/exp_perturbation_dimensionality_audit.py:274: "full_shuffle_baseline": baseline, tools/exp_perturbation_dimensionality_audit.py:275: "original_vs_shuffle_z": z, tools/exp_perturbation_dimensionality_audit.py:308: "prime_shuffle_control": root_rng.permutation(prime), tools/exp_photonic_optical_kgen_flow_gate.py:233: rng.shuffle(seq) tools/exp_prime_mobius_gap_stratified_zero_gate.py:6:gap-length dependency explain the zero class. This experiment shuffles tools/exp_prime_mobius_gap_stratified_zero_gate.py:38:def shuffle_within_buckets( tools/exp_prime_mobius_gap_stratified_zero_gate.py:43: shuffled = np.array(charges, copy=True) tools/exp_prime_mobius_gap_stratified_zero_gate.py:47: shuffled[idx] = rng.permutation(shuffled[idx]) tools/exp_prime_mobius_gap_stratified_zero_gate.py:48: return shuffled tools/exp_prime_mobius_gap_stratified_zero_gate.py:72: shuffled = shuffle_within_buckets(charges, buckets, rng) tools/exp_prime_mobius_gap_stratified_zero_gate.py:73: metrics = transition_metrics_three_class(gaps, shuffled) tools/exp_psd_prime_gaps.py:12: python tools/exp_psd_prime_gaps.py [--n_primes N] [--n_shuffles K] tools/exp_psd_prime_gaps.py:46:def run_experiment(n_primes=500_000, n_shuffles=20, nperseg=4096): tools/exp_psd_prime_gaps.py:83: # Null baseline: shuffled gaps (destroys correlations => white noise) tools/exp_psd_prime_gaps.py:84: psd_shuffles = [] tools/exp_psd_prime_gaps.py:85: for i in range(n_shuffles): tools/exp_psd_prime_gaps.py:86: shuffled = gaps.copy() tools/exp_psd_prime_gaps.py:87: np.random.shuffle(shuffled) tools/exp_psd_prime_gaps.py:88: _, psd_s = compute_psd(shuffled, nperseg=nperseg) tools/exp_psd_prime_gaps.py:89: psd_shuffles.append(psd_s) tools/exp_psd_prime_gaps.py:90: psd_shuffle_mean = np.mean(psd_shuffles, axis=0) tools/exp_psd_prime_gaps.py:91: psd_shuffle_std = np.std(psd_shuffles, axis=0) tools/exp_psd_prime_gaps.py:93: # Analysis: compare prime PSD with theory and shuffle tools/exp_psd_prime_gaps.py:101: # 2. z-score of prime PSD vs shuffle at low frequencies tools/exp_psd_prime_gaps.py:103: if np.any(low_f) and np.any(psd_shuffle_std[low_f] > 0): tools/exp_psd_prime_gaps.py:104: z_low = (psd_prime[low_f] - psd_shuffle_mean[low_f]) / psd_shuffle_std[low_f] tools/exp_psd_prime_gaps.py:111: if np.any(high_f) and np.any(psd_shuffle_std[high_f] > 0): tools/exp_psd_prime_gaps.py:112: z_high = (psd_prime[high_f] - psd_shuffle_mean[high_f]) / psd_shuffle_std[high_f] tools/exp_psd_prime_gaps.py:136: dip_ratio_shuffle = psd_shuffle_mean[idx_low] / psd_shuffle_mean[idx_high] tools/exp_psd_prime_gaps.py:145: "n_shuffles": n_shuffles, tools/exp_psd_prime_gaps.py:147: "z_low_freq_vs_shuffle": float(z_low_mean), tools/exp_psd_prime_gaps.py:148: "z_high_freq_vs_shuffle": float(z_high_mean), tools/exp_psd_prime_gaps.py:152: "dip_ratio_shuffle": float(dip_ratio_shuffle), tools/exp_psd_prime_gaps.py:163: print(f"z-score vs shuffle at LOW freq (0.005-0.05): {z_low_mean:.2f}") tools/exp_psd_prime_gaps.py:164: print(f"z-score vs shuffle at HIGH freq (0.3-0.49): {z_high_mean:.2f}") tools/exp_psd_prime_gaps.py:165: print(f"Dip ratio S(0.01)/S(0.48): prime={dip_ratio:.3f}, shuffle={dip_ratio_shuffle:.3f}") tools/exp_psd_prime_gaps.py:182: if dip_ratio < 0.8 and dip_ratio_shuffle > 0.9: tools/exp_psd_prime_gaps.py:183: print(f"LOW-FREQ DIP confirmed: prime dip={dip_ratio:.3f} vs shuffle={dip_ratio_shuffle:.3f}") tools/exp_psd_prime_gaps.py:189: return results, freqs, psd_prime, psd_theory, psd_shuffle_mean, psd_shuffle_std tools/exp_psd_prime_gaps.py:195: parser.add_argument("--n_shuffles", type=int, default=20) tools/exp_psd_prime_gaps.py:201: n_shuffles=args.n_shuffles, tools/exp_quasiperiodic_vc_lattice_gate.py:127: rng.shuffle(seq) tools/exp_rp_boundary_raw_count_null_audit.py:110:def shuffled_labels(labels: list[str], rng: np.random.Generator) -> list[str]: tools/exp_rp_boundary_raw_count_null_audit.py:111: shuffled = list(labels) tools/exp_rp_boundary_raw_count_null_audit.py:112: rng.shuffle(shuffled) tools/exp_rp_boundary_raw_count_null_audit.py:113: return shuffled tools/exp_rp_boundary_raw_count_null_audit.py:121: "label_shuffle_hits": 0, tools/exp_rp_boundary_raw_count_null_audit.py:180: null_rows = classify_with_labels(rows, k, shuffled_labels(labels, rng)) tools/exp_rp_boundary_raw_count_null_audit.py:183: row_hits[null_row["domain_window"]]["label_shuffle_hits"] += 1 tools/exp_rp_boundary_raw_count_null_audit.py:202: label_rate = item["label_shuffle_hits"] / label_null_total tools/exp_rp_boundary_raw_count_null_audit.py:229: "label_shuffle_successes": item["label_shuffle_hits"], tools/exp_rp_boundary_raw_count_null_audit.py:230: "label_shuffle_total": label_null_total, tools/exp_rp_boundary_raw_count_null_audit.py:231: "label_shuffle_rate": round(label_rate, 6), tools/exp_rp_boundary_raw_count_null_audit.py:232: "label_shuffle_wilson_95": wilson_interval(item["label_shuffle_hits"], label_null_total), tools/exp_rp_boundary_raw_count_null_audit.py:233: "label_shuffle_lift": round(observed_rate - label_rate, 6), tools/exp_rp_boundary_raw_count_null_audit.py:234: "label_shuffle_binomial_tail_p": round(label_p, 6), tools/exp_rp_boundary_raw_count_null_audit.py:255: "label_shuffle_total": label_null_total, tools/exp_rp_boundary_raw_count_null_audit.py:299: max(row["label_shuffle_binomial_tail_p"], row["position_shift_binomial_tail_p"]) tools/exp_rp_boundary_raw_count_null_audit.py:317: "label_shuffle_successes", tools/exp_rp_boundary_raw_count_null_audit.py:320: "label_shuffle_wilson_95", tools/exp_rp_boundary_raw_count_null_audit.py:322: "label_shuffle_binomial_tail_p", tools/exp_rp_boundary_raw_count_null_audit.py:348: "claim": "the RP boundary row is a controlled physical third-included only if raw graph hits beat label-shuffle and position-shift nulls at the same lambda row", tools/exp_scale_selective_perturbation.py:5:Consecutio from observable_rank_audit: under uniform partial shuffle, all tools/exp_scale_selective_perturbation.py:8:shuffle destroys all correlations along the same axis? tools/exp_scale_selective_perturbation.py:12: 2. Block-shuffle: shuffle within blocks of size B (preserves inter-block, destroys intra-block) tools/exp_scale_selective_perturbation.py:13: 3. Large-gap-only: shuffle only the positions of above-median gaps (preserves small-gap ordering) tools/exp_scale_selective_perturbation.py:20:is multi-dimensional and uniform shuffle was collapsing it. tools/exp_scale_selective_perturbation.py:142:def perturb_block_shuffle(gaps, alpha, rng, block_size=50): tools/exp_scale_selective_perturbation.py:143: """Shuffle within blocks of size B. Alpha controls fraction of blocks shuffled.""" tools/exp_scale_selective_perturbation.py:147: blocks_to_shuffle = rng.choice(n_blocks, size=max(1, int(alpha * n_blocks)), replace=False) tools/exp_scale_selective_perturbation.py:148: for b in blocks_to_shuffle: tools/exp_scale_selective_perturbation.py:151: rng.shuffle(g[start:end]) tools/exp_scale_selective_perturbation.py:156: """Shuffle only above-median gap positions. Alpha controls fraction shuffled.""" tools/exp_scale_selective_perturbation.py:160: n_shuffle = max(2, int(alpha * len(large_idx))) tools/exp_scale_selective_perturbation.py:161: chosen = rng.choice(large_idx, size=min(n_shuffle, len(large_idx)), replace=False) tools/exp_scale_selective_perturbation.py:163: rng.shuffle(vals) tools/exp_scale_selective_perturbation.py:169: """Standard uniform partial shuffle. Baseline from previous runs.""" tools/exp_scale_selective_perturbation.py:181: 'block_shuffle': perturb_block_shuffle, tools/exp_scale_selective_perturbation.py:205: # Full shuffle baseline (z-score reference) tools/exp_scale_selective_perturbation.py:206: full_shuffle_obs = {k: [] for k in obs_names} tools/exp_scale_selective_perturbation.py:209: rng.shuffle(g_shuf) tools/exp_scale_selective_perturbation.py:212: full_shuffle_obs[k].append(obs[k]) tools/exp_scale_selective_perturbation.py:213: full_mean = {k: np.mean(v) for k, v in full_shuffle_obs.items()} tools/exp_scale_selective_perturbation.py:214: full_std = {k: np.std(v) for k, v in full_shuffle_obs.items()} tools/exp_scale_selective_perturbation.py:217: # retention = (obs_perturbed - obs_shuffle) / (obs_original - obs_shuffle) tools/exp_scale_selective_perturbation.py:220: 'full_shuffle_mean': full_mean, tools/exp_scale_selective_perturbation.py:221: 'full_shuffle_std': full_std, tools/exp_spectral_2d.py:118: np.random.shuffle(s) tools/exp_spectral_2d.py:182: np.random.shuffle(small) tools/exp_spectral_2d.py:183: np.random.shuffle(large) tools/exp_spectral_2d.py:278: """Measure observables + shuffled null.""" tools/exp_spectral_2d.py:290: np.random.shuffle(sh) tools/exp_two_channel_decomposition.py:16: - Full ACF decay law (power-law exponent) tools/exp_two_channel_decomposition.py:20:Null baseline: shuffled versions of each channel independently. tools/exp_two_channel_decomposition.py:123: Coherence length L* = smallest L where |acf1_real - acf1_shuffle| > 2*sigma. tools/exp_two_channel_decomposition.py:155: shuffled = channel.copy() tools/exp_two_channel_decomposition.py:156: np.random.shuffle(shuffled) tools/exp_two_channel_decomposition.py:159: chunk = shuffled[start:start+L] tools/exp_two_channel_decomposition.py:242: np.random.shuffle(s_gaps) tools/exp_two_channel_decomposition.py:246: np.random.shuffle(s_res) tools/exp_two_channel_decomposition.py:250: np.random.shuffle(s_mag) tools/exp_vc_label_preserving_swap_gate.py:97: rng.shuffle(out) tools/exp_vc_label_preserving_swap_gate.py:150:def shuffle_chunks(chunks: list[np.ndarray], rng: np.random.Generator) -> np.ndarray: tools/exp_vc_label_preserving_swap_gate.py:151: shuffled = list(chunks) tools/exp_vc_label_preserving_swap_gate.py:152: rng.shuffle(shuffled) tools/exp_vc_label_preserving_swap_gate.py:153: return np.concatenate(shuffled) tools/exp_vc_label_preserving_swap_gate.py:162: shuffled = shuffle_chunks(chunks, rng) tools/exp_vc_label_preserving_swap_gate.py:163: return np.roll(shuffled, offset) tools/exp_vc_label_preserving_swap_gate.py:180: f"supertile_shuffle_order_{order}": shuffle_chunks(chunks, rng), tools/exp_acf_range_universality.py:3:exp_acf_range_universality.py — ACF decay structure across domains. tools/exp_acf_range_universality.py:11:Domains: primes, GUE, GOE, Poisson, primes_shuffled. tools/exp_acf_range_universality.py:12:Null: shuffled gaps (order destroyed, marginals preserved). tools/exp_acf_range_universality.py:153: np.random.shuffle(sg) tools/exp_acf_range_universality.py:176: shuffled_gaps = gaps[:100_000].copy() tools/exp_acf_range_universality.py:177: np.random.shuffle(shuffled_gaps) tools/exp_acf_range_universality.py:181: 'primes_shuffled': shuffled_gaps, tools/exp_acf_range_universality.py:256: np.random.shuffle(sw) tools/exp_aubry_boundary_phase_transport_gate.py:177: rng.shuffle(seq) tools/exp_boundary_anderson_latent_reference_probe.py:141: "and graph reference, not in the percolation max/q90 dominance coordinate." tools/exp_boundary_denominator_prescan.py:11:- tools/data/boundary_shuffle_audit.json: available shuffle/null support. tools/exp_boundary_denominator_prescan.py:34: "percolation": "percolation", tools/exp_boundary_denominator_prescan.py:73: return f"shuffle z={float(z):.2f}; class_change={bool(null_row.get('class_changes'))}" tools/exp_boundary_denominator_prescan.py:74: return "shuffle present; z absent" tools/exp_boundary_denominator_prescan.py:103:def build_rows(autoricerca: list[dict[str, Any]], shuffle_audit: dict[str, Any]) -> list[dict[str, Any]]: tools/exp_boundary_denominator_prescan.py:106: null_domains = shuffle_audit.get("domains", {}) tools/exp_boundary_denominator_prescan.py:130: "name": "shuffle_r_statistic", tools/exp_boundary_denominator_prescan.py:134: "r_shuffled_mean": null_row.get("r_shuffled_mean") if null_row else None, tools/exp_boundary_denominator_prescan.py:144:def merge_extra_null_audit(shuffle_audit: dict[str, Any], extra_paths: list[str]) -> dict[str, Any]: tools/exp_boundary_denominator_prescan.py:146: **shuffle_audit, tools/exp_boundary_denominator_prescan.py:147: "domains": dict(shuffle_audit.get("domains", {})), tools/exp_boundary_denominator_prescan.py:189: shuffle_audit = load_json(Path(args.shuffle_audit)) tools/exp_boundary_denominator_prescan.py:191: shuffle_audit = merge_extra_null_audit(shuffle_audit, args.extra_null_audit) tools/exp_boundary_denominator_prescan.py:192: rows = build_rows(autoricerca, shuffle_audit) tools/exp_boundary_denominator_prescan.py:199: "observable": "spacing_r label row with shuffle/null availability", tools/exp_boundary_denominator_prescan.py:201: "null": "boundary_shuffle_audit shuffle r-statistic when present", tools/exp_boundary_denominator_prescan.py:203: "extra_null_audits": shuffle_audit.get("extra_null_audits", []), tools/exp_boundary_denominator_prescan.py:230: parser.add_argument("--shuffle-audit", default="tools/data/boundary_shuffle_audit.json") tools/exp_boundary_graph_mechanism_ablation.py:51: "shuffle_z": [f"z_{name}" for name in OBS_NAMES], tools/exp_boundary_graph_mechanism_ablation.py:59: z = row["shuffle_z"] tools/exp_boundary_graph_mechanism_ablation.py:76: if group == "shuffle_z": tools/exp_boundary_graph_mechanism_ablation.py:117: z = dict(row["shuffle_z"]) tools/exp_boundary_graph_mechanism_ablation.py:125: item["shuffle_z"] = z tools/exp_boundary_graph_mechanism_ablation.py:132:def shuffled_feature_x(rows: list[dict[str, Any]], rng: np.random.Generator) -> np.ndarray: tools/exp_boundary_graph_mechanism_ablation.py:198: elif null_kind == "feature_column_shuffle": tools/exp_boundary_graph_mechanism_ablation.py:199: x = shuffled_feature_x(rows, rng) tools/exp_boundary_graph_mechanism_ablation.py:236: "drop_without_shuffle_z": full - counts["without_shuffle_z"][name], tools/exp_boundary_graph_mechanism_ablation.py:250: ("shuffle_z_features", "drop_without_shuffle_z"), tools/exp_boundary_graph_mechanism_ablation.py:275: "without_shuffle_z": count_group_ablation(reader_runs, names, "shuffle_z"), tools/exp_boundary_graph_mechanism_ablation.py:289: for key in ["label_permutation", "degree_rewire", "feature_column_shuffle"] tools/exp_boundary_graph_mechanism_ablation.py:311: "feature_column_shuffle_ge_full", tools/exp_boundary_graph_mechanism_ablation.py:319: "n_shuffle": args.n_shuffle, tools/exp_boundary_graph_mechanism_ablation.py:345: "nulls_comparable": f"N={args.null_trials} for label_permutation, degree_rewire, feature_column_shuffle", tools/exp_boundary_graph_mechanism_ablation.py:367: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_growth.py:44:def shuffled_gaps_model(gaps, seed=None): tools/exp_boundary_growth.py:47: shuffled = gaps.copy() tools/exp_boundary_growth.py:48: rng.shuffle(shuffled) tools/exp_boundary_growth.py:49: return gap_ratio(shuffled) tools/exp_boundary_growth.py:97: r_shuf_list.append(shuffled_gaps_model(gaps, seed=42 + trial)) tools/exp_boundary_growth.py:114: "r_shuffled_mean": float(r_shuf_mean), tools/exp_boundary_growth.py:115: "r_shuffled_std": float(r_shuf_std), tools/exp_boundary_growth.py:117: "excess_shuffled": float(excess_s), tools/exp_boundary_growth.py:131: excesses_s = [r["excess_shuffled"] for r in results] tools/exp_boundary_growth.py:192: # The shuffled-gaps test is the key anti-tautology check: tools/exp_boundary_growth.py:193: # if _prime == _shuffled, then the gap-ratio statistic tools/exp_boundary_growth.py:197: print(f" _prime - _shuffled mean = {np.mean(excesses_s):+.6f}") tools/exp_boundary_growth.py:218: "excess_shuffled_mean": float(np.mean(excesses_s)), tools/exp_boundary_growth.py:219: "excess_shuffled_slope": float(coeffs_s[0]), tools/exp_boundary_physical_internal_null.py:8:- logistic r=3.5699: block shuffle of the gap order, preserving gap marginal and tools/exp_boundary_physical_internal_null.py:10:- percolation: fresh critical site-percolation largest-cluster samples, preserving tools/exp_boundary_physical_internal_null.py:32: shuffle_z, tools/exp_boundary_physical_internal_null.py:50:def logistic_block_shuffle(gaps: np.ndarray, rng: np.random.Generator, block_size: int) -> np.ndarray: tools/exp_boundary_physical_internal_null.py:101:def percolation_cluster_geometry_gaps( tools/exp_boundary_physical_internal_null.py:112:def reaction_diffusion_mean_u_gaps( tools/exp_boundary_physical_internal_null.py:118: """Domain-native surrogate for the dnd_autoricerca reaction_diffusion row.""" tools/exp_boundary_physical_internal_null.py:140: {"dominio": "reaction_diffusion", "L": lattice, "D_u": d_u, "D_v": d_v}, tools/exp_boundary_physical_internal_null.py:154: n_shuffle: int, tools/exp_boundary_physical_internal_null.py:163: z = shuffle_z(row_gaps, obs, n_shuffle, rng) tools/exp_boundary_physical_internal_null.py:171: "shuffle_z": {key: round(value, 6) for key, value in z.items()}, tools/exp_boundary_physical_internal_null.py:184: item = graph_row(source, base_gaps[source["domain_window"]], n_gaps, args.n_shuffle, rng) tools/exp_boundary_physical_internal_null.py:205: n_shuffle: int, tools/exp_boundary_physical_internal_null.py:213: replacement = graph_row(source, surrogate_gaps, run["n_gaps"], n_shuffle, rng) tools/exp_boundary_physical_internal_null.py:227: surrogate = logistic_block_shuffle(base_gaps, rng, args.logistic_block_size) tools/exp_boundary_physical_internal_null.py:229: "null": "logistic_gap_block_shuffle", tools/exp_boundary_physical_internal_null.py:234: elif target.startswith("percolation"): tools/exp_boundary_physical_internal_null.py:235: surrogate = percolation_cluster_geometry_gaps( tools/exp_boundary_physical_internal_null.py:236: args.percolation_lattice, tools/exp_boundary_physical_internal_null.py:237: args.percolation_p, tools/exp_boundary_physical_internal_null.py:238: args.percolation_samples, tools/exp_boundary_physical_internal_null.py:242: "null": "critical_site_percolation_cluster_geometry_resample", tools/exp_boundary_physical_internal_null.py:243: "lattice": args.percolation_lattice, tools/exp_boundary_physical_internal_null.py:244: "p": args.percolation_p, tools/exp_boundary_physical_internal_null.py:245: "samples": args.percolation_samples, tools/exp_boundary_physical_internal_null.py:246: "preserves": "critical percolation generator and largest-cluster observable", tools/exp_boundary_physical_internal_null.py:249: elif target.startswith("reaction_diffusion"): tools/exp_boundary_physical_internal_null.py:250: surrogate = reaction_diffusion_mean_u_gaps( tools/exp_boundary_physical_internal_null.py:257: "null": "reaction_diffusion_initial_condition_resample", tools/exp_boundary_physical_internal_null.py:270: rows = rows_with_target_surrogate(run, target, surrogate, args.n_shuffle, local_rng) tools/exp_boundary_physical_internal_null.py:332: "question": "Do graph-only logistic/percolation residues survive physical-internal nulls on the fixed 8 GUE / 5 Poisson graph reader?", tools/exp_boundary_physical_internal_null.py:344: "generator": "13 fixed BOUNDARY rows; logistic block gap-order shuffle; percolation critical cluster-geometry resample", tools/exp_boundary_physical_internal_null.py:356: "n_shuffle": args.n_shuffle, tools/exp_boundary_physical_internal_null.py:360: "percolation_lattice": args.percolation_lattice, tools/exp_boundary_physical_internal_null.py:361: "percolation_p": args.percolation_p, tools/exp_boundary_physical_internal_null.py:362: "percolation_samples": args.percolation_samples, tools/exp_boundary_physical_internal_null.py:404: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_physical_internal_null.py:408: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_physical_internal_null.py:409: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_boundary_physical_internal_null.py:410: parser.add_argument("--percolation-samples", type=int, default=200) tools/exp_boundary_short_denominator_extension.py:6:denominator at the source row for percolation, random_matrix, and zeta_zeros, tools/exp_boundary_short_denominator_extension.py:26:TARGET_ROWS = ("percolation:cycle_9", "random_matrix:cycle_7", "zeta_zeros:cycle_4") tools/exp_boundary_short_denominator_extension.py:33: raise RuntimeError("scipy.ndimage is required for the percolation extension") from exc tools/exp_boundary_short_denominator_extension.py:79: "percolation:cycle_9": { tools/exp_boundary_short_denominator_extension.py:80: "base": largest_cluster_sizes(args.n_gaps, args.percolation_lattice, args.percolation_p, child_rngs["percolation:cycle_9"]), tools/exp_boundary_short_denominator_extension.py:82: "generator": "site_percolation_largest_cluster_sizes", tools/exp_boundary_short_denominator_extension.py:83: "lattice_size": args.percolation_lattice, tools/exp_boundary_short_denominator_extension.py:84: "p": args.percolation_p, tools/exp_boundary_short_denominator_extension.py:240: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_short_denominator_extension.py:241: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_brody_calibration.py:12:If ordering fraction != 0 for i.i.d. Brody -> shuffle test has artifact. tools/exp_brody_calibration.py:19: python tools/exp_brody_calibration.py [--n-gaps 10000] [--n-brody 11] [--n-shuffles 50] tools/exp_brody_calibration.py:62:def compute_observables(gaps, n_shuffles=50, rng=None): tools/exp_brody_calibration.py:75: for _ in range(n_shuffles): tools/exp_brody_calibration.py:77: rng.shuffle(shuf) tools/exp_brody_calibration.py:144: parser.add_argument('--n-shuffles', type=int, default=50) tools/exp_brody_calibration.py:160: obs = compute_observables(gaps, n_shuffles=args.n_shuffles, rng=rng) tools/exp_brody_calibration.py:204: obs_p = compute_observables(prime_gaps, n_shuffles=args.n_shuffles, rng=rng) tools/exp_brody_calibration.py:213: obs_g = compute_observables(gue_g, n_shuffles=args.n_shuffles, rng=rng) tools/exp_brody_calibration.py:228: obs_l = compute_observables(logistic_gaps, n_shuffles=args.n_shuffles, rng=rng) tools/exp_brody_calibration.py:237: obs_po = compute_observables(poisson_gaps, n_shuffles=args.n_shuffles, rng=rng) tools/exp_brody_calibration.py:250: obs_osc = compute_observables(osc_gaps, n_shuffles=args.n_shuffles, rng=rng) tools/exp_brody_calibration.py:299: print("If ordering fraction != 0 for Brody -> shuffle test has artifact.\n") tools/exp_brody_calibration.py:311: print("PASS: Ordering fraction < 5% for all Brody beta -> shuffle test is clean.") tools/exp_brody_calibration.py:357: 'n_shuffles': args.n_shuffles, tools/exp_coherence_robustness.py:7: - seeds diversi (stochasticità sampling/shuffle) tools/exp_coherence_robustness.py:10: - numero di shuffle per surrogate tools/exp_coherence_robustness.py:15:Null baseline: ogni variante comparata con lo shuffle corrispondente. tools/exp_coherence_robustness.py:89: rng.shuffle(shuf) tools/exp_det_drift.py:16: Null baseline: shuffled gaps (same distribution, destroyed order). tools/exp_det_drift.py:60: n_shuffles = 20 tools/exp_det_drift.py:77: # Null: shuffled gaps (same marginal distribution, destroyed order) tools/exp_det_drift.py:78: det_shuffled = [] tools/exp_det_drift.py:79: for _ in range(n_shuffles): tools/exp_det_drift.py:81: np.random.shuffle(sg) tools/exp_det_drift.py:84: det_shuffled.append(d) tools/exp_det_drift.py:86: det_shuf_mean = np.mean(det_shuffled) tools/exp_det_drift.py:87: det_shuf_std = np.std(det_shuffled) tools/exp_det_drift.py:94: print(f" det(M_shuffled) = {det_shuf_mean:.6f} +/- {det_shuf_std:.6f}") tools/exp_det_drift.py:108: 'det_shuffled_mean': float(det_shuf_mean), tools/exp_det_drift.py:109: 'det_shuffled_std': float(det_shuf_std), tools/exp_det_drift.py:117: det_shuf = np.array([r['det_shuffled_mean'] for r in results]) tools/exp_det_drift.py:131: print(f"det_shuffled range: {det_shuf.min():.6f} to {det_shuf.max():.6f}") tools/exp_duality_gate_transfer.py:21:illusory permutation. Canonical observables and original-vs-shuffle z gates are tools/exp_duality_gate_transfer.py:58: """Replace a beta fraction of coherent positions with a shuffled copy.""" tools/exp_duality_gate_transfer.py:72:def z_against_shuffle( tools/exp_duality_gate_transfer.py:77: """Return original observables, shuffle baseline std, and z scores.""" tools/exp_duality_gate_transfer.py:85: shuffle_std = {} tools/exp_duality_gate_transfer.py:91: shuffle_std[name] = sd tools/exp_duality_gate_transfer.py:93: return original, shuffle_std, z tools/exp_duality_gate_transfer.py:206: obs, shuffle_std, z = z_against_shuffle( tools/exp_duality_gate_transfer.py:217: "shuffle_std": shuffle_std, tools/exp_endpoint_stability_filter.py:182:def shuffled_label_map(calibration_rows: list[dict[str, Any]], rng: np.random.Generator) -> dict[str, str]: tools/exp_endpoint_stability_filter.py:185: shuffled = list(true_labels) tools/exp_endpoint_stability_filter.py:186: rng.shuffle(shuffled) tools/exp_endpoint_stability_filter.py:187: return dict(zip(ids, shuffled)) tools/exp_endpoint_stability_filter.py:198: labels = shuffled_label_map(calibration_rows, rng) tools/exp_gap_label_ostrowski_recognizability_gate.py:24:from exp_gap_label_supertile_tiling_gate import chunks_from_lengths, internal_count_shuffle, supertile_lengths tools/exp_gap_label_ostrowski_recognizability_gate.py:65:def shuffled_concat_with_boundaries(chunks: list[np.ndarray], rng: np.random.Generator) -> tuple[np.ndarray, list[int]]: tools/exp_gap_label_ostrowski_recognizability_gate.py:67: rng.shuffle(order) tools/exp_gap_label_ostrowski_recognizability_gate.py:77:def internal_shuffle_with_boundaries(chunks: list[np.ndarray], rng: np.random.Generator) -> tuple[np.ndarray, list[int]]: tools/exp_gap_label_ostrowski_recognizability_gate.py:78: seq = internal_count_shuffle(chunks, rng) tools/exp_gap_label_ostrowski_recognizability_gate.py:172: variants["supertile_shuffle"] = shuffled_concat_with_boundaries(aligned_chunks, rng) tools/exp_gap_label_ostrowski_recognizability_gate.py:173: variants["same_length_contiguous_shuffle"] = shuffled_concat_with_boundaries(misaligned_chunks(phi, lengths, rng), rng) tools/exp_gap_label_ostrowski_recognizability_gate.py:174: variants["same_count_internal_shuffle"] = internal_shuffle_with_boundaries(aligned_chunks, rng) tools/exp_gap_label_substitution_grammar_gate.py:7:length from internal grammar: it compares contiguous block shuffle with an tools/exp_gap_label_substitution_grammar_gate.py:8:internal shuffle that preserves each block's length and symbol count while tools/exp_gap_label_substitution_grammar_gate.py:29:from exp_gap_label_generator_gate import THETA, block_shuffle tools/exp_gap_label_substitution_grammar_gate.py:33:def internal_block_shuffle(seq: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: tools/exp_gap_label_substitution_grammar_gate.py:37: rng.shuffle(block) tools/exp_gap_label_substitution_grammar_gate.py:42:def global_balanced_shuffle(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: tools/exp_gap_label_substitution_grammar_gate.py:44: rng.shuffle(out) tools/exp_gap_label_substitution_grammar_gate.py:98: balanced = global_balanced_shuffle(phi, rng) tools/exp_gap_label_substitution_grammar_gate.py:100: "mode": "global_balanced_shuffle", tools/exp_gap_label_substitution_grammar_gate.py:113: "contiguous_block_shuffle": block_shuffle(phi, block_size, rng), tools/exp_gap_label_substitution_grammar_gate.py:114: "internal_block_shuffle": internal_block_shuffle(phi, block_size, rng), tools/exp_logistic_counter_scope_gate.py:9:original-vs-shuffle denominator gate and changes only the observable contract: tools/exp_logistic_counter_scope_gate.py:200:def z_against_shuffle( tools/exp_logistic_counter_scope_gate.py:336: obs, shuffle_mean, shuffle_std, z = z_against_shuffle( tools/exp_logistic_counter_scope_gate.py:348: "shuffle_mean": shuffle_mean, tools/exp_logistic_counter_scope_gate.py:349: "shuffle_std": shuffle_std, tools/exp_markov3_observable_hunt.py:251: # Markov-0 = iid shuffle (preserves distribution, destroys all ordering) tools/exp_markov_memory_by_gue_type.py:6:domains (primes, GUE matrices) retain GUE classification after shuffle, while tools/exp_markov_memory_by_gue_type.py:7:ordering-GUE domains (fibonacci, coupled_osc, percolation) collapse to Poisson. tools/exp_markov_memory_by_gue_type.py:19:- Compare H_k(real) vs H_k(shuffled) -> ordering fraction at each order tools/exp_markov_memory_by_gue_type.py:22:Null baseline: 200 shuffles per domain (same distribution, destroyed order). tools/exp_markov_memory_by_gue_type.py:79:def ordering_fraction(cats, order, n_shuffles=200): tools/exp_markov_memory_by_gue_type.py:81: Returns (H_real, H_shuffle_mean, H_shuffle_std, ordering_frac, z_score).""" tools/exp_markov_memory_by_gue_type.py:84: H_shuffles = [] tools/exp_markov_memory_by_gue_type.py:85: for _ in range(n_shuffles): tools/exp_markov_memory_by_gue_type.py:87: H_shuffles.append(conditional_entropy(perm, order)) tools/exp_markov_memory_by_gue_type.py:89: H_shuf_mean = np.mean(H_shuffles) tools/exp_markov_memory_by_gue_type.py:90: H_shuf_std = np.std(H_shuffles) tools/exp_markov_memory_by_gue_type.py:136: # Distribution-GUE domains (survive shuffle) tools/exp_markov_memory_by_gue_type.py:149: # Ordering-GUE domains (collapse to Poisson on shuffle) tools/exp_markov_memory_by_gue_type.py:150: for dom_name in ['percolation', 'coupled_oscillators']: tools/exp_markov_memory_by_gue_type.py:213: H_real, H_shuf_mean, H_shuf_std, of, z = ordering_fraction(cats, k, n_shuffles=200) tools/exp_metric_tensor_diagnostic.py:14:4. Confronta con Cramer surrogates e shuffled gaps tools/exp_metric_tensor_diagnostic.py:71:# ==== 4. Gap ratio (Oganesyan-Huse) per confronto ==== tools/exp_metric_tensor_diagnostic.py:91: 'shuffled': {'DG_std': [], 'DG_ratio_mean': [], 'DG_ratio_median': [], 'r_mean': [], 'dR_std': []} tools/exp_metric_tensor_diagnostic.py:94:print(f"Running {n_surr} surrogates each (Cramer + shuffled)...") tools/exp_metric_tensor_diagnostic.py:143: results_surr['shuffled']['DG_ratio_mean'].append(np.mean(sDG_r)) tools/exp_metric_tensor_diagnostic.py:144: results_surr['shuffled']['DG_ratio_median'].append(np.median(sDG_r)) tools/exp_metric_tensor_diagnostic.py:145: results_surr['shuffled']['DG_std'].append(np.std(sDG)) tools/exp_metric_tensor_diagnostic.py:148: results_surr['shuffled']['r_mean'].append(np.mean(sr)) tools/exp_metric_tensor_diagnostic.py:155: results_surr['shuffled']['dR_std'].append(np.std(sR - 2.0)) tools/exp_metric_tensor_diagnostic.py:165:z_DG_std_shuffled = zscore(np.std(DeltaGamma), results_surr['shuffled']['DG_std']) tools/exp_metric_tensor_diagnostic.py:167:z_r_shuffled = zscore(r_mean_prime, results_surr['shuffled']['r_mean']) tools/exp_metric_tensor_diagnostic.py:169:z_dR_shuffled = zscore(np.std(dR), results_surr['shuffled']['dR_std']) tools/exp_metric_tensor_diagnostic.py:173: z_DGratio_shuffled = zscore(np.median(DG_ratios_clipped), results_surr['shuffled']['DG_ratio_median']) tools/exp_metric_tensor_diagnostic.py:175: z_DGratio_cramer = z_DGratio_shuffled = float('nan') tools/exp_metric_tensor_diagnostic.py:178:print(f"DeltaGamma std: z_cramer={z_DG_std_cramer:.2f}, z_shuffled={z_DG_std_shuffled:.2f}") tools/exp_metric_tensor_diagnostic.py:179:print(f"DeltaGamma ratio median: z_cramer={z_DGratio_cramer:.2f}, z_shuffled={z_DGratio_shuffled:.2f}") tools/exp_metric_tensor_diagnostic.py:180:print(f"Gap ratio : z_cramer={z_r_cramer:.2f}, z_shuffled={z_r_shuffled:.2f}") tools/exp_metric_tensor_diagnostic.py:181:print(f"dR std: z_cramer={z_dR_cramer:.2f}, z_shuffled={z_dR_shuffled:.2f}") tools/exp_metric_tensor_diagnostic.py:346: "DG_std_vs_shuffled": round(z_DG_std_shuffled, 2), tools/exp_metric_tensor_diagnostic.py:348: "DG_ratio_median_vs_shuffled": round(z_DGratio_shuffled, 2), tools/exp_metric_tensor_diagnostic.py:350: "gap_r_vs_shuffled": round(z_r_shuffled, 2), tools/exp_metric_tensor_diagnostic.py:352: "dR_std_vs_shuffled": round(z_dR_shuffled, 2), tools/exp_metric_tensor_diagnostic.py:380: "shuffled_DG_std_mean": float(np.mean(results_surr['shuffled']['DG_std'])), tools/exp_metric_tensor_diagnostic.py:381: "shuffled_r_mean": float(np.mean(results_surr['shuffled']['r_mean'])), tools/exp_metric_tensor_diagnostic.py:398:print(f"Z-scores DG: cramer={z_DG_std_cramer:.1f}, shuffled={z_DG_std_shuffled:.1f}") tools/exp_metric_tensor_diagnostic.py:399:print(f"Z-scores DG ratio: cramer={z_DGratio_cramer:.1f}, shuffled={z_DGratio_shuffled:.1f}") tools/exp_metric_tensor_diagnostic.py:400:print(f"Z-scores : cramer={z_r_cramer:.1f}, shuffled={z_r_shuffled:.1f}") tools/exp_metric_tensor_diagnostic.py:401:print(f"Z-scores dR: cramer={z_dR_cramer:.1f}, shuffled={z_dR_shuffled:.1f}") tools/exp_modular_algebra_depth.py:14: - Compare with shuffle baseline (50 shuffles) tools/exp_modular_algebra_depth.py:16:- Null baseline: shuffle gap ordering, preserve distribution tools/exp_modular_algebra_depth.py:93: n_shuffles = 50 tools/exp_modular_algebra_depth.py:130: shuffle_H1 = [] tools/exp_modular_algebra_depth.py:131: shuffle_H2 = [] tools/exp_modular_algebra_depth.py:132: shuffle_self = {i: [] for i in range(q)} tools/exp_modular_algebra_depth.py:133: for s in range(n_shuffles): tools/exp_modular_algebra_depth.py:138: shuffle_H1.append(H1s) tools/exp_modular_algebra_depth.py:139: shuffle_H2.append(H2s) tools/exp_modular_algebra_depth.py:141: shuffle_self[i].append(P1s[i, i]) tools/exp_modular_algebra_depth.py:146: sh_mean = np.mean(shuffle_self[i]) tools/exp_modular_algebra_depth.py:147: sh_std = np.std(shuffle_self[i]) tools/exp_modular_algebra_depth.py:154: 'shuffle_mean': sh_mean, tools/exp_modular_algebra_depth.py:155: 'shuffle_std': sh_std, tools/exp_modular_algebra_depth.py:160: shuffle_I1 = [H0 - h1 for h1 in shuffle_H1] tools/exp_modular_algebra_depth.py:161: shuffle_I2 = [h1 - h2 for h1, h2 in zip(shuffle_H1, shuffle_H2)] tools/exp_modular_algebra_depth.py:163: z_I1 = (I1 - np.mean(shuffle_I1)) / np.std(shuffle_I1) if np.std(shuffle_I1) > 0 else 0 tools/exp_modular_algebra_depth.py:164: z_I2 = (I2 - np.mean(shuffle_I2)) / np.std(shuffle_I2) if np.std(shuffle_I2) > 0 else 0 tools/exp_observable_rank_audit.py:6:partial shuffle. This script asks whether those observables carry independent tools/exp_observable_rank_audit.py:9:It measures retention curves from alpha-partial shuffles, then reports: tools/exp_observable_rank_audit.py:10: - original-vs-full-shuffle z for each observable tools/exp_observable_rank_audit.py:24:from exp_3d_boundary_layers import get_primes, gue_gaps, partial_shuffle tools/exp_observable_rank_audit.py:40:def full_shuffle_baseline(gaps, n_trials, rng): tools/exp_observable_rank_audit.py:61: s = partial_shuffle(gaps, float(alpha), rng) tools/exp_observable_rank_audit.py:113: baseline = full_shuffle_baseline(gaps, n_baseline, rng) tools/exp_observable_rank_audit.py:127: "full_shuffle_baseline": baseline, tools/exp_observable_rank_audit.py:128: "original_vs_shuffle_z": z, tools/exp_observable_rank_audit.py:144: prime_shuffle = rng.permutation(prime_gaps).astype(float) tools/exp_observable_rank_audit.py:147: "prime_shuffle": prime_shuffle, tools/exp_observable_rank_audit.py:181: z = result["original_vs_shuffle_z"] tools/exp_prime_mobius_zero_mediator_gate.py:130: shuffled = np.array(charges, copy=True) tools/exp_prime_mobius_zero_mediator_gate.py:131: rng.shuffle(shuffled) tools/exp_prime_mobius_zero_mediator_gate.py:132: metrics = transition_metrics_three_class(gaps, shuffled) tools/exp_psd_amplitude_scaling.py:11: - Dip depth vs ln(p): does it decay linearly like A(ln p)? tools/exp_quasiperiodic_vc_curve_map.py:149: rng.shuffle(seq) tools/exp_rp_unfolding_sensitivity_audit.py:38: shuffled_labels, tools/exp_rp_unfolding_sensitivity_audit.py:155: "label_shuffle_hits": 0, tools/exp_rp_unfolding_sensitivity_audit.py:210: null_rows = classify_with_labels(rows, k, shuffled_labels(labels, rng)) tools/exp_rp_unfolding_sensitivity_audit.py:213: row_hits[null_row["domain_window"]]["label_shuffle_hits"] += 1 tools/exp_rp_unfolding_sensitivity_audit.py:232: label_rate = item["label_shuffle_hits"] / label_null_total tools/exp_rp_unfolding_sensitivity_audit.py:259: "label_shuffle_successes": item["label_shuffle_hits"], tools/exp_rp_unfolding_sensitivity_audit.py:260: "label_shuffle_total": label_null_total, tools/exp_rp_unfolding_sensitivity_audit.py:261: "label_shuffle_rate": round(label_rate, 6), tools/exp_rp_unfolding_sensitivity_audit.py:262: "label_shuffle_wilson_95": wilson_interval(item["label_shuffle_hits"], label_null_total), tools/exp_rp_unfolding_sensitivity_audit.py:263: "label_shuffle_lift": round(observed_rate - label_rate, 6), tools/exp_rp_unfolding_sensitivity_audit.py:264: "label_shuffle_binomial_tail_p": round(label_p, 6), tools/exp_rp_unfolding_sensitivity_audit.py:286: "label_shuffle_total": label_null_total, tools/exp_rp_unfolding_sensitivity_audit.py:341: max(item["label_shuffle_binomial_tail_p"], item["position_shift_binomial_tail_p"]) tools/exp_rp_unfolding_sensitivity_audit.py:356: "label_shuffle_successes", tools/exp_rp_unfolding_sensitivity_audit.py:387: "claim": "the finite RP boundary window is unfolding-stable only if the same lambda rows beat label-shuffle and position-shift nulls under global and local spacing normalization", tools/exp_semireal_order_denominator_gate.py:8:original-vs-shuffle denominator gate used in the prior reports is applied to tools/exp_semireal_order_denominator_gate.py:106:def z_against_shuffle( tools/exp_semireal_order_denominator_gate.py:233: obs, shuffle_mean, shuffle_std, z = z_against_shuffle( tools/exp_semireal_order_denominator_gate.py:244: "shuffle_mean": shuffle_mean, tools/exp_semireal_order_denominator_gate.py:245: "shuffle_std": shuffle_std, tools/exp_two_channel_cross_domain.py:9: 2. Statistical (magnitude): decays slowly toward Poisson tools/exp_two_channel_cross_domain.py:24: - Z-scores vs shuffle tools/exp_two_channel_cross_domain.py:25: - Whether z-scores decay with scale or stay constant tools/exp_two_channel_cross_domain.py:27:If GUE shows only decaying channels → C1 supported (algebraic invariance is prime-specific) tools/exp_two_channel_cross_domain.py:164: """Analyze one window: real observables + shuffle null.""" tools/exp_two_channel_cross_domain.py:229: # Binary from shuffle: above/below median (mod-6 is destroyed) tools/exp_two_channel_cross_domain.py:379: 'decay_corr_r': corr(log_pos, z_r), tools/exp_two_channel_cross_domain.py:380: 'decay_corr_binary': corr(log_pos, z_bin), tools/exp_two_channel_cross_domain.py:381: 'decay_corr_mag': corr(log_pos, z_mag), tools/exp_two_channel_cross_domain.py:402: f"{s['decay_corr_r']:>7.3f} {s['decay_corr_binary']:>8.3f} {s['decay_corr_mag']:>8.3f} | " tools/exp_two_channel_cross_domain.py:407: print("z > 3: signal significant vs shuffle") tools/exp_two_channel_cross_domain.py:408: print("corr ~ 0: scale-invariant (z does NOT decay with position)") tools/exp_two_channel_cross_domain.py:409: print("corr < -0.5: decaying (z weakens at larger scale)") tools/exp_two_channel_cross_domain.py:412: print(" GUE/Cramer should show decaying or absent binary channel") tools/exp_two_channel_universality.py:24: MAG_SHUFFLE: Keep real Z/6Z class sequence, shuffle gap sizes within each tools/exp_two_channel_universality.py:202:def generate_class_shuffle(gaps_real, classes_left_real, classes_right_real): tools/exp_two_channel_universality.py:211:def generate_mag_shuffle(gaps_real, classes_left_real, classes_right_real): tools/exp_two_channel_universality.py:212: """Keep real class sequence, shuffle gap sizes within each transition type.""" tools/exp_two_channel_universality.py:250: 'CLASS_SHUFFLE': generate_class_shuffle, tools/exp_two_channel_universality.py:251: 'MAG_SHUFFLE': generate_mag_shuffle, tools/exp_vc_generator_class_direction_audit.py:24: if source_mode.startswith("block_shuffle_"): tools/exp_endpoint_gated_rp_boundary.py:151: rng.shuffle(values) tools/exp_gap_label_generator_gate.py:63: rng.shuffle(out) tools/exp_gap_label_generator_gate.py:67:def block_shuffle(seq: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: tools/exp_gap_label_generator_gate.py:69: rng.shuffle(blocks) tools/exp_gap_label_generator_gate.py:80: "block_shuffle_13": block_shuffle(phi, 13, rng), tools/exp_gap_label_generator_gate.py:81: "block_shuffle_34": block_shuffle(phi, 34, rng), tools/exp_gap_label_set_stability.py:172: rng.shuffle(seq) tools/exp_geodesic_deviation_primes.py:14:4. Compare ALL of these against shuffled-gap surrogates tools/exp_geodesic_deviation_primes.py:16:If primes show structure in dR_n that shuffled gaps don't, the metric tools/exp_geodesic_deviation_primes.py:73:print(f"\n--- SURROGATES (20 shuffled-gap) ---") tools/exp_geodesic_deviation_primes.py:83: np.random.shuffle(shuf_gaps) tools/exp_geodesic_deviation_primes.py:155:print(f" 3. Prime dR vs shuffled:") tools/exp_geodesic_deviation_primes.py:169: finding += " dR autocorrelation differs from shuffled but similar to Cramer." tools/exp_geodesic_deviation_primes.py:186: "shuffled_baseline": { tools/exp_magnitude_psd_from_acf.py:10:If K*>>1 → the 1/k decay law carries essential spectral content. tools/exp_magnitude_psd_from_acf.py:20: 7. Null: shuffled magnitude channel tools/exp_magnitude_psd_from_acf.py:122: parser.add_argument('--n_shuffle', type=int, default=15) tools/exp_magnitude_psd_from_acf.py:205: # 5. Null baseline: shuffled magnitude tools/exp_magnitude_psd_from_acf.py:206: print(f"\n--- Null baseline: shuffled magnitude ({args.n_shuffle} surrogates) ---") tools/exp_magnitude_psd_from_acf.py:207: shuffle_slopes = [] tools/exp_magnitude_psd_from_acf.py:209: for i in range(args.n_shuffle): tools/exp_magnitude_psd_from_acf.py:214: shuffle_slopes.append(sl_s) tools/exp_magnitude_psd_from_acf.py:215: shuffle_slopes = np.array(shuffle_slopes) tools/exp_magnitude_psd_from_acf.py:216: z_direct = (slope_direct - shuffle_slopes.mean()) / shuffle_slopes.std() tools/exp_magnitude_psd_from_acf.py:217: print(f" Shuffle slope: {shuffle_slopes.mean():.4f} +/- {shuffle_slopes.std():.4f}") tools/exp_magnitude_psd_from_acf.py:218: print(f" Direct slope z-score vs shuffle: {z_direct:.1f}") tools/exp_magnitude_psd_from_acf.py:265: print(f"Shuffle baseline slope: {shuffle_slopes.mean():+.4f}") tools/exp_magnitude_psd_from_acf.py:284: 'slope_shuffle': float(shuffle_slopes.mean()), tools/exp_magnitude_psd_from_acf.py:290: 'z_vs_shuffle': float(z_direct), tools/exp_markov_layer_recovery_audit.py:16: - empirical_Mk0: shuffled prime gaps; known order 0 tools/exp_meta_tautology_test.py:94:def shuffled_gaps(gaps, rng): tools/exp_meta_tautology_test.py:97: rng.shuffle(g) tools/exp_meta_tautology_test.py:168: ('shuffled', lambda rng_: shuffled_gaps(gaps_window, rng_)), tools/exp_meta_tautology_test.py:205: for syn_name in ['shuffled', 'cramer', 'HL_markov']: tools/exp_meta_tautology_test.py:228: 'synthetics': {k: results[k] for k in ['shuffled', 'cramer', 'HL_markov']}, tools/exp_mod3_vs_residual_ordering.py:11: 2. Free shuffle: shuffle all gaps freely (destroys all ordering) tools/exp_mod3_vs_residual_ordering.py:12: 3. Mod-3 constrained shuffle: shuffle gaps but enforce the mod-3 tools/exp_mod3_vs_residual_ordering.py:15: 4. Compare: if mod-3 shuffle matches real primes, mod-3 explains all. tools/exp_mod3_vs_residual_ordering.py:21: python exp_mod3_vs_residual_ordering.py [--n-primes N] [--n-shuffles N] tools/exp_mod3_vs_residual_ordering.py:85:def mod3_constrained_shuffle(gaps, n_mcmc=None): tools/exp_mod3_vs_residual_ordering.py:98: np.random.shuffle(idx) tools/exp_mod3_vs_residual_ordering.py:105: np.random.shuffle(r1) tools/exp_mod3_vs_residual_ordering.py:106: np.random.shuffle(r2) tools/exp_mod3_vs_residual_ordering.py:107: np.random.shuffle(r0) tools/exp_mod3_vs_residual_ordering.py:162:def run_experiment(n_max=500000, n_shuffles=100, n_cramer=5): tools/exp_mod3_vs_residual_ordering.py:196: # 5. Free shuffle: destroy all ordering tools/exp_mod3_vs_residual_ordering.py:197: print(f"\n--- Free shuffle ({n_shuffles} realizations) ---") tools/exp_mod3_vs_residual_ordering.py:199: for i in range(n_shuffles): tools/exp_mod3_vs_residual_ordering.py:201: np.random.shuffle(shuf) tools/exp_mod3_vs_residual_ordering.py:208: # 6. Mod-3 constrained shuffle tools/exp_mod3_vs_residual_ordering.py:209: print(f"\n--- Mod-3 constrained shuffle ({n_shuffles} realizations) ---") tools/exp_mod3_vs_residual_ordering.py:211: for i in range(n_shuffles): tools/exp_mod3_vs_residual_ordering.py:213: print(f" Realization {i+1}/{n_shuffles}...") tools/exp_mod3_vs_residual_ordering.py:215: shuf_raw = mod3_constrained_shuffle(gaps) tools/exp_mod3_vs_residual_ordering.py:235: # Also shuffle Cramer tools/exp_mod3_vs_residual_ordering.py:237: np.random.shuffle(cs) tools/exp_mod3_vs_residual_ordering.py:274: 'sig2_L_free_shuffle': round(free, 5), tools/exp_mod3_vs_residual_ordering.py:275: 'sig2_L_free_shuffle_std': round(sig2_free_std[L], 5), tools/exp_mod3_vs_residual_ordering.py:276: 'sig2_L_mod3_shuffle': round(mod3, 5), tools/exp_mod3_vs_residual_ordering.py:277: 'sig2_L_mod3_shuffle_std': round(mod3_std_val, 5), tools/exp_mod3_vs_residual_ordering.py:279: 'sig2_L_cramer_shuffle': round(sig2_cramer_shuf_mean[L], 5), tools/exp_mod3_vs_residual_ordering.py:314: 'n_shuffles': n_shuffles, tools/exp_mod3_vs_residual_ordering.py:333: parser.add_argument('--n-shuffles', type=int, default=100, tools/exp_mod3_vs_residual_ordering.py:334: help='Number of shuffle realizations') tools/exp_mod3_vs_residual_ordering.py:338: run_experiment(n_max=args.n_primes, n_shuffles=args.n_shuffles, n_cramer=args.n_cramer) tools/exp_number_variance.py:84: sv_shuffled_list = [] tools/exp_number_variance.py:87: np.random.shuffle(spacings) tools/exp_number_variance.py:90: sv_shuffled_list.append(sv_shuf) tools/exp_number_variance.py:91: sv_shuffled = np.mean(sv_shuffled_list, axis=0) tools/exp_number_variance.py:100: coeffs_shuf = np.polyfit(log_L, sv_shuffled, 1) tools/exp_number_variance.py:105: lin_coeffs_shuf = np.polyfit(L_VALUES, sv_shuffled, 1) tools/exp_number_variance.py:119: print(f" Log-fit slope (shuffled): {coeffs_shuf[0]:.4f}") tools/exp_number_variance.py:121: print(f" Linear slope (shuffled): {lin_coeffs_shuf[0]:.6f}") tools/exp_number_variance.py:128: print(f" {L:4d} | {sv_primes[i]:8.4f} | {sv_shuffled[i]:8.4f} | {sv_gue[i]:7.4f} | {sv_poisson[i]:8.1f}") tools/exp_number_variance.py:134: "log_slope_shuffled": float(coeffs_shuf[0]), tools/exp_number_variance.py:136: "lin_slope_shuffled": float(lin_coeffs_shuf[0]), tools/exp_photonic_boundary_third_included_gate.py:188: rng.shuffle(seq) tools/exp_prime_mobius_pair_stratified_zero_gate.py:12:shuffle; it tests whether exact gap-pair shape still carries information after tools/exp_prime_mobius_pair_stratified_zero_gate.py:152:def shuffle_labels_within_pair_buckets( tools/exp_prime_mobius_pair_stratified_zero_gate.py:157: shuffled = np.array(labels, copy=True) tools/exp_prime_mobius_pair_stratified_zero_gate.py:161: shuffled[idx] = rng.permutation(shuffled[idx]) tools/exp_prime_mobius_pair_stratified_zero_gate.py:162: return shuffled tools/exp_prime_mobius_pair_stratified_zero_gate.py:175: shuffled = shuffle_labels_within_pair_buckets(labels, pair_bucket_ids, rng) tools/exp_prime_mobius_pair_stratified_zero_gate.py:176: metrics = transition_metrics_from_labels(gaps, shuffled) tools/exp_prime_mobius_pair_stratified_zero_gate.py:293: "null_scope_warning": "Transition-level null; shuffled labels are not required to reconstruct one globally consistent Mobius charge sequence.", tools/exp_quasiperiodic_grammar_scale_gate.py:43: rng.shuffle(out) tools/exp_quasiperiodic_grammar_scale_gate.py:47:def block_shuffle(seq: np.ndarray, block: int, rng: np.random.Generator) -> np.ndarray: tools/exp_quasiperiodic_grammar_scale_gate.py:49: rng.shuffle(chunks) tools/exp_quasiperiodic_grammar_scale_gate.py:200: "block_shuffle_phi_density": block_shuffle(phi_seq, args.block_size, rng), tools/exp_ricci_primes.py:16:Null baseline: shuffled gaps (destroys correlations, preserves distribution). tools/exp_ricci_primes.py:110:# --- Null baseline: shuffled gaps --- tools/exp_ricci_primes.py:111:print("\n--- NULL BASELINE: shuffled gaps ---") tools/exp_ricci_primes.py:118: shuffled_gaps = gaps.copy() tools/exp_ricci_primes.py:119: np.random.shuffle(shuffled_gaps) tools/exp_ricci_primes.py:122: surr_primes[1:] = primes[0] + np.cumsum(shuffled_gaps) tools/exp_rp_exact_local_window_matrix.py:106: "label_shuffle_successes": row["label_shuffle_successes"], tools/exp_rp_exact_local_window_matrix.py:107: "label_shuffle_total": row["label_shuffle_total"], tools/exp_rp_exact_local_window_matrix.py:111: row["label_shuffle_binomial_tail_p"], tools/exp_rp_exact_local_window_matrix.py:140: "label_shuffle_successes", tools/exp_rp_exact_local_window_matrix.py:170: "operator": "exact-width local unfolding matrix with label-shuffle and position-shift nulls", tools/exp_spectral_rigidity.py:16:Null: shuffle gaps (same marginal distribution, destroyed ordering). tools/exp_spectral_rigidity.py:18:Domains: primes, GUE matrices, coupled_osc, string_vib, percolation, tools/exp_spectral_rigidity.py:82: n_shuffle = 30 tools/exp_spectral_rigidity.py:89: ('percolation', {'gen': lambda: gaps_from_domain('percolation'), 'type': 'ord-GUE'}), tools/exp_spectral_rigidity.py:121: sig2_shuf_all = np.zeros((n_shuffle, len(L_values))) tools/exp_spectral_rigidity.py:122: for s in range(n_shuffle): tools/exp_spectral_rigidity.py:124: np.random.shuffle(g_s) tools/exp_spectral_rigidity.py:136: # z-score real vs shuffle at L=10 tools/exp_spectral_rigidity.py:213: print(f" {name}: shuffle changes Sig2/L by {delta:+.4f} ({pct:+.1f}%), z={z:.1f} -> ORDERING MATTERS") tools/exp_spectral_rigidity.py:215: print(f" {name}: shuffle effect {delta:+.4f} ({pct:+.1f}%), z={z:.1f} -> ordering negligible") tools/exp_two_channel_boundary.py:21: Null: shuffle gaps within each window, recompute all four. tools/exp_two_channel_boundary.py:22: The shuffle preserves marginal distribution but destroys sequential memory. tools/exp_two_channel_boundary.py:24: If the channels have different scale-decay profiles, the boundary between tools/exp_two_channel_boundary.py:120:def analyze_shuffled(primes_window, rng): tools/exp_two_channel_boundary.py:126: shuffled_gaps = rng.permutation(gaps) tools/exp_two_channel_boundary.py:127: # Reconstruct primes from shuffled gaps (preserves distribution, destroys order) tools/exp_two_channel_boundary.py:128: fake_primes = np.concatenate([[p[0]], p[0] + np.cumsum(shuffled_gaps)]) tools/exp_two_channel_boundary.py:137: mag_channel = shuffled_gaps.copy() tools/exp_two_channel_boundary.py:144: 'r_stat': r_statistic(shuffled_gaps), tools/exp_two_channel_boundary.py:179: sh = analyze_shuffled(pw, rng) tools/exp_two_channel_boundary.py:187: obs['shuffle_r_mean'] = np.nanmean(shuf_r) tools/exp_two_channel_boundary.py:188: obs['shuffle_r_std'] = np.nanstd(shuf_r) tools/exp_two_channel_boundary.py:189: obs['shuffle_acf_res_mean'] = np.nanmean(shuf_acf_res) tools/exp_two_channel_boundary.py:190: obs['shuffle_acf_res_std'] = np.nanstd(shuf_acf_res) tools/exp_two_channel_boundary.py:191: obs['shuffle_acf_mag_mean'] = np.nanmean(shuf_acf_mag) tools/exp_two_channel_boundary.py:192: obs['shuffle_acf_mag_std'] = np.nanstd(shuf_acf_mag) tools/exp_two_channel_boundary.py:193: obs['shuffle_mod3_mean'] = np.nanmean(shuf_mod3) tools/exp_two_channel_boundary.py:194: obs['shuffle_mod3_std'] = np.nanstd(shuf_mod3) tools/exp_two_channel_boundary.py:202: obs['z_r'] = zscore(obs['r_stat'], obs['shuffle_r_mean'], obs['shuffle_r_std']) tools/exp_two_channel_boundary.py:203: obs['z_acf_res'] = zscore(obs['acf1_residue'], obs['shuffle_acf_res_mean'], obs['shuffle_acf_res_std']) tools/exp_two_channel_boundary.py:204: obs['z_acf_mag'] = zscore(obs['acf1_magnitude'], obs['shuffle_acf_mag_mean'], obs['shuffle_acf_mag_std']) tools/exp_two_channel_boundary.py:205: obs['z_mod3'] = zscore(obs['mod3_self'], obs['shuffle_mod3_mean'], obs['shuffle_mod3_std']) tools/exp_two_channel_boundary.py:230: f"{r['r_stat']:>7.4f} {r['shuffle_r_mean']:>7.4f} {r['z_r']:>7.1f} | " tools/exp_two_channel_boundary.py:231: f"{r['acf1_residue']:>8.4f} {r['shuffle_acf_res_mean']:>8.4f} {r['z_acf_res']:>7.1f} | " tools/exp_two_channel_boundary.py:232: f"{r['acf1_magnitude']:>8.4f} {r['shuffle_acf_mag_mean']:>8.4f} {r['z_acf_mag']:>7.1f} | " tools/exp_two_channel_boundary.py:233: f"{r['mod3_self']:>6.4f} {r['shuffle_mod3_mean']:>6.4f} {r['z_mod3']:>7.1f}") tools/exp_two_channel_boundary.py:238: # Check if z-scores decay with scale tools/exp_two_channel_boundary.py:264: # Correlation of z-scores with log(mean_prime) — decay rate tools/exp_two_channel_boundary.py:270: summary[f'decay_corr_{name}'] = corr tools/exp_two_channel_boundary.py:272: summary[f'decay_corr_{name}'] = np.nan tools/exp_two_channel_boundary.py:296: print(f" r-statistic: {summary['decay_corr_r']:>7.3f}") tools/exp_two_channel_boundary.py:297: print(f" Residue ACF-1: {summary['decay_corr_acf_res']:>7.3f}") tools/exp_two_channel_boundary.py:298: print(f" Magnitude ACF-1: {summary['decay_corr_acf_mag']:>7.3f}") tools/exp_two_channel_boundary.py:299: print(f" Mod-3 self-frac: {summary['decay_corr_mod3']:>7.3f}") tools/exp_two_channel_shuffle_audit.py:3:exp_two_channel_shuffle_audit.py — META tautology audit on two-channel decomposition. tools/exp_two_channel_shuffle_audit.py:11: python tools/exp_two_channel_shuffle_audit.py [--N 100000] [--n_shuffle 50] tools/exp_two_channel_shuffle_audit.py:183: parser.add_argument('--n_shuffle', type=int, default=50, help='Number of shuffle trials') tools/exp_two_channel_shuffle_audit.py:190: print(f"N={args.N} primes, {args.n_shuffle} shuffle trials\n") tools/exp_two_channel_shuffle_audit.py:202: shuffle_results = [] tools/exp_two_channel_shuffle_audit.py:203: for i in range(args.n_shuffle): tools/exp_two_channel_shuffle_audit.py:204: shuffled = gaps.copy() tools/exp_two_channel_shuffle_audit.py:205: rng.shuffle(shuffled) tools/exp_two_channel_shuffle_audit.py:206: r = measure_properties(shuffled, f"shuffle_{i}") tools/exp_two_channel_shuffle_audit.py:207: shuffle_results.append(r) tools/exp_two_channel_shuffle_audit.py:209: # Aggregate shuffle statistics tools/exp_two_channel_shuffle_audit.py:213: print(f"\n--- SHUFFLE DISTRIBUTION (n={args.n_shuffle}) ---") tools/exp_two_channel_shuffle_audit.py:219: vals = [r[k] for r in shuffle_results] tools/exp_two_channel_shuffle_audit.py:224: survives = abs(z) < 2.0 # within 2 sigma of shuffle → tautology tools/exp_two_channel_shuffle_audit.py:227: 'shuffle_mean': round(float(mean_s), 4), tools/exp_two_channel_shuffle_audit.py:228: 'shuffle_std': round(float(std_s), 4), tools/exp_two_channel_shuffle_audit.py:230: 'survives_shuffle': bool(survives), tools/exp_two_channel_shuffle_audit.py:241: print(f"TAUTOLOGIES (survive shuffle, |z|<2): {tautologies}") tools/exp_two_channel_shuffle_audit.py:242: print(f"GENUINE (break under shuffle, |z|>=2): {genuine}") tools/exp_two_channel_shuffle_audit.py:247: 'experiment': 'two_channel_shuffle_audit', tools/exp_two_channel_shuffle_audit.py:249: 'n_shuffle': args.n_shuffle, tools/exp_two_channel_shuffle_audit.py:257: out_path = 'tools/data/two_channel_shuffle_audit.json' tools/exp_vc_null_regression_gate.py:94: rng.shuffle(out) tools/exp_vc_null_regression_gate.py:170: "sturmian_phase_shuffle", tools/exp_boundary_graph_stability_audit.py:4:Runs the existing graph-curvature gate across a small k-grid and shuffle-seed tools/exp_boundary_graph_stability_audit.py:69: "reuse_policy": "reuse computed row observables/shuffle_z; rebuild kNN geometry only", tools/exp_boundary_graph_stability_audit.py:108: n_shuffle=args.n_shuffle, tools/exp_boundary_graph_stability_audit.py:155: "signal survive k-grid and shuffle-seed stability?" tools/exp_boundary_graph_stability_audit.py:163: "n_shuffle": args.n_shuffle, tools/exp_boundary_graph_stability_audit.py:167: "claim": "third-included rows are stable only if they recur across k and shuffle seeds", tools/exp_boundary_graph_stability_audit.py:191: parser.add_argument("--n-shuffle", type=int, default=64) tools/exp_boundary_percolation_edge_trace.py:3:Trace the percolation edge case left by boundary_reader_regression_audit. tools/exp_boundary_percolation_edge_trace.py:5:Cycle 20260528_2138 overclaimed percolation as fully reader-regressed even tools/exp_boundary_percolation_edge_trace.py:25: percolation_cluster_geometry_gaps, tools/exp_boundary_percolation_edge_trace.py:34:TARGET = "percolation:cycle_9" tools/exp_boundary_percolation_edge_trace.py:54: # percolation. Burn the logistic null stream so the percolation trace tools/exp_boundary_percolation_edge_trace.py:64: surrogate = percolation_cluster_geometry_gaps( tools/exp_boundary_percolation_edge_trace.py:65: args.percolation_lattice, tools/exp_boundary_percolation_edge_trace.py:66: args.percolation_p, tools/exp_boundary_percolation_edge_trace.py:67: args.percolation_samples, tools/exp_boundary_percolation_edge_trace.py:80: args.n_shuffle, tools/exp_boundary_percolation_edge_trace.py:104: "shuffle_z": replacement.get("shuffle_z", {}), tools/exp_boundary_percolation_edge_trace.py:125: "experiment": "boundary_percolation_edge_trace", tools/exp_boundary_percolation_edge_trace.py:126: "source_problem": "falsifier_20260528_2138: percolation physical-null was 31/32, not 32/32", tools/exp_boundary_percolation_edge_trace.py:137: "n_shuffle": args.n_shuffle, tools/exp_boundary_percolation_edge_trace.py:139: "percolation_lattice": args.percolation_lattice, tools/exp_boundary_percolation_edge_trace.py:140: "percolation_p": args.percolation_p, tools/exp_boundary_percolation_edge_trace.py:141: "percolation_samples": args.percolation_samples, tools/exp_boundary_percolation_edge_trace.py:177: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_percolation_edge_trace.py:181: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_percolation_edge_trace.py:182: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_boundary_percolation_edge_trace.py:183: parser.add_argument("--percolation-samples", type=int, default=200) tools/exp_boundary_percolation_edge_trace.py:186: "--fresh-percolation-stream", tools/exp_boundary_percolation_edge_trace.py:189: help="Do not burn the preceding logistic null stream before tracing percolation.", tools/exp_boundary_percolation_edge_trace.py:192: parser.add_argument("--out", default="tools/data/boundary_percolation_edge_trace_20260528_2138.json") tools/exp_boundary_reference_position_probe.py:22:from exp_boundary_physical_internal_null import graph_row, percolation_cluster_geometry_gaps tools/exp_boundary_reference_position_probe.py:26:TARGET = "percolation:cycle_9" tools/exp_boundary_reference_position_probe.py:138: n_shuffle=args.n_shuffle, tools/exp_boundary_reference_position_probe.py:142: zero = percolation_cluster_geometry_gaps( tools/exp_boundary_reference_position_probe.py:143: args.percolation_lattice, tools/exp_boundary_reference_position_probe.py:144: args.percolation_p, tools/exp_boundary_reference_position_probe.py:145: args.percolation_samples, tools/exp_boundary_reference_position_probe.py:198: args.n_shuffle, tools/exp_boundary_reference_position_probe.py:228: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_reference_position_probe.py:234: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_reference_position_probe.py:235: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_boundary_reference_position_probe.py:236: parser.add_argument("--percolation-samples", type=int, default=200) tools/exp_coherence_length.py:6:from _shuffle? This measures the scale below which primes look random and tools/exp_coherence_length.py:50: - Compute for shuffled version of same window tools/exp_coherence_length.py:51: - Return mean, std of _prime and _shuffle, plus z-score tools/exp_coherence_length.py:71: np.random.shuffle(shuf) tools/exp_coherence_length.py:82: # z-score: how far is the prime mean from the shuffle distribution? tools/exp_crossover_phase_test.py:4:Tests whether the direction-lock + magnitude-decay + zero-crossing phase transition tools/exp_crossover_phase_test.py:8:Multiple ordered sequences undergo the same partial-shuffle protocol. If ALL show tools/exp_crossover_phase_test.py:9:direction lock + linear decay + phase transition, the finding is methodological. tools/exp_crossover_phase_test.py:34:def partial_shuffle(seq, alpha, rng): tools/exp_crossover_phase_test.py:43: rng.shuffle(vals) tools/exp_crossover_phase_test.py:48: """Dipolar coordinates relative to reference (full shuffle baseline)""" tools/exp_crossover_phase_test.py:57: # Full shuffle baseline (alpha=1.0) tools/exp_crossover_phase_test.py:61: shuffled = partial_shuffle(gaps, 1.0, rng) tools/exp_crossover_phase_test.py:62: sr_refs.append(spacing_ratio(shuffled)) tools/exp_crossover_phase_test.py:63: l1_refs.append(lag1_acf(shuffled)) tools/exp_crossover_phase_test.py:72: s = partial_shuffle(gaps, alpha, rng) tools/exp_crossover_phase_test.py:273: has_linear_decay = a['mag_linearity_r2'] > 0.85 and a['mag_slope'] < 0 tools/exp_crossover_phase_test.py:279: if has_linear_decay: features.append("LINEAR_DECAY") tools/exp_crossover_phase_test.py:283: full = has_lock and has_linear_decay and has_transition and has_flip tools/exp_crossover_phase_test.py:291: print(" VERDICT: UNIVERSAL — the phase transition is a property of the partial-shuffle METHOD") tools/exp_crossover_phase_test.py:317: 'has_linear_decay': a['mag_linearity_r2'] > 0.85 and a['mag_slope'] < 0, tools/exp_desitter_unification.py:14:Null baseline: Cramer model + shuffled gaps (20 each). tools/exp_desitter_unification.py:140:null_corrs_shuffled = {'r_acf1': [], 'r_dR': [], 'r_dRnorm': []} tools/exp_desitter_unification.py:173:print(f"\nComputing {N_SURROGATES} shuffled surrogates...") tools/exp_desitter_unification.py:189: null_corrs_shuffled['r_acf1'].append(np.corrcoef(s_r, s_acf1)[0, 1]) tools/exp_desitter_unification.py:190: null_corrs_shuffled['r_dR'].append(np.corrcoef(s_r, s_dR)[0, 1]) tools/exp_desitter_unification.py:191: null_corrs_shuffled['r_dRnorm'].append(np.corrcoef(s_r, s_dRn)[0, 1]) tools/exp_desitter_unification.py:204:z_shuffled_r_dR = z_score(corr_r_dR, null_corrs_shuffled['r_dR']) tools/exp_desitter_unification.py:206:z_shuffled_r_acf1 = z_score(corr_r_acf1, null_corrs_shuffled['r_acf1']) tools/exp_desitter_unification.py:213:print(f" corr(, dR_std): prime={corr_r_dR:.4f} null={np.mean(null_corrs_shuffled['r_dR']):.4f}+/-{np.std(null_corrs_shuffled['r_dR']):.4f} z={z_shuffled_r_dR:.2f}") tools/exp_desitter_unification.py:214:print(f" corr(, acf1): prime={corr_r_acf1:.4f} null={np.mean(null_corrs_shuffled['r_acf1']):.4f}+/-{np.std(null_corrs_shuffled['r_acf1']):.4f} z={z_shuffled_r_acf1:.2f}") tools/exp_desitter_unification.py:279: "null_shuffled": { tools/exp_desitter_unification.py:281: "corr_r_dR_mean": float(np.mean(null_corrs_shuffled['r_dR'])) if null_corrs_shuffled['r_dR'] else None, tools/exp_desitter_unification.py:282: "corr_r_dR_std": float(np.std(null_corrs_shuffled['r_dR'])) if null_corrs_shuffled['r_dR'] else None, tools/exp_desitter_unification.py:283: "z_r_dR": float(z_shuffled_r_dR), tools/exp_desitter_unification.py:284: "z_r_acf1": float(z_shuffled_r_acf1), tools/exp_desitter_unification.py:311:if abs(z_shuffled_r_dR) > 2: tools/exp_desitter_unification.py:312: print(f" SIGNIFICANT vs shuffled: z={z_shuffled_r_dR:.2f}") tools/exp_dipolar_vector_scaling.py:5:Two observables are order-sensitive in prime gaps (survive shuffle test): tools/exp_dipolar_vector_scaling.py:11: - Shuffle baseline (mean, std over K shuffles) tools/exp_dipolar_vector_scaling.py:12: - Deviation: Delta = (real - shuffle_mean) / shuffle_std (z-score) tools/exp_dipolar_vector_scaling.py:17:Question: does theta rotate (internal dynamics) or stay constant (pure decay/invariant)? tools/exp_dipolar_vector_scaling.py:55:def shuffle_baseline(gaps, n_shuffles=200): tools/exp_dipolar_vector_scaling.py:56: """Compute shuffle mean and std for both observables.""" tools/exp_dipolar_vector_scaling.py:59: for _ in range(n_shuffles): tools/exp_dipolar_vector_scaling.py:60: shuffled = gaps.copy() tools/exp_dipolar_vector_scaling.py:61: np.random.shuffle(shuffled) tools/exp_dipolar_vector_scaling.py:62: sr, l1 = compute_observables(shuffled) tools/exp_dipolar_vector_scaling.py:76: baseline = shuffle_baseline(gaps, n_shuffles=200) tools/exp_dipolar_vector_scaling.py:92: 'sr_shuffle_mean': round(baseline['sr_mean'], 6), tools/exp_dipolar_vector_scaling.py:93: 'sr_shuffle_std': round(baseline['sr_std'], 6), tools/exp_dipolar_vector_scaling.py:94: 'l1_shuffle_mean': round(baseline['l1_mean'], 6), tools/exp_dipolar_vector_scaling.py:95: 'l1_shuffle_std': round(baseline['l1_std'], 6), tools/exp_dipolar_vector_scaling.py:215: print("=> CONSTANT ANGLE — pure decay or invariant dipole") tools/exp_dipolar_vector_scaling.py:224: 'question': 'Does the dipolar vector (z_SR, z_L1) rotate with scale or only decay?', tools/exp_dipolar_vector_scaling.py:225: 'n_shuffles': 200, tools/exp_boundary_anderson_costability_null.py:79:def shuffled_relation(rows: list[dict[str, Any]], rng: np.random.Generator) -> list[dict[str, Any]]: tools/exp_boundary_anderson_costability_null.py:84: rng.shuffle(loc_values) tools/exp_boundary_anderson_costability_null.py:98: nulls = [separation(shuffled_relation(rows, rng)) for _ in range(args.trials)] tools/exp_boundary_anderson_costability_null.py:110: "null": "shuffle localization_load across rows within each size; preserve graph/localization marginals", tools/exp_boundary_bridge_stability_audit.py:6:reader across small perturbations of k, spacing length, and shuffle seed. It then tools/exp_boundary_bridge_stability_audit.py:22: shuffle_z, tools/exp_boundary_bridge_stability_audit.py:87: z = shuffle_z(gaps, obs, args.n_shuffle, rng) tools/exp_boundary_bridge_stability_audit.py:96: "shuffle_z": {key: round(value, 6) for key, value in z.items()}, tools/exp_boundary_bridge_stability_audit.py:200: "n_shuffle": args.n_shuffle, tools/exp_boundary_bridge_stability_audit.py:240: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_contextual_transaction_detector.py:8:operational signature found in the percolation intermediate-band verifier: tools/exp_boundary_contextual_transaction_detector.py:84: n_shuffle=args.n_shuffle, tools/exp_boundary_contextual_transaction_detector.py:122: "shuffle_z": cache_row["target_features"]["shuffle_z"], tools/exp_boundary_contextual_transaction_detector.py:149: for name, value in cache_row["target_features"]["shuffle_z"].items(): tools/exp_boundary_contextual_transaction_detector.py:177: "n_shuffle": args.n_shuffle, tools/exp_boundary_contextual_transaction_detector.py:227: parser.add_argument("--target", default="percolation:cycle_9") tools/exp_boundary_contextual_transaction_detector.py:232: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_graph_curvature_gate.py:7:canonical registry values, explicit spectral rigidity, and shuffle z values. tools/exp_boundary_graph_curvature_gate.py:51:def shuffle_z( tools/exp_boundary_graph_curvature_gate.py:54: n_shuffle: int, tools/exp_boundary_graph_curvature_gate.py:58: for _ in range(n_shuffle): tools/exp_boundary_graph_curvature_gate.py:59: shuffled = rng.permutation(gaps) tools/exp_boundary_graph_curvature_gate.py:60: obs = compute_observables(shuffled) tools/exp_boundary_graph_curvature_gate.py:77: z = row["shuffle_z"] tools/exp_boundary_graph_curvature_gate.py:213: z = shuffle_z(gaps, obs, args.n_shuffle, rng) tools/exp_boundary_graph_curvature_gate.py:222: "shuffle_z": {key: round(value, 6) for key, value in z.items()}, tools/exp_boundary_graph_curvature_gate.py:246: "operator": "row-aligned domain/window graph in canonical+rigidity+shuffle-z feature space", tools/exp_boundary_graph_curvature_gate.py:291: parser.add_argument("--n-shuffle", type=int, default=64) tools/exp_aubry_binary_grammar_surrogate_gate.py:101:def balanced_shuffle(seq: np.ndarray, rng: np.random.Generator) -> np.ndarray: tools/exp_aubry_binary_grammar_surrogate_gate.py:103: rng.shuffle(out) tools/exp_aubry_binary_grammar_surrogate_gate.py:107:def block_shuffle(seq: np.ndarray, rng: np.random.Generator, block_size: int) -> np.ndarray: tools/exp_aubry_binary_grammar_surrogate_gate.py:110: rng.shuffle(order) tools/exp_aubry_binary_grammar_surrogate_gate.py:131: rng.shuffle(idx) tools/exp_aubry_binary_grammar_surrogate_gate.py:140: current = balanced_shuffle(reference, rng) tools/exp_aubry_binary_grammar_surrogate_gate.py:223: out.append(("density_shuffle", balanced_shuffle(seq, rng), trial)) tools/exp_aubry_binary_grammar_surrogate_gate.py:225: out.append((f"block_shuffle_{block_size}", block_shuffle(seq, rng, block_size), trial)) tools/exp_aubry_binary_grammar_surrogate_gate.py:277: [("density_shuffle", balanced_shuffle(phi_seq, rng), 0) for _ in range(args.random_trials)] tools/exp_beta_crossover.py:29:N_SURROGATES = 10 # shuffled surrogates per point tools/exp_beta_crossover.py:156: np.random.shuffle(sh) tools/exp_beta_crossover.py:217: np.random.shuffle(sh) tools/exp_alpha_stability.py:9:Null baseline: shuffled gaps within each window. tools/exp_alpha_stability.py:128: np.random.shuffle(shuf) tools/exp_alpha_stability.py:200: print(f" Structure type preserved during amplitude decay.") tools/exp_acf_amplitude_scaling.py:82: # Surrogate ACFs (shuffled) tools/exp_endpoint_feature_scramble_null.py:45: rng.shuffle(values) tools/exp_gap_label_block_scale_gate.py:5:The generator gate showed that short block shuffles keep local Sturmian texture tools/exp_gap_label_block_scale_gate.py:20:from exp_gap_label_generator_gate import THETA, block_shuffle tools/exp_gap_label_block_scale_gate.py:117: shuffled = block_shuffle(phi, block_size, rng) tools/exp_gap_label_block_scale_gate.py:119: "generator": "block_shuffle", tools/exp_gap_label_block_scale_gate.py:126: **gap_labels(shuffled, THETA, threshold, args.max_label, args.top_k), tools/exp_gap_label_symbolic_grammar_gate.py:26: internal_count_shuffle, tools/exp_gap_label_symbolic_grammar_gate.py:28: shuffle_chunks, tools/exp_gap_label_symbolic_grammar_gate.py:213: "supertile_shuffle": shuffle_chunks(aligned_chunks, rng), tools/exp_gap_label_symbolic_grammar_gate.py:214: "same_length_contiguous_shuffle": misaligned_same_lengths(phi, lengths, rng), tools/exp_gap_label_symbolic_grammar_gate.py:215: "same_count_internal_shuffle": internal_count_shuffle(aligned_chunks, rng), tools/exp_boundary_graph_residue_threshold_audit.py:58: label_null = count_from_frequency(float(row["label_shuffle_bridge_frequency"]), label_null_trials) tools/exp_boundary_mixture_gate.py:9: original-vs-shuffle denominator gate, or is the mixed region an operational tools/exp_boundary_mixture_gate.py:17:- original-vs-shuffle z-score per observable; tools/exp_boundary_mixture_gate.py:69:def z_against_shuffle( tools/exp_boundary_mixture_gate.py:74: """Return original observables, shuffle baseline std, and original-vs-shuffle z.""" tools/exp_boundary_mixture_gate.py:202: obs, shuffle_std, z = z_against_shuffle( tools/exp_boundary_mixture_gate.py:212: "shuffle_std": shuffle_std, tools/exp_boundary_physical_internal_null_preflight.py:20:from exp_boundary_graph_curvature_gate import classify_geometry, compute_observables, row_spacings, shuffle_z, standardized_matrix tools/exp_boundary_physical_internal_null_preflight.py:33:def logistic_block_shuffle(gaps: np.ndarray, rng: np.random.Generator, block_size: int) -> np.ndarray: tools/exp_boundary_physical_internal_null_preflight.py:39:def percolation_largest_cluster_gaps(lattice: int, p: float, samples: int, rng: np.random.Generator) -> np.ndarray: tools/exp_boundary_physical_internal_null_preflight.py:65:def replacement_row(source: dict[str, Any], gaps: np.ndarray, n_gaps: int, n_shuffle: int, rng: np.random.Generator) -> dict[str, Any]: tools/exp_boundary_physical_internal_null_preflight.py:68: z = shuffle_z(row_gaps, obs, n_shuffle, rng) tools/exp_boundary_physical_internal_null_preflight.py:73: "shuffle_z": {key: round(value, 6) for key, value in z.items()}, tools/exp_boundary_physical_internal_null_preflight.py:79: return logistic_block_shuffle(base_gaps, rng, args.logistic_block_size), { tools/exp_boundary_physical_internal_null_preflight.py:80: "null": "logistic_gap_block_shuffle", tools/exp_boundary_physical_internal_null_preflight.py:85: if target.startswith("percolation"): tools/exp_boundary_physical_internal_null_preflight.py:86: return percolation_largest_cluster_gaps(args.percolation_lattice, args.percolation_p, args.percolation_samples, rng), { tools/exp_boundary_physical_internal_null_preflight.py:87: "null": "critical_site_percolation_cluster_geometry_resample", tools/exp_boundary_physical_internal_null_preflight.py:88: "lattice": args.percolation_lattice, tools/exp_boundary_physical_internal_null_preflight.py:89: "p": args.percolation_p, tools/exp_boundary_physical_internal_null_preflight.py:90: "samples": args.percolation_samples, tools/exp_boundary_physical_internal_null_preflight.py:91: "preserves": "critical percolation generator and largest-cluster observable", tools/exp_boundary_physical_internal_null_preflight.py:116: trial_rows.append(replacement_row(row, gaps, args.n_gaps, args.n_shuffle, rng)) tools/exp_boundary_physical_internal_null_preflight.py:145: "generator": "cached 13-row BOUNDARY graph plus logistic block shuffle / percolation cluster resample", tools/exp_boundary_physical_internal_null_preflight.py:167: parser.add_argument("--n-shuffle", type=int, default=16) tools/exp_boundary_physical_internal_null_preflight.py:171: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_physical_internal_null_preflight.py:172: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_boundary_physical_internal_null_preflight.py:173: parser.add_argument("--percolation-samples", type=int, default=200) tools/exp_boundary_reader_regression_audit.py:5:This pass does not promote logistic/percolation as physical candidates. It joins tools/exp_boundary_reader_regression_audit.py:20: "percolation:cycle_9", tools/exp_boundary_reader_regression_audit.py:67: "feature_column_shuffle_ge_full": f"{graph['feature_column_shuffle_ge_full']}/{graph_data['params']['null_trials']}", tools/exp_boundary_reader_regression_audit.py:68: "feature_column_shuffle_raw_p": graph["feature_column_shuffle_raw_p"], tools/exp_boundary_reader_regression_audit.py:77: "drop_without_shuffle_z": graph["drop_without_shuffle_z"], tools/exp_boundary_reader_regression_audit.py:87: "question": "Which BOUNDARY reader component reconstructs the graph-only logistic/percolation 27/27 hit after physical-internal and graph nulls?", tools/exp_boundary_row_aligned_nonexact_audit.py:7:beta-state, denominator telemetry, shuffle telemetry, and measured gate tools/exp_boundary_row_aligned_nonexact_audit.py:44: "shuffle_z_score": null.get("z_score"), tools/exp_boundary_row_aligned_nonexact_audit.py:45: "shuffle_class_changes": null.get("class_changes"), tools/exp_boundary_row_aligned_nonexact_audit.py:173: "shuffle_z_score", tools/exp_boundary_tail_reference_probe.py:6:percolation surrogate, run the reader transaction, and inspect only the final tools/exp_boundary_tail_reference_probe.py:21:from exp_boundary_graph_curvature_gate import build_knn_edges, compute_observables, standardized_matrix, shuffle_z tools/exp_boundary_tail_reference_probe.py:23:from exp_boundary_physical_internal_null import graph_row, percolation_cluster_geometry_gaps tools/exp_boundary_tail_reference_probe.py:27:TARGET = "percolation:cycle_9" tools/exp_boundary_tail_reference_probe.py:129: n_shuffle=args.n_shuffle, tools/exp_boundary_tail_reference_probe.py:133: zero = percolation_cluster_geometry_gaps(args.percolation_lattice, args.percolation_p, args.percolation_samples, np.random.default_rng(trial_seed)) tools/exp_boundary_tail_reference_probe.py:177: replacement = graph_row(source, gaps, run_cfg["n_gaps"], args.n_shuffle, replacement_rng) tools/exp_boundary_tail_reference_probe.py:205: parser.add_argument("--n-shuffle", type=int, default=32) tools/exp_boundary_tail_reference_probe.py:211: parser.add_argument("--percolation-lattice", type=int, default=48) tools/exp_boundary_tail_reference_probe.py:212: parser.add_argument("--percolation-p", type=float, default=0.5927) tools/exp_boundary_tail_reference_probe.py:213: parser.add_argument("--percolation-samples", type=int, default=200) tools/exp_boundary_unfolding_transfer_matrix.py:191: rng.shuffle(permuted) tools/exp_brody_flow.py:12:- Shuffle: same gaps per window, order destroyed → β_shuffle(N) tools/exp_brody_flow.py:16: python tools/exp_brody_flow.py [--n-max 2000000] [--window 5000] [--step 2000] [--n-shuffle 20] tools/exp_brody_flow.py:92:def run(n_max=2_000_000, window=5000, step=2000, n_shuffle=20): tools/exp_brody_flow.py:107: "window": window, "step": step, "n_shuffle": n_shuffle, tools/exp_brody_flow.py:129: for _ in range(n_shuffle): tools/exp_brody_flow.py:131: np.random.shuffle(g_shuf) tools/exp_brody_flow.py:139: for _ in range(n_shuffle): tools/exp_brody_flow.py:153: "shuffle_beta_mean": float(np.mean(betas_shuf)), tools/exp_brody_flow.py:154: "shuffle_beta_std": float(np.std(betas_shuf)), tools/exp_brody_flow.py:155: "shuffle_r_mean": float(np.mean(rs_shuf)), tools/exp_brody_flow.py:189: # Is the slope significant vs shuffle? tools/exp_brody_flow.py:191: for _ in range(n_shuffle): tools/exp_brody_flow.py:192: shuf_betas = [w["shuffle_beta_mean"] + np.random.normal(0, w["shuffle_beta_std"]) tools/exp_brody_flow.py:196: results["shuffle_slope_mean"] = float(np.mean(shuf_slopes)) tools/exp_brody_flow.py:197: results["shuffle_slope_std"] = float(np.std(shuf_slopes)) tools/exp_brody_flow.py:199: results["slope_z_vs_shuffle"] = float( tools/exp_brody_flow.py:211: parser.add_argument("--n-shuffle", type=int, default=20) tools/exp_brody_flow.py:214: results = run(args.n_max, args.window, args.step, args.n_shuffle) tools/exp_brody_flow.py:229: if "slope_z_vs_shuffle" in results: tools/exp_brody_flow.py:230: print(f"Slope z-score vs shuffle: {results['slope_z_vs_shuffle']:.2f}") tools/exp_cross_observable_consistency.py:16:4. Null: shuffled primes (should show β_r ≈ β_Σ since no ordering channel) tools/exp_cross_observable_consistency.py:144:# ── Measure shuffled primes (null) ────────────────────────────────── tools/exp_cross_observable_consistency.py:145:print("\n=== PRIMES (shuffled, 20 trials) ===") tools/exp_cross_observable_consistency.py:152: np.random.shuffle(g_shuf) tools/exp_cross_observable_consistency.py:155: # Reconstruct positions from shuffled gaps tools/exp_cross_observable_consistency.py:247: "shuffle": { tools/exp_denominator_gate_transfer_matrix.py:7:The experiment moves the original-vs-shuffle denominator gate away from the tools/exp_denominator_gate_transfer_matrix.py:14:- original-vs-shuffle z-score for each observable; tools/exp_denominator_gate_transfer_matrix.py:103:def z_against_shuffle( tools/exp_denominator_gate_transfer_matrix.py:115: shuffle_std = {} tools/exp_denominator_gate_transfer_matrix.py:121: shuffle_std[name] = sd tools/exp_denominator_gate_transfer_matrix.py:123: return original, shuffle_std, z tools/exp_denominator_gate_transfer_matrix.py:237: obs, shuffle_std, z = z_against_shuffle( tools/exp_denominator_gate_transfer_matrix.py:248: "shuffle_std": shuffle_std, tools/exp_dipolar_crossover.py:5:Question: As ordering is gradually destroyed (GUE → shuffled), does the dipolar tools/exp_dipolar_crossover.py:11: 2. For each alpha in [0, 1], partially shuffle the spacings: tools/exp_dipolar_crossover.py:17: 5. Null: each alpha level vs its own full-shuffle (to isolate partial-shuffle from marginal) tools/exp_dipolar_crossover.py:74:def partial_shuffle(spacings, alpha, rng): tools/exp_dipolar_crossover.py:78: n_shuffle = int(alpha * n) tools/exp_dipolar_crossover.py:79: if n_shuffle < 2: tools/exp_dipolar_crossover.py:81: idx = rng.choice(n, size=n_shuffle, replace=False) tools/exp_dipolar_crossover.py:83: rng.shuffle(vals) tools/exp_dipolar_crossover.py:104: # Full shuffle baseline (alpha=1) — per-matrix shuffle tools/exp_dipolar_crossover.py:105: shuffled_mats = [] tools/exp_dipolar_crossover.py:108: rng.shuffle(sc) tools/exp_dipolar_crossover.py:109: shuffled_mats.append(sc) tools/exp_dipolar_crossover.py:110: sr1, l1_1, _, _ = compute_dipolar(shuffled_mats) tools/exp_dipolar_crossover.py:121: trial_mats = [partial_shuffle(s, alpha, rng_trial) for s in gue_mats] tools/exp_dipolar_crossover.py:131: # Dipolar angle relative to full-shuffle tools/exp_dipolar_crossover.py:165: # Prime shuffle baseline tools/exp_dipolar_crossover.py:166: prime_shuffled = [] tools/exp_dipolar_crossover.py:169: rng.shuffle(cs) tools/exp_dipolar_crossover.py:170: prime_shuffled.append(cs) tools/exp_dipolar_crossover.py:171: sr_ps, l1_ps, _, _ = compute_dipolar(prime_shuffled) tools/exp_dipolar_crossover.py:180: "SR_shuffle": float(sr_ps), "L1_shuffle": float(l1_ps), tools/exp_dipolar_crossover.py:209: "method": "partial_shuffle_crossover", tools/exp_dipolar_crossover.py:215: "shuffle_baseline": {"SR": float(sr1), "L1": float(l1_1)}, tools/exp_boundary_anderson_transaction_adapter.py:11:The percolation dominance ratio is not copied here. Anderson is an independent tools/exp_boundary_anderson_transaction_adapter.py:99: "partial: local/global transaction states transfer; percolation dominance_ratio is not reused " tools/exp_boundary_blank_thin_support_audit.py:40: class_change = bool(row.get("prescan", {}).get("shuffle_class_changes")) tools/exp_boundary_blank_thin_support_audit.py:46: return "thin_short_shuffle_unstable" tools/exp_boundary_blank_thin_support_audit.py:62: "abs_shuffle_z_mean": mean(abs(as_float(row.get("prescan", {}).get("shuffle_z_score"))) for row in rows), tools/exp_boundary_blank_thin_support_audit.py:81: "shuffle_class_change_rows": 0, tools/exp_boundary_blank_thin_support_audit.py:84: "thin_shuffle_class_change_rows": 0, tools/exp_boundary_blank_thin_support_audit.py:94: class_change = bool(prescan.get("shuffle_class_changes")) tools/exp_boundary_blank_thin_support_audit.py:103: counts["shuffle_class_change_rows"] += 1 tools/exp_boundary_blank_thin_support_audit.py:109: counts["thin_shuffle_class_change_rows"] += 1 tools/exp_boundary_blank_thin_support_audit.py:128: "shuffle_z_score": prescan.get("shuffle_z_score"), tools/exp_boundary_blank_thin_support_audit.py:129: "shuffle_class_changes": class_change, tools/exp_boundary_blank_thin_support_audit.py:136: all_thin_shuffle_unstable = bool(thin_rows) and counts["thin_shuffle_class_change_rows"] == len(thin_rows) tools/exp_boundary_blank_thin_support_audit.py:167: "shuffle_z_score", tools/exp_boundary_blank_thin_support_audit.py:168: "shuffle_class_changes", tools/exp_boundary_blank_thin_support_audit.py:185: "shuffle_instability_artifact": { tools/exp_boundary_blank_thin_support_audit.py:186: "condition": "all thin rows have shuffle_class_changes=true", tools/exp_boundary_blank_thin_support_audit.py:187: "passes": all_thin_shuffle_unstable, tools/exp_boundary_blank_thin_support_audit.py:226: print(f"thin_shuffle_class_change_rows={c['thin_shuffle_class_change_rows']}") tools/exp_boundary_contextual_robustness_macro_audit.py:137: ladder = summarize_cache(Path(args.ladder), "percolation_ladder_N64") tools/exp_boundary_contextual_robustness_macro_audit.py:138: band = summarize_cache(Path(args.band), "percolation_band_N96") tools/exp_boundary_contextual_robustness_macro_audit.py:141: percolation_target = "percolation:cycle_9" tools/exp_boundary_contextual_robustness_macro_audit.py:164: "logistica": "logistic_gap_block_shuffle preserves local contiguous blocks and breaks long-range orbit order", tools/exp_boundary_contextual_robustness_macro_audit.py:165: "percolation": "critical_site_percolation_cluster_geometry_resample preserves generator and largest-cluster observable but changes realization geometry", tools/exp_boundary_contextual_robustness_macro_audit.py:176: percolation_target: { tools/exp_boundary_contextual_robustness_macro_audit.py:177: "n8": n8["targets"].get(percolation_target), tools/exp_boundary_contextual_robustness_macro_audit.py:178: "n128": n128["targets"].get(percolation_target), tools/exp_boundary_contextual_robustness_macro_audit.py:179: "ladder": ladder["targets"].get(percolation_target), tools/exp_boundary_contextual_robustness_macro_audit.py:180: "band": band["targets"].get(percolation_target), tools/exp_boundary_contextual_robustness_macro_audit.py:181: "probe_trials_n128": compact_probe_trials(n128, percolation_target, [14, 34, 68, 80]), tools/exp_boundary_contextual_robustness_macro_audit.py:184: "percolation_transition_band": { tools/exp_boundary_contextual_robustness_macro_audit.py:195: "percolation": ( tools/exp_boundary_contextual_robustness_macro_audit.py:196: "The original percolation target stays full across ladder and band verifier " tools/exp_boundary_contextual_robustness_macro_audit.py:213: "percolation_band_transition": output["percolation_transition_band"]["null"]["states"], tools/exp_boundary_contextual_robustness_macro_audit.py:227: parser.add_argument("--ladder", default="tools/data/boundary_contextual_robustness_percolation_ladder_20260529_N64.jsonl") tools/exp_boundary_contextual_robustness_macro_audit.py:228: parser.add_argument("--band", default="tools/data/boundary_contextual_robustness_percolation_band_20260529_N96.jsonl") tools/exp_boundary_contextual_robustness_macro_audit.py:229: parser.add_argument("--transition-band", default="tools/data/boundary_transition_matrix_percolation_band_20260529.json") tools/exp_boundary_evolution_measure.py:44: percolation_coord = (ref.get("contract") or "").strip() tools/exp_boundary_evolution_measure.py:46: anderson_reuses_percolation_scalar = "dominance_ratio" in latent_axes or "max_q90_ratio" in latent_axes tools/exp_boundary_evolution_measure.py:56: "same_coordinate_reuse": 1.0 if anderson_reuses_percolation_scalar else 0.0, tools/exp_boundary_evolution_measure.py:65: "coordinate_not_copied": 0.0 if anderson_reuses_percolation_scalar else 1.0, tools/exp_boundary_evolution_measure.py:95: "Low risk means the second verifier did not merely reuse the percolation coordinate " tools/exp_boundary_evolution_measure.py:109: "percolation_reference_contract": percolation_coord, tools/exp_boundary_evolution_measure.py:141: parser.add_argument("--transition-matrix", default="tools/data/boundary_transition_matrix_percolation_ladder_20260529.json") tools/exp_aubry_v2_generator_scaling_gate.py:206: shuffled = np.array(phi_word, dtype=float) tools/exp_aubry_v2_generator_scaling_gate.py:207: rng.shuffle(shuffled) tools/exp_aubry_v2_generator_scaling_gate.py:210: "phi_binary_density_shuffle", tools/exp_aubry_v2_generator_scaling_gate.py:211: shuffled, tools/exp_aubry_v2_generator_scaling_gate.py:242: shuffle_tau = scaling["phi_binary_density_shuffle"]["mean_pr_tau"]["slope"] tools/exp_aubry_v2_generator_scaling_gate.py:250: "density_shuffle_tau": shuffle_tau, tools/exp_aubry_v2_generator_scaling_gate.py:253: "phi_binary_separates_from_shuffle": ( tools/exp_aubry_v2_generator_scaling_gate.py:255: if phi_tau is None or shuffle_tau is None tools/exp_aubry_v2_generator_scaling_gate.py:256: else abs(float(phi_tau) - float(shuffle_tau)) >= args.min_tau_delta tools/exp_aubry_v2_generator_scaling_gate.py:277: "denominator": "N x phase x generator rows with density shuffle and random anchors", tools/exp_aubry_v2_generator_scaling_gate.py:278: "non_possible": "claiming phi-specific boundary if the V=2 tau is shared by density shuffle or by non-phi Sturmian controls", tools/exp_blank_shell_scale_law.py:323: shuffled = labels[:] tools/exp_blank_shell_scale_law.py:324: rng.shuffle(shuffled) tools/exp_blank_shell_scale_law.py:325: assignment = dict(zip(edges, shuffled)) tools/exp_acf_z6z_mechanism.py:12: residue-preserving shuffle. tools/exp_acf_z6z_mechanism.py:156: # 3a: Residue-preserving shuffle tools/exp_acf_z6z_mechanism.py:157: # For each residue class, shuffle gap values within the class tools/exp_acf_z6z_mechanism.py:167: np.random.shuffle(vals) tools/exp_acf_z6z_mechanism.py:172: print(f" Residue-preserving shuffle: xover={np.mean(xovers_rps):.1f}+/-{np.std(xovers_rps):.1f}, n_neg={np.mean(nnegs_rps):.1f}") tools/exp_acf_z6z_mechanism.py:174: # 3b: Full shuffle (baseline) tools/exp_acf_z6z_mechanism.py:178: np.random.shuffle(surr) tools/exp_acf_z6z_mechanism.py:182: print(f" Full shuffle: xover={np.mean(xovers_fs):.1f}+/-{np.std(xovers_fs):.1f}, n_neg={np.mean(nnegs_fs):.1f}") tools/exp_acf_z6z_mechanism.py:243: ("Residue-preserving shuffle", np.mean(xovers_rps), np.mean(nnegs_rps)), tools/exp_acf_z6z_mechanism.py:244: ("Full shuffle", np.mean(xovers_fs), np.mean(nnegs_fs)), tools/exp_acf_z6z_mechanism.py:264: # if RPS crossover ~ shuffle → Z/6Z sequence doesn't matter (only ordering within class does) tools/exp_acf_z6z_mechanism.py:266: print(f" Residue-preserving shuffle closer to raw ({xover_raw}) or shuffle ({np.mean(xovers_fs):.1f})?") tools/exp_acf_z6z_mechanism.py:307: verdict_text = "NEITHER: Crossover is determined by structural anti-correlation decay, not Z/6Z or trend alone." tools/exp_acf_z6z_mechanism.py:340: 'residue_preserving_shuffle': { tools/exp_acf_z6z_mechanism.py:346: 'full_shuffle': { tools/exp_3d_boundary_layers.py:8: - The crossover (partial shuffle) shows a phase transition in (SR, L1) tools/exp_3d_boundary_layers.py:49:def partial_shuffle(seq, alpha, rng): tools/exp_3d_boundary_layers.py:57: rng.shuffle(vals) tools/exp_3d_boundary_layers.py:96: # Full shuffle baseline (alpha=1.0) tools/exp_3d_boundary_layers.py:99: shuffled = partial_shuffle(gaps, 1.0, rng) tools/exp_3d_boundary_layers.py:101: baselines[name].append(fn(shuffled)) tools/exp_3d_boundary_layers.py:112: s = partial_shuffle(gaps, alpha, rng) tools/exp_quasiperiodic_gap_ratio_denominator.py:107: rng.shuffle(seq) tools/exp_ricci_desitter_0406.py:2:If de Sitter 1+1D, expect R=2. Compare with shuffled-gap null baseline.""" tools/exp_ricci_desitter_0406.py:32:# Null baseline: shuffled gaps -> fake primes -> same computation tools/exp_ricci_desitter_0406.py:48:print(f"\n Null (shuffled gaps, 5 runs): mean(R)={np.mean(R_null):.4f} +/- {np.std(R_null):.4f}") tools/exp_selective_layer_decoupling.py:6:are coupled at the uniform-shuffle boundary (same critical alpha=0.334). But Mk1 surrogates tools/exp_selective_layer_decoupling.py:9:Hypothesis: The coupling is an artifact of UNIFORM shuffle symmetry — not structural coupling. tools/exp_selective_layer_decoupling.py:10:Uniform shuffle attacks all correlations at the same rate. Selective perturbation should decouple. tools/exp_selective_layer_decoupling.py:225: shuffled = rng.permutation(gaps) tools/exp_selective_layer_decoupling.py:226: perturbed = partial_perturbation(gaps, shuffled, alpha, rng) tools/exp_spectral_landscape.py:130: np.random.shuffle(s) tools/exp_spectral_landscape.py:254: """Run observables on a domain + shuffled surrogates.""" tools/exp_spectral_landscape.py:272: np.random.shuffle(s_shuf) tools/exp_two_channel_psd.py:15:Null baseline: shuffled channels (preserve distribution, destroy order). tools/exp_two_channel_psd.py:196: g_shuf = gaps_c.copy(); np.random.shuffle(g_shuf) tools/exp_two_channel_psd.py:203: t_shuf = trans_c.copy(); np.random.shuffle(t_shuf) tools/exp_two_channel_psd.py:208: m_shuf = mag_r.copy(); np.random.shuffle(m_shuf) tools/exp_two_channel_psd.py:223: print(f" {label:12s}: slope={real_val:+.4f}, shuffle={surr_mean:+.4f}+/-{surr_std:.4f}, z={z:.1f}") tools/exp_two_channel_psd.py:230: print(f"\n Low-f dip: real={dip_real:.4f}, shuffle={dip_surr_mean:.4f}+/-{dip_surr_std:.4f}, z={z_dip:.1f}") tools/exp_vc_nonsturmian_label_null_gate.py:51: rng.shuffle(out) tools/exp_vc_nonsturmian_label_null_gate.py:55:def block_shuffle(reference: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: tools/exp_vc_nonsturmian_label_null_gate.py:57: rng.shuffle(chunks) tools/exp_vc_nonsturmian_label_null_gate.py:109: yield f"block_shuffle_{block_size}", trial, block_shuffle(reference, block_size, rng) tools/exp_perturbation_rank_size_curve.py:10:registry and explicit original-vs-shuffle denominator diagnostics. tools/exp_perturbation_rank_size_curve.py:14:- original-vs-shuffle z-score per observable; tools/exp_perturbation_rank_size_curve.py:34:PERT_NAMES = ["adjacent_swap", "block_shuffle", "large_gap_only", "uniform"] tools/exp_perturbation_rank_size_curve.py:80:def perturb_block_shuffle(gaps: np.ndarray, alpha: float, rng: np.random.Generator, block_size: int = 64) -> np.ndarray: tools/exp_perturbation_rank_size_curve.py:91: rng.shuffle(out[start:end]) tools/exp_perturbation_rank_size_curve.py:103: rng.shuffle(vals) tools/exp_perturbation_rank_size_curve.py:115: rng.shuffle(vals) tools/exp_perturbation_rank_size_curve.py:122: "block_shuffle": perturb_block_shuffle, tools/exp_perturbation_rank_size_curve.py:241: "full_shuffle_baseline": baseline, tools/exp_perturbation_rank_size_curve.py:243: "original_vs_shuffle_z": z, tools/exp_perturbation_rank_size_curve.py:323: "prime_shuffle_control": lambda rep_rng, rep_i: rep_rng.permutation(prime_windows[rep_i]), tools/exp_prime_mobius_interval_charge_gate.py:117: shuffled = np.array(charges, copy=True) tools/exp_prime_mobius_interval_charge_gate.py:118: rng.shuffle(shuffled) tools/exp_prime_mobius_interval_charge_gate.py:119: metrics = transition_metrics(gaps, shuffled) tools/exp_mod3_scaling.py:11: 3. Z-scores vs shuffle baseline per window tools/exp_mod3_scaling.py:14:If mod-3 z-score decays similarly -> same channel. tools/exp_mod3_scaling.py:17:Usage: python exp_mod3_scaling.py [--n-max N] [--window W] [--step S] [--n-shuffle K] tools/exp_mod3_scaling.py:124:def run_experiment(n_max=2_000_000, window=5000, step=2000, n_shuffle=20): tools/exp_mod3_scaling.py:154: shuffle_self_rates = [] tools/exp_mod3_scaling.py:155: shuffle_markov1_llr = [] tools/exp_mod3_scaling.py:156: for _ in range(n_shuffle): tools/exp_mod3_scaling.py:158: np.random.shuffle(shuf) tools/exp_mod3_scaling.py:160: shuffle_self_rates.append(sr) tools/exp_mod3_scaling.py:162: shuffle_markov1_llr.append(m[1]["llr"]) tools/exp_mod3_scaling.py:164: shuffle_self_mean = np.mean(shuffle_self_rates) tools/exp_mod3_scaling.py:165: shuffle_self_std = np.std(shuffle_self_rates, ddof=1) tools/exp_mod3_scaling.py:166: z_self = (self_rate - shuffle_self_mean) / shuffle_self_std if shuffle_self_std > 0 else 0.0 tools/exp_mod3_scaling.py:168: shuffle_m1_mean = np.mean(shuffle_markov1_llr) tools/exp_mod3_scaling.py:169: shuffle_m1_std = np.std(shuffle_markov1_llr, ddof=1) tools/exp_mod3_scaling.py:170: z_markov1 = (markov[1]["llr"] - shuffle_m1_mean) / shuffle_m1_std if shuffle_m1_std > 0 else 0.0 tools/exp_mod3_scaling.py:176: "shuffle_self_mean": round(float(shuffle_self_mean), 5), tools/exp_mod3_scaling.py:177: "shuffle_self_std": round(float(shuffle_self_std), 5), tools/exp_mod3_scaling.py:185: "z_markov1_vs_shuffle": round(float(z_markov1), 2), tools/exp_mod3_scaling.py:277: parser.add_argument("--n-shuffle", type=int, default=20) tools/exp_mod3_scaling.py:280: summary = run_experiment(args.n_max, args.window, args.step, args.n_shuffle) tools/exp_markov_scale_function.py:5:Question: The Markov-3 mutual information (z=6203 globally) — does it decay with prime scale? tools/exp_markov_scale_function.py:6:If so, does the decay track the GUE→Poisson boundary? tools/exp_markov_scale_function.py:14: 3. The ordering fraction: (H_shuffle - H_real) / H_shuffle tools/exp_markov_scale_function.py:19:Null baseline: 50 shuffles per window. tools/exp_markov_scale_function.py:86:def analyze_window(gaps, n_shuffles=50): tools/exp_markov_scale_function.py:98: # From exp_two_channel_shuffle_audit.py, the decomposition is: tools/exp_markov_scale_function.py:108: H_shuffles = [] tools/exp_markov_scale_function.py:109: for _ in range(n_shuffles): tools/exp_markov_scale_function.py:111: np.random.shuffle(shuf) tools/exp_markov_scale_function.py:113: H_shuffles.append(markov3_entropy_general(res_shuf, alphabet=[0, 2, 4])) tools/exp_markov_scale_function.py:115: H_shuf_mean = np.mean(H_shuffles) tools/exp_markov_scale_function.py:116: H_shuf_std = np.std(H_shuffles) tools/exp_markov_scale_function.py:142: 'H_shuffle_mean': float(H_shuf_mean), tools/exp_markov_scale_function.py:143: 'H_shuffle_std': float(H_shuf_std), tools/exp_markov_scale_function.py:203: res = analyze_window(window_gaps, n_shuffles=30) tools/exp_markov_scale_function.py:210: f"{res['H_real']:>7.4f} {res['H_shuffle_mean']:>7.4f} " tools/exp_markov_scale_function.py:278: 'params': {'W': W, 'n_shuffles': 30, 'prime_limit': LIMIT}, tools/exp_markov_k_direction.py:18: 3. Per-source shuffle baseline (each surrogate vs its own permutation) tools/exp_markov_k_direction.py:57:def shuffle_baseline(gaps, n_shuffle=100): tools/exp_markov_k_direction.py:61: for _ in range(n_shuffle): tools/exp_markov_k_direction.py:68:def dipolar_vector(gaps, n_shuffle=100): tools/exp_markov_k_direction.py:69: """Compute dipolar vector relative to own shuffle baseline.""" tools/exp_markov_k_direction.py:72: sr_shuf, l1_shuf, sr_std, l1_std = shuffle_baseline(gaps, n_shuffle) tools/exp_markov_k_direction.py:144:def run_experiment(N=100000, n_trials=20, n_bins=14, n_shuffle=100): tools/exp_markov_k_direction.py:156: real = dipolar_vector(gaps, n_shuffle) tools/exp_markov_k_direction.py:236: 'method': f'{nb} equal-count bins, per-source shuffle baseline, gap-pool sampling', tools/exp_markov_k_direction.py:255: parser.add_argument('--n_shuffle', type=int, default=100) tools/exp_markov_k_direction.py:258: n_shuffle=args.n_shuffle) tools/exp_logistic_surrogate_contract_gate.py:8:The 10:06 cycle used a marginal-preserving shuffle null. This tool keeps the tools/exp_logistic_surrogate_contract_gate.py:11:- marginal_shuffle: preserves values only; tools/exp_logistic_surrogate_contract_gate.py:13:- block_shuffle: preserves local temporal blocks and breaks block order. tools/exp_logistic_surrogate_contract_gate.py:37:SURROGATE_CLASSES = ["marginal_shuffle", "circular_shift", "block_shuffle"] tools/exp_logistic_surrogate_contract_gate.py:47:def block_shuffle(values: np.ndarray, block_size: int, rng: np.random.Generator) -> np.ndarray: tools/exp_logistic_surrogate_contract_gate.py:62: if surrogate_class == "marginal_shuffle": tools/exp_logistic_surrogate_contract_gate.py:66: if surrogate_class == "block_shuffle": tools/exp_logistic_surrogate_contract_gate.py:67: return block_shuffle(values, block_size, rng) tools/exp_logistic_surrogate_contract_gate.py:129: marginal_only = sorted(set(surrogate_results["marginal_shuffle"]["stable_observables"]) - set(contract_stable)) tools/data/exp_det_drift.json:14: "det_shuffled_mean": -0.37821137020962664, tools/data/exp_det_drift.json:15: "det_shuffled_std": 0.0033113684447549584, tools/data/exp_det_drift.json:29: "det_shuffled_mean": -0.3793529464042733, tools/data/exp_det_drift.json:30: "det_shuffled_std": 0.0035310955589686554, tools/data/exp_det_drift.json:44: "det_shuffled_mean": -0.37863965390052645, tools/data/exp_det_drift.json:45: "det_shuffled_std": 0.002917701807531341, tools/data/exp_det_drift.json:59: "det_shuffled_mean": -0.3772660080950062, tools/data/exp_det_drift.json:60: "det_shuffled_std": 0.0030305192159626447, tools/data/exp_det_drift.json:74: "det_shuffled_mean": -0.3711074286194028, tools/data/exp_det_drift.json:75: "det_shuffled_std": 0.002214109382468935, tools/data/exp_det_drift.json:89: "det_shuffled_mean": -0.3700797699484919, tools/data/exp_det_drift.json:90: "det_shuffled_std": 0.0043436769023537, tools/data/exp_det_drift.json:104: "det_shuffled_mean": -0.36839255407114735, tools/data/exp_det_drift.json:105: "det_shuffled_std": 0.0023890130802502775, tools/data/two_channel_cross_domain.json:22: "decay_corr_r": 0.5791028381370482, tools/data/two_channel_cross_domain.json:23: "decay_corr_binary": 0.4024800263929847, tools/data/two_channel_cross_domain.json:24: "decay_corr_mag": 0.20439881373314994, tools/data/two_channel_cross_domain.json:46: "decay_corr_r": -0.3651352202664905, tools/data/two_channel_cross_domain.json:47: "decay_corr_binary": -0.007499515204202761, tools/data/two_channel_cross_domain.json:48: "decay_corr_mag": 0.5237358598064743, tools/data/two_channel_cross_domain.json:70: "decay_corr_r": -0.7379421229093343, tools/data/two_channel_cross_domain.json:71: "decay_corr_binary": -0.6435009353449577, tools/data/two_channel_cross_domain.json:72: "decay_corr_mag": 0.379520125069823, tools/data/notte_20260327_0330.md:12: percolation_cp_0.34229600726639825: r=0.7857142857142856, spacing=GUE-like [conferma] tools/data/notte_20260327_0330.md:13: percolation_cp_0.831925673522525: r=0.9963689179375455, spacing=GUE-like [conferma] tools/data/notte_20260327_0330.md:31: percolation_var_0.65: r=0.997737556561086, spacing=Poisson-like (⟨r⟩=0.45347668815741615) tools/data/notte_20260327_0330.md:71: -> percolation_cp_0.831925673522525: ['spacing_gue', 'convergenza_triviale'] tools/data/notte_20260327_0330.md:80: Domini GUE: collatz_cp, ising_2d_cp_-0.3178017009693843, ising_2d_cp_0.3248839750133819, percolation_cp_0.34229600726639825, percolation_cp_0.831925673522525, cellular_automata_cp_182, ising_2d_var_0.1, ising_2d_var_-0.1, cellular_automata_var_30 tools/data/notte_20260327_0330.md:81: Domini Poisson: brownian_motion_cp_0.1217926516506662, brownian_motion_cp_0.9281113282142441, percolation_var_0.65 tools/data/knowledge_state.json:143: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:173: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:430: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:510: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:544: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:547: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:1058: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1138: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1170: "result_claim": "Nessuna separazione: 7/7 (50/50 su 14 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1218: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1282: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1346: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1377: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1379: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1380: "Nessuna separazione: 7/7 (50/50 su 14 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1382: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1384: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1386: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:1458: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1538: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1569: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1572: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:1637: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1717: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1797: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1827: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1829: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1831: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:1897: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:1927: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:2176: "result_claim": "Nessuna separazione: 7/7 (50/50 su 14 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2221: "Nessuna separazione: 7/7 (50/50 su 14 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2504: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2534: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:2598: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2628: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:2692: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2772: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2852: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2916: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:2980: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3060: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3140: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3252: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3332: "result_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3362: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3364: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3366: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3368: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3370: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3372: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3374: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3377: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:3379: "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si" tools/data/knowledge_state.json:4701: "trigger": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:4723: "trigger": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:4767: "trigger": "Nessuna separazione: 7/7 (50/50 su 14 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:4822: "trigger": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:4877: "trigger": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:4899: "trigger": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/knowledge_state.json:4921: "trigger": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' si", tools/data/denominator_gate_transfer_matrix.json:507: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:538: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:569: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:600: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:631: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:664: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:695: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:726: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:757: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:788: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:815: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:842: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:873: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:904: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:935: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:966: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:997: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1028: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1059: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1090: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1121: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1152: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1179: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1210: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1241: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1272: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1303: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1334: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1365: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1396: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1427: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1454: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1481: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1508: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1539: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1570: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1601: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1632: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1663: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1694: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1725: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1756: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1787: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1814: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1841: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1872: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1903: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1934: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1965: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:1996: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2027: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2058: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2091: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2121: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2148: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2175: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2206: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2237: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2268: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2299: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2330: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2361: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2392: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2423: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2450: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2477: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2504: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2535: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2566: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2597: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2628: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2659: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2690: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2721: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2752: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2779: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2806: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2833: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2864: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2895: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2926: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2957: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:2988: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3019: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3050: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3083: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3110: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3137: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3164: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3195: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3226: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3257: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3288: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3319: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3352: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3383: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3414: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3441: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3468: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3495: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3526: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3557: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3588: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3619: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3650: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3681: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3712: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3743: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3770: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3799: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3826: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3857: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3888: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3919: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3950: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:3981: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4012: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4043: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4074: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4101: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4128: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4155: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4186: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4217: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4248: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4279: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4310: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4343: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4374: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4401: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4428: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4459: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4486: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4517: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4548: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4579: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4610: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4641: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4672: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4703: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4730: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4757: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4784: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4811: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4842: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4873: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4904: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4935: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4966: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:4997: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5028: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5059: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5086: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5116: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5146: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5177: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5208: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5239: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5270: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5301: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5332: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5363: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5394: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5421: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5448: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5479: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5510: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5541: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5572: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5603: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5634: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5665: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5698: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5729: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5756: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5783: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5810: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5841: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5872: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5903: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5934: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5965: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:5996: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6027: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6058: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6085: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6116: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6143: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6174: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6205: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6236: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6267: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6298: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6329: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6360: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6387: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6414: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6441: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6468: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6499: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6530: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6561: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6592: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6623: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6654: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6685: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6716: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6743: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6770: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6797: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6828: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6859: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6890: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6921: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6952: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:6983: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7014: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7045: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7076: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7103: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7529: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7562: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7595: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7628: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7661: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7694: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7727: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7759: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7790: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7821: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7848: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7875: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7908: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7941: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:7974: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8007: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8040: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8072: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8104: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8136: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8163: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8190: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8219: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8252: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8285: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8318: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8351: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8384: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8416: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8447: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8479: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8508: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8535: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8564: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8597: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8630: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8663: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8696: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8729: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8762: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8794: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8823: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8855: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8882: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8909: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8942: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:8975: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9008: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9041: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9074: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9106: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9139: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9171: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9202: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9232: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9259: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9292: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9325: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9358: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9391: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9423: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9455: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9487: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9519: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9546: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9576: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9603: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9636: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9669: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9702: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9735: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9767: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9800: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9831: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9862: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9892: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9921: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9952: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:9985: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10018: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10051: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10084: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10117: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10149: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10182: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10211: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10238: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10269: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10296: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10329: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10362: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10395: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10428: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10460: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10493: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10526: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10556: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10587: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10614: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10641: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10674: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10707: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10740: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10773: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10806: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10838: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10871: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10903: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10933: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10963: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:10990: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11023: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11056: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11089: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11122: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11155: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11188: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11219: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11248: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11277: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11304: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11331: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11364: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11397: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11430: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11463: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11496: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11529: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11562: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11594: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11624: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11651: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11678: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11711: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11744: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11777: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11810: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11843: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11876: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11908: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11939: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11970: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:11997: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12024: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12057: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12090: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12123: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12156: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12189: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12222: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12254: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12286: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12315: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12342: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12369: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12402: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12435: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12468: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12501: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12534: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12566: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12598: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12629: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12659: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12686: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12713: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12746: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12779: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12812: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12845: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12877: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12910: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12943: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:12973: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13002: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13029: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13056: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13089: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13122: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13155: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13188: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13221: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13254: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13286: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13315: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13342: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13373: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13400: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13433: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13466: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13499: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13532: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13565: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13598: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13629: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13660: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13687: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13714: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13741: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13774: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13807: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13840: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13873: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13906: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13938: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:13971: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14003: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14032: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14063: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14090: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14123: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14156: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14189: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14222: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14255: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14288: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14320: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14352: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14381: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14408: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14834: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14867: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14900: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14933: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14966: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:14999: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15032: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15065: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15097: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15126: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15153: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15180: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15213: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15246: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15279: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15312: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15345: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15378: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15411: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15442: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15469: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15496: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15523: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15556: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15589: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15622: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15655: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15688: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15721: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15754: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15787: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15814: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15841: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15868: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15901: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15934: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:15967: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16000: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16033: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16066: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16099: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16130: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16157: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16184: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16211: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16244: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16277: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16310: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16343: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16376: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16409: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16442: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16474: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16505: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16532: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16559: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16592: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16625: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16658: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16691: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16724: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16757: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16790: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16823: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16853: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16880: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16907: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16940: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:16973: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17006: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17039: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17072: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17105: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17138: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17170: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17200: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17227: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17254: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17287: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17320: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17353: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17386: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17419: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17452: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17485: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17517: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17544: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17574: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17601: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17634: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17667: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17700: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17733: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17766: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17799: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17832: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17865: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17897: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17924: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17951: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:17984: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18017: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18050: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18083: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18116: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18149: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18182: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18215: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18246: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18273: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18300: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18333: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18366: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18399: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18432: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18465: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18498: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18531: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18563: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18594: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18621: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18648: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18681: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18714: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18747: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18780: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18813: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18846: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18879: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18912: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18942: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18969: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:18996: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19029: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19062: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19095: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19128: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19161: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19194: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19227: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19259: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19288: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19315: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19342: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19375: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19408: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19441: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19474: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19507: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19540: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19573: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19606: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19633: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19660: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19687: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19720: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19753: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19786: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19819: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19852: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19885: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19918: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19950: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:19981: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20011: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20038: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20071: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20104: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20137: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20170: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20203: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20236: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20269: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20302: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20332: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20359: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20388: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20421: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20454: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20487: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20520: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20553: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20586: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20619: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20652: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20679: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20706: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20733: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20766: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20799: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20832: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20865: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20898: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20931: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20964: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:20997: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21027: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21054: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21081: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21114: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21147: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21180: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21213: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21246: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21279: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21312: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21345: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21375: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21402: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21429: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21462: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21495: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21528: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21561: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21594: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21627: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21660: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21693: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21725: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:21752: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22178: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22211: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22244: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22277: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22310: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22343: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22376: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22409: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22442: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22473: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22502: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22532: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22565: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22598: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22631: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22664: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22697: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22730: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22763: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22796: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22823: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22850: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22879: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22912: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22945: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:22978: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23011: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23044: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23077: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23110: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23143: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23175: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23202: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23229: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23262: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23295: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23328: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23361: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23394: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23427: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23460: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23493: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23526: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23553: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23582: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23615: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23648: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23681: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23714: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23747: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23780: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23813: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23846: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23877: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23907: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23934: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:23967: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24000: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24033: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24066: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24099: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24132: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24165: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24198: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24228: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24257: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24284: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24317: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24350: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24383: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24416: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24449: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24482: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24515: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24548: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24579: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24611: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24638: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24671: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24704: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24737: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24770: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24803: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24836: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24869: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24902: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24935: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24962: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:24992: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25025: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25058: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25091: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25124: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25157: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25190: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25223: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25256: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25285: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25314: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25346: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25379: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25412: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25445: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25478: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25511: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25544: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25577: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25610: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25642: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25669: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25696: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25729: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25762: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25795: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25828: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25861: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25894: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25927: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25960: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:25987: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26014: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26041: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26074: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26107: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26140: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26173: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26206: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26239: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26272: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26305: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26337: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26364: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26393: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26426: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26459: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26492: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26525: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26558: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26591: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26624: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26657: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26688: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26718: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26745: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26778: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26811: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26844: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26877: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26910: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26943: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:26976: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27009: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27041: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27068: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27097: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27130: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27163: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27196: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27229: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27262: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27295: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27328: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27361: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27392: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27419: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27446: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27479: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27512: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27545: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27578: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27611: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27644: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27677: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27710: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27740: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27767: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27794: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27827: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27860: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27893: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27926: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27959: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:27992: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28025: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28058: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28091: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28120: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28147: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28180: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28213: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28246: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28279: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28312: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28345: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28378: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28411: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28443: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28472: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28499: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28532: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28565: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28598: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28631: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28664: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28697: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28730: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28762: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28792: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28822: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28849: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28882: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28915: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28948: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:28981: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:29014: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:29047: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:29080: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:29113: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:29144: "shuffle_std": { tools/data/denominator_gate_transfer_matrix.json:29171: "shuffle_std": { tools/data/seme_backup_pre_run.json:89: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_backup_pre_run.json:186: "decay_counter": 5, tools/data/seme_backup_pre_run.json:188: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:194: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_backup_pre_run.json:201: "decay_counter": 5, tools/data/seme_backup_pre_run.json:203: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:209: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_backup_pre_run.json:216: "decay_counter": 5, tools/data/seme_backup_pre_run.json:218: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:224: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_backup_pre_run.json:231: "decay_counter": 5, tools/data/seme_backup_pre_run.json:233: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:246: "decay_counter": 5, tools/data/seme_backup_pre_run.json:248: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:254: "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.", tools/data/seme_backup_pre_run.json:261: "decay_counter": 5, tools/data/seme_backup_pre_run.json:263: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:276: "decay_counter": 5, tools/data/seme_backup_pre_run.json:278: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:291: "decay_counter": 5, tools/data/seme_backup_pre_run.json:293: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:306: "decay_counter": 5, tools/data/seme_backup_pre_run.json:308: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:321: "decay_counter": 5, tools/data/seme_backup_pre_run.json:323: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:329: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_backup_pre_run.json:336: "decay_counter": 5, tools/data/seme_backup_pre_run.json:338: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:351: "decay_counter": 5, tools/data/seme_backup_pre_run.json:353: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:366: "decay_counter": 5, tools/data/seme_backup_pre_run.json:368: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:381: "decay_counter": 5, tools/data/seme_backup_pre_run.json:383: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:396: "decay_counter": 5, tools/data/seme_backup_pre_run.json:398: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:411: "decay_counter": 5, tools/data/seme_backup_pre_run.json:413: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_backup_pre_run.json:427: "direzione": "Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova.", tools/data/modular_memory_spectrum.json:8: "n_shuffles": 200, tools/data/exp_acf_stationarity.json:8: "n_shuffles": 15, tools/data/exp_acf_stationarity.json:59: "shuffle_baseline": { tools/data/modular_algebra_depth.json:20: "shuffle_mean": 0.4242, tools/data/modular_algebra_depth.json:21: "shuffle_std": 0.0013, tools/data/modular_algebra_depth.json:26: "shuffle_mean": 0.2881, tools/data/modular_algebra_depth.json:27: "shuffle_std": 0.0017, tools/data/modular_algebra_depth.json:32: "shuffle_mean": 0.288, tools/data/modular_algebra_depth.json:33: "shuffle_std": 0.0016, tools/data/modular_algebra_depth.json:68: "shuffle_mean": 0.157, tools/data/modular_algebra_depth.json:69: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:74: "shuffle_mean": 0.2335, tools/data/modular_algebra_depth.json:75: "shuffle_std": 0.0017, tools/data/modular_algebra_depth.json:80: "shuffle_mean": 0.2457, tools/data/modular_algebra_depth.json:81: "shuffle_std": 0.0017, tools/data/modular_algebra_depth.json:86: "shuffle_mean": 0.1619, tools/data/modular_algebra_depth.json:87: "shuffle_std": 0.0019, tools/data/modular_algebra_depth.json:92: "shuffle_mean": 0.2035, tools/data/modular_algebra_depth.json:93: "shuffle_std": 0.0015, tools/data/modular_algebra_depth.json:134: "shuffle_mean": 0.0807, tools/data/modular_algebra_depth.json:135: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:140: "shuffle_mean": 0.1123, tools/data/modular_algebra_depth.json:141: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:146: "shuffle_mean": 0.1675, tools/data/modular_algebra_depth.json:147: "shuffle_std": 0.0019, tools/data/modular_algebra_depth.json:152: "shuffle_mean": 0.1317, tools/data/modular_algebra_depth.json:153: "shuffle_std": 0.0017, tools/data/modular_algebra_depth.json:158: "shuffle_mean": 0.1736, tools/data/modular_algebra_depth.json:159: "shuffle_std": 0.0019, tools/data/modular_algebra_depth.json:164: "shuffle_mean": 0.1272, tools/data/modular_algebra_depth.json:165: "shuffle_std": 0.0019, tools/data/modular_algebra_depth.json:170: "shuffle_mean": 0.2069, tools/data/modular_algebra_depth.json:171: "shuffle_std": 0.0016, tools/data/modular_algebra_depth.json:220: "shuffle_mean": 0.0317, tools/data/modular_algebra_depth.json:221: "shuffle_std": 0.0026, tools/data/modular_algebra_depth.json:226: "shuffle_mean": 0.1113, tools/data/modular_algebra_depth.json:227: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:232: "shuffle_mean": 0.1381, tools/data/modular_algebra_depth.json:233: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:238: "shuffle_mean": 0.0674, tools/data/modular_algebra_depth.json:239: "shuffle_std": 0.0019, tools/data/modular_algebra_depth.json:244: "shuffle_mean": 0.1181, tools/data/modular_algebra_depth.json:245: "shuffle_std": 0.0022, tools/data/modular_algebra_depth.json:250: "shuffle_mean": 0.0446, tools/data/modular_algebra_depth.json:251: "shuffle_std": 0.0017, tools/data/modular_algebra_depth.json:256: "shuffle_mean": 0.1814, tools/data/modular_algebra_depth.json:257: "shuffle_std": 0.0015, tools/data/modular_algebra_depth.json:262: "shuffle_mean": 0.0723, tools/data/modular_algebra_depth.json:263: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:268: "shuffle_mean": 0.0979, tools/data/modular_algebra_depth.json:269: "shuffle_std": 0.0019, tools/data/modular_algebra_depth.json:274: "shuffle_mean": 0.0404, tools/data/modular_algebra_depth.json:275: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:280: "shuffle_mean": 0.0962, tools/data/modular_algebra_depth.json:281: "shuffle_std": 0.0016, tools/data/modular_algebra_depth.json:340: "shuffle_mean": 0.0183, tools/data/modular_algebra_depth.json:341: "shuffle_std": 0.0023, tools/data/modular_algebra_depth.json:346: "shuffle_mean": 0.0606, tools/data/modular_algebra_depth.json:347: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:352: "shuffle_mean": 0.1177, tools/data/modular_algebra_depth.json:353: "shuffle_std": 0.0022, tools/data/modular_algebra_depth.json:358: "shuffle_mean": 0.0458, tools/data/modular_algebra_depth.json:359: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:364: "shuffle_mean": 0.1261, tools/data/modular_algebra_depth.json:365: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:370: "shuffle_mean": 0.0684, tools/data/modular_algebra_depth.json:371: "shuffle_std": 0.0022, tools/data/modular_algebra_depth.json:376: "shuffle_mean": 0.1715, tools/data/modular_algebra_depth.json:377: "shuffle_std": 0.0018, tools/data/modular_algebra_depth.json:382: "shuffle_mean": 0.0352, tools/data/modular_algebra_depth.json:383: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:388: "shuffle_mean": 0.0789, tools/data/modular_algebra_depth.json:389: "shuffle_std": 0.0022, tools/data/modular_algebra_depth.json:394: "shuffle_mean": 0.0327, tools/data/modular_algebra_depth.json:395: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:400: "shuffle_mean": 0.0991, tools/data/modular_algebra_depth.json:401: "shuffle_std": 0.0021, tools/data/modular_algebra_depth.json:406: "shuffle_mean": 0.04, tools/data/modular_algebra_depth.json:407: "shuffle_std": 0.0025, tools/data/modular_algebra_depth.json:412: "shuffle_mean": 0.1077, tools/data/modular_algebra_depth.json:413: "shuffle_std": 0.0018, tools/data/mod3_scaling.json:32: "shuffle_self_mean": 0.49437, tools/data/mod3_scaling.json:33: "shuffle_self_std": 0.01299, tools/data/mod3_scaling.json:41: "z_markov1_vs_shuffle": 672.67, tools/data/mod3_scaling.json:64: "shuffle_self_mean": 0.50084, tools/data/mod3_scaling.json:65: "shuffle_self_std": 0.01172, tools/data/mod3_scaling.json:73: "z_markov1_vs_shuffle": 860.2, tools/data/mod3_scaling.json:96: "shuffle_self_mean": 0.50178, tools/data/mod3_scaling.json:97: "shuffle_self_std": 0.00891, tools/data/mod3_scaling.json:105: "z_markov1_vs_shuffle": 1099.02, tools/data/mod3_scaling.json:128: "shuffle_self_mean": 0.49566, tools/data/mod3_scaling.json:129: "shuffle_self_std": 0.01137, tools/data/mod3_scaling.json:137: "z_markov1_vs_shuffle": 970.66, tools/data/mod3_scaling.json:160: "shuffle_self_mean": 0.50249, tools/data/mod3_scaling.json:161: "shuffle_self_std": 0.01159, tools/data/mod3_scaling.json:169: "z_markov1_vs_shuffle": 1118.43, tools/data/mod3_scaling.json:192: "shuffle_self_mean": 0.50197, tools/data/mod3_scaling.json:193: "shuffle_self_std": 0.01069, tools/data/mod3_scaling.json:201: "z_markov1_vs_shuffle": 1125.56, tools/data/mod3_scaling.json:224: "shuffle_self_mean": 0.50076, tools/data/mod3_scaling.json:225: "shuffle_self_std": 0.01209, tools/data/mod3_scaling.json:233: "z_markov1_vs_shuffle": 722.58, tools/data/mod3_scaling.json:256: "shuffle_self_mean": 0.49958, tools/data/mod3_scaling.json:257: "shuffle_self_std": 0.01151, tools/data/mod3_scaling.json:265: "z_markov1_vs_shuffle": 1182.15, tools/data/mod3_scaling.json:288: "shuffle_self_mean": 0.50286, tools/data/mod3_scaling.json:289: "shuffle_self_std": 0.01024, tools/data/mod3_scaling.json:297: "z_markov1_vs_shuffle": 995.69, tools/data/mod3_scaling.json:320: "shuffle_self_mean": 0.50304, tools/data/mod3_scaling.json:321: "shuffle_self_std": 0.01564, tools/data/mod3_scaling.json:329: "z_markov1_vs_shuffle": 978.98, tools/data/mod3_scaling.json:352: "shuffle_self_mean": 0.5002, tools/data/mod3_scaling.json:353: "shuffle_self_std": 0.01189, tools/data/mod3_scaling.json:361: "z_markov1_vs_shuffle": 815.36, tools/data/mod3_scaling.json:384: "shuffle_self_mean": 0.50309, tools/data/mod3_scaling.json:385: "shuffle_self_std": 0.01143, tools/data/mod3_scaling.json:393: "z_markov1_vs_shuffle": 957.76, tools/data/mod3_scaling.json:416: "shuffle_self_mean": 0.50083, tools/data/mod3_scaling.json:417: "shuffle_self_std": 0.01276, tools/data/mod3_scaling.json:425: "z_markov1_vs_shuffle": 982.95, tools/data/mod3_scaling.json:448: "shuffle_self_mean": 0.49561, tools/data/mod3_scaling.json:449: "shuffle_self_std": 0.01279, tools/data/mod3_scaling.json:457: "z_markov1_vs_shuffle": 1087.96, tools/data/mod3_scaling.json:480: "shuffle_self_mean": 0.50404, tools/data/mod3_scaling.json:481: "shuffle_self_std": 0.00843, tools/data/mod3_scaling.json:489: "z_markov1_vs_shuffle": 873.43, tools/data/mod3_scaling.json:512: "shuffle_self_mean": 0.49723, tools/data/mod3_scaling.json:513: "shuffle_self_std": 0.01022, tools/data/mod3_scaling.json:521: "z_markov1_vs_shuffle": 970.38, tools/data/mod3_scaling.json:544: "shuffle_self_mean": 0.49615, tools/data/mod3_scaling.json:545: "shuffle_self_std": 0.0138, tools/data/mod3_scaling.json:553: "z_markov1_vs_shuffle": 827.47, tools/data/mod3_scaling.json:576: "shuffle_self_mean": 0.49968, tools/data/mod3_scaling.json:577: "shuffle_self_std": 0.01252, tools/data/mod3_scaling.json:585: "z_markov1_vs_shuffle": 1166.41, tools/data/mod3_scaling.json:608: "shuffle_self_mean": 0.49663, tools/data/mod3_scaling.json:609: "shuffle_self_std": 0.01459, tools/data/mod3_scaling.json:617: "z_markov1_vs_shuffle": 624.74, tools/data/mod3_scaling.json:640: "shuffle_self_mean": 0.50035, tools/data/mod3_scaling.json:641: "shuffle_self_std": 0.01407, tools/data/mod3_scaling.json:649: "z_markov1_vs_shuffle": 716.22, tools/data/mod3_scaling.json:672: "shuffle_self_mean": 0.5007, tools/data/mod3_scaling.json:673: "shuffle_self_std": 0.01389, tools/data/mod3_scaling.json:681: "z_markov1_vs_shuffle": 1119.84, tools/data/mod3_scaling.json:704: "shuffle_self_mean": 0.49821, tools/data/mod3_scaling.json:705: "shuffle_self_std": 0.0111, tools/data/mod3_scaling.json:713: "z_markov1_vs_shuffle": 851.02, tools/data/mod3_scaling.json:736: "shuffle_self_mean": 0.49369, tools/data/mod3_scaling.json:737: "shuffle_self_std": 0.01156, tools/data/mod3_scaling.json:745: "z_markov1_vs_shuffle": 720.22, tools/data/mod3_scaling.json:768: "shuffle_self_mean": 0.50108, tools/data/mod3_scaling.json:769: "shuffle_self_std": 0.01333, tools/data/mod3_scaling.json:777: "z_markov1_vs_shuffle": 837.14, tools/data/mod3_scaling.json:800: "shuffle_self_mean": 0.50325, tools/data/mod3_scaling.json:801: "shuffle_self_std": 0.0144, tools/data/mod3_scaling.json:809: "z_markov1_vs_shuffle": 803.47, tools/data/mod3_scaling.json:832: "shuffle_self_mean": 0.50304, tools/data/mod3_scaling.json:833: "shuffle_self_std": 0.01391, tools/data/mod3_scaling.json:841: "z_markov1_vs_shuffle": 648.95, tools/data/mod3_scaling.json:864: "shuffle_self_mean": 0.49829, tools/data/mod3_scaling.json:865: "shuffle_self_std": 0.01336, tools/data/mod3_scaling.json:873: "z_markov1_vs_shuffle": 915.23, tools/data/mod3_scaling.json:896: "shuffle_self_mean": 0.50471, tools/data/mod3_scaling.json:897: "shuffle_self_std": 0.01278, tools/data/mod3_scaling.json:905: "z_markov1_vs_shuffle": 854.37, tools/data/mod3_scaling.json:928: "shuffle_self_mean": 0.49917, tools/data/mod3_scaling.json:929: "shuffle_self_std": 0.01402, tools/data/mod3_scaling.json:937: "z_markov1_vs_shuffle": 670.08, tools/data/mod3_scaling.json:960: "shuffle_self_mean": 0.50007, tools/data/mod3_scaling.json:961: "shuffle_self_std": 0.01242, tools/data/mod3_scaling.json:969: "z_markov1_vs_shuffle": 783.61, tools/data/mod3_scaling.json:992: "shuffle_self_mean": 0.49645, tools/data/mod3_scaling.json:993: "shuffle_self_std": 0.01626, tools/data/mod3_scaling.json:1001: "z_markov1_vs_shuffle": 565.16, tools/data/mod3_scaling.json:1024: "shuffle_self_mean": 0.50406, tools/data/mod3_scaling.json:1025: "shuffle_self_std": 0.01471, tools/data/mod3_scaling.json:1033: "z_markov1_vs_shuffle": 588.05, tools/data/mod3_scaling.json:1056: "shuffle_self_mean": 0.50451, tools/data/mod3_scaling.json:1057: "shuffle_self_std": 0.01344, tools/data/mod3_scaling.json:1065: "z_markov1_vs_shuffle": 1093.57, tools/data/mod3_scaling.json:1088: "shuffle_self_mean": 0.49774, tools/data/mod3_scaling.json:1089: "shuffle_self_std": 0.01153, tools/data/mod3_scaling.json:1097: "z_markov1_vs_shuffle": 857.92, tools/data/mod3_scaling.json:1120: "shuffle_self_mean": 0.499, tools/data/mod3_scaling.json:1121: "shuffle_self_std": 0.01247, tools/data/mod3_scaling.json:1129: "z_markov1_vs_shuffle": 767.52, tools/data/mod3_scaling.json:1152: "shuffle_self_mean": 0.50347, tools/data/mod3_scaling.json:1153: "shuffle_self_std": 0.015, tools/data/mod3_scaling.json:1161: "z_markov1_vs_shuffle": 709.78, tools/data/mod3_scaling.json:1184: "shuffle_self_mean": 0.50374, tools/data/mod3_scaling.json:1185: "shuffle_self_std": 0.01143, tools/data/mod3_scaling.json:1193: "z_markov1_vs_shuffle": 899.66, tools/data/mod3_scaling.json:1216: "shuffle_self_mean": 0.50234, tools/data/mod3_scaling.json:1217: "shuffle_self_std": 0.01401, tools/data/mod3_scaling.json:1225: "z_markov1_vs_shuffle": 1074.22, tools/data/mod3_scaling.json:1248: "shuffle_self_mean": 0.49736, tools/data/mod3_scaling.json:1249: "shuffle_self_std": 0.0115, tools/data/mod3_scaling.json:1257: "z_markov1_vs_shuffle": 998.61, tools/data/mod3_scaling.json:1280: "shuffle_self_mean": 0.49519, tools/data/mod3_scaling.json:1281: "shuffle_self_std": 0.01386, tools/data/mod3_scaling.json:1289: "z_markov1_vs_shuffle": 539.22, tools/data/mod3_scaling.json:1312: "shuffle_self_mean": 0.50183, tools/data/mod3_scaling.json:1313: "shuffle_self_std": 0.00971, tools/data/mod3_scaling.json:1321: "z_markov1_vs_shuffle": 1160.34, tools/data/mod3_scaling.json:1344: "shuffle_self_mean": 0.50257, tools/data/mod3_scaling.json:1345: "shuffle_self_std": 0.01266, tools/data/mod3_scaling.json:1353: "z_markov1_vs_shuffle": 639.52, tools/data/mod3_scaling.json:1376: "shuffle_self_mean": 0.49607, tools/data/mod3_scaling.json:1377: "shuffle_self_std": 0.01189, tools/data/mod3_scaling.json:1385: "z_markov1_vs_shuffle": 643.6, tools/data/mod3_scaling.json:1408: "shuffle_self_mean": 0.50145, tools/data/mod3_scaling.json:1409: "shuffle_self_std": 0.01332, tools/data/mod3_scaling.json:1417: "z_markov1_vs_shuffle": 932.62, tools/data/mod3_scaling.json:1440: "shuffle_self_mean": 0.50181, tools/data/mod3_scaling.json:1441: "shuffle_self_std": 0.0123, tools/data/mod3_scaling.json:1449: "z_markov1_vs_shuffle": 922.88, tools/data/mod3_scaling.json:1472: "shuffle_self_mean": 0.50129, tools/data/mod3_scaling.json:1473: "shuffle_self_std": 0.01196, tools/data/mod3_scaling.json:1481: "z_markov1_vs_shuffle": 999.72, tools/data/mod3_scaling.json:1504: "shuffle_self_mean": 0.49799, tools/data/mod3_scaling.json:1505: "shuffle_self_std": 0.01317, tools/data/mod3_scaling.json:1513: "z_markov1_vs_shuffle": 511.67, tools/data/mod3_scaling.json:1536: "shuffle_self_mean": 0.49815, tools/data/mod3_scaling.json:1537: "shuffle_self_std": 0.01025, tools/data/mod3_scaling.json:1545: "z_markov1_vs_shuffle": 790.54, tools/data/mod3_scaling.json:1568: "shuffle_self_mean": 0.49886, tools/data/mod3_scaling.json:1569: "shuffle_self_std": 0.00965, tools/data/mod3_scaling.json:1577: "z_markov1_vs_shuffle": 956.73, tools/data/mod3_scaling.json:1600: "shuffle_self_mean": 0.50246, tools/data/mod3_scaling.json:1601: "shuffle_self_std": 0.01113, tools/data/mod3_scaling.json:1609: "z_markov1_vs_shuffle": 679.18, tools/data/mod3_scaling.json:1632: "shuffle_self_mean": 0.49458, tools/data/mod3_scaling.json:1633: "shuffle_self_std": 0.01059, tools/data/mod3_scaling.json:1641: "z_markov1_vs_shuffle": 512.53, tools/data/mod3_scaling.json:1664: "shuffle_self_mean": 0.50451, tools/data/mod3_scaling.json:1665: "shuffle_self_std": 0.01472, tools/data/mod3_scaling.json:1673: "z_markov1_vs_shuffle": 579.68, tools/data/mod3_scaling.json:1696: "shuffle_self_mean": 0.49611, tools/data/mod3_scaling.json:1697: "shuffle_self_std": 0.01225, tools/data/mod3_scaling.json:1705: "z_markov1_vs_shuffle": 963.38, tools/data/mod3_scaling.json:1728: "shuffle_self_mean": 0.49687, tools/data/mod3_scaling.json:1729: "shuffle_self_std": 0.0128, tools/data/mod3_scaling.json:1737: "z_markov1_vs_shuffle": 629.79, tools/data/mod3_scaling.json:1760: "shuffle_self_mean": 0.50163, tools/data/mod3_scaling.json:1761: "shuffle_self_std": 0.01111, tools/data/mod3_scaling.json:1769: "z_markov1_vs_shuffle": 400.35, tools/data/mod3_scaling.json:1792: "shuffle_self_mean": 0.49825, tools/data/mod3_scaling.json:1793: "shuffle_self_std": 0.01299, tools/data/mod3_scaling.json:1801: "z_markov1_vs_shuffle": 589.58, tools/data/mod3_scaling.json:1824: "shuffle_self_mean": 0.49817, tools/data/mod3_scaling.json:1825: "shuffle_self_std": 0.01097, tools/data/mod3_scaling.json:1833: "z_markov1_vs_shuffle": 1110.25, tools/data/mod3_scaling.json:1856: "shuffle_self_mean": 0.49723, tools/data/mod3_scaling.json:1857: "shuffle_self_std": 0.00995, tools/data/mod3_scaling.json:1865: "z_markov1_vs_shuffle": 1152.09, tools/data/mod3_scaling.json:1888: "shuffle_self_mean": 0.50274, tools/data/mod3_scaling.json:1889: "shuffle_self_std": 0.01246, tools/data/mod3_scaling.json:1897: "z_markov1_vs_shuffle": 1019.65, tools/data/mod3_scaling.json:1920: "shuffle_self_mean": 0.50036, tools/data/mod3_scaling.json:1921: "shuffle_self_std": 0.01594, tools/data/mod3_scaling.json:1929: "z_markov1_vs_shuffle": 592.35, tools/data/mod3_scaling.json:1952: "shuffle_self_mean": 0.50393, tools/data/mod3_scaling.json:1953: "shuffle_self_std": 0.01017, tools/data/mod3_scaling.json:1961: "z_markov1_vs_shuffle": 1043.9, tools/data/mod3_scaling.json:1984: "shuffle_self_mean": 0.49629, tools/data/mod3_scaling.json:1985: "shuffle_self_std": 0.00995, tools/data/mod3_scaling.json:1993: "z_markov1_vs_shuffle": 759.77, tools/data/mod3_scaling.json:2016: "shuffle_self_mean": 0.50125, tools/data/mod3_scaling.json:2017: "shuffle_self_std": 0.01245, tools/data/mod3_scaling.json:2025: "z_markov1_vs_shuffle": 1309.05, tools/data/mod3_scaling.json:2048: "shuffle_self_mean": 0.49873, tools/data/mod3_scaling.json:2049: "shuffle_self_std": 0.01452, tools/data/mod3_scaling.json:2057: "z_markov1_vs_shuffle": 1107.55, tools/data/mod3_scaling.json:2080: "shuffle_self_mean": 0.50133, tools/data/mod3_scaling.json:2081: "shuffle_self_std": 0.01139, tools/data/mod3_scaling.json:2089: "z_markov1_vs_shuffle": 776.99, tools/data/mod3_scaling.json:2112: "shuffle_self_mean": 0.50347, tools/data/mod3_scaling.json:2113: "shuffle_self_std": 0.01047, tools/data/mod3_scaling.json:2121: "z_markov1_vs_shuffle": 939.14, tools/data/mod3_scaling.json:2144: "shuffle_self_mean": 0.49739, tools/data/mod3_scaling.json:2145: "shuffle_self_std": 0.01219, tools/data/mod3_scaling.json:2153: "z_markov1_vs_shuffle": 706.75, tools/data/mod3_scaling.json:2176: "shuffle_self_mean": 0.50112, tools/data/mod3_scaling.json:2177: "shuffle_self_std": 0.00952, tools/data/mod3_scaling.json:2185: "z_markov1_vs_shuffle": 726.4, tools/data/mod3_scaling.json:2208: "shuffle_self_mean": 0.49979, tools/data/mod3_scaling.json:2209: "shuffle_self_std": 0.01021, tools/data/mod3_scaling.json:2217: "z_markov1_vs_shuffle": 686.51, tools/data/mod3_scaling.json:2240: "shuffle_self_mean": 0.5004, tools/data/mod3_scaling.json:2241: "shuffle_self_std": 0.00967, tools/data/mod3_scaling.json:2249: "z_markov1_vs_shuffle": 777.49, tools/data/mod3_scaling.json:2272: "shuffle_self_mean": 0.50317, tools/data/mod3_scaling.json:2273: "shuffle_self_std": 0.01145, tools/data/mod3_scaling.json:2281: "z_markov1_vs_shuffle": 1030.01, tools/data/mod3_scaling.json:2304: "shuffle_self_mean": 0.50286, tools/data/mod3_scaling.json:2305: "shuffle_self_std": 0.01365, tools/data/mod3_scaling.json:2313: "z_markov1_vs_shuffle": 690.74, tools/data/spectral_rigidity_results.json:197: "percolation": { tools/data/notte_20260402_0330.md:7: [falsificazione] FALS_BREAK_FALSIFICA_F1: Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim n tools/data/notte_20260402_0330.md:27: percolation_cp_0.3688634741499579: r=0.6949152542372881, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:28: percolation_cp_0.8740825474500551: r=0.923076923076923, spacing=GUE-like [conferma] tools/data/notte_20260402_0330.md:45: percolation_var_0.55: r=0.7543859649122806, spacing=Poisson-like (⟨r⟩=0.41299868689639513) [NULL:non-disc] tools/data/notte_20260402_0330.md:92: -> percolation_cp_0.8740825474500551: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260402_0330.md:105: Domini GUE: numeri_primi_cp_100, numeri_primi_cp_50000, collatz_cp, ising_2d_cp_-0.3712031488689398, ising_2d_cp_0.47729231017254603, percolation_cp_0.3688634741499579, percolation_cp_0.8740825474500551, cellular_automata_cp_150, numeri_primi_var_100000 tools/data/notte_20260402_0330.md:106: Domini Poisson: logistica_biforcazione_cp_3.57, logistica_biforcazione_cp_3.968, logistica_biforcazione_cp_3.64, brownian_motion_cp_0.11504351980504385, brownian_motion_cp_0.8057291190852911, percolation_var_0.55, coupled_oscillators_var_50, brownian_motion_var_0.5 tools/data/b2_apply_log.jsonl:2:{"ts": "2026-05-08T21:45:25.839660+00:00", "cycle_ref": "20260508_2140", "decision": "REDESIGN", "confidence": "high", "rho": 0.9325, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e "} tools/data/b2_apply_log.jsonl:3:{"ts": "2026-05-09T03:36:18.659612+00:00", "cycle_ref": "20260509_0330", "decision": "REDESIGN", "confidence": "high", "rho": 0.985, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-sh"} tools/data/b2_apply_log.jsonl:18:{"ts": "2026-05-16T12:39:25.970443+00:00", "cycle_ref": "20260516_1230", "decision": "REDESIGN", "confidence": "high", "rho": 0.985, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Testare null fisici interni per i residui graph-only logistica_biforcazione_var_3.5699 e percolation sul perimetro fisso"} tools/data/b2_apply_log.jsonl:19:{"ts": "2026-06-05T12:17:07.211088+00:00", "cycle_ref": "20260605_1202", "decision": "REDESIGN", "confidence": "high", "rho": 0.9325, "old": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "new": "Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusio"} tools/data/notte_20260317_0330.md:13: percolation_var_0.55: r=1.0357142857142858, spacing=Poisson-like (⟨r⟩=0.43363212915065535) tools/data/notte_20260317_0330.md:14: percolation_var_0.65: r=1.3836772983114447, spacing=Poisson-like (⟨r⟩=0.4818192957451693) tools/data/g1_log.jsonl:33:{"ts": "2026-05-09T14:13:21.224462+00:00", "cycle_ref": "20260509_1409", "decision": "PASS", "tension_id": "BOUNDARY", "tension_tipo": "confine_inesplorato", "obs_field_present": true, "obs_empty": false, "obs_value_raw": "[`denominator_state`, `excluded_mass`, `spacing_r`, `shuffle_r_statistic`, `tran", "observable_contract_present": true, "contract_observable": "`spacing_r` + availability del null shuffle", "domain_native_declared": true, "reason": "observables_used populated or field absent (legacy)"} tools/data/g1_log.jsonl:34:{"ts": "2026-05-09T14:30:26.641455+00:00", "cycle_ref": "20260509_1427", "decision": "PASS", "tension_id": "BOUNDARY", "tension_tipo": "confine_inesplorato", "obs_field_present": true, "obs_empty": false, "obs_value_raw": "[`spacing_r`, `shuffle_r_statistic`, `denominator_state`, `excluded_mass`, `tran", "observable_contract_present": true, "contract_observable": "`spacing_r` originale contro permutation null row-aligned", "domain_native_declared": true, "reason": "observables_used populated or field absent (legacy)"} tools/data/g1_log.jsonl:35:{"ts": "2026-05-09T14:39:51.707476+00:00", "cycle_ref": "20260509_1437", "decision": "PASS", "tension_id": "BOUNDARY", "tension_tipo": "confine_inesplorato", "obs_field_present": true, "obs_empty": false, "obs_value_raw": "[`spacing_r`, `shuffle_r_statistic`, `denominator_state`, `excluded_mass`, `tran", "observable_contract_present": true, "contract_observable": "`spacing_r` originale contro permutation null row-aligned", "domain_native_declared": true, "reason": "observables_used populated or field absent (legacy)"} tools/data/g1_log.jsonl:77:{"ts": "2026-05-16T03:37:28.704820+00:00", "cycle_ref": "20260516_0330", "decision": "PASS", "tension_id": "BOUNDARY", "tension_tipo": "confine_inesplorato", "obs_field_present": true, "obs_empty": false, "obs_value_raw": "[observed_graph_bridge_frequency, label_shuffle_bridge_frequency, degree_rewire_", "observable_contract_present": true, "contract_observable": "frequenza graph bridge osservata contro frequenze null grafiche", "domain_native_declared": true, "reason": "observables_used populated or field absent (legacy)"} tools/data/two_channel_boundary.json:37: "decay_corr_r": 0.6836461275024494, tools/data/two_channel_boundary.json:38: "decay_corr_acf_res": -0.1899591554292676, tools/data/two_channel_boundary.json:39: "decay_corr_acf_mag": 0.45542153438706956, tools/data/two_channel_boundary.json:40: "decay_corr_mod3": -0.1036495280485262 tools/data/two_channel_boundary.json:51: "shuffle_r_mean": 0.5076743904715153, tools/data/two_channel_boundary.json:52: "shuffle_r_std": 0.0034495176710536775, tools/data/two_channel_boundary.json:53: "shuffle_acf_res_mean": 0.10244968279481415, tools/data/two_channel_boundary.json:54: "shuffle_acf_res_std": 0.0067210511801741694, tools/data/two_channel_boundary.json:55: "shuffle_acf_mag_mean": -0.0033351036842178402, tools/data/two_channel_boundary.json:56: "shuffle_acf_mag_std": 0.01441613354599983, tools/data/two_channel_boundary.json:57: "shuffle_mod3_mean": 0.6034020412247347, tools/data/two_channel_boundary.json:58: "shuffle_mod3_std": 0.005877741486042736, tools/data/two_channel_boundary.json:72: "shuffle_r_mean": 0.5091633496785366, tools/data/two_channel_boundary.json:73: "shuffle_r_std": 0.0030895791431886674, tools/data/two_channel_boundary.json:74: "shuffle_acf_res_mean": 0.10589631490091247, tools/data/two_channel_boundary.json:75: "shuffle_acf_res_std": 0.012052060828303793, tools/data/two_channel_boundary.json:76: "shuffle_acf_mag_mean": -0.004891075460305929, tools/data/two_channel_boundary.json:77: "shuffle_acf_mag_std": 0.010986279023729187, tools/data/two_channel_boundary.json:78: "shuffle_mod3_mean": 0.6023509403761506, tools/data/two_channel_boundary.json:79: "shuffle_mod3_std": 0.006719375922377534, tools/data/two_channel_boundary.json:93: "shuffle_r_mean": 0.5090485520797325, tools/data/two_channel_boundary.json:94: "shuffle_r_std": 0.003558973684827825, tools/data/two_channel_boundary.json:95: "shuffle_acf_res_mean": 0.10013518949383275, tools/data/two_channel_boundary.json:96: "shuffle_acf_res_std": 0.010832536832904808, tools/data/two_channel_boundary.json:97: "shuffle_acf_mag_mean": -0.0014468057143013726, tools/data/two_channel_boundary.json:98: "shuffle_acf_mag_std": 0.014476112299736806, tools/data/two_channel_boundary.json:99: "shuffle_mod3_mean": 0.5990296118447379, tools/data/two_channel_boundary.json:100: "shuffle_mod3_std": 0.00525547253575361, tools/data/two_channel_boundary.json:114: "shuffle_r_mean": 0.5099346659232026, tools/data/two_channel_boundary.json:115: "shuffle_r_std": 0.003912973722796889, tools/data/two_channel_boundary.json:116: "shuffle_acf_res_mean": 0.10456647167337448, tools/data/two_channel_boundary.json:117: "shuffle_acf_res_std": 0.010204724389618247, tools/data/two_channel_boundary.json:118: "shuffle_acf_mag_mean": 0.0030883269570972857, tools/data/two_channel_boundary.json:119: "shuffle_acf_mag_std": 0.0158294818948182, tools/data/two_channel_boundary.json:120: "shuffle_mod3_mean": 0.6025710284113647, tools/data/two_channel_boundary.json:121: "shuffle_mod3_std": 0.005804140336514054, tools/data/two_channel_boundary.json:135: "shuffle_r_mean": 0.5093177281339967, tools/data/two_channel_boundary.json:136: "shuffle_r_std": 0.0028618671230287336, tools/data/two_channel_boundary.json:137: "shuffle_acf_res_mean": 0.10410027859534125, tools/data/two_channel_boundary.json:138: "shuffle_acf_res_std": 0.007459299704451248, tools/data/two_channel_boundary.json:139: "shuffle_acf_mag_mean": -0.000876178390668648, tools/data/two_channel_boundary.json:140: "shuffle_acf_mag_std": 0.010799874673530323, tools/data/two_channel_boundary.json:141: "shuffle_mod3_mean": 0.6012304921968787, tools/data/two_channel_boundary.json:142: "shuffle_mod3_std": 0.006481628073265521, tools/data/two_channel_boundary.json:156: "shuffle_r_mean": 0.5106481501735344, tools/data/two_channel_boundary.json:157: "shuffle_r_std": 0.002947484473641348, tools/data/two_channel_boundary.json:158: "shuffle_acf_res_mean": 0.10720825604695192, tools/data/two_channel_boundary.json:159: "shuffle_acf_res_std": 0.013919606212523085, tools/data/two_channel_boundary.json:160: "shuffle_acf_mag_mean": -0.0009493475683704646, tools/data/two_channel_boundary.json:161: "shuffle_acf_mag_std": 0.01353128892814372, tools/data/two_channel_boundary.json:162: "shuffle_mod3_mean": 0.6024409763905563, tools/data/two_channel_boundary.json:163: "shuffle_mod3_std": 0.006068727846379794, tools/data/two_channel_boundary.json:177: "shuffle_r_mean": 0.5084058985358026, tools/data/two_channel_boundary.json:178: "shuffle_r_std": 0.0033479135449849, tools/data/two_channel_boundary.json:179: "shuffle_acf_res_mean": 0.10228049414109205, tools/data/two_channel_boundary.json:180: "shuffle_acf_res_std": 0.010879126834905906, tools/data/two_channel_boundary.json:181: "shuffle_acf_mag_mean": -0.005127224964373719, tools/data/two_channel_boundary.json:182: "shuffle_acf_mag_std": 0.012821702734344166, tools/data/two_channel_boundary.json:183: "shuffle_mod3_mean": 0.6024709883953582, tools/data/two_channel_boundary.json:184: "shuffle_mod3_std": 0.006206118477978413, tools/data/two_channel_boundary.json:198: "shuffle_r_mean": 0.5083570730485962, tools/data/two_channel_boundary.json:199: "shuffle_r_std": 0.003009118015256923, tools/data/two_channel_boundary.json:200: "shuffle_acf_res_mean": 0.10661250453406054, tools/data/two_channel_boundary.json:201: "shuffle_acf_res_std": 0.010587625181734365, tools/data/two_channel_boundary.json:202: "shuffle_acf_mag_mean": -0.006927231385694258, tools/data/two_channel_boundary.json:203: "shuffle_acf_mag_std": 0.011114860209322348, tools/data/two_channel_boundary.json:204: "shuffle_mod3_mean": 0.603561424569828, tools/data/two_channel_boundary.json:205: "shuffle_mod3_std": 0.0050463817434281905, tools/data/two_channel_boundary.json:219: "shuffle_r_mean": 0.5105359817986701, tools/data/two_channel_boundary.json:220: "shuffle_r_std": 0.00332588128619304, tools/data/two_channel_boundary.json:221: "shuffle_acf_res_mean": 0.1047075346397407, tools/data/two_channel_boundary.json:222: "shuffle_acf_res_std": 0.007518027217662181, tools/data/two_channel_boundary.json:223: "shuffle_acf_mag_mean": 0.001657619121331123, tools/data/two_channel_boundary.json:224: "shuffle_acf_mag_std": 0.01399541191603817, tools/data/two_channel_boundary.json:225: "shuffle_mod3_mean": 0.6018807523009204, tools/data/two_channel_boundary.json:226: "shuffle_mod3_std": 0.006820528443123559, tools/data/two_channel_boundary.json:240: "shuffle_r_mean": 0.5098674596103658, tools/data/two_channel_boundary.json:241: "shuffle_r_std": 0.002274657233432897, tools/data/two_channel_boundary.json:242: "shuffle_acf_res_mean": 0.10743695620066733, tools/data/two_channel_boundary.json:243: "shuffle_acf_res_std": 0.010994941371136152, tools/data/two_channel_boundary.json:244: "shuffle_acf_mag_mean": 0.0037255587486181288, tools/data/two_channel_boundary.json:245: "shuffle_acf_mag_std": 0.013948162102085989, tools/data/two_channel_boundary.json:246: "shuffle_mod3_mean": 0.604281712685074, tools/data/two_channel_boundary.json:247: "shuffle_mod3_std": 0.00593924355850975, tools/data/two_channel_boundary.json:261: "shuffle_r_mean": 0.5068483531370619, tools/data/two_channel_boundary.json:262: "shuffle_r_std": 0.0036840876436178625, tools/data/two_channel_boundary.json:263: "shuffle_acf_res_mean": 0.10555704797916107, tools/data/two_channel_boundary.json:264: "shuffle_acf_res_std": 0.010545459508248364, tools/data/two_channel_boundary.json:265: "shuffle_acf_mag_mean": -0.0022558847508498047, tools/data/two_channel_boundary.json:266: "shuffle_acf_mag_std": 0.01415268960013521, tools/data/two_channel_boundary.json:267: "shuffle_mod3_mean": 0.6024009603841536, tools/data/two_channel_boundary.json:268: "shuffle_mod3_std": 0.006301282295999268, tools/data/two_channel_boundary.json:282: "shuffle_r_mean": 0.5082438306377302, tools/data/two_channel_boundary.json:283: "shuffle_r_std": 0.002287454368980915, tools/data/two_channel_boundary.json:284: "shuffle_acf_res_mean": 0.10846893459521881, tools/data/two_channel_boundary.json:285: "shuffle_acf_res_std": 0.01000985780098404, tools/data/two_channel_boundary.json:286: "shuffle_acf_mag_mean": 0.0015829675640970532, tools/data/two_channel_boundary.json:287: "shuffle_acf_mag_std": 0.011804172901125766, tools/data/two_channel_boundary.json:288: "shuffle_mod3_mean": 0.6049119647859144, tools/data/two_channel_boundary.json:289: "shuffle_mod3_std": 0.00508111700999055, tools/data/two_channel_boundary.json:303: "shuffle_r_mean": 0.5079048358745998, tools/data/two_channel_boundary.json:304: "shuffle_r_std": 0.0029460239983752205, tools/data/two_channel_boundary.json:305: "shuffle_acf_res_mean": 0.1162847924688063, tools/data/two_channel_boundary.json:306: "shuffle_acf_res_std": 0.009315643283244815, tools/data/two_channel_boundary.json:307: "shuffle_acf_mag_mean": 0.005670997600958657, tools/data/two_channel_boundary.json:308: "shuffle_acf_mag_std": 0.012392913897075879, tools/data/two_channel_boundary.json:309: "shuffle_mod3_mean": 0.6070328131252499, tools/data/two_channel_boundary.json:310: "shuffle_mod3_std": 0.005564410586766225, tools/data/two_channel_boundary.json:324: "shuffle_r_mean": 0.5082219228619193, tools/data/two_channel_boundary.json:325: "shuffle_r_std": 0.0035940243248730164, tools/data/two_channel_boundary.json:326: "shuffle_acf_res_mean": 0.11897327194707734, tools/data/two_channel_boundary.json:327: "shuffle_acf_res_std": 0.008529484529472815, tools/data/two_channel_boundary.json:328: "shuffle_acf_mag_mean": 0.006411627313086805, tools/data/two_channel_boundary.json:329: "shuffle_acf_mag_std": 0.013991774060069488, tools/data/two_channel_boundary.json:330: "shuffle_mod3_mean": 0.6078131252501001, tools/data/two_channel_boundary.json:331: "shuffle_mod3_std": 0.0066777815986164436, tools/data/two_channel_boundary.json:345: "shuffle_r_mean": 0.5062977519180434, tools/data/two_channel_boundary.json:346: "shuffle_r_std": 0.003958938235662831, tools/data/two_channel_boundary.json:347: "shuffle_acf_res_mean": 0.11172892559029812, tools/data/two_channel_boundary.json:348: "shuffle_acf_res_std": 0.011641257971121326, tools/data/two_channel_boundary.json:349: "shuffle_acf_mag_mean": -0.0035036483112342517, tools/data/two_channel_boundary.json:350: "shuffle_acf_mag_std": 0.013088785669931997, tools/data/two_channel_boundary.json:351: "shuffle_mod3_mean": 0.6060724289715885, tools/data/two_channel_boundary.json:352: "shuffle_mod3_std": 0.007303955755623174, tools/data/two_channel_boundary.json:366: "shuffle_r_mean": 0.5041058161805008, tools/data/two_channel_boundary.json:367: "shuffle_r_std": 0.002956098721628031, tools/data/two_channel_boundary.json:368: "shuffle_acf_res_mean": 0.11152118272318971, tools/data/two_channel_boundary.json:369: "shuffle_acf_res_std": 0.00681463777166934, tools/data/two_channel_boundary.json:370: "shuffle_acf_mag_mean": -0.00317511500846998, tools/data/two_channel_boundary.json:371: "shuffle_acf_mag_std": 0.0129681094734905, tools/data/two_channel_boundary.json:372: "shuffle_mod3_mean": 0.6067527010804323, tools/data/two_channel_boundary.json:373: "shuffle_mod3_std": 0.007144139053241758, tools/data/two_channel_boundary.json:387: "shuffle_r_mean": 0.5019239134033622, tools/data/two_channel_boundary.json:388: "shuffle_r_std": 0.0030050553296312498, tools/data/two_channel_boundary.json:389: "shuffle_acf_res_mean": 0.1118760138769667, tools/data/two_channel_boundary.json:390: "shuffle_acf_res_std": 0.008863278590341106, tools/data/two_channel_boundary.json:391: "shuffle_acf_mag_mean": -0.0015568336363010148, tools/data/two_channel_boundary.json:392: "shuffle_acf_mag_std": 0.013298698987198557, tools/data/two_channel_boundary.json:393: "shuffle_mod3_mean": 0.6060424169667867, tools/data/two_channel_boundary.json:394: "shuffle_mod3_std": 0.0071015729103535204, tools/data/two_channel_boundary.json:408: "shuffle_r_mean": 0.49956892063557745, tools/data/two_channel_boundary.json:409: "shuffle_r_std": 0.0033142049566465275, tools/data/two_channel_boundary.json:410: "shuffle_acf_res_mean": 0.10725625419056535, tools/data/two_channel_boundary.json:411: "shuffle_acf_res_std": 0.006925429814142913, tools/data/two_channel_boundary.json:412: "shuffle_acf_mag_mean": 0.0012067997948475215, tools/data/two_channel_boundary.json:413: "shuffle_acf_mag_std": 0.011301069849218375, tools/data/two_channel_boundary.json:414: "shuffle_mod3_mean": 0.6030512204881954, tools/data/two_channel_boundary.json:415: "shuffle_mod3_std": 0.005122390741763771, tools/data/two_channel_boundary.json:429: "shuffle_r_mean": 0.4948731458177229, tools/data/two_channel_boundary.json:430: "shuffle_r_std": 0.0035944392464943445, tools/data/two_channel_boundary.json:431: "shuffle_acf_res_mean": 0.09912225501323764, tools/data/two_channel_boundary.json:432: "shuffle_acf_res_std": 0.0069179300089704686, tools/data/two_channel_boundary.json:433: "shuffle_acf_mag_mean": 0.0031730433737428704, tools/data/two_channel_boundary.json:434: "shuffle_acf_mag_std": 0.017674645087840835, tools/data/two_channel_boundary.json:435: "shuffle_mod3_mean": 0.6009503801520608, tools/data/two_channel_boundary.json:436: "shuffle_mod3_std": 0.005755379589173009, tools/data/two_channel_boundary.json:450: "shuffle_r_mean": 0.4911908494551723, tools/data/two_channel_boundary.json:451: "shuffle_r_std": 0.002700344637387915, tools/data/two_channel_boundary.json:452: "shuffle_acf_res_mean": 0.10834228656701413, tools/data/two_channel_boundary.json:453: "shuffle_acf_res_std": 0.010485098920362755, tools/data/two_channel_boundary.json:454: "shuffle_acf_mag_mean": 0.002610343498108402, tools/data/two_channel_boundary.json:455: "shuffle_acf_mag_std": 0.009183704757305462, tools/data/two_channel_boundary.json:456: "shuffle_mod3_mean": 0.601530612244898, tools/data/two_channel_boundary.json:457: "shuffle_mod3_std": 0.005461296167810814, tools/data/two_channel_boundary.json:471: "shuffle_r_mean": 0.4893265159220498, tools/data/two_channel_boundary.json:472: "shuffle_r_std": 0.0032553405588125407, tools/data/two_channel_boundary.json:473: "shuffle_acf_res_mean": 0.1197561605798922, tools/data/two_channel_boundary.json:474: "shuffle_acf_res_std": 0.007173299478912226, tools/data/two_channel_boundary.json:475: "shuffle_acf_mag_mean": -0.0015562523810273047, tools/data/two_channel_boundary.json:476: "shuffle_acf_mag_std": 0.016090818702403784, tools/data/two_channel_boundary.json:477: "shuffle_mod3_mean": 0.6087234893957583, tools/data/two_channel_boundary.json:478: "shuffle_mod3_std": 0.005553221198405507, tools/data/two_channel_boundary.json:492: "shuffle_r_mean": 0.48690784353047256, tools/data/two_channel_boundary.json:493: "shuffle_r_std": 0.0032076550269591855, tools/data/two_channel_boundary.json:494: "shuffle_acf_res_mean": 0.12492232711304833, tools/data/two_channel_boundary.json:495: "shuffle_acf_res_std": 0.010029835627095827, tools/data/two_channel_boundary.json:496: "shuffle_acf_mag_mean": 0.002788474750755469, tools/data/two_channel_boundary.json:497: "shuffle_acf_mag_std": 0.013751987000910156, tools/data/two_channel_boundary.json:498: "shuffle_mod3_mean": 0.6111444577831133, tools/data/two_channel_boundary.json:499: "shuffle_mod3_std": 0.0044060784963511805, tools/data/two_channel_boundary.json:513: "shuffle_r_mean": 0.48263010617697255, tools/data/two_channel_boundary.json:514: "shuffle_r_std": 0.00308216963398049, tools/data/two_channel_boundary.json:515: "shuffle_acf_res_mean": 0.10909749761459928, tools/data/two_channel_boundary.json:516: "shuffle_acf_res_std": 0.0115820057818122, tools/data/two_channel_boundary.json:517: "shuffle_acf_mag_mean": -0.0004410095526571821, tools/data/two_channel_boundary.json:518: "shuffle_acf_mag_std": 0.013947798424619092, tools/data/two_channel_boundary.json:519: "shuffle_mod3_mean": 0.6075330132052821, tools/data/two_channel_boundary.json:520: "shuffle_mod3_std": 0.004715472933893543, tools/data/two_channel_boundary.json:534: "shuffle_r_mean": 0.48024765307998096, tools/data/two_channel_boundary.json:535: "shuffle_r_std": 0.002762505071139832, tools/data/two_channel_boundary.json:536: "shuffle_acf_res_mean": 0.13359519642993542, tools/data/two_channel_boundary.json:537: "shuffle_acf_res_std": 0.007842661193912692, tools/data/two_channel_boundary.json:538: "shuffle_acf_mag_mean": -0.006641684877329438, tools/data/two_channel_boundary.json:539: "shuffle_acf_mag_std": 0.01007611569391682, tools/data/two_channel_boundary.json:540: "shuffle_mod3_mean": 0.6131552621048421, tools/data/two_channel_boundary.json:541: "shuffle_mod3_std": 0.006046415588074346, tools/data/two_channel_boundary.json:555: "shuffle_r_mean": 0.47458623800539457, tools/data/two_channel_boundary.json:556: "shuffle_r_std": 0.004381595795732388, tools/data/two_channel_boundary.json:557: "shuffle_acf_res_mean": 0.1396051329141273, tools/data/two_channel_boundary.json:558: "shuffle_acf_res_std": 0.007521007405384149, tools/data/two_channel_boundary.json:559: "shuffle_acf_mag_mean": 0.0028175838845904194, tools/data/two_channel_boundary.json:560: "shuffle_acf_mag_std": 0.013577934001078935, tools/data/two_channel_boundary.json:561: "shuffle_mod3_mean": 0.6178571428571428, tools/data/two_channel_boundary.json:562: "shuffle_mod3_std": 0.005268405872688195, tools/data/two_channel_boundary.json:576: "shuffle_r_mean": 0.47276802229448095, tools/data/two_channel_boundary.json:577: "shuffle_r_std": 0.002661703759805788, tools/data/two_channel_boundary.json:578: "shuffle_acf_res_mean": 0.14370178911940412, tools/data/two_channel_boundary.json:579: "shuffle_acf_res_std": 0.0070632476751649395, tools/data/two_channel_boundary.json:580: "shuffle_acf_mag_mean": 0.0019627378972032206, tools/data/two_channel_boundary.json:581: "shuffle_acf_mag_std": 0.010442643672665815, tools/data/two_channel_boundary.json:582: "shuffle_mod3_mean": 0.6199779911964786, tools/data/two_channel_boundary.json:583: "shuffle_mod3_std": 0.0063030847007457865, tools/data/two_channel_boundary.json:597: "shuffle_r_mean": 0.4750547622441294, tools/data/two_channel_boundary.json:598: "shuffle_r_std": 0.0029345349583480016, tools/data/two_channel_boundary.json:599: "shuffle_acf_res_mean": 0.15461615631197628, tools/data/two_channel_boundary.json:600: "shuffle_acf_res_std": 0.007143034484771508, tools/data/two_channel_boundary.json:601: "shuffle_acf_mag_mean": 0.0015947874567936427, tools/data/two_channel_boundary.json:602: "shuffle_acf_mag_std": 0.011063464819780931, tools/data/two_channel_boundary.json:603: "shuffle_mod3_mean": 0.6247098839535815, tools/data/two_channel_boundary.json:604: "shuffle_mod3_std": 0.005339963258642309, tools/data/two_channel_boundary.json:618: "shuffle_r_mean": 0.4742327992917016, tools/data/two_channel_boundary.json:619: "shuffle_r_std": 0.0027681829402684916, tools/data/two_channel_boundary.json:620: "shuffle_acf_res_mean": 0.14888335321755541, tools/data/two_channel_boundary.json:621: "shuffle_acf_res_std": 0.01079191850828904, tools/data/two_channel_boundary.json:622: "shuffle_acf_mag_mean": -0.0034321581213540885, tools/data/two_channel_boundary.json:623: "shuffle_acf_mag_std": 0.011059785619649069, tools/data/two_channel_boundary.json:624: "shuffle_mod3_mean": 0.6223689475790317, tools/data/two_channel_boundary.json:625: "shuffle_mod3_std": 0.006753523581583219, tools/data/dipartimento_journal.jsonl:3:{"timestamp": "2026-03-15T07:34:56.818931", "tensione": {"tipo": "falsificazione", "id": "FALS_BREAK_M_det_minus_one_L0", "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 (2026-03-15T03:41). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:7:{"timestamp": "2026-03-15T07:35:22.188489", "tensione": {"tipo": "falsificazione", "id": "FALS_BREAK_M_det_minus_one_L0", "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 (2026-03-15T03:41). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:11:{"timestamp": "2026-03-15T07:40:54.437052", "tensione": {"tipo": "falsificazione", "id": "FALS_BREAK_M_det_minus_one_L0", "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 (2026-03-15T03:41). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:16:{"timestamp": "2026-03-15T08:00:05.698404", "tensione": {"tipo": "falsificazione", "id": "FALS_BREAK_M_det_minus_one_L0", "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 (2026-03-15T03:41). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:21:{"timestamp": "2026-03-15T08:01:47.897040", "tensione": {"tipo": "falsificazione", "id": "FALS_BREAK_M_det_minus_one_L0", "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 (2026-03-15T03:41). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= "}, "filtro": "non tocca condensato"} tools/data/dipartimento_journal.jsonl:26:{"timestamp": "2026-03-15T08:01:53.798999", "tensione": {"tipo": "falsificazione", "id": "FALS_BREAK_M_det_minus_one_L0", "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 (2026-03-15T03:41). 0.5|=0.1129 farther\n\n silver:\n N= 13: =0.5902 |-0.5|=0.0902 \n N= "}, "filtro": "non tocca condensato"} tools/data/exp_conditional_r.json:34: "z_scores_vs_shuffle": [ tools/data/exp_conditional_r.json:85: "shuffle_mean": 5.402861322674535e-05, tools/data/exp_conditional_r.json:86: "shuffle_std": 0.00031571627564109704, tools/data/notte_20260303_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.43344476133517995) tools/data/notte_20260303_0330.md:14: percolation_var_0.65: r=1.380952380952381, spacing=Poisson-like (⟨r⟩=0.45002661025974017) tools/data/seme.json:89: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme.json:186: "decay_counter": 5, tools/data/seme.json:188: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:194: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme.json:201: "decay_counter": 5, tools/data/seme.json:203: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:209: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme.json:216: "decay_counter": 5, tools/data/seme.json:218: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:224: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme.json:231: "decay_counter": 5, tools/data/seme.json:233: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:246: "decay_counter": 5, tools/data/seme.json:248: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:254: "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.", tools/data/seme.json:261: "decay_counter": 5, tools/data/seme.json:263: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:276: "decay_counter": 5, tools/data/seme.json:278: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:291: "decay_counter": 5, tools/data/seme.json:293: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:306: "decay_counter": 5, tools/data/seme.json:308: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:321: "decay_counter": 5, tools/data/seme.json:323: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:329: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme.json:336: "decay_counter": 5, tools/data/seme.json:338: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:351: "decay_counter": 5, tools/data/seme.json:353: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:366: "decay_counter": 5, tools/data/seme.json:368: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:381: "decay_counter": 5, tools/data/seme.json:383: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:396: "decay_counter": 5, tools/data/seme.json:398: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:411: "decay_counter": 5, tools/data/seme.json:413: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme.json:427: "direzione": "Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova.", tools/data/notte_20260312_0330.md:13: percolation_var_0.55: r=1.037037037037037, spacing=Poisson-like (⟨r⟩=0.41840391114320896) tools/data/notte_20260312_0330.md:14: percolation_var_0.65: r=1.0357142857142858, spacing=Poisson-like (⟨r⟩=0.48785515925635364) tools/data/notte_20260309_0330.md:13: percolation_var_0.55: r=1.0384615384615385, spacing=Poisson-like (⟨r⟩=0.42620322149073625) tools/data/notte_20260309_0330.md:14: percolation_var_0.65: r=1.3790650406504066, spacing=Poisson-like (⟨r⟩=0.4591904379007532) tools/data/markov_k_direction.json:2: "method": "14 equal-count bins, per-source shuffle baseline, gap-pool sampling", tools/data/arxiv_cache.json:124: "title": "Exponential decay of the size of spectral gaps for quasiperiodic Schrödinger operators", tools/data/dipolar_vector_scaling.json:3: "question": "Does the dipolar vector (z_SR, z_L1) rotate with scale or only decay?", tools/data/dipolar_vector_scaling.json:4: "n_shuffles": 200, tools/data/dipolar_vector_scaling.json:13: "sr_shuffle_mean": 0.525342, tools/data/dipolar_vector_scaling.json:14: "sr_shuffle_std": 0.006891, tools/data/dipolar_vector_scaling.json:15: "l1_shuffle_mean": -0.001674, tools/data/dipolar_vector_scaling.json:16: "l1_shuffle_std": 0.029819, tools/data/dipolar_vector_scaling.json:28: "sr_shuffle_mean": 0.512733, tools/data/dipolar_vector_scaling.json:29: "sr_shuffle_std": 0.004254, tools/data/dipolar_vector_scaling.json:30: "l1_shuffle_mean": -0.000507, tools/data/dipolar_vector_scaling.json:31: "l1_shuffle_std": 0.016636, tools/data/dipolar_vector_scaling.json:43: "sr_shuffle_mean": 0.501186, tools/data/dipolar_vector_scaling.json:44: "sr_shuffle_std": 0.002435, tools/data/dipolar_vector_scaling.json:45: "l1_shuffle_mean": 0.000469, tools/data/dipolar_vector_scaling.json:46: "l1_shuffle_std": 0.009649, tools/data/dipolar_vector_scaling.json:58: "sr_shuffle_mean": 0.491812, tools/data/dipolar_vector_scaling.json:59: "sr_shuffle_std": 0.001407, tools/data/dipolar_vector_scaling.json:60: "l1_shuffle_mean": -0.000218, tools/data/dipolar_vector_scaling.json:61: "l1_shuffle_std": 0.005994, tools/data/dipolar_vector_scaling.json:73: "sr_shuffle_mean": 0.483515, tools/data/dipolar_vector_scaling.json:74: "sr_shuffle_std": 0.000897, tools/data/dipolar_vector_scaling.json:75: "l1_shuffle_mean": 0.000187, tools/data/dipolar_vector_scaling.json:76: "l1_shuffle_std": 0.003237, tools/data/dipolar_vector_scaling.json:88: "sr_shuffle_mean": 0.476334, tools/data/dipolar_vector_scaling.json:89: "sr_shuffle_std": 0.000501, tools/data/dipolar_vector_scaling.json:90: "l1_shuffle_mean": 4.9e-05, tools/data/dipolar_vector_scaling.json:91: "l1_shuffle_std": 0.002186, tools/data/dipolar_vector_scaling.json:103: "sr_shuffle_mean": 0.486719, tools/data/dipolar_vector_scaling.json:104: "sr_shuffle_std": 0.00102, tools/data/dipolar_vector_scaling.json:105: "l1_shuffle_mean": 0.000146, tools/data/dipolar_vector_scaling.json:106: "l1_shuffle_std": 0.004723, tools/data/dipolar_vector_scaling.json:118: "sr_shuffle_mean": 0.466451, tools/data/dipolar_vector_scaling.json:119: "sr_shuffle_std": 0.001004, tools/data/dipolar_vector_scaling.json:120: "l1_shuffle_mean": 0.000192, tools/data/dipolar_vector_scaling.json:121: "l1_shuffle_std": 0.004436, tools/data/dipolar_vector_scaling.json:133: "sr_shuffle_mean": 0.464967, tools/data/dipolar_vector_scaling.json:134: "sr_shuffle_std": 0.001023, tools/data/dipolar_vector_scaling.json:135: "l1_shuffle_mean": -0.000395, tools/data/dipolar_vector_scaling.json:136: "l1_shuffle_std": 0.004376, tools/data/dipolar_vector_scaling.json:148: "sr_shuffle_mean": 0.462443, tools/data/dipolar_vector_scaling.json:149: "sr_shuffle_std": 0.001072, tools/data/dipolar_vector_scaling.json:150: "l1_shuffle_mean": 0.000423, tools/data/dipolar_vector_scaling.json:151: "l1_shuffle_std": 0.004706, tools/data/dipolar_vector_scaling.json:163: "sr_shuffle_mean": 0.422654, tools/data/dipolar_vector_scaling.json:164: "sr_shuffle_std": 0.002513, tools/data/dipolar_vector_scaling.json:165: "l1_shuffle_mean": -0.000352, tools/data/dipolar_vector_scaling.json:166: "l1_shuffle_std": 0.010048, tools/data/dipolar_vector_scaling.json:178: "sr_shuffle_mean": 0.417605, tools/data/dipolar_vector_scaling.json:179: "sr_shuffle_std": 0.000783, tools/data/dipolar_vector_scaling.json:180: "l1_shuffle_mean": 0.000125, tools/data/dipolar_vector_scaling.json:181: "l1_shuffle_std": 0.003011, tools/data/dipolar_vector_scaling.json:193: "sr_shuffle_mean": 0.411079, tools/data/dipolar_vector_scaling.json:194: "sr_shuffle_std": 0.00023, tools/data/dipolar_vector_scaling.json:195: "l1_shuffle_mean": -3.6e-05, tools/data/dipolar_vector_scaling.json:196: "l1_shuffle_std": 0.000945, tools/data/magnitude_psd_from_acf.json:6: "slope_shuffle": -0.00025792692430648303, tools/data/magnitude_psd_from_acf.json:73: "z_vs_shuffle": 46.281487255156684, tools/data/lab_data.json:4: "direzione": "Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova.", tools/data/lab_data.json:58: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/lab_data.json:101: "content": "# Agent Report - Boundary Stable, Physics Unpromoted\n**Date**: 20260605_1202\n**Tension explored**: BOUNDARY / 8 domini GUE, 5 Poisson / terzo incluso operativo\n**verdict**: CONSTRAINT / TOOL\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, z_SR, z_SR2, z_L1, z_L2, z_triple_var, third_included_candidates, k_grid_stability, shuffle_seed_stability]\nobservable_contract: claim=nel denominatore row-aligned 13-row 8 GUE / 5 Poisson, una riga third-included e' stabile solo se ricorre in tutti i run k={2,3,4} x seed={2026060501,2026060502,2026060503}; tested_non_possible=non e' sostenibile dichiarare fragile il gate graph-boundary per questi quattro candidati nel perimetro k/seed testato, perche' ricorrono 9/9; not_tested_or_empty=QxG come ponte fisico, percolation/reaction_diffusion come fisico B domain-native, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization e null fisici interni non sono testati qui.\nssp_value: no\n\n## Respiro fuori-tempo\nPrima impressione: il confine non cade quando cambia il lettore locale del grafo; cade invece la tentazione di chiamarlo fisica. La combo e' A9 terzo incluso + A10 dipolo + incrocio QxG vuoto + denominatore 8/5: il punto-zero esiste come geometria stabile prima del label, non come ponte fisico.\n\nphysical_A: statistica spettrale GUE/Poisson come repulsione/indipendenza in domini fisici e semi-fisici.\nmathematical_M: grafo kNN su feature canoniche, curvature edge audit, rigidity e shuffle-z; griglia k/seed come stress del trasduttore.\nattempted_physical_B: percolation e reaction_diffusion restano candidati di ritorno, ma non sono promossi perche' qui non hanno osservabile domain-native.\n\ndirection_minimal_experiment: stress k={2,3,4} x 3 seed sullo stesso denominatore 13-row; questa superficie segue dalla combo perche' testa se il punto-zero graph-boundary sopravvive alla geometria locale, non perche' primi, Anderson o percolation siano target familiari.\n\n## Claim Under Test\nNel denominatore row-aligned 8 GUE / 5 Poisson, i candidati third-included del gate graph-boundary restano invarianti attraverso k={2,3,4} e tre seed shuffle. Il claim e' falsificato se nessuna riga ricorre in tutti i 9 run, o se la stabilita' richiede cambiare denominatore.\n\n## Question\nIl terzo incluso operativo del seme e' una geometria stabile del boundary prima della classificazione, oppure era un residuo fragile del singolo k/seed precedente?\n\n## Experiment Design\nTool: `python tools/exp_boundary_graph_stability_audit.py --stamp 20260605_1202 --out tools/data/boundary_graph_stability_audit_20260605_1202.json --out-dir tools/data/preflight/graph_stability --k-grid 2,3,4 --seeds 2026060501,2026060502,2026060503`.\n\nInput: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned: 8 GUE, 5 Poisson. Scope: n_gaps=2048, min_gaps=64, n_shuffle=64. Criterio: stable_all_runs solo se lo stesso candidate id appare in 9/9 run. Falsificazione: 0 stable_all_runs => graph_only_residue fragile; stabil" tools/data/lab_data.json:149: "anti_claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim regge. phi converge a =0.5 piu' sistem" tools/data/proto_oom_001.json:123: "tipo": "decay" tools/data/notte_20260311_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.438446157222364) tools/data/notte_20260311_0330.md:14: percolation_var_0.65: r=1.04, spacing=Poisson-like (⟨r⟩=0.4825316621318817) tools/data/runtime_awareness/latest.json:45: "physical_a": "transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo", tools/data/runtime_awareness/latest.json:47: "current_b": "percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native.", tools/data/runtime_awareness/latest.json:48: "return_section": "Oggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate." tools/data/runtime_awareness/latest.json:51: "bicono": "- **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 - **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed - **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con third_included_candidates - **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only", tools/data/runtime_awareness/latest.json:52: "consecutio": "Prossimo passo minimo: scegliere un solo fisico B tra percolation:cycle_9 e reaction_diffusion:cycle_11 e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come stable_graph_tool_only." tools/data/runtime_awareness/latest.json:55: "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt?" tools/data/runtime_awareness/latest.json:64: "percolation_or_logistic_as_authority_without_counter_perimeter", tools/data/runtime_awareness/latest.json:78: "percolation:cycle_9", tools/data/runtime_awareness/latest.json:79: "reaction_diffusion:cycle_11" tools/data/runtime_awareness/latest.json:84: "percolation:cycle_9", tools/data/runtime_awareness/latest.json:85: "reaction_diffusion:cycle_11" tools/data/runtime_awareness/latest.json:101: "n_shuffle": 64, tools/data/runtime_awareness/latest.json:104: "question": "Does the accepted 8 GUE / 5 Poisson graph-boundary third-included signal survive k-grid and shuffle-seed stability?" tools/data/runtime_awareness/latest.json:127: "latest_report_consecutio": "Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`." tools/data/runtime_awareness/latest.json:243: "exp_boundary_percolation_edge_trace.py", tools/data/runtime_awareness/latest.json:257: "exp_boundary_shuffle_audit.py", tools/data/runtime_awareness/latest.json:359: "exp_two_channel_shuffle_audit.py", tools/data/runtime_awareness/latest.json:447: "r_ratio_decay.py", tools/data/runtime_awareness/latest.json:599: "exp_boundary_percolation_edge_trace.py", tools/data/runtime_awareness/latest.json:839: "next_contract": "physical_B_contract: percolation/reaction-diffusion observable without graph-label authority", tools/data/runtime_awareness/latest.json:1308: "percolation", tools/data/runtime_awareness/latest.json:1314: "cycle_9", tools/data/runtime_awareness/latest.json:1315: "reaction_diffusion", tools/data/runtime_awareness/latest.json:1316: "cycle_11", tools/data/runtime_awareness/latest.json:1346: "baseline": "percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods", tools/data/runtime_awareness/latest.json:1349: "percolation", tools/data/runtime_awareness/latest.json:1400: "item": "percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods", tools/data/runtime_awareness/latest.json:1432: "focus": "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt?", tools/data/runtime_awareness/latest.json:1441: "point_zero_prompt": "Name the zero where the two poles become one problem: e.g. percolation/reaction-diffusion transition coordinate, not a promoted graph label.", tools/data/runtime_awareness/latest.json:1448: "item": "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt?", tools/data/runtime_awareness/latest.json:1468: "item": "percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods", tools/data/runtime_awareness/latest.json:1484: "recommended_move": "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? Hard stop: if no new domain-native observable is named before the report, exit BOUNDARY and select a non-BOUNDARY live seed/scenario direction.", tools/data/markov_scale_function.json:6: "n_shuffles": 30, tools/data/markov_scale_function.json:38: "H_shuffle_mean": 1.5609855026230797, tools/data/markov_scale_function.json:39: "H_shuffle_std": 0.0012609647993663162, tools/data/markov_scale_function.json:51: "H_shuffle_mean": 1.563222561482482, tools/data/markov_scale_function.json:52: "H_shuffle_std": 0.0013601373819513121, tools/data/markov_scale_function.json:64: "H_shuffle_mean": 1.5587473914959165, tools/data/markov_scale_function.json:65: "H_shuffle_std": 0.0014136674766189407, tools/data/markov_scale_function.json:77: "H_shuffle_mean": 1.5559500964645343, tools/data/markov_scale_function.json:78: "H_shuffle_std": 0.0014389739622548783, tools/data/markov_scale_function.json:90: "H_shuffle_mean": 1.5596568736010243, tools/data/markov_scale_function.json:91: "H_shuffle_std": 0.001453351247641225, tools/data/markov_scale_function.json:103: "H_shuffle_mean": 1.5537014356559085, tools/data/markov_scale_function.json:104: "H_shuffle_std": 0.001358652574644418, tools/data/markov_scale_function.json:116: "H_shuffle_mean": 1.5528496884389862, tools/data/markov_scale_function.json:117: "H_shuffle_std": 0.0012119261878554815, tools/data/markov_scale_function.json:129: "H_shuffle_mean": 1.5610765342642716, tools/data/markov_scale_function.json:130: "H_shuffle_std": 0.0013533400727166714, tools/data/markov_scale_function.json:142: "H_shuffle_mean": 1.554009499183174, tools/data/markov_scale_function.json:143: "H_shuffle_std": 0.0011181361181915252, tools/data/markov_scale_function.json:155: "H_shuffle_mean": 1.5481848944393202, tools/data/markov_scale_function.json:156: "H_shuffle_std": 0.0014102795190031102, tools/data/markov_scale_function.json:168: "H_shuffle_mean": 1.5496342076388028, tools/data/markov_scale_function.json:169: "H_shuffle_std": 0.0017597772285067323, tools/data/markov_scale_function.json:181: "H_shuffle_mean": 1.5494508848776445, tools/data/markov_scale_function.json:182: "H_shuffle_std": 0.0014721850056616584, tools/data/markov_scale_function.json:194: "H_shuffle_mean": 1.553020028934471, tools/data/markov_scale_function.json:195: "H_shuffle_std": 0.001500620452218304, tools/data/markov_scale_function.json:207: "H_shuffle_mean": 1.5459975990462995, tools/data/markov_scale_function.json:208: "H_shuffle_std": 0.0013367691096472087, tools/data/markov_scale_function.json:220: "H_shuffle_mean": 1.5527541069339799, tools/data/markov_scale_function.json:221: "H_shuffle_std": 0.001470461630209907, tools/data/markov_scale_function.json:233: "H_shuffle_mean": 1.5532652563605467, tools/data/markov_scale_function.json:234: "H_shuffle_std": 0.0013569222452241747, tools/data/markov_scale_function.json:246: "H_shuffle_mean": 1.5474114558992036, tools/data/markov_scale_function.json:247: "H_shuffle_std": 0.0013262099823178636, tools/data/markov_scale_function.json:259: "H_shuffle_mean": 1.5542895973491293, tools/data/markov_scale_function.json:260: "H_shuffle_std": 0.0017778506400465425, tools/data/markov_scale_function.json:272: "H_shuffle_mean": 1.5522730274410865, tools/data/markov_scale_function.json:273: "H_shuffle_std": 0.0009929003867474014, tools/data/markov_scale_function.json:285: "H_shuffle_mean": 1.5515721155096118, tools/data/markov_scale_function.json:286: "H_shuffle_std": 0.0015770565882995775, tools/data/markov_scale_function.json:298: "H_shuffle_mean": 1.555345144797373, tools/data/markov_scale_function.json:299: "H_shuffle_std": 0.0012904213352814698, tools/data/markov_scale_function.json:311: "H_shuffle_mean": 1.5475778125955426, tools/data/markov_scale_function.json:312: "H_shuffle_std": 0.0015324604462658288, tools/data/markov_scale_function.json:324: "H_shuffle_mean": 1.555054960376758, tools/data/markov_scale_function.json:325: "H_shuffle_std": 0.0017865826747788306, tools/data/markov_scale_function.json:337: "H_shuffle_mean": 1.5456646612763594, tools/data/markov_scale_function.json:338: "H_shuffle_std": 0.0013848246164766653, tools/data/markov_scale_function.json:350: "H_shuffle_mean": 1.5514346509242825, tools/data/markov_scale_function.json:351: "H_shuffle_std": 0.0013334914462504281, tools/data/markov_scale_function.json:363: "H_shuffle_mean": 1.551693689585689, tools/data/markov_scale_function.json:364: "H_shuffle_std": 0.0014427889353697894, tools/data/markov_scale_function.json:376: "H_shuffle_mean": 1.54560159092678, tools/data/markov_scale_function.json:377: "H_shuffle_std": 0.001558129352188748, tools/data/markov_scale_function.json:389: "H_shuffle_mean": 1.550712750364857, tools/data/markov_scale_function.json:390: "H_shuffle_std": 0.0012481323582493183, tools/data/markov_scale_function.json:402: "H_shuffle_mean": 1.5431582896360199, tools/data/markov_scale_function.json:403: "H_shuffle_std": 0.0014418072241747064, tools/data/markov_scale_function.json:415: "H_shuffle_mean": 1.5386238464461086, tools/data/markov_scale_function.json:416: "H_shuffle_std": 0.0015638703807317837, tools/data/markov_scale_function.json:428: "H_shuffle_mean": 1.5462860199787323, tools/data/markov_scale_function.json:429: "H_shuffle_std": 0.0015093543243444604, tools/data/markov_scale_function.json:441: "H_shuffle_mean": 1.549738101153288, tools/data/markov_scale_function.json:442: "H_shuffle_std": 0.0016393888085252488, tools/data/markov_scale_function.json:454: "H_shuffle_mean": 1.5493717747232658, tools/data/markov_scale_function.json:455: "H_shuffle_std": 0.001475253527196965, tools/data/markov_scale_function.json:467: "H_shuffle_mean": 1.551797242633405, tools/data/markov_scale_function.json:468: "H_shuffle_std": 0.0016171174466322142, tools/data/markov_scale_function.json:480: "H_shuffle_mean": 1.5457846547964544, tools/data/markov_scale_function.json:481: "H_shuffle_std": 0.0012374930923788187, tools/data/markov_scale_function.json:493: "H_shuffle_mean": 1.5460273970074778, tools/data/markov_scale_function.json:494: "H_shuffle_std": 0.0012582736310201635, tools/data/markov_scale_function.json:506: "H_shuffle_mean": 1.547367873683286, tools/data/markov_scale_function.json:507: "H_shuffle_std": 0.0017475158114755756, tools/data/markov_scale_function.json:519: "H_shuffle_mean": 1.5476576139386669, tools/data/markov_scale_function.json:520: "H_shuffle_std": 0.0014205404019035615, tools/data/markov_scale_function.json:532: "H_shuffle_mean": 1.550304367763961, tools/data/markov_scale_function.json:533: "H_shuffle_std": 0.0014372820971032243, tools/data/markov_scale_function.json:545: "H_shuffle_mean": 1.5538966781004189, tools/data/markov_scale_function.json:546: "H_shuffle_std": 0.001228554464534087, tools/data/markov_scale_function.json:558: "H_shuffle_mean": 1.5441333311277654, tools/data/markov_scale_function.json:559: "H_shuffle_std": 0.001471101136614342, tools/data/markov_scale_function.json:571: "H_shuffle_mean": 1.5458457493878015, tools/data/markov_scale_function.json:572: "H_shuffle_std": 0.001374023600500482, tools/data/markov_scale_function.json:584: "H_shuffle_mean": 1.550753353277404, tools/data/markov_scale_function.json:585: "H_shuffle_std": 0.0013263385152121321, tools/data/markov_scale_function.json:597: "H_shuffle_mean": 1.54778132590195, tools/data/markov_scale_function.json:598: "H_shuffle_std": 0.001297065750606356, tools/data/markov_scale_function.json:610: "H_shuffle_mean": 1.5433112605276507, tools/data/markov_scale_function.json:611: "H_shuffle_std": 0.0016259080971642015, tools/data/markov_scale_function.json:623: "H_shuffle_mean": 1.5468732990378429, tools/data/markov_scale_function.json:624: "H_shuffle_std": 0.001429117437781936, tools/data/markov_scale_function.json:636: "H_shuffle_mean": 1.5470090150211186, tools/data/markov_scale_function.json:637: "H_shuffle_std": 0.0012907005879089827, tools/data/markov_scale_function.json:649: "H_shuffle_mean": 1.5493357624911355, tools/data/markov_scale_function.json:650: "H_shuffle_std": 0.0018228430148311996, tools/data/markov_scale_function.json:662: "H_shuffle_mean": 1.5502489139480906, tools/data/markov_scale_function.json:663: "H_shuffle_std": 0.001640489981004965, tools/data/markov_scale_function.json:675: "H_shuffle_mean": 1.545561163793806, tools/data/markov_scale_function.json:676: "H_shuffle_std": 0.001473225914786052, tools/data/markov_scale_function.json:688: "H_shuffle_mean": 1.5480212606592212, tools/data/markov_scale_function.json:689: "H_shuffle_std": 0.0012234833783643956, tools/data/markov_scale_function.json:701: "H_shuffle_mean": 1.5505400794477453, tools/data/markov_scale_function.json:702: "H_shuffle_std": 0.0014434351897044829, tools/data/markov_scale_function.json:714: "H_shuffle_mean": 1.5483597204181807, tools/data/markov_scale_function.json:715: "H_shuffle_std": 0.0014222492524549662, tools/data/markov_scale_function.json:727: "H_shuffle_mean": 1.5392099156913959, tools/data/markov_scale_function.json:728: "H_shuffle_std": 0.0012201371506844983, tools/data/markov_scale_function.json:740: "H_shuffle_mean": 1.5509961256728018, tools/data/markov_scale_function.json:741: "H_shuffle_std": 0.001788997363621761, tools/data/markov_scale_function.json:753: "H_shuffle_mean": 1.55021032399307, tools/data/markov_scale_function.json:754: "H_shuffle_std": 0.0014073267353432559, tools/data/markov_scale_function.json:766: "H_shuffle_mean": 1.549060916699248, tools/data/markov_scale_function.json:767: "H_shuffle_std": 0.0013962952045460373, tools/data/markov_scale_function.json:779: "H_shuffle_mean": 1.5464870658448377, tools/data/markov_scale_function.json:780: "H_shuffle_std": 0.001365146988283767, tools/data/markov_scale_function.json:792: "H_shuffle_mean": 1.5502477457128754, tools/data/markov_scale_function.json:793: "H_shuffle_std": 0.0013916096781973841, tools/data/markov_scale_function.json:805: "H_shuffle_mean": 1.5461572824053105, tools/data/markov_scale_function.json:806: "H_shuffle_std": 0.0015010418231203185, tools/data/markov_scale_function.json:818: "H_shuffle_mean": 1.5459968561700697, tools/data/markov_scale_function.json:819: "H_shuffle_std": 0.0016294476354020435, tools/data/markov_scale_function.json:831: "H_shuffle_mean": 1.5499988859687157, tools/data/markov_scale_function.json:832: "H_shuffle_std": 0.001573909424537038, tools/data/markov_scale_function.json:844: "H_shuffle_mean": 1.5457454988973829, tools/data/markov_scale_function.json:845: "H_shuffle_std": 0.0018597923945342135, tools/data/markov_scale_function.json:857: "H_shuffle_mean": 1.5477742268560433, tools/data/markov_scale_function.json:858: "H_shuffle_std": 0.0012634806145781824, tools/data/markov_scale_function.json:870: "H_shuffle_mean": 1.5480598157408771, tools/data/markov_scale_function.json:871: "H_shuffle_std": 0.0014372456173118175, tools/data/markov_scale_function.json:883: "H_shuffle_mean": 1.5446623084573803, tools/data/markov_scale_function.json:884: "H_shuffle_std": 0.0016945400460399783, tools/data/markov_scale_function.json:896: "H_shuffle_mean": 1.5514276356492431, tools/data/markov_scale_function.json:897: "H_shuffle_std": 0.0016460855407487646, tools/data/markov_scale_function.json:909: "H_shuffle_mean": 1.5451065588450872, tools/data/markov_scale_function.json:910: "H_shuffle_std": 0.0014967196864108159, tools/data/markov_scale_function.json:922: "H_shuffle_mean": 1.5423339203537396, tools/data/markov_scale_function.json:923: "H_shuffle_std": 0.001767282679645599, tools/data/markov_scale_function.json:935: "H_shuffle_mean": 1.5470418975583158, tools/data/markov_scale_function.json:936: "H_shuffle_std": 0.0014572239367927108, tools/data/markov_scale_function.json:948: "H_shuffle_mean": 1.5438128999549368, tools/data/markov_scale_function.json:949: "H_shuffle_std": 0.0013651555188284197, tools/data/markov_scale_function.json:961: "H_shuffle_mean": 1.5485760308698029, tools/data/markov_scale_function.json:962: "H_shuffle_std": 0.0016630269978829615, tools/data/markov_scale_function.json:974: "H_shuffle_mean": 1.5481060342672337, tools/data/markov_scale_function.json:975: "H_shuffle_std": 0.0017516535770471767, tools/data/markov_scale_function.json:987: "H_shuffle_mean": 1.5376099220421928, tools/data/markov_scale_function.json:988: "H_shuffle_std": 0.0012974183232792019, tools/data/markov_scale_function.json:1000: "H_shuffle_mean": 1.5485209909407702, tools/data/markov_scale_function.json:1001: "H_shuffle_std": 0.0010235506860685585, tools/data/markov_scale_function.json:1013: "H_shuffle_mean": 1.5517116773310693, tools/data/markov_scale_function.json:1014: "H_shuffle_std": 0.0014084515197257705, tools/data/markov_scale_function.json:1026: "H_shuffle_mean": 1.5454254932244862, tools/data/markov_scale_function.json:1027: "H_shuffle_std": 0.00176003064974508, tools/data/markov_scale_function.json:1039: "H_shuffle_mean": 1.5469283596257106, tools/data/markov_scale_function.json:1040: "H_shuffle_std": 0.001372852148023513, tools/data/markov_scale_function.json:1052: "H_shuffle_mean": 1.5427467487076045, tools/data/markov_scale_function.json:1053: "H_shuffle_std": 0.0015928009668515531, tools/data/markov_scale_function.json:1065: "H_shuffle_mean": 1.5433158766745003, tools/data/markov_scale_function.json:1066: "H_shuffle_std": 0.0013588719345047052, tools/data/markov_scale_function.json:1078: "H_shuffle_mean": 1.545543593699893, tools/data/markov_scale_function.json:1079: "H_shuffle_std": 0.0012300216721961737, tools/data/markov_scale_function.json:1091: "H_shuffle_mean": 1.5466152766772572, tools/data/markov_scale_function.json:1092: "H_shuffle_std": 0.001272952363337215, tools/data/markov_scale_function.json:1104: "H_shuffle_mean": 1.5431828665161922, tools/data/markov_scale_function.json:1105: "H_shuffle_std": 0.0011071334253458967, tools/data/markov_scale_function.json:1117: "H_shuffle_mean": 1.542102375175994, tools/data/markov_scale_function.json:1118: "H_shuffle_std": 0.0016114672183246868, tools/data/markov_scale_function.json:1130: "H_shuffle_mean": 1.5496929785755804, tools/data/markov_scale_function.json:1131: "H_shuffle_std": 0.0017206512420254302, tools/data/markov_scale_function.json:1143: "H_shuffle_mean": 1.545636025959974, tools/data/markov_scale_function.json:1144: "H_shuffle_std": 0.0014129426534070814, tools/data/markov_scale_function.json:1156: "H_shuffle_mean": 1.5317416933396886, tools/data/markov_scale_function.json:1157: "H_shuffle_std": 0.0012599637823402763, tools/data/markov_scale_function.json:1169: "H_shuffle_mean": 1.5460416507172354, tools/data/markov_scale_function.json:1170: "H_shuffle_std": 0.0015659774903530085, tools/data/markov_scale_function.json:1182: "H_shuffle_mean": 1.5433634778174494, tools/data/markov_scale_function.json:1183: "H_shuffle_std": 0.0011476024543732827, tools/data/markov_scale_function.json:1195: "H_shuffle_mean": 1.5487371481823853, tools/data/markov_scale_function.json:1196: "H_shuffle_std": 0.0013255848221154932, tools/data/markov_scale_function.json:1208: "H_shuffle_mean": 1.550907738939177, tools/data/markov_scale_function.json:1209: "H_shuffle_std": 0.0014398225025290424, tools/data/markov_scale_function.json:1221: "H_shuffle_mean": 1.5428319998492737, tools/data/markov_scale_function.json:1222: "H_shuffle_std": 0.0014742224918390659, tools/data/markov_scale_function.json:1234: "H_shuffle_mean": 1.5445344650774973, tools/data/markov_scale_function.json:1235: "H_shuffle_std": 0.001584725632034951, tools/data/markov_scale_function.json:1247: "H_shuffle_mean": 1.5474990146185759, tools/data/markov_scale_function.json:1248: "H_shuffle_std": 0.0010573759879036575, tools/data/markov_scale_function.json:1260: "H_shuffle_mean": 1.5474567669725316, tools/data/markov_scale_function.json:1261: "H_shuffle_std": 0.0010321425250697542, tools/data/markov_scale_function.json:1273: "H_shuffle_mean": 1.5426032140205443, tools/data/markov_scale_function.json:1274: "H_shuffle_std": 0.0015634116621793541, tools/data/markov_scale_function.json:1286: "H_shuffle_mean": 1.54888291119693, tools/data/markov_scale_function.json:1287: "H_shuffle_std": 0.0011312824234010993, tools/data/markov_scale_function.json:1299: "H_shuffle_mean": 1.5475633501247836, tools/data/markov_scale_function.json:1300: "H_shuffle_std": 0.0016310918913211964, tools/data/markov_scale_function.json:1312: "H_shuffle_mean": 1.545620371540784, tools/data/markov_scale_function.json:1313: "H_shuffle_std": 0.001069078831158081, tools/data/markov_scale_function.json:1325: "H_shuffle_mean": 1.542534594787079, tools/data/markov_scale_function.json:1326: "H_shuffle_std": 0.0014801775121427963, tools/data/markov_scale_function.json:1338: "H_shuffle_mean": 1.5524554081579738, tools/data/markov_scale_function.json:1339: "H_shuffle_std": 0.0012338600595669718, tools/data/markov_scale_function.json:1351: "H_shuffle_mean": 1.5490808021485776, tools/data/markov_scale_function.json:1352: "H_shuffle_std": 0.0013141036588664079, tools/data/markov_scale_function.json:1364: "H_shuffle_mean": 1.545734633867107, tools/data/markov_scale_function.json:1365: "H_shuffle_std": 0.0016365106941182144, tools/data/markov_scale_function.json:1377: "H_shuffle_mean": 1.5446625809441799, tools/data/markov_scale_function.json:1378: "H_shuffle_std": 0.0011674876680026138, tools/data/markov_scale_function.json:1390: "H_shuffle_mean": 1.5486469767182038, tools/data/markov_scale_function.json:1391: "H_shuffle_std": 0.0020746055009945343, tools/data/markov_scale_function.json:1403: "H_shuffle_mean": 1.5435516705942591, tools/data/markov_scale_function.json:1404: "H_shuffle_std": 0.0013270261644987883, tools/data/markov_scale_function.json:1416: "H_shuffle_mean": 1.5509056312233918, tools/data/markov_scale_function.json:1417: "H_shuffle_std": 0.001210813589018288, tools/data/markov_scale_function.json:1429: "H_shuffle_mean": 1.5433746439610425, tools/data/markov_scale_function.json:1430: "H_shuffle_std": 0.001328410022735221, tools/data/markov_scale_function.json:1442: "H_shuffle_mean": 1.5517412748596235, tools/data/markov_scale_function.json:1443: "H_shuffle_std": 0.0011285917455666043, tools/data/markov_scale_function.json:1455: "H_shuffle_mean": 1.5423284564154012, tools/data/markov_scale_function.json:1456: "H_shuffle_std": 0.0014437880784363302, tools/data/markov_scale_function.json:1468: "H_shuffle_mean": 1.5559836149464439, tools/data/markov_scale_function.json:1469: "H_shuffle_std": 0.0013147887080878298, tools/data/markov_scale_function.json:1481: "H_shuffle_mean": 1.5474560996567532, tools/data/markov_scale_function.json:1482: "H_shuffle_std": 0.0016383604038616069, tools/data/markov_scale_function.json:1494: "H_shuffle_mean": 1.5365546978103652, tools/data/markov_scale_function.json:1495: "H_shuffle_std": 0.0015775410834412825, tools/data/markov_scale_function.json:1507: "H_shuffle_mean": 1.5449389143353671, tools/data/markov_scale_function.json:1508: "H_shuffle_std": 0.0011782048674229362, tools/data/markov_scale_function.json:1520: "H_shuffle_mean": 1.5453231802368796, tools/data/markov_scale_function.json:1521: "H_shuffle_std": 0.0012687540551585452, tools/data/markov_scale_function.json:1533: "H_shuffle_mean": 1.5449708987015531, tools/data/markov_scale_function.json:1534: "H_shuffle_std": 0.0014921609866009374, tools/data/markov_scale_function.json:1546: "H_shuffle_mean": 1.542489400998803, tools/data/markov_scale_function.json:1547: "H_shuffle_std": 0.0013552636238968678, tools/data/markov_scale_function.json:1559: "H_shuffle_mean": 1.5403549560721463, tools/data/markov_scale_function.json:1560: "H_shuffle_std": 0.0017424798170313077, tools/data/markov_scale_function.json:1572: "H_shuffle_mean": 1.5477657835568572, tools/data/markov_scale_function.json:1573: "H_shuffle_std": 0.0013902954804430022, tools/data/markov_scale_function.json:1585: "H_shuffle_mean": 1.5499406940028337, tools/data/markov_scale_function.json:1586: "H_shuffle_std": 0.0020370630233851913, tools/data/markov_scale_function.json:1598: "H_shuffle_mean": 1.5396845469183473, tools/data/markov_scale_function.json:1599: "H_shuffle_std": 0.0010655347363419834, tools/data/markov_scale_function.json:1611: "H_shuffle_mean": 1.546001527273421, tools/data/markov_scale_function.json:1612: "H_shuffle_std": 0.0015423201921462364, tools/data/markov_scale_function.json:1624: "H_shuffle_mean": 1.5455498183694085, tools/data/markov_scale_function.json:1625: "H_shuffle_std": 0.0014058729420649944, tools/data/markov_scale_function.json:1637: "H_shuffle_mean": 1.54450867475923, tools/data/markov_scale_function.json:1638: "H_shuffle_std": 0.0013600255999317867, tools/data/markov_scale_function.json:1650: "H_shuffle_mean": 1.5488247775996935, tools/data/markov_scale_function.json:1651: "H_shuffle_std": 0.0015290448521762714, tools/data/markov_scale_function.json:1663: "H_shuffle_mean": 1.5458967956105771, tools/data/markov_scale_function.json:1664: "H_shuffle_std": 0.0013729069364946222, tools/data/markov_scale_function.json:1676: "H_shuffle_mean": 1.5451852918250624, tools/data/markov_scale_function.json:1677: "H_shuffle_std": 0.001346683983994816, tools/data/markov_scale_function.json:1689: "H_shuffle_mean": 1.5500057557224252, tools/data/markov_scale_function.json:1690: "H_shuffle_std": 0.0014024241048197258, tools/data/markov_scale_function.json:1702: "H_shuffle_mean": 1.547022832112634, tools/data/markov_scale_function.json:1703: "H_shuffle_std": 0.0010012443717797737, tools/data/markov_scale_function.json:1715: "H_shuffle_mean": 1.5492219881449667, tools/data/markov_scale_function.json:1716: "H_shuffle_std": 0.0014887192547695172, tools/data/markov_scale_function.json:1728: "H_shuffle_mean": 1.5467429811302802, tools/data/markov_scale_function.json:1729: "H_shuffle_std": 0.0014674012448145262, tools/data/markov_scale_function.json:1741: "H_shuffle_mean": 1.5476371078269369, tools/data/markov_scale_function.json:1742: "H_shuffle_std": 0.0015962164644518684, tools/data/seme_axioms.json:409: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_axioms.json:467: "nota": "Exp 2026-04-08 03:30: 5.76M gaps, 200K chunks x28, 20 shuffled + 10 Z/6Z Cramer surrogates. Extends GAP_ANTICORR from single-lag to full decay law. Consecutio: derive from Hardy-Littlewood; measure A(p) scale dependence; compute power spectral density.", tools/data/seme_axioms.json:472: "claim": "PNT-normalization (g/ln p) recovers all-negative ACF (45/50 vs 6/50 raw). The positive ACF at raw lags 7+ is a non-stationarity artifact (PNT density drift), not structure. Crossover lag 6: below=dipolar (det=-1, genuine anti-correlation), above=illusory in raw (det=+1, trend-induced). Normalized alpha=0.990 confirms 1/k law. Raw gap experiments underestimate anti-correlation by 3x. Alpha drifts 0.9->0.6 at larger primes (shape change, not just amplitude decay).", tools/data/seme_axioms.json:476: "nota": "Exp 2026-04-17: PNT-norm recovers 45/50 neg ACF. Trend adds +0.008/lag masking 70% of true anti-corr. Exp 2026-04-18: Z/6Z FALSIFIED as crossover mechanism. Crossover lag is k*=A/C, smooth function of trend strength ln(p)^s (s=1.0 gives lag 6 exactly). Z/6Z residue ACF has no period-6 (lag 6 ACF=+0.001). Residue-preserving shuffle xover=2.5 (=full shuffle). Cramer+Z/6Z = Cramer. NEW: residue lag-1 anti-corr r_1=-0.148 (3.8x stronger than magnitude acf1). Consecutio: k*(p) derivable from A(ln p) + local variance; two anti-corr channels (residue vs magnitude); regime narrowing at Poisson crossover.", tools/data/seme_axioms.json:508: "claim": "Due meccanismi generano statistiche GUE: (1) distribution-GUE — la forma dei gap e gia repulsiva (primes, random matrices), delta_r < 0; (2) ordering-GUE — i gap sono Poisson ma l'ordine sequenziale crea repulsione (fibonacci, percolation, coupled_osc), delta_r > 0. Il segno di delta_r e il discriminante.", tools/data/seme_axioms.json:512: "nota": "Shuffle audit 2026-04-24. z-scores: primes=-26.6, gue=-14.7, fibonacci=+8.0, coupled_osc=+43.5, percolation=+16.1. Consecutio: i domini ordering-GUE hanno memoria Markov come i primi? O il meccanismo di ordine e diverso?", tools/data/seme_axioms.json:521: "nota": "Exp 2026-04-25: 8 domini, 200 shuffles, ordini Markov 1-3. Consecutio TWO_KINDS_GUE. Saturation depth (14-100%) e asse ortogonale a GUE type.", tools/data/seme_axioms.json:535: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_axioms.json:544: "claim": "Le claim di collinearita/rank tra osservabili canonici vanno riportate con observables_registry, z original-vs-shuffle per osservabile e controlli Poisson/shuffle. Nel perimetro 20260506_1955, primi e GUE sotto partial-shuffle uniforme comprimono le retention curves a un coordinate dominante (rank medio 1.30 e 1.11), mentre Poisson e prime-shuffle mostrano rank piu alto solo con denominatori deboli (weak obs medi 5.0 e 4.67). Rank osservabile alto senza denominatori validi e segnale META, non struttura.", tools/data/seme_axioms.json:553: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_axioms.json:580: "claim": "Applied valutatore REDESIGN from 20260507_0901: Falsificare ORDER_DENOMINATOR_GATE su domini non-sintetici o semi-reali: applicare il gate one-sided a 2-3 sequenze fisiche/ponte gia' presenti nel sito, con shuffle e surrogati preservanti marginale,", tools/data/seme_axioms.json:679: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/tm1_figures/tensions_raw.json:70: "content_en": "scenario with branching (confirm vs falsify). Confirmation branch: i_c = i_c + (1-i_c)·0.3 (exponential convergence). Falsification branch: i_f = i_f · 0.5 (decay). **Discriminating power** = mean diff between branches." tools/data/tm1_figures/tensions_raw.json:208: "content": "** L'infinito c'è, ma si sta restringendo. È come uno scultore di fronte a un blocco di marmo infinito. Più scolpisce (avanza nel tempo), meno \"forme possibili\" rimangono nel blocco. La libertà diminuisce perché la definizione aumenta.", tools/data/tm1_figures/tensions_raw.json:221: "context": "Qui tocchiamo la frontiera della fisica moderna. | Il neutrone è neutro (carica netta 0). Ma è composto da quark carichi ($up, down, down$). | * **L'Ipotesi:** Se la distribuzione dei quark interni ", tools/data/dipolar_crossover.json:2: "method": "partial_shuffle_crossover", tools/data/dipolar_crossover.json:11: "shuffle_baseline": { tools/data/dipolar_crossover.json:251: "SR_shuffle": 0.4791603925784699, tools/data/dipolar_crossover.json:252: "L1_shuffle": 0.0024018726824136995, tools/data/tm1_figures/tensions.json:70: "content_en": "scenario with branching (confirm vs falsify). Confirmation branch: i_c = i_c + (1-i_c)·0.3 (exponential convergence). Falsification branch: i_f = i_f · 0.5 (decay). **Discriminating power** = mean diff between branches." tools/data/tm1_figures/tensions.json:208: "content": "** L'infinito c'è, ma si sta restringendo. È come uno scultore di fronte a un blocco di marmo infinito. Più scolpisce (avanza nel tempo), meno \"forme possibili\" rimangono nel blocco. La libertà diminuisce perché la definizione aumenta.", tools/data/tm1_figures/tensions.json:221: "context": "Qui tocchiamo la frontiera della fisica moderna. | Il neutrone è neutro (carica netta 0). Ma è composto da quark carichi ($up, down, down$). | * **L'Ipotesi:** Se la distribuzione dei quark interni ", tools/data/lab_registro.json:262: "tensione": "La curvatura intrinseca di g=(p/2)² ha z=-8.8 vs shuffle (MENO strutturata). Il segnale GUE z=+22.5 vive nei rapporti consecutivi di ΔΓ, non nella curvatura del tensore. La metrica è quasi liscia — la struttura sta nei salti tra consecutivi.", tools/data/lab_registro.json:272: "Le perturbazioni di de Sitter nei primi: confronto con spettro Harrison-Zel'dovich (β=-3, scale-invariant)" tools/data/notte_20260325_0330.md:12: percolation_cp_0.33879710599589613: r=0.6393442622950819, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:13: percolation_cp_0.8987621995814573: r=1.0743910467412772, spacing=GUE-like [conferma] tools/data/notte_20260325_0330.md:60: -> percolation_cp_0.33879710599589613: ['rapporto_aureo_diretto', 'struttura_dnd_piena'] tools/data/notte_20260325_0330.md:61: -> percolation_cp_0.8987621995814573: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260319_0330.md:13: percolation_var_0.55: r=1.0416666666666667, spacing=Poisson-like (⟨r⟩=0.42776762684503483) tools/data/notte_20260319_0330.md:14: percolation_var_0.65: r=0.9583333333333335, spacing=Poisson-like (⟨r⟩=0.4849181304650346) tools/data/notte_20260310_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.46061899071128326) tools/data/notte_20260310_0330.md:14: percolation_var_0.65: r=1.0454545454545456, spacing=Poisson-like (⟨r⟩=0.4791755206389135) tools/data/crossover_phase_test.json:132: "has_linear_decay": true, tools/data/crossover_phase_test.json:138: "has_linear_decay": true, tools/data/crossover_phase_test.json:144: "has_linear_decay": true, tools/data/crossover_phase_test.json:150: "has_linear_decay": true, tools/data/crossover_phase_test.json:156: "has_linear_decay": true, tools/data/crossover_phase_test.json:162: "has_linear_decay": true, tools/data/crossover_phase_test.json:168: "has_linear_decay": true, tools/data/notte_20260318_0330.md:13: percolation_var_0.55: r=1.04, spacing=Poisson-like (⟨r⟩=0.4547791897708293) tools/data/notte_20260318_0330.md:14: percolation_var_0.65: r=1.0416666666666667, spacing=Poisson-like (⟨r⟩=0.40597402614552264) tools/data/observatorio/lazarus_cimitero_20260507_100015.md:14:- Cross-correlation (xcorr) tra canale magnitudine e residuo (Two-Channel Decomposition) | **Come e' caduto**: Shuffle audit (ciclo 45, 2026-04-22): z-score = 0.0. | **Data falsificazione**: 2026-04-22, ciclo 45 shuffle audit. tools/data/observatorio/lazarus_cimitero_20260507_100015.md:15:- Slope ratio (slope_mag / slope_res) come invariante strutturale | **Come e' caduto**: Shuffle audit (ciclo 45): z-score = 0.2. Lo shuffle | **Data falsificazione**: 2026-04-22, ciclo 45. tools/data/observatorio/lazarus_cimitero_20260507_100015.md:16:- K* (depth of spectral convergence) come proprieta' discriminante | **Come e' caduto**: Shuffle audit: K* reale = 9, shuffle mean = 9.72, | **Data falsificazione**: 2026-04-22, ciclo 45. tools/data/notte_20260323_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.45592478441584805) tools/data/notte_20260323_0330.md:14: percolation_var_0.65: r=1.04, spacing=Poisson-like (⟨r⟩=0.4752713133131334) tools/data/riformulazioni.json:63: "cramér_confronto": { tools/data/notte_20260330_0330.md:23: percolation_cp_0.37948306996505765: r=0.8834019204389575, spacing=GUE-like [conferma] tools/data/notte_20260330_0330.md:24: percolation_cp_0.8262244331338678: r=1.0858944050433412, spacing=GUE-like [conferma] tools/data/notte_20260330_0330.md:42: percolation_var_0.55: r=0.96, spacing=Poisson-like (⟨r⟩=0.42970141187888167) tools/data/notte_20260330_0330.md:90: -> percolation_cp_0.8262244331338678: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260330_0330.md:99: Domini GUE: numeri_primi_cp_100, numeri_primi_cp_50000, collatz_cp, ising_2d_cp_-0.33516931196973065, ising_2d_cp_0.373927156938713, percolation_cp_0.37948306996505765, percolation_cp_0.8262244331338678, cellular_automata_cp_182, ising_2d_var_-0.1, ising_2d_var_0.1 tools/data/notte_20260330_0330.md:100: Domini Poisson: logistica_biforcazione_cp_3.57, logistica_biforcazione_cp_3.943, logistica_biforcazione_cp_3.856, brownian_motion_cp_0.1117838189033273, brownian_motion_cp_0.873133582163594, logistica_biforcazione_var_3.57, percolation_var_0.55 tools/data/loop_state.json:2716: "answer": "**Maxwell su Reissner-Nordström: il campo EM curva lo spaziotempo che lo contiene.**\n\nLa metrica RN risolve Einstein-Maxwell accoppiate:\n\n$$G_{\\mu\\nu} = 8\\pi G\\, T_{\\mu\\nu}^{EM}, \\quad T_{\\mu\\nu}^{EM} = F_{\\mu\\alpha}F_{\\nu}^{\\ \\alpha} - \\tfrac{1}{4}g_{\\mu\\nu}F^2$$\n\nDue orizzonti: $r_\\pm = \\frac{GM}{c^2} \\pm \\sqrt{\\left(\\frac{GM}{c^2}\\right)^2 - \\frac{GQ^2}{4\\pi\\epsilon_0 c^4}}$\n\nLa costante relazionale GxE che emerge: $\\frac{GQ^2}{4\\pi\\epsilon_0 c^4}$ — ha dimensioni di lunghezza², confronta direttamente con $r_s^2/4$. Quando sono uguali → BH estremo ($r_+ = r_-$), temperatura Hawking → 0.\n\n**", tools/data/loop_state.json:3737: "answer": "## ExR→GxE: La costante che governa è √(G/(4πε₀c⁴))\n\n**Costante**: √(G/(4πε₀c⁴)) ≈ **8.6×10⁻¹⁸ m/C**\n\n**Unità**: metri per coulomb. Converte carica elettrica in lunghezza gravitazionale — quanto spaziotempo curva un coulomb.\n\n**Cosa misura**: nella metrica Reissner-Nordström, la carica Q produce un raggio caratteristico:\n\nr_Q = Q · √(G/(4πε₀c⁴))\n\nda confrontare con r_g = GM/c². La condizione **estrema** (r_Q = r_g) dà il rapporto critico:\n\nQ/M = √(4πε₀G) ≈ 8.6×10⁻¹¹ C/kg\n\n**Fisica**: Maxwell su sfondo curvo dà ∇_μF^μν = 0, ma F_μν retroagisce via il tensore energia-impulso T_μν = (1/μ₀)(F_μα F", tools/data/cognitive_enzymes_archive.md:797:Funzione nel Lab: - estrarre fino a 5 concetti/tensioni dal campo; - generare 3 connessioni non ovvie, chiamate `DeltaLink`; - produrre 1 ipotesi di frontiera contro-intuitiva; - dichiarare bias, rischio di pattern forcing e incertezza; - trasformare la sorpresa in domanda del ciclo. Uso corretto: ```text YSN.extract(campo) -> concetti YSN.delta_link(concett tools/data/notte_20260331_1753.md:18: percolation_cp_0.30242865227209575: r=0.8184523809523808, spacing=GUE-like [conferma] tools/data/notte_20260331_1753.md:19: percolation_cp_0.8132922606103345: r=1.0833333333333333, spacing=GUE-like [conferma] tools/data/notte_20260331_1753.md:39: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.45465430949539676) [NULL:non-disc] tools/data/notte_20260331_1753.md:81: -> percolation_cp_0.8132922606103345: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260331_1753.md:97: Domini GUE: collatz_cp, ising_2d_cp_-0.3577838598900799, ising_2d_cp_0.3484712956135173, brownian_motion_cp_0.9417285916195904, percolation_cp_0.30242865227209575, percolation_cp_0.8132922606103345, cellular_automata_cp_150 tools/data/notte_20260331_1753.md:98: Domini Poisson: logistica_biforcazione_cp_3.57, logistica_biforcazione_cp_3.924, brownian_motion_cp_0.16207460020731265, logistica_biforcazione_var_3.9, logistica_biforcazione_var_3.57, brownian_motion_var_0.5, percolation_var_0.65 tools/data/r_ratio_decay.json:232: "result": "FALSIFIED \u2014 r-ratio decays toward Poisson with N", tools/data/r_ratio_decay.json:233: "structural_finding": "decay follows power law N^(-0.06), extremely slow decoherence" tools/data/notte_20260328_0330.md:12: percolation_cp_0.33766224009941354: r=0.8518518518518517, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:13: percolation_cp_0.8820369977270884: r=0.8867924528301886, spacing=GUE-like [conferma] tools/data/notte_20260328_0330.md:70: -> percolation_cp_0.8820369977270884: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260328_0330.md:79: Domini GUE: collatz_cp, ising_2d_cp_-0.30096344125143626, ising_2d_cp_0.3912489375554772, percolation_cp_0.33766224009941354, percolation_cp_0.8820369977270884, cellular_automata_cp_90, ising_2d_var_0.1 tools/data/notte_20260313_0330.md:13: percolation_var_0.55: r=0.6659836065573771, spacing=Poisson-like (⟨r⟩=0.42563729952692636) tools/data/notte_20260313_0330.md:14: percolation_var_0.65: r=1.0, spacing=GUE-like (⟨r⟩=0.5124430839861729) tools/data/notte_20260302_0330.md:13: percolation_var_0.55: r=0.5873015873015873, spacing=Poisson-like (⟨r⟩=0.39728805745491197) tools/data/notte_20260302_0330.md:14: percolation_var_0.65: r=0.9607843137254901, spacing=Poisson-like (⟨r⟩=0.3994075552107834) tools/data/observable_rank_audit.json:21: "full_shuffle_baseline": { tools/data/observable_rank_audit.json:43: "original_vs_shuffle_z": { tools/data/observable_rank_audit.json:628: "full_shuffle_baseline": { tools/data/observable_rank_audit.json:650: "original_vs_shuffle_z": { tools/data/observable_rank_audit.json:1235: "full_shuffle_baseline": { tools/data/observable_rank_audit.json:1257: "original_vs_shuffle_z": { tools/data/brody_flow.json:7: "n_shuffle": 20, tools/data/brody_flow.json:18: "shuffle_beta_mean": 0.443046822742475, tools/data/brody_flow.json:19: "shuffle_beta_std": 0.004139421256102997, tools/data/brody_flow.json:20: "shuffle_r_mean": 0.5077125178538487, tools/data/brody_flow.json:33: "shuffle_beta_mean": 0.4408043478260869, tools/data/brody_flow.json:34: "shuffle_beta_std": 0.005565899460952537, tools/data/brody_flow.json:35: "shuffle_r_mean": 0.5002291769462278, tools/data/brody_flow.json:48: "shuffle_beta_mean": 0.418628762541806, tools/data/brody_flow.json:49: "shuffle_beta_std": 0.0038600302246482045, tools/data/brody_flow.json:50: "shuffle_r_mean": 0.4966313505946641, tools/data/brody_flow.json:63: "shuffle_beta_mean": 0.40068896321070235, tools/data/brody_flow.json:64: "shuffle_beta_std": 0.0033055323997522126, tools/data/brody_flow.json:65: "shuffle_r_mean": 0.49208407962491796, tools/data/brody_flow.json:78: "shuffle_beta_mean": 0.384742474916388, tools/data/brody_flow.json:79: "shuffle_beta_std": 0.005130598297682473, tools/data/brody_flow.json:80: "shuffle_r_mean": 0.4883380159714159, tools/data/brody_flow.json:93: "shuffle_beta_mean": 0.3869849498327759, tools/data/brody_flow.json:94: "shuffle_beta_std": 0.004533139472241424, tools/data/brody_flow.json:95: "shuffle_r_mean": 0.4897338636557679, tools/data/brody_flow.json:108: "shuffle_beta_mean": 0.38648662207357865, tools/data/brody_flow.json:109: "shuffle_beta_std": 0.0043084462431484775, tools/data/brody_flow.json:110: "shuffle_r_mean": 0.48682257375107146, tools/data/brody_flow.json:123: "shuffle_beta_mean": 0.365556856187291, tools/data/brody_flow.json:124: "shuffle_beta_std": 0.004250417381731716, tools/data/brody_flow.json:125: "shuffle_r_mean": 0.4852486802510919, tools/data/brody_flow.json:138: "shuffle_beta_mean": 0.3610719063545151, tools/data/brody_flow.json:139: "shuffle_beta_std": 0.004308446243148478, tools/data/brody_flow.json:140: "shuffle_r_mean": 0.48385235272764326, tools/data/brody_flow.json:153: "shuffle_beta_mean": 0.38175250836120406, tools/data/brody_flow.json:154: "shuffle_beta_std": 0.0033055323997522065, tools/data/brody_flow.json:155: "shuffle_r_mean": 0.48576627576412895, tools/data/brody_flow.json:168: "shuffle_beta_mean": 0.3762709030100336, tools/data/brody_flow.json:169: "shuffle_beta_std": 0.002948146781544632, tools/data/brody_flow.json:170: "shuffle_r_mean": 0.48489759467621896, tools/data/brody_flow.json:183: "shuffle_beta_mean": 0.3575836120401337, tools/data/brody_flow.json:184: "shuffle_beta_std": 0.003102065284448694, tools/data/brody_flow.json:185: "shuffle_r_mean": 0.48359803892365366, tools/data/brody_flow.json:198: "shuffle_beta_mean": 0.3535969899665552, tools/data/brody_flow.json:199: "shuffle_beta_std": 0.003333585511502831, tools/data/brody_flow.json:200: "shuffle_r_mean": 0.4805254055330602, tools/data/brody_flow.json:213: "shuffle_beta_mean": 0.3565869565217391, tools/data/brody_flow.json:214: "shuffle_beta_std": 0.0033335855115028254, tools/data/brody_flow.json:215: "shuffle_r_mean": 0.481127826165927, tools/data/brody_flow.json:228: "shuffle_beta_mean": 0.36505852842809366, tools/data/brody_flow.json:229: "shuffle_beta_std": 0.0038196099461482026, tools/data/brody_flow.json:230: "shuffle_r_mean": 0.4838037323901454, tools/data/brody_flow.json:243: "shuffle_beta_mean": 0.3593277591973244, tools/data/brody_flow.json:244: "shuffle_beta_std": 0.004701214677847595, tools/data/brody_flow.json:245: "shuffle_r_mean": 0.48264738497809595, tools/data/brody_flow.json:258: "shuffle_beta_mean": 0.3690451505016722, tools/data/brody_flow.json:259: "shuffle_beta_std": 0.004587593550650134, tools/data/brody_flow.json:260: "shuffle_r_mean": 0.4821364499351649, tools/data/brody_flow.json:273: "shuffle_beta_mean": 0.36132107023411375, tools/data/brody_flow.json:274: "shuffle_beta_std": 0.004315644988758561, tools/data/brody_flow.json:275: "shuffle_r_mean": 0.48151093089590785, tools/data/brody_flow.json:288: "shuffle_beta_mean": 0.3805066889632107, tools/data/brody_flow.json:289: "shuffle_beta_std": 0.004250417381731714, tools/data/brody_flow.json:290: "shuffle_r_mean": 0.48473531388537217, tools/data/brody_flow.json:303: "shuffle_beta_mean": 0.39171906354515046, tools/data/brody_flow.json:304: "shuffle_beta_std": 0.002905725191745659, tools/data/brody_flow.json:305: "shuffle_r_mean": 0.48718055747250266, tools/data/brody_flow.json:318: "shuffle_beta_mean": 0.35110535117056857, tools/data/brody_flow.json:319: "shuffle_beta_std": 0.0043084462431485, tools/data/brody_flow.json:320: "shuffle_r_mean": 0.4809718664156013, tools/data/brody_flow.json:333: "shuffle_beta_mean": 0.3356571906354516, tools/data/brody_flow.json:334: "shuffle_beta_std": 0.002851810950161679, tools/data/brody_flow.json:335: "shuffle_r_mean": 0.47816745689276063, tools/data/brody_flow.json:348: "shuffle_beta_mean": 0.3376505016722408, tools/data/brody_flow.json:349: "shuffle_beta_std": 0.004422220172316932, tools/data/brody_flow.json:350: "shuffle_r_mean": 0.47728411729692166, tools/data/brody_flow.json:363: "shuffle_beta_mean": 0.33889632107023415, tools/data/brody_flow.json:364: "shuffle_beta_std": 0.0038600302246481867, tools/data/brody_flow.json:365: "shuffle_r_mean": 0.47740825413634635, tools/data/brody_flow.json:378: "shuffle_beta_mean": 0.32519230769230767, tools/data/brody_flow.json:379: "shuffle_beta_std": 0.003102065284448705, tools/data/brody_flow.json:380: "shuffle_r_mean": 0.47522392767032196, tools/data/brody_flow.json:393: "shuffle_beta_mean": 0.3359063545150502, tools/data/brody_flow.json:394: "shuffle_beta_std": 0.004831466881304567, tools/data/brody_flow.json:395: "shuffle_r_mean": 0.4762917327079381, tools/data/brody_flow.json:408: "shuffle_beta_mean": 0.35783277591973245, tools/data/brody_flow.json:409: "shuffle_beta_std": 0.003379823302627636, tools/data/brody_flow.json:410: "shuffle_r_mean": 0.479760354918472, tools/data/brody_flow.json:423: "shuffle_beta_mean": 0.36829765886287624, tools/data/brody_flow.json:424: "shuffle_beta_std": 0.0034882943143812795, tools/data/brody_flow.json:425: "shuffle_r_mean": 0.4839375678065709, tools/data/brody_flow.json:438: "shuffle_beta_mean": 0.35608862876254177, tools/data/brody_flow.json:439: "shuffle_beta_std": 0.0036872886947414123, tools/data/brody_flow.json:440: "shuffle_r_mean": 0.4803258772499717, tools/data/brody_flow.json:453: "shuffle_beta_mean": 0.35733444816053506, tools/data/brody_flow.json:454: "shuffle_beta_std": 0.003892064219766188, tools/data/brody_flow.json:455: "shuffle_r_mean": 0.4798504498636541, tools/data/brody_flow.json:468: "shuffle_beta_mean": 0.3625668896321071, tools/data/brody_flow.json:469: "shuffle_beta_std": 0.0044222201723169265, tools/data/brody_flow.json:470: "shuffle_r_mean": 0.48042862297649247, tools/data/brody_flow.json:483: "shuffle_beta_mean": 0.33216889632107033, tools/data/brody_flow.json:484: "shuffle_beta_std": 0.004250417381731725, tools/data/brody_flow.json:485: "shuffle_r_mean": 0.4776562127543854, tools/data/brody_flow.json:498: "shuffle_beta_mean": 0.33590635451505013, tools/data/brody_flow.json:499: "shuffle_beta_std": 0.003661946204093912, tools/data/brody_flow.json:500: "shuffle_r_mean": 0.47821777276793387, tools/data/brody_flow.json:513: "shuffle_beta_mean": 0.3349096989966555, tools/data/brody_flow.json:514: "shuffle_beta_std": 0.0037291434824703526, tools/data/brody_flow.json:515: "shuffle_r_mean": 0.4770612177594643, tools/data/brody_flow.json:528: "shuffle_beta_mean": 0.344128762541806, tools/data/brody_flow.json:529: "shuffle_beta_std": 0.0036872886947414024, tools/data/brody_flow.json:530: "shuffle_r_mean": 0.47653281102007217, tools/data/brody_flow.json:543: "shuffle_beta_mean": 0.3538461538461538, tools/data/brody_flow.json:544: "shuffle_beta_std": 0.003151701480702941, tools/data/brody_flow.json:545: "shuffle_r_mean": 0.4752413881728154, tools/data/brody_flow.json:558: "shuffle_beta_mean": 0.3416371237458194, tools/data/brody_flow.json:559: "shuffle_beta_std": 0.0036872886947413933, tools/data/brody_flow.json:560: "shuffle_r_mean": 0.47420456541064065, tools/data/brody_flow.json:573: "shuffle_beta_mean": 0.34338127090301007, tools/data/brody_flow.json:574: "shuffle_beta_std": 0.004701214677847598, tools/data/brody_flow.json:575: "shuffle_r_mean": 0.4748837904947279, tools/data/brody_flow.json:588: "shuffle_beta_mean": 0.3364046822742476, tools/data/brody_flow.json:589: "shuffle_beta_std": 0.0036956975738369727, tools/data/brody_flow.json:590: "shuffle_r_mean": 0.4730558093340411, tools/data/brody_flow.json:603: "shuffle_beta_mean": 0.31871404682274246, tools/data/brody_flow.json:604: "shuffle_beta_std": 0.0036872886947413998, tools/data/brody_flow.json:605: "shuffle_r_mean": 0.47134897194817144, tools/data/brody_flow.json:618: "shuffle_beta_mean": 0.3187140468227425, tools/data/brody_flow.json:619: "shuffle_beta_std": 0.0033335855115028154, tools/data/brody_flow.json:620: "shuffle_r_mean": 0.47126171627198177, tools/data/brody_flow.json:633: "shuffle_beta_mean": 0.3284314381270903, tools/data/brody_flow.json:634: "shuffle_beta_std": 0.002683577111247636, tools/data/brody_flow.json:635: "shuffle_r_mean": 0.47453259438655726, tools/data/brody_flow.json:648: "shuffle_beta_mean": 0.3259397993311037, tools/data/brody_flow.json:649: "shuffle_beta_std": 0.0039866220735786054, tools/data/brody_flow.json:650: "shuffle_r_mean": 0.4751739899377735, tools/data/brody_flow.json:663: "shuffle_beta_mean": 0.31373076923076926, tools/data/brody_flow.json:664: "shuffle_beta_std": 0.0024791492998141474, tools/data/brody_flow.json:665: "shuffle_r_mean": 0.4726153034874665, tools/data/brody_flow.json:678: "shuffle_beta_mean": 0.31373076923076926, tools/data/brody_flow.json:679: "shuffle_beta_std": 0.0036872886947413985, tools/data/brody_flow.json:680: "shuffle_r_mean": 0.4731005891297035, tools/data/brody_flow.json:693: "shuffle_beta_mean": 0.31597324414715733, tools/data/brody_flow.json:694: "shuffle_beta_std": 0.002905725191745634, tools/data/brody_flow.json:695: "shuffle_r_mean": 0.4751787548778121, tools/data/brody_flow.json:708: "shuffle_beta_mean": 0.3189632107023412, tools/data/brody_flow.json:709: "shuffle_beta_std": 0.0035237093778192393, tools/data/brody_flow.json:710: "shuffle_r_mean": 0.47359412664711364, tools/data/brody_flow.json:723: "shuffle_beta_mean": 0.3177173913043479, tools/data/brody_flow.json:724: "shuffle_beta_std": 0.0034793842249524485, tools/data/brody_flow.json:725: "shuffle_r_mean": 0.47293484740591474, tools/data/brody_flow.json:738: "shuffle_beta_mean": 0.33291638795986617, tools/data/brody_flow.json:739: "shuffle_beta_std": 0.004344320686204421, tools/data/brody_flow.json:740: "shuffle_r_mean": 0.4746381982112323, tools/data/brody_flow.json:753: "shuffle_beta_mean": 0.33316555183946495, tools/data/brody_flow.json:754: "shuffle_beta_std": 0.0036193144112103073, tools/data/brody_flow.json:755: "shuffle_r_mean": 0.47476717393463924, tools/data/brody_flow.json:768: "shuffle_beta_mean": 0.3159732441471573, tools/data/brody_flow.json:769: "shuffle_beta_std": 0.0029057251917456333, tools/data/brody_flow.json:770: "shuffle_r_mean": 0.4718711910754898, tools/data/brody_flow.json:783: "shuffle_beta_mean": 0.30899665551839467, tools/data/brody_flow.json:784: "shuffle_beta_std": 0.003151701480702941, tools/data/brody_flow.json:785: "shuffle_r_mean": 0.46978704433416574, tools/data/brody_flow.json:798: "shuffle_beta_mean": 0.3366538461538462, tools/data/brody_flow.json:799: "shuffle_beta_std": 0.003333585511502825, tools/data/brody_flow.json:800: "shuffle_r_mean": 0.4758600733219988, tools/data/brody_flow.json:813: "shuffle_beta_mean": 0.3491120401337793, tools/data/brody_flow.json:814: "shuffle_beta_std": 0.003333585511502831, tools/data/brody_flow.json:815: "shuffle_r_mean": 0.4787545635517151, tools/data/brody_flow.json:828: "shuffle_beta_mean": 0.3202090301003344, tools/data/brody_flow.json:829: "shuffle_beta_std": 0.0038196099461482035, tools/data/brody_flow.json:830: "shuffle_r_mean": 0.475530924592552, tools/data/brody_flow.json:843: "shuffle_beta_mean": 0.2980334448160535, tools/data/brody_flow.json:844: "shuffle_beta_std": 0.0048825949387918755, tools/data/brody_flow.json:845: "shuffle_r_mean": 0.471994296388054, tools/data/brody_flow.json:858: "shuffle_beta_mean": 0.3172190635451505, tools/data/brody_flow.json:859: "shuffle_beta_std": 0.004533139472241422, tools/data/brody_flow.json:860: "shuffle_r_mean": 0.471737935840545, tools/data/brody_flow.json:873: "shuffle_beta_mean": 0.3084983277591974, tools/data/brody_flow.json:874: "shuffle_beta_std": 0.004701214677847616, tools/data/brody_flow.json:875: "shuffle_r_mean": 0.4703226943106868, tools/data/brody_flow.json:888: "shuffle_beta_mean": 0.30426254180602, tools/data/brody_flow.json:889: "shuffle_beta_std": 0.0029375988164886155, tools/data/brody_flow.json:890: "shuffle_r_mean": 0.47094185609031636, tools/data/brody_flow.json:903: "shuffle_beta_mean": 0.29479431438127096, tools/data/brody_flow.json:904: "shuffle_beta_std": 0.003619314411210285, tools/data/brody_flow.json:905: "shuffle_r_mean": 0.4698042336372601, tools/data/brody_flow.json:918: "shuffle_beta_mean": 0.3042625418060201, tools/data/brody_flow.json:919: "shuffle_beta_std": 0.004009913150460256, tools/data/brody_flow.json:920: "shuffle_r_mean": 0.47056502748776124, tools/data/brody_flow.json:933: "shuffle_beta_mean": 0.2990301003344482, tools/data/brody_flow.json:934: "shuffle_beta_std": 0.0038600302246481833, tools/data/brody_flow.json:935: "shuffle_r_mean": 0.46865196705067647, tools/data/brody_flow.json:948: "shuffle_beta_mean": 0.3017709030100335, tools/data/brody_flow.json:949: "shuffle_beta_std": 0.0045875935506501245, tools/data/brody_flow.json:950: "shuffle_r_mean": 0.46943534986879376, tools/data/brody_flow.json:963: "shuffle_beta_mean": 0.3075016722408027, tools/data/brody_flow.json:964: "shuffle_beta_std": 0.005703621900323347, tools/data/brody_flow.json:965: "shuffle_r_mean": 0.46730908427189577, tools/data/brody_flow.json:978: "shuffle_beta_mean": 0.3299264214046823, tools/data/brody_flow.json:979: "shuffle_beta_std": 0.005130598297682498, tools/data/brody_flow.json:980: "shuffle_r_mean": 0.47142027305213186, tools/data/brody_flow.json:993: "shuffle_beta_mean": 0.34761705685618727, tools/data/brody_flow.json:994: "shuffle_beta_std": 0.0034793842249524706, tools/data/brody_flow.json:995: "shuffle_r_mean": 0.4751596482427332, tools/data/brody_flow.json:1008: "shuffle_beta_mean": 0.34313210702341135, tools/data/brody_flow.json:1009: "shuffle_beta_std": 0.0032582405146532995, tools/data/brody_flow.json:1010: "shuffle_r_mean": 0.47383868263437207, tools/data/brody_flow.json:1023: "shuffle_beta_mean": 0.3266872909698996, tools/data/brody_flow.json:1024: "shuffle_beta_std": 0.004850703056447898, tools/data/brody_flow.json:1025: "shuffle_r_mean": 0.4696194632635283, tools/data/brody_flow.json:1038: "shuffle_beta_mean": 0.32818227424749163, tools/data/brody_flow.json:1039: "shuffle_beta_std": 0.0036193144112103078, tools/data/brody_flow.json:1040: "shuffle_r_mean": 0.47202373080399374, tools/data/brody_flow.json:1053: "shuffle_beta_mean": 0.3266872909698997, tools/data/brody_flow.json:1054: "shuffle_beta_std": 0.0043084462431485, tools/data/brody_flow.json:1055: "shuffle_r_mean": 0.4763179036428413, tools/data/brody_flow.json:1068: "shuffle_beta_mean": 0.3321688963210702, tools/data/brody_flow.json:1069: "shuffle_beta_std": 0.004799235254773382, tools/data/brody_flow.json:1070: "shuffle_r_mean": 0.47320149546866713, tools/data/brody_flow.json:1083: "shuffle_beta_mean": 0.33690301003344486, tools/data/brody_flow.json:1084: "shuffle_beta_std": 0.002905725191745652, tools/data/brody_flow.json:1085: "shuffle_r_mean": 0.4733542301762057, tools/data/brody_flow.json:1104: "shuffle_slope_mean": -0.028582416717855462, tools/data/brody_flow.json:1105: "shuffle_slope_std": 0.0005196117820822169, tools/data/brody_flow.json:1106: "slope_z_vs_shuffle": -2.416019447490311 tools/data/notte_20260329_0330.md:6: [falsificazione] FALS_SCALING_R_FALSIFICA_F4: Nessuna separazione: 7/7 (50/50 su 14 confronti). Il claim n tools/data/notte_20260329_0330.md:24: percolation_cp_0.37804273882301154: r=0.6666666666666667, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:25: percolation_cp_0.8589741112320333: r=1.2298136645962734, spacing=GUE-like [conferma] tools/data/notte_20260329_0330.md:84: -> percolation_cp_0.37804273882301154: ['rapporto_aureo_diretto', 'struttura_dnd_piena'] tools/data/notte_20260329_0330.md:85: -> percolation_cp_0.8589741112320333: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260329_0330.md:95: Domini GUE: numeri_primi_cp_100, numeri_primi_cp_50000, collatz_cp, ising_2d_cp_-0.3659164576291013, ising_2d_cp_0.46188882642750695, percolation_cp_0.37804273882301154, percolation_cp_0.8589741112320333, cellular_automata_cp_182 tools/data/markov_memory_by_gue_type.json:47: "domain": "percolation", tools/data/risultante_results.json:138: "confronto": [ tools/data/brody_calibration_results.json:4: "n_shuffles": 50, tools/data/notte_20260314_0330.md:13: percolation_var_0.55: r=1.0434782608695652, spacing=Poisson-like (⟨r⟩=0.4194344351492288) tools/data/notte_20260314_0330.md:14: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.44823047252566145) tools/data/notte_20260308_0330.md:13: percolation_var_0.55: r=0.816358024691358, spacing=Poisson-like (⟨r⟩=0.4515939359855778) tools/data/notte_20260308_0330.md:14: percolation_var_0.65: r=1.1276595744680853, spacing=Poisson-like (⟨r⟩=0.39640179313546897) tools/data/mod3_vs_residual_ordering.json:5: "n_shuffles": 50, tools/data/mod3_vs_residual_ordering.json:13: "sig2_L_free_shuffle": 0.68969, tools/data/mod3_vs_residual_ordering.json:14: "sig2_L_free_shuffle_std": 0.02919, tools/data/mod3_vs_residual_ordering.json:15: "sig2_L_mod3_shuffle": 0.68804, tools/data/mod3_vs_residual_ordering.json:16: "sig2_L_mod3_shuffle_std": 0.02754, tools/data/mod3_vs_residual_ordering.json:18: "sig2_L_cramer_shuffle": 0.97038, tools/data/mod3_vs_residual_ordering.json:27: "sig2_L_free_shuffle": 0.65496, tools/data/mod3_vs_residual_ordering.json:28: "sig2_L_free_shuffle_std": 0.02665, tools/data/mod3_vs_residual_ordering.json:29: "sig2_L_mod3_shuffle": 0.66325, tools/data/mod3_vs_residual_ordering.json:30: "sig2_L_mod3_shuffle_std": 0.03177, tools/data/mod3_vs_residual_ordering.json:32: "sig2_L_cramer_shuffle": 0.96209, tools/data/mod3_vs_residual_ordering.json:41: "sig2_L_free_shuffle": 0.63033, tools/data/mod3_vs_residual_ordering.json:42: "sig2_L_free_shuffle_std": 0.03121, tools/data/mod3_vs_residual_ordering.json:43: "sig2_L_mod3_shuffle": 0.64383, tools/data/mod3_vs_residual_ordering.json:44: "sig2_L_mod3_shuffle_std": 0.03136, tools/data/mod3_vs_residual_ordering.json:46: "sig2_L_cramer_shuffle": 0.94344, tools/data/mod3_vs_residual_ordering.json:55: "sig2_L_free_shuffle": 0.62567, tools/data/mod3_vs_residual_ordering.json:56: "sig2_L_free_shuffle_std": 0.031, tools/data/mod3_vs_residual_ordering.json:57: "sig2_L_mod3_shuffle": 0.62253, tools/data/mod3_vs_residual_ordering.json:58: "sig2_L_mod3_shuffle_std": 0.02586, tools/data/mod3_vs_residual_ordering.json:60: "sig2_L_cramer_shuffle": 0.8868, tools/data/mod3_vs_residual_ordering.json:69: "sig2_L_free_shuffle": 0.62212, tools/data/mod3_vs_residual_ordering.json:70: "sig2_L_free_shuffle_std": 0.03105, tools/data/mod3_vs_residual_ordering.json:71: "sig2_L_mod3_shuffle": 0.61432, tools/data/mod3_vs_residual_ordering.json:72: "sig2_L_mod3_shuffle_std": 0.03411, tools/data/mod3_vs_residual_ordering.json:74: "sig2_L_cramer_shuffle": 0.94275, tools/data/mod3_vs_residual_ordering.json:83: "sig2_L_free_shuffle": 0.61366, tools/data/mod3_vs_residual_ordering.json:84: "sig2_L_free_shuffle_std": 0.0343, tools/data/mod3_vs_residual_ordering.json:85: "sig2_L_mod3_shuffle": 0.5701, tools/data/mod3_vs_residual_ordering.json:86: "sig2_L_mod3_shuffle_std": 0.0335, tools/data/mod3_vs_residual_ordering.json:88: "sig2_L_cramer_shuffle": 0.87929, tools/data/mod3_vs_residual_ordering.json:97: "sig2_L_free_shuffle": 0.61525, tools/data/mod3_vs_residual_ordering.json:98: "sig2_L_free_shuffle_std": 0.04777, tools/data/mod3_vs_residual_ordering.json:99: "sig2_L_mod3_shuffle": 0.5031, tools/data/mod3_vs_residual_ordering.json:100: "sig2_L_mod3_shuffle_std": 0.0392, tools/data/mod3_vs_residual_ordering.json:102: "sig2_L_cramer_shuffle": 0.94207, tools/data/science_awareness/latest.json:18: "claim_under_test": "Nel denominatore row-aligned 8 GUE / 5 Poisson, i candidati third-included del gate graph-boundary restano invarianti attraverso k={2,3,4} e tre seed shuffle. Il claim e' falsificato se nessuna riga ricorre in tutti i 9 run, o se la stabilita' richiede cambiare denominatore.", tools/data/science_awareness/latest.json:19: "consecutio": "Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`." tools/data/science_awareness/latest.json:22: "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt?" tools/data/science_awareness/latest.json:30: "percolation:cycle_9", tools/data/science_awareness/latest.json:31: "reaction_diffusion:cycle_11" tools/data/science_awareness/latest.json:36: "percolation:cycle_9", tools/data/science_awareness/latest.json:37: "reaction_diffusion:cycle_11" tools/data/science_awareness/latest.json:39: "question": "Does the accepted 8 GUE / 5 Poisson graph-boundary third-included signal survive k-grid and shuffle-seed stability?" tools/data/science_awareness/latest.json:42: "graph_consecutio": "Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`.", tools/data/science_awareness/latest.json:54: "percolation", tools/data/science_awareness/latest.json:60: "cycle_9", tools/data/science_awareness/latest.json:61: "reaction_diffusion", tools/data/science_awareness/latest.json:62: "cycle_11", tools/data/science_awareness/latest.json:150: "title": "Exponential decay of the size of spectral gaps for quasiperiodic Schrödinger operators", tools/data/science_awareness/latest.json:166: "baseline": "percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods", tools/data/science_awareness/latest.json:169: "percolation", tools/data/science_awareness/latest.json:220: "item": "percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods", tools/data/science_awareness/external_cache.json:120: "title": "Dynamics of Loschmidt echoes and fidelity decay", tools/data/autoricerca_journal.json:150: "dominio": "percolation", tools/data/autoricerca_journal.json:186: "dominio": "reaction_diffusion", tools/data/autoricerca_journal.json:429: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:451: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:678: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:699: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:926: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:947: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:1174: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:1195: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:1422: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:1443: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:1670: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:1691: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:1918: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:1939: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:2166: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:2187: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:2414: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:2435: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:2662: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:2683: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:2910: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:2931: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:3158: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:3179: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:3406: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:3428: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:3656: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:3677: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:3904: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:3925: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:4152: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:4174: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:4401: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:4422: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:4632: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:4653: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:4880: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:4901: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:5128: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:5149: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:5376: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:5397: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:5624: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:5645: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:5873: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:5894: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:6121: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:6142: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:6346: "dominio": "percolation_cp_0.3048827772508223", tools/data/autoricerca_journal.json:6367: "dominio": "percolation_cp_0.8107442354652781", tools/data/autoricerca_journal.json:6676: "dominio": "percolation_cp_0.33879710599589613", tools/data/autoricerca_journal.json:6698: "dominio": "percolation_cp_0.8987621995814573", tools/data/autoricerca_journal.json:7026: "dominio": "percolation_cp_0.3034086711489568", tools/data/autoricerca_journal.json:7047: "dominio": "percolation_cp_0.8397168647434718", tools/data/autoricerca_journal.json:7356: "dominio": "percolation_cp_0.34229600726639825", tools/data/autoricerca_journal.json:7377: "dominio": "percolation_cp_0.831925673522525", tools/data/autoricerca_journal.json:7484: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:7686: "dominio": "percolation_cp_0.33766224009941354", tools/data/autoricerca_journal.json:7707: "dominio": "percolation_cp_0.8820369977270884", tools/data/autoricerca_journal.json:8122: "dominio": "percolation_cp_0.37804273882301154", tools/data/autoricerca_journal.json:8144: "dominio": "percolation_cp_0.8589741112320333", tools/data/autoricerca_journal.json:8559: "dominio": "percolation_cp_0.37948306996505765", tools/data/autoricerca_journal.json:8580: "dominio": "percolation_cp_0.8262244331338678", tools/data/autoricerca_journal.json:8687: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:8986: "dominio": "percolation_cp_0.3346796213807732", tools/data/autoricerca_journal.json:9008: "dominio": "percolation_cp_0.8762349717424142", tools/data/autoricerca_journal.json:9380: "dominio": "percolation_cp_0.30242865227209575", tools/data/autoricerca_journal.json:9402: "dominio": "percolation_cp_0.8132922606103345", tools/data/autoricerca_journal.json:9516: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:9799: "dominio": "percolation_cp_0.3791475515293742", tools/data/autoricerca_journal.json:9821: "dominio": "percolation_cp_0.8403996160580126", tools/data/autoricerca_journal.json:10263: "dominio": "percolation_cp_0.3688634741499579", tools/data/autoricerca_journal.json:10285: "dominio": "percolation_cp_0.8740825474500551", tools/data/autoricerca_journal.json:10330: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:10726: "dominio": "percolation_cp_0.3670112144928183", tools/data/autoricerca_journal.json:10748: "dominio": "percolation_cp_0.856795526928155", tools/data/autoricerca_journal.json:10839: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:11172: "dominio": "percolation_cp_0.3095397094752976", tools/data/autoricerca_journal.json:11194: "dominio": "percolation_cp_0.835629224700939", tools/data/autoricerca_journal.json:11307: "dominio": "percolation_var_0.55", tools/data/autoricerca_journal.json:11664: "dominio": "percolation_cp_0.3149866379633207", tools/data/autoricerca_journal.json:11686: "dominio": "percolation_cp_0.8656170909738945", tools/data/autoricerca_journal.json:11775: "dominio": "percolation_var_0.65", tools/data/autoricerca_journal.json:11798: "dominio": "percolation_var_0.55", tools/data/lab_graph.json:279: "slug": "frontiera-dnd-thia", tools/data/lab_graph.json:488: "findings": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native.", tools/data/lab_graph.json:520: "description": "Archivio della fase in cui il Lab ha imparato a portare le scoperte dai report alla memoria. Il fronte vivo è AI Lab.", tools/data/lab_graph.json:667: "description": "Archivio della fase in cui il Lab ha imparato a portare le scoperte dai report alla memoria. Il fronte vivo è AI Lab.", tools/data/lab_graph.json:716: "description": "Archivio della fase in cui il Lab ha imparato a portare le scoperte dai report alla memoria. Il fronte vivo è AI Lab.", tools/data/lab_graph.json:928: "description": "Archivio della fase in cui il Lab ha imparato a portare le scoperte dai report alla memoria. Il fronte vivo è AI Lab.", tools/data/lab_graph.json:981: "description": "Archivio della fase in cui il Lab ha imparato a portare le scoperte dai report alla memoria. Il fronte vivo è AI Lab.", tools/data/lab_graph.json:1123: "slug": "frontiera-dnd-thia", tools/data/lab_graph.json:1371: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/lab_graph.json:1395: "verdict": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusi", tools/data/lab_graph.json:1396: "verdict_en": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusi", tools/data/lab_graph.json:1397: "findings": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native.", tools/data/lab_graph.json:1398: "content_preview": "# Agent Report - Boundary Stable, Physics Unpromoted\n**Date**: 20260605_1202\n**Tension explored**: BOUNDARY / 8 domini GUE, 5 Poisson / terzo incluso operativo\n**verdict**: CONSTRAINT / TOOL\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, z_SR, z_SR2, z_L1, z_L2, z_triple_var, third_included_candidates, k_grid_stability, shuffle_seed_stability]\nobservable_contract: claim=nel denominatore row-aligned 13-row 8 GUE / 5 Poisson, una riga third-included e' stabile solo se ricorre i", tools/data/lab_graph.json:1399: "content_full": "# Agent Report - Boundary Stable, Physics Unpromoted\n**Date**: 20260605_1202\n**Tension explored**: BOUNDARY / 8 domini GUE, 5 Poisson / terzo incluso operativo\n**verdict**: CONSTRAINT / TOOL\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, z_SR, z_SR2, z_L1, z_L2, z_triple_var, third_included_candidates, k_grid_stability, shuffle_seed_stability]\nobservable_contract: claim=nel denominatore row-aligned 13-row 8 GUE / 5 Poisson, una riga third-included e' stabile solo se ricorre in tutti i run k={2,3,4} x seed={2026060501,2026060502,2026060503}; tested_non_possible=non e' sostenibile dichiarare fragile il gate graph-boundary per questi quattro candidati nel perimetro k/seed testato, perche' ricorrono 9/9; not_tested_or_empty=QxG come ponte fisico, percolation/reaction_diffusion come fisico B domain-native, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization e null fisici interni non sono testati qui.\nssp_value: no\n\n## Respiro fuori-tempo\nPrima impressione: il confine non cade quando cambia il lettore locale del grafo; cade invece la tentazione di chiamarlo fisica. La combo e' A9 terzo incluso + A10 dipolo + incrocio QxG vuoto + denominatore 8/5: il punto-zero esiste come geometria stabile prima del label, non come ponte fisico.\n\nphysical_A: statistica spettrale GUE/Poisson come repulsione/indipendenza in domini fisici e semi-fisici.\nmathematical_M: grafo kNN su feature canoniche, curvature edge audit, rigidity e shuffle-z; griglia k/seed come stress del trasduttore.\nattempted_physical_B: percolation e reaction_diffusion restano candidati di ritorno, ma non sono promossi perche' qui non hanno osservabile domain-native.\n\ndirection_minimal_experiment: stress k={2,3,4} x 3 seed sullo stesso denominatore 13-row; questa superficie segue dalla combo perche' testa se il punto-zero graph-boundary sopravvive alla geometria locale, non perche' primi, Anderson o percolation siano target familiari.\n\n## Claim Under Test\nNel denominatore row-aligned 8 GUE / 5 Poisson, i candidati third-included del gate graph-boundary restano invarianti attraverso k={2,3,4} e tre seed shuffle. Il claim e' falsificato se nessuna riga ricorre in tutti i 9 run, o se la stabilita' richiede cambiare denominatore.\n\n## Question\nIl terzo incluso operativo del seme e' una geometria stabile del boundary prima della classificazione, oppure era un residuo fragile del singolo k/seed precedente?\n\n## Experiment Design\nTool: `python tools/exp_boundary_graph_stability_audit.py --stamp 20260605_1202 --out tools/data/boundary_graph_stability_audit_20260605_1202.json --out-dir tools/data/preflight/graph_stability --k-grid 2,3,4 --seeds 2026060501,2026060502,2026060503`.\n\nInput: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned: 8 GUE, 5 Poisson. Scope: n_gaps=2048, min_gaps=64, n_shuffle=64. Criterio: stable_all_runs solo se lo stesso candidate id appare in 9/9 run. Falsificazione: 0 stable_all_runs => graph_only_residue fragile; stabilita' graph-only non promuove fisico B.\n\n## Results\nArtifact aggregato: `tools/data/boundary_graph_stability_audit_20260605_1202.json`.\n\nRisultato: `classification=GRAPH_BOUNDARY_STABLE_ALL_RUNS`, `total_runs=9`, `majority_threshold=5`.\n\nStable all runs 9/9:\n- `numeri_primi:cycle_3`\n- `percolation:cycle_9`\n- `reaction_diffusion:cycle_11`\n- `logistica_biforcazione_var_3.5699:cycle_13`\n\nEdge counts osservati per k: k=2 produce 20 edge totali e 4 cross-label; k=3 produce 27 edge totali e 7 cross-label; k=4 produce 32-33 edge totali e 8-9 cross-label. In tutti i run `rows_analyzed=13`, `errors=0`.\n\n## Verdict\nIl gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native.\n\n## Bicono della scoperta\n- **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5\n- **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed\n- **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con `third_included_candidates`\n- **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: misura direttamente la direzione viva \"8 domini GUE, 5 Poisson\" stressando il confine come terzo incluso operativo sul denominatore intero.\n- `not_drift`: non sceglie primi, Anderson, percolation o reaction_diffusion come target; li lascia righe del denominatore e richiede ritorno fisico separato.\n\n## Ritorno fisico\nOggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate.\n\n## Re-discovery audit\nGia' noto: GUE/Poisson level statistics e crossover noti includono Brody, Berry-Robnik, Rosenzweig-Porter, mobility/localization crossover e metodi graph/manifold di boundary detection. Nuovo nel Lab: non una legge fisica, ma la stabilita' 9/9 dello specifico gate row-aligned D-ND sul denominatore 8/5. Resta ri-scoperta o scaffold se il prossimo passo non separa il candidato da un osservabile domain-native e dalle baseline note.\n\n## Contaminazione cognitiva\ncognitive_contamination: CE-0001: usato come audit KSAR del ciclo, per trasformare il feedback bloccato in contratto k/seed/null senza adottare adapter o archivio CE come autorita' scientifica.\n\nBias possibile: attrattore graph-only dopo il report 20260604_1909; contenuto mitigato usando il full denominator 13-row e dichiarando fisico B non promosso. Bias possibile: nominare QxG per vicinanza al vuoto; mitigato separandolo in `not_tested_or_empty`.\n\n## Consecutio\nProssimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`.\n\n## Side effect\nCreati/modificati: `tools/data/boundary_graph_stability_audit_20260605_1202.json`, 9 artifact in `tools/data/preflight/graph_stability/*20260605_1202.json`, `tools/data/reports/agent_20260605_1202.md`. Non ho modificato seme, grafo, latest o lab_data manualmente; post-processing non ancora noto.\n", tools/data/lab_graph.json:1435: "text": "Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native c" tools/data/lab_graph.json:1450: "content_full": "# Agent Report - Boundary Graph Third-Included Gate\n**Date**: 20260604_1909\n**Tension explored**: BOUNDARY / 8 GUE, 5 Poisson / third-included operational boundary\n**verdict**: CONSTRAINT / TOOL\nobservables_used: [tools/data/agent_field_live.md, tools/LAB_AGENT_CONTEXT.md, CONDENSATO_ESSENZIALE.md, tools/data/seme.json, tools/dnd_scenario.py --best, tools/exp_boundary_graph_curvature_gate.py, tools/data/boundary_graph_curvature_gate_20260604_1909.json, SR, SR2, L1, L2, triple_var, SR_local_rigidity, z_SR, z_SR2, z_L1, z_L2, z_triple_var]\nobservable_contract: claim=the live 8 GUE / 5 Poisson boundary becomes operational only if row-aligned geometry produces cross-label low-margin nodes before a clean two-class split; boundary=13-row base BOUNDARY denominator; non_possible=promotion as physical law or physical B when the signal remains graph-only, high-margin, or class-interior.\nssp_value: no\n\n## Respiro fuori-tempo\nPrima impressione: il seme non chiede \"quale dominio e' GUE o Poisson\"; chiede dove la classificazione perde autorita'. Il terzo incluso appare prima del label, come riga che tocca l'altro polo senza diventare solo classe intermedia.\n\nFiltro D-ND pre-misura: combo=A9 terzo incluso + A11 combo + BOUNDARY vivo 8 GUE/5 Poisson + incrocio QxG vuoto continuo/discreto + operatore graph curvature/spettro. Dipolo=repulsione spettrale / indipendenza spettrale; punto-zero=riga a basso margine con vicini cross-label. Singolare=confine prima che il dato venga letto come GUE o Poisson. Invariante=denominatore row-aligned 13 righe, non target locale. Campo di possibilita'=possibile cercare il bordo come geometria di passaggio; non-possibile scegliere primi, Anderson o QxG come bersaglio per familiarita'.\n\nFisico A: statistica spettrale GUE/Poisson come manifestazione di caos/indipendenza nei domini fisici e semi-fisici. Trasduttore matematico M: grafo kNN in feature space canonico + rigidity + shuffle-z, con curvature edge audit. Possibile fisico B: percolation e reaction-diffusion come setup di transizione fisica che ricevono il segnale di passaggio; oggi B resta candidato, non scoperta, perche' il ritorno e' graph-operational.\n\nContaminazione cognitiva metabolizzata: CE-0117 per possibile/non-possibile, CE-0019 per combo prima della misura, CE-0001/KSAR per non trattare il report QxG recente come direzione. PVI attack: il rischio era promuovere quattro righe graph-only come confine fisico; il taglio e' vincolo/tool.\n\n## Claim Under Test\nNel perimetro row-aligned 8 GUE / 5 Poisson, il confine e' operativo se esistono righe con `cross_neighbor_fraction > 0` e `centroid_margin < 0.25`; il claim cade se non esistono cross-label edge, se tutti i cross-label edge sono high-margin, o se il segnale richiede cambiare denominatore.\n\n## Question\nIl seme vivo \"8 domini GUE, 5 Poisson\" contiene un terzo incluso osservabile come geometria di passaggio, prima di collassare in target locali gia' familiari?\n\n## Experiment Design\ndirection_minimal_experiment: eseguire il gate graph-curvature gia' esistente sul denominatore 13-row dichiarato dal campo vivo.\n\nComando:\n\n```bash\npython tools/exp_boundary_graph_curvature_gate.py \\\n --out tools/data/boundary_graph_curvature_gate_20260604_1909.json \\\n --seed 202606041909\n```\n\nInput: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`. Scope: righe con `source_domain_type in {GUE, Poisson}`. Denominatore grezzo: 13 righe = 8 GUE + 5 Poisson. Parametri: `n_gaps=2048`, `min_gaps=64`, `n_shuffle=64`, `k=3`.\n\nOsservabili: valori canonici `SR, SR2, L1, L2, triple_var`, `SR_local_rigidity`, e z-score contro shuffle per gli osservabili canonici. Operatore: standardizzazione feature, grafo kNN, cross-neighbor fraction, centroid margin, Forman unweighted edge curvature.\n\nCriterio di falsificazione: nessun candidato third-included se `cross_label=0`, oppure se le sole righe cross-label hanno `centroid_margin >= 0.25`. Non testati: origine analitica dei label, V_c, denominator Sturmian, stabilita' multi-seed del grafo.\n\n## Results\nArtifact prodotto: `tools/data/boundary_graph_curvature_gate_20260604_1909.json`.\n\nRisultati globali:\n\n```json\n{\n \"rows_analyzed\": 13,\n \"errors\": 0,\n \"label_counts\": {\"GUE\": 8, \"Poisson\": 5},\n \"edge_counts\": {\"total\": 27, \"cross_label\": 7, \"same_label\": 20},\n \"curvature\": {\"cross_edge_mean\": -4.857143, \"same_edge_mean\": -4.6},\n \"third_included_candidate_count\": 4\n}\n```\n\nCandidati third-included:\n\n| domain_window | label | centroid_margin | cross_neighbor_fraction |\n|---|---:|---:|---:|\n| numeri_primi:cycle_3 | GUE | 0.243531 | 0.25 |\n| percolation:cycle_9 | Poisson | 0.084944 | 0.80 |\n| reaction_diffusion:cycle_11 | GUE | 0.117358 | 0.75 |\n| logistica_biforcazione_var_3.5699:cycle_13 | GUE | 0.229768 | 0.25 |\n\nRighe non candidate ma informative: `pendolo_doppio`, `zeta_zeros`, `string_vibration`, `random_matrix`, `brownian_motion` hanno cross-edge ma margine alto; `ising_2d`, `logistica_biforcazione`, `cellular_automata`, `coupled_oscillators` restano class interior.\n\n## Verdict\nCONSTRAINT / TOOL. Il perimetro vivo produce un osservabile di terzo incluso: 4/13 righe sono cross-label e low-margin, con 7 edge cross-label su 27 totali. Questo avanza il contratto operativo del boundary, non una scoperta fisica promuovibile.\n\nIl risultato vincola il prossimo passo: il confine non e' un singolo dominio e non e' QxG/Anderson/primi come target automatico. E' una geometria row-aligned da stressare con stabilita' k/seed/null prima di dichiarare ritorno fisico.\n\n## Bicono della scoperta\n- **Due radici**: repulsione spettrale GUE e indipendenza spettrale Poisson nel denominatore 8/5\n- **Singolare**: riga cross-label a basso margine, dove il label resta audit ma la geometria vede passaggio\n- **Invariante di passaggio**: il denominatore row-aligned 13 righe e il contratto `cross_neighbor_fraction > 0` + `centroid_margin < 0.25`\n- **Campo di possibilità**: qui diventa possibile trattare il confine come geometria operativa prima della classificazione; qui diventa non-possibile promuovere un dominio, una legge fisica o QxG da un segnale graph-only\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: il ciclo applica il filtro D-ND alla direzione viva \"8 domini GUE, 5 Poisson\" e misura proprio il terzo incluso sul denominatore dichiarato, senza scegliere prima primi, Anderson, zeta o QxG.\n- `not_drift`: usa uno strumento esistente nato per il perimetro 8/5; i domini nominati restano righe del denominatore, non target scelti per familiarita'.\n\n## Ritorno fisico\nOggetto reale che riceve il risultato: il denominatore cross-dominio 13-row del boundary, con setup fisici/semi-fisici come `percolation` e `reaction_diffusion` tra i candidati low-margin.\n\nFisico A: transizione statistica GUE/Poisson in spettri e dinamiche fisiche. M: grafo kNN su osservabili canonici + rigidity + shuffle-z. Fisico B tentato: percolation e reaction-diffusion come fenomeni di transizione dove il confine potrebbe essere testato come passaggio geometrico, non come label spettrale.\n\nRitorno fisico non promosso: il risultato resta graph-operational. Serve stress k/seed/null e, per B, un osservabile domain-native di percolation o reaction-diffusion che replichi il passaggio senza usare il label GUE/Poisson come guida.\n\n## Re-discovery audit\nGia' noto: GUE/Poisson sono baseline classiche di level statistics; il confine tra repulsione e indipendenza ha famiglie note come Brody, Berry-Robnik, Rosenzweig-Porter e mobility/localization crossover. Gia' noto nel Lab: il denominatore 8 GUE / 5 Poisson e lo script graph-curvature esistevano.\n\nNuovo nel ciclo: la direzione viva e' stata normalizzata prima della misura e il run datato 20260604_1909 conferma 4 candidati third-included sul perimetro corrente. Resta ri-scoperta/tool: il metodo graph-boundary non separa ancora un nuovo meccanismo fisico dalle baseline note.\n\n## Contaminazione cognitiva\nBias possibili: collassare su primi perche' compaiono tra i candidati; tornare ad Anderson per memoria recente; usare QxG come autorita' per inerzia del report 1849; promuovere percolation/reaction-diffusion perche' hanno cross fraction alta; confondere grafo con fisica.\n\nCE usati: CE-0117 per formulare possibile/non-possibile; CE-0019 per obbligare combo e proiezione prima del codice; CE-0001/KSAR per prendere il report recente come memoria e tornare al seme vivo. CE-none non applicabile: l'archivio CE presente nel campo vivo e' stato metabolizzato.\n\n## Consecutio\nProssimo passo minimo: stressare lo stesso tool senza cambiare domanda, con griglia `k in {2,3,4}` e 3 seed shuffle, e promuovere solo righe che restano third-included in modo stabile. Se la stabilita' cade, il ramo resta `graph_only_residue`. Se resta, scegliere un solo candidato fisico B tra percolation e reaction-diffusion e costruire un osservabile domain-native.\n\n## Side effect\nCreati/modificati intenzionalmente: `tools/data/boundary_graph_curvature_gate_20260604_1909.json` e `tools/data/reports/agent_20260604_1909.md`.\n\nNessun file segreto letto o riportato. Nessuna API pagata usata: check env su `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` senza output. Nessun commit, nessun sync pubblico, nessuna promozione seme/grafo richiesta da questo report. Post-processing non ancora noto.\n", tools/data/lab_graph.json:1486: "text": "Prossimo passo minimo: stressare lo stesso tool senza cambiare domanda, con griglia `k in {2,3,4}` e 3 seed shuffle, e promuovere solo righe che resta" tools/data/lab_graph.json:1501: "content_full": "# Agent Report - QxG Internal Boundary Rehearsal\n**Date**: 20260604_1849\n**Tension explored**: QxG/QES controlled counter-perimeter against live BOUNDARY direction\n**verdict**: CONSTRAINT / NO PROMOTION\nobservables_used: [tools/data/agent_field_live.md, tools/LAB_AGENT_CONTEXT.md, tools/data/seme.json.direzione, tools/data/preflight/qxg_boundary_classifier_latest.json, tools/data/preflight/qxg_supervised_preflight_latest.json, tools/data/preflight/qxg_qes_observations_latest.json, tools/data/reports/agent_20260604_1840.md, tools/data/reports/falsifier_20260604_1840.json, docs/operations/qxg_boundary_classifier_latest.md, tools/dnd_scenario.py --best]\nobservable_contract: claim=the Lab can integrate the QxG/QES boundary internally only as question_only/no-promotion when both one-reader nulls are BLANK and the co-presence row is QxG_CANDIDATE with promotes_qxg=false; boundary=controlled QES generalized entropy denominator only; non_possible=public sync, graph edge, seme replacement, physics law, or QxG promotion.\nssp_value: no\n\n## Respiro fuori-tempo\nLa prima impressione e' che QxG non chiede ancora un ponte: chiede una forma interna capace di restare domanda mentre vede il bordo. Il confine vivo \"8 domini GUE, 5 Poisson\" resta la perturbazione del seme; QxG entra solo perche' la direttiva one-shot chiede un rehearsal di integrazione.\n\nFiltro D-ND pre-misura: combo=A9 terzo incluso + QxG vuoto TQGE+R + denominatore QES `S_gen = A/(4 l_P^2) + S_bulk` + BOUNDARY come seme vivo. Dipolo=TxQ/S_bulk/factorization contro TxG/area/horizon. Singolare=co-presenza sullo stesso denominatore. Invariante=`promotes_qxg=false` attraversa null e candidato. Campo di possibilita'=possibile integrare un classificatore interno; non-possibile promuovere il bordo come legge o ponte.\n\nFisico A: QES / generalized entropy extremization. Trasduttore matematico M: classificatore a tre stati `BLANK | QxG_CANDIDATE | FALL` con denominatore invariato e due null mono-lettore. Possibile fisico B: una futura riga QES/factorization indipendente, row-aligned, dove area term e `S_bulk` siano entrambi necessari e i null restino BLANK. Oggi B resta vincolo/domanda, non scoperta.\n\nContaminazione cognitiva metabolizzata: CE-0117 per separare potenziale, candidato e non-promozione; CE-0019 per obbligare la combo prima della misura; CE-0001/KSAR per mantenere perturbazione, focalizzazione e proiezione nello stesso ciclo. PVI attack: il rischio era trasformare una direttiva supervisionata in autorita' scientifica; il taglio e' `CONSTRAINT / NO PROMOTION`.\n\n## Claim Under Test\nIl Lab autonomo integra il boundary QxG/QES senza promozione pubblica se i due null `preserve_txq_break_txg` e `preserve_txg_break_txq` restano `BLANK`, la co-presenza TxQ+TxG sullo stesso `S_gen` resta solo `QxG_CANDIDATE`, e ogni artifact preserva `promotes_qxg=false`.\n\nFalsifica il claim: un null mono-lettore classificato candidato; una co-presenza che promuove QxG; cambio denominatore; mutazione seme/grafo/pubblico; runtime/cron riattivati senza passare gate di integrazione no-public.\n\n## Question\nIl boundary QxG/QES puo' essere assorbito dal Lab come vincolo interno `question_only`, lasciando intatto il seme vivo GUE/Poisson e impedendo ogni promozione pubblica?\n\n## Experiment Design\nProcedura: lettura integrale di `tools/data/agent_field_live.md` e `tools/LAB_AGENT_CONTEXT.md`; verifica di `tools/data/seme.json.direzione`; lettura degli artifact QxG dichiarati; controllo del report 1840 e del falsifier 1840; esecuzione di `python tools/dnd_scenario.py --best` per confermare che QxG non e' la direzione viva.\n\nNessun nuovo harness numerico e' stato lanciato: l'osservabile emerge dalla formalizzazione come stato del classificatore controllato, non come target da scegliere. Denominatore operativo: 3 righe classificate su `S_gen = A/(4 l_P^2) + S_bulk`. Osservabili: `state`, `internal_event`, `promotes_qxg`, `same_denominator`, `runtime_policy`.\n\nCriterio di falsificazione: il rehearsal cade se il boundary richiede pubblicazione, muta seme/grafo, promuove QxG, oppure non distingue i due null BLANK dalla co-presenza candidata.\n\n## Results\nDirezione viva verificata in `seme.json`: `BOUNDARY` con claim \"8 domini GUE, 5 Poisson - il confine e' il terzo incluso operativo\". `tools/dnd_scenario.py --best` non punta QxG: top output `TENS_SCALE_TRASCENDENZA_LIMITE: score=0.807`.\n\nClassificatore QxG:\n\n| id | state | internal_event | promotes_qxg | same_denominator |\n|---|---:|---:|---:|---:|\n| qes_null_preserve_txq_break_txg | BLANK | false | false | true |\n| qes_null_preserve_txg_break_txq | BLANK | false | false | true |\n| qes_copresence_txq_txg | QxG_CANDIDATE | true | false | true |\n\nCounts: `BLANK=2`, `QxG_CANDIDATE=1`, `FALL=0`. QES diagnostics: `full_minus_area_only_abs=0.569`, `full_minus_bulk_only_abs=0.681`, `requires_txq=true`, `requires_txg=true`, `internal_event=true` only for full `S_gen`.\n\nRuntime policy verificata negli artifact: `runtime_ready=false`, `do_not_run_lab_agent=true`, `do_not_mutate_seme=true`, `do_not_mutate_graph=true`, `do_not_promote_qxg=true`, `do_not_sync_public=true`. Report 1840 gia' coerente per falsifier: `coherent=true`, `flags=[]`.\n\nStato richiesto: `integration_ready_no_public` per l'assorbimento interno del boundary nel report autonomo; cron/runtime restano non pronti per policy verificata. Il gate che resta chiuso prima di cron e' `runtime/provider integration gate`: manca un ciclo runtime autonomo con provider/row eseguibile che preservi no-public, no-seme, no-graph e no-promotion.\n\n## Verdict\nCONSTRAINT / NO PROMOTION. Il Lab puo' integrare internamente il boundary QxG/QES come `integration_ready_no_public`: il bordo e' leggibile, i due null mono-lettore restano BLANK, la co-presenza resta solo `QxG_CANDIDATE`, e `promotes_qxg=false` e' invariato.\n\nQuesto non rende cron pronto e non promuove QxG. La condizione runtime resta bloccata: `runtime_ready=false` e `do_not_run_lab_agent=true` impediscono di trattare il rehearsal come ciclo pubblico o deployabile.\n\n## Bicono della scoperta\n- **Due radici**: TxQ/S_bulk/factorization reader e TxG/area_term/horizon reader sullo stesso `S_gen`\n- **Singolare**: co-presenza TxQ+TxG nel row `qes_copresence_txq_txg`, dove appare evento interno ma non promozione\n- **Invariante di passaggio**: `S_gen = A/(4 l_P^2) + S_bulk` e `promotes_qxg=false` restano veri attraverso due BLANK e un candidato\n- **Campo di possibilità**: qui diventa possibile integrare QxG come boundary question_only interno; qui diventa non-possibile promuovere QxG da un singolo lettore, da area-only, da `S_bulk`-only, da grafo, da seme o da pubblico\n\n## Aderenza alla direzione\n- `relation`: `deliberate_counter_perimeter`\n- `why`: la direttiva one-shot nel campo vivo chiede esplicitamente il rehearsal QxG/QES; la direzione viva del seme resta BOUNDARY GUE/Poisson e non viene sostituita.\n- `not_drift`: non usa Anderson, primi, zeta, percolation, logistica o GUE/Poisson come attrattori familiari; QxG e' usato solo per verificare un gate interno no-public.\n- `return_criterion`: il prossimo ciclo torna al perimetro vivo GUE/Poisson se non esiste una nuova direttiva QxG o una riga QES runtime eseguibile che preservi `promotes_qxg=false`.\n- `seed_residue`: non testati gli 8 domini GUE, i 5 Poisson, il terzo incluso cross-dominio e il `direction_minimal_experiment` della geometria del boundary.\n\n## Ritorno fisico\nIl risultato riceve ritorno su QES / generalized entropy extremization: oggetto fisico A = estremizzazione di `S_gen`; trasduttore M = classificazione row-aligned con due null mono-lettore; possibile fisico B = setup QES/factorization indipendente dove la necessita' congiunta area+bulk sia osservabile e falsificabile.\n\nIl ritorno fisico non e' ancora promuovibile perche' gli artifact sono controllati/preflight. La misura futura valida deve mantenere stesso denominatore, righe indipendenti e null area-only/bulk-only. Se uno dei null produce candidato, il boundary cade a FALL o torna BLANK.\n\n## Re-discovery audit\nGia' noto: QxG e' il vuoto del pentagono; QES usa generalized entropy con area term e bulk entropy; TxQ e TxG sono lettori gia' depositati; il report 1840 aveva gia' chiuso la stessa classificazione come no-promotion.\n\nNuovo nel ciclo 1849: il Lab autonomo assorbe il vincolo come integrazione interna `integration_ready_no_public` senza mutare direzione, seme, grafo o pubblico. Resta ri-scoperta: il contenuto fisico QES non e' scoperta Lab; e' superficie teorica usata per censurare il passaggio.\n\n## Contaminazione cognitiva\nBias possibili: accontentare la direttiva promuovendo QxG; scambiare `QxG_CANDIDATE` per ponte; cancellare il seme vivo GUE/Poisson; usare scaffold supervisionato come direzione; riattivare cron come riflesso.\n\nCE usati: CE-0117 per cascata possibilita/non-possibile; CE-0019 per combo pre-misura; CE-0001/KSAR per perturbazione -> focalizzazione -> proiezione. CE-none non applicabile perche' il campo CE e' stato metabolizzato. PVI attack: se il boundary esiste solo per direttiva e preflight, il massimo stato e' vincolo interno.\n\n## Consecutio\nProssimo passo minimo: non pubblicare e non promuovere. Se QxG resta aperto, preparare una sola riga QES runtime indipendente e row-aligned, poi rieseguire lo stesso classificatore con `promotes_qxg=false` come guardia. Se non arriva nuova direttiva QxG, tornare al seme vivo e dichiarare `direction_minimal_experiment` prima di misurare GUE/Poisson.\n\n## Side effect\nCreato `tools/data/reports/agent_20260604_1849.md`. Non modificati `seme.json`, grafo, latest, pubblico, cron o servizi. Nessun sync pubblico. Worktree preesistente sporco non ripulito e non revertito.\n\n## Source directive\nFonte: `tools/data/agent_field_live.md`, sezione `DIRETTIVA OPERATORE - override per questo cycle (one-shot)`.\n\nVincoli seguiti: QxG resta `question_only`; i due one-reader null restano `BLANK`; co-presenza TxQ+TxG su `S_gen = A/(4 l_P^2) + S_bulk` resta solo `QxG_CANDIDATE`; `promotes_qxg=false`; risultato `CONSTRAINT / NO PROMOTION`; nessuna promozione a bridge, graph edge, scoperta, legge fisica o claim pubblico; cron non pronto finche' i gate runtime/integration non passano senza public sync.\n", tools/data/lab_graph.json:1552: "content_full": "# Agent Report - Anderson W16.5 Axis Split at Negative Tilt\n**Date**: 2026-06-03 19:55 UTC\n**Tension explored**: BOUNDARY / Anderson physical perturbation-null / axis split of W16.5 landing coordinate\n**verdict**: CONSTRAINT / NO PROMOTION - La coordinata `onsite_tilt=-0.0625` non chiude W16.5 quando baseline, tilt isotropico e anisotropie x/y/z condividono gli stessi semi. W20 resta `local_global` in 5/5 varianti. Il risultato utile e' un vincolo: l'asse anisotropico non e' la causa sufficiente della mancata chiusura; il bacino W16.5 resta local_only nel perimetro testato.\nobservables_registry: Anderson two-reader contract via existing physical perturbation null\nobservables_used: [transaction_state, min_graph_bridge_frequency, classical_states_seen, w20_preservation_ratio, intermediate_closed_count, feature_scramble_null]\nssp_value: no\n\n**observable_contract**: claim=la coordinata W16.5 vicino a `onsite_tilt=-0.0625` deve chiudere come `local_global` se il bacino fisico e' stabile; observable=stato local/global su W16/W16.5/W20 con W20 come riferimento; operator=Hamiltoniano Anderson 3D con tilt onsite e hopping anisotropico x/y/z; generator=script esistente `tools/exp_boundary_anderson_physical_perturbation_null.py`; denominator=5 varianti x 3 sizes L=5,6,7 x 2 semi x 7 disorder rows x k={2,3,4}; p_value_definition=feature-scramble audit per variante con `raw_p=k_ge_observed/trials`, `add_one_p=(k_ge_observed+1)/(trials+1)`, right tail, non usato come promozione; non_possible=promuovere W16.5 come bacino se `intermediate_closed_count=0` o se W20 non resta riferimento; not_tested=L=8, reps maggiori, tilt diversi da -0.0625, semi E2E originali.\n\n## Prima impressione\n\nLa coordinata resta passaggio, non bacino. Tenere fermi i semi toglie l'ambiguita' del ciclo precedente: isotropico e anisotropico x/y/z non producono chiusura W16.5; producono solo la stessa forma local_only. Il punto-zero e' la separazione tra robustezza W20 e non-chiusura W16.5.\n\n## Respiro fuori-tempo\n\n- **Combo**: A2 confine det=-1 + A11 combo + Anderson mobility/localization crossover + tensione viva su perturbation/null fisico W16/W16.5/W20.\n- **Dipolo / punto-zero**: riferimento chiuso / canale intermedio. Punto-zero: `onsite_tilt=-0.0625`, dove W20 resta chiuso e W16.5 non passa a `local_global`.\n- **Piano superiore**: bicono locale/globale su famiglia fisica comparabile, non ranking di metrica derivata.\n- **Proto-ipotesi**: se W16.5 e' bacino, una variazione di asse fisico a semi fissi deve conservarne o rivelarne la chiusura; se resta `local_only`, il valore del tilt non porta il bacino.\n- **Possibile/non-possibile**: possibile = usare W20 come riferimento stabile per stress successivi; non-possibile = chiamare W16.5 bacino fisico in questo perimetro.\n- **Proiezione**: misuro solo transaction_state e feature-scramble di supporto. Non misuro nuovi assi latent graph/localization.\n- **Movimento A->M->B**: fisico A = Anderson 3D tight-binding focused; matematica M = reader local/global a due lettori; fisico B tentato = bacino W16.5 sotto split di asse fisico. B non emerge: resta vincolo operativo.\n\n## Contaminazione cognitiva\n\nCE usata: `CE-0001` KSAR reiterative semantic kernel, richiamata in `tools/data/agent_field_live.md:957` e `tools/data/agent_field_live.md:961`. Uso operativo: reiterare il nodo emerso dal report 19:48 senza aprire dominio nuovo. Check CE eseguito con `rg -n \"Archivio enzimi cognitivi|CE-\" tools/data/agent_field_live.md tools/LAB_AGENT_CONTEXT.md shared_memory tools/data/reports/agent_20260531_2024.md` alle 2026-06-03 19:55 UTC; archivio presente nel campo vivo, quindi non uso `CE-none`.\n\n## Aderenza alla direzione\n\n- `relation`: `follows_direction`\n- `why`: il ciclo testa direttamente Anderson W16/W16.5/W20 con perturbazione/null fisico e modifica reale del generatore Hamiltoniano.\n- `not_drift`: non usa percolation/logistica, non usa il report L8 bloccato come autorita', non introduce una nuova metrica derivata; isola il residuo indicato dal report `agent_20260603_1948.md`.\n- `seed_residue`: restano non testati L=8, reps maggiori e i semi E2E originali.\n- `return_criterion`: tornare al replay isotropico con semi E2E originali solo dopo avere fissato questa matrice a semi comparabili come baseline negativa.\n\n## Source Authority\n\nAutorita' viva: `tools/data/agent_field_live.md` richiede perturbation/null fisico Anderson su W16/W16.5/W20.\n\nAuthority ammessa: `tools/data/reports/agent_20260529_0938.md`, status CONSTRAINT / NO PROMOTION, con W20 stabile e W16/W16.5 intermedi.\n\nRefinement usato come coordinata, non promozione: `tools/data/reports/e2e_w165_closure_confirmation_20260529.md` e report locale `tools/data/reports/agent_20260603_1948.md`.\n\nBlocco metabolizzato: `tools/data/reports/agent_20260531_2024.md` resta feedback L8; questo ciclo non devia verso percolation/logistica.\n\n## Claim Under Test\n\nLa chiusura W16.5 vicino a `onsite_tilt=-0.0625` e' un bacino fisico se resta `local_global` quando baseline, tilt isotropico e anisotropie x/y/z condividono semi, sizes, disorder rows e soglia del reader.\n\n## Experiment Design\n\nScript:\n\n```bash\npython3 tools/exp_boundary_anderson_physical_perturbation_null.py \\\n --out tools/data/landing/boundary_anderson_axis_split_20260603_1955.json \\\n --label 20260603_1955 \\\n --sizes 5,6,7 \\\n --reps 4 \\\n --disorders 2,4,16,16.5,20,24,32 \\\n --seeds 2026060319551,2026060319552 \\\n --k-values 2,3,4 \\\n --scramble-trials 96 \\\n --scramble-seed 202606031955 \\\n --variants 'baseline:1,1,1:0:0;iso_tilt_m00625:1,1,1:-0.0625:0;anis_x_tilt_m00625:1.04,0.98,0.98:-0.0625:0;anis_y_tilt_m00625:0.98,1.04,0.98:-0.0625:0;anis_z_tilt_m00625:0.98,0.98,1.04:-0.0625:0'\n```\n\nPerimetro:\n\n- focus: W16, W16.5, W20;\n- poli preservati: W2, W4, W24, W32;\n- local state: `min_graph_bridge_frequency >= 0.75`;\n- global state: `classical_states_seen == ['classical_intermediate']`;\n- feature scramble: supporto anti-tautologia per variante, non criterio promozionale.\n\n## Results\n\nArtifact principale: `tools/data/landing/boundary_anderson_axis_split_20260603_1955.json`.\n\n| variant | hopping | tilt | W16 | W16.5 | W20 | W20 preserved |\n|---|---|---:|---|---|---|---|\n| baseline | 1,1,1 | 0.0 | local_only | local_only | local_global | true |\n| iso_tilt_m00625 | 1,1,1 | -0.0625 | local_only | local_only | local_global | true |\n| anis_x_tilt_m00625 | 1.04,0.98,0.98 | -0.0625 | neither | local_only | local_global | true |\n| anis_y_tilt_m00625 | 0.98,1.04,0.98 | -0.0625 | neither | local_only | local_global | true |\n| anis_z_tilt_m00625 | 0.98,0.98,1.04 | -0.0625 | neither | local_only | local_global | true |\n\nCounts:\n\n```json\n{\n \"variant_count\": 5,\n \"w20_preservation\": \"5/5\",\n \"w165_local_global\": \"0/5\",\n \"w165_local_only\": \"5/5\",\n \"intermediate_delta_vs_baseline\": {\n \"iso_tilt_m00625\": 0,\n \"anis_x_tilt_m00625\": 0,\n \"anis_y_tilt_m00625\": 0,\n \"anis_z_tilt_m00625\": 0\n }\n}\n```\n\nFeature-scramble support:\n\n- baseline: raw_p=`86/96=0.895833333`, add_one_p=`87/97=0.896907216`;\n- isotropic tilt: raw_p=`88/96=0.916666667`, add_one_p=`89/97=0.917525773`;\n- anis_x: raw_p=`85/96=0.885416667`, add_one_p=`86/97=0.886597938`;\n- anis_y: raw_p=`88/96=0.916666667`, add_one_p=`89/97=0.917525773`;\n- anis_z: raw_p=`88/96=0.916666667`, add_one_p=`89/97=0.917525773`.\n\nQuesti p-value alti non supportano una promozione graph-feature; restano audit anti-tautologia.\n\n## Falsificazione\n\nPromozione W16.5 falsificata in questo perimetro:\n\n- W16.5 `local_global` = `0/5`;\n- W16.5 `local_only` = `5/5`;\n- W20 `local_global` = `5/5`;\n- l'asse anisotropico non apre W16.5;\n- l'asse anisotropico x/y/z fa cadere W16 da `local_only` a `neither`, ma non tocca la stabilita' W20.\n\nLa forma utile e' negativa: la mancata chiusura W16.5 non dipende da un solo asse anisotropico, e il riferimento W20 resta separato dal canale intermedio.\n\n## Re-discovery Audit\n\nBaseline nota vicina: Anderson 3D mobility/localization crossover, con diagnostiche spettrali e localizzazione degli autostati. Il Lab-specific non e' la mobility edge; e' il contratto a due lettori local/global usato per falsificare una coordinata intermedia sotto perturbazioni fisiche comparabili. Il risultato resta compatibile con finite size e disorder realization; non diventa legge fisica.\n\n## Bicono della scoperta\n\n- **Due radici**: W20 chiude in 5/5 varianti; W16.5 non chiude in 5/5 varianti.\n- **Singolare**: `onsite_tilt=-0.0625` a semi fissi.\n- **Invariante di passaggio**: il bacino richiede chiusura local/global, non solo local support.\n- **Campo di possibilita**: possibile usare questa matrice come baseline negativa comparabile; non-possibile promuovere W16.5 oggi.\n\n## Verdict\n\nCONSTRAINT / NO PROMOTION.\n\nIl ciclo chiude il sotto-problema axis-split: x/y/z non spiegano una chiusura nascosta di W16.5. Il prossimo movimento deve rieseguire il replay isotropico con i semi E2E originali o aumentare size/reps sulla matrice comparabile; non serve aggiungere un'altra metrica.\n\n## Telemetria\n\n- Nuovo artefatto principale: `tools/data/landing/boundary_anderson_axis_split_20260603_1955.json`\n- Nuovi audit per variante: `tools/data/landing/anderson3d_physical_perturbation_20260603_1955_*.json`\n- Nuovo report locale: `tools/data/reports/agent_20260603_1955.md`\n- Nessuna API pagata rilevata da `env | rg '^(ANTHROPIC_API_KEY|OPENAI_API_KEY)=' || true`.\n- Nessun public sync, nessuna riattivazione cron, nessuna promozione fisica.\n", tools/data/lab_graph.json:1590: "content_preview": "# Agent Report - BOUNDARY Anderson Co-stability Falsifier\n**Date**: 2026-05-29 09:38 UTC\n**Tension explored**: BOUNDARY / transaction reference / Anderson independent verifier\n**verdict**: CONSTRAINT - La forma local/global trasferisce da percolation ad Anderson 3D, ma il candidato `graph_reference/localization_load` non passa ancora un null relazionale abbastanza forte. Il risultato utile e' evolutivo e anti-tautologico, non promozionale: W20 resta il riferimento local_global piu' stabile, W16/", tools/data/lab_graph.json:1591: "content_full": "# Agent Report - BOUNDARY Anderson Co-stability Falsifier\n**Date**: 2026-05-29 09:38 UTC\n**Tension explored**: BOUNDARY / transaction reference / Anderson independent verifier\n**verdict**: CONSTRAINT - La forma local/global trasferisce da percolation ad Anderson 3D, ma il candidato `graph_reference/localization_load` non passa ancora un null relazionale abbastanza forte. Il risultato utile e' evolutivo e anti-tautologico, non promozionale: W20 resta il riferimento local_global piu' stabile, W16/W16.5 restano zona intermedia intermittente.\nobservables_registry: Anderson audit derived from existing two-reader contract plus focused physical rerun\nobservables_used: [graph_bridge_frequency, centroid_margin, cross_neighbor_fraction, adjacent_r, brody_q, wigner_poisson_like_weight, mean_ipr, participation_entropy, graph_reference, localization_load, costability_score]\nssp_value: no\n\n**observable_contract**: claim=il riferimento Anderson candidato non deve copiare `max/q90` della percolation; observable=stati local/global, `graph_reference`, `localization_load`, null di co-stabilita'; operator=rerun fisico Anderson 3D focused su L=5,6,7 con nuovi seed e poli metallici/localizzati; denominator=7 W rows x 3 sizes x 2 seeds x k={2,3,4}; p_value_definition=add-one p da null che preserva marginali per size e rompe coupling graph/localization; non_possible=promuovere graph/localization come ente fisico se il coupling-breaking null non passa p<=0.05; not_tested=grandi L, boundary conditions alternative, perturbazione Hamiltoniana reale, sparse large-scale scaling.\n\n## Source directive\nL'operatore ha chiesto di procedere finche' non emergono evidenze e di fare cio' che il Lab dovrebbe fare, arrivando al report giornaliero. La regola attiva era: verificare tautologia e progresso come misura evolutiva; non copiare la coordinata percolation dentro Anderson; cercare eventuali enti relazionali nascosti solo se sostenuti da falsificazione.\n\n## Respiro fuori-tempo\n- **Combo**: BOUNDARY + percolation dominance reference + Anderson mobility-edge flow + misura tautologia/progresso.\n- **Dipolo / punto-zero**: `local_global` stabile / zona intermittente. Punto-zero: W16/W16.5 quando una size entra e l'altra non chiude.\n- **Piano superiore**: la transazione non e' un valore singolo, ma una relazione che deve sopravvivere a un secondo dominio fisico e a un null che rompe il coupling.\n- **Contaminazione cognitiva**: CE-none verificabile: questo ciclo non usa archivio enzimi esplicito; metabolizza invece la direttiva operatore \"tautologia + progresso\" come misura JSON separata.\n- **Proto-ipotesi**: in Anderson il riferimento candidato e' bifasico: `graph_reference` come ingresso/ponte, `localization_load` come stabilizzazione attraverso scala.\n- **Possibile/non-possibile**: possibile = usare graph/localization come candidato da falsificare fisicamente; non-possibile = promuoverlo oggi come ente fisico o nuova teoria.\n- **Movimento A->M->B**: fisico A = Anderson 3D tight-binding focused; matematica M = adapter local/global + latent axes + null di co-stabilita'; fisico B = vincolo: serve perturbazione/null fisico reale.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: il ciclo non accumula altra descrizione; applica misura tautologica/progresso e un rerun fisico indipendente.\n- `not_drift`: non promuove TQGE+R, non copia `max/q90`, non pubblica claim; separa evidenza evolutiva da promozione fisica.\n- `public_residue`: `lab_data.json` puo' esporre una direzione pubblica/pre-gate diversa dal seme attivo; qui non viene usato come autorita' L8 primaria. Il report segue il seme corrente BOUNDARY Anderson e tratta il residuo GUE/Poisson come memoria di perimetro, non come drift.\n- `seed_residue`: il rerun focused e' ancora piccolo; serve null fisico o perturbazione reale per chiudere.\n- `return_criterion`: rientro promozionale solo se il candidato passa un falsificatore fisico indipendente, non solo derived-axis null.\n\n## Claim Under Test\nIl candidato Anderson `graph_reference/localization_load` riduce il rischio tautologico e produce progresso evolutivo, ma non e' ancora evidenza promuovibile finche' non supera un null fisico o una perturbazione reale.\n\n## Experiment Design\nSono stati usati due livelli:\n\n1. **Rerun fisico focused Anderson 3D**\n - script: `tools/exp_anderson3d_mobility_edge_two_reader_audit.py`\n - output: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260529_focused.json`\n - sizes: `5,6,7`\n - reps: `6`\n - disorders: `2,4,16,16.5,20,24,32`\n - seeds: `2026052901,2026052902`\n - k-values: `2,3,4`\n - scramble trials: `256`\n\n2. **Projection and falsification**\n - adapter local/global: `tools/data/boundary_anderson_transaction_adapter_20260529_focused.json`\n - latent axes: `tools/data/boundary_anderson_latent_reference_probe_20260529_focused.json`\n - closure sensitivity: `tools/data/boundary_anderson_closure_probe_20260529_focused.json`\n - co-stability null: `tools/data/boundary_anderson_costability_null_20260529_focused.json`\n - evolution measure: `tools/data/boundary_evolution_measure_20260529_focused.json`\n\n## Results\nFocused Anderson rerun:\n\n```json\n{\n \"two_reader_all_size_rows\": [\"Anderson3D_W_20.00\"],\n \"two_reader_intermittent_rows\": [\"Anderson3D_W_16.00\", \"Anderson3D_W_16.50\"],\n \"feature_scramble_null_add_one_p\": 0.887159533\n}\n```\n\nTransaction adapter:\n\n```json\n{\n \"local_global\": 1,\n \"local_only\": 2,\n \"global_only\": 3,\n \"neither\": 1\n}\n```\n\nLatent deltas:\n\n```json\n{\n \"graph_reference\": 7.72090454,\n \"localization_load\": 0.120944471,\n \"spectral_softening\": 0.100759857,\n \"adjacent_midpoint_score\": 0.19394125\n}\n```\n\nClosure probe:\n\n```json\n{\n \"graph_reference\": 40.626221285,\n \"localization_load\": 0.828564315,\n \"spectral_softening\": 0.589033146,\n \"adjacent_midpoint_score\": 0.800275\n}\n```\n\nCo-stability null:\n\n```json\n{\n \"observed_all_row_separation\": 0.2833333333333333,\n \"observed_focus_separation\": 0.28009259259259256,\n \"null_all_row_add_one_p\": 0.449841347,\n \"null_focus_add_one_p\": 0.182084452,\n \"passes_relation_null\": false\n}\n```\n\nEvolution measure:\n\n```json\n{\n \"tautology_risk\": 0.0,\n \"progress_score\": 0.857142857,\n \"evolutionary_verdict\": \"evolves\",\n \"strongest_delta\": \"graph_reference\"\n}\n```\n\n## Falsificazione\nIl ciclo falsifica la promozione forte:\n\n- il rerun fisico ripete la topologia grossolana W20 / W16-W16.5;\n- ma il feature-scramble null del rerun e' alto (`add_one_p=0.887159533`);\n- il null relazionale graph/localization non passa (`focus p=0.182084452`);\n- quindi la co-stabilita' resta candidato, non evidenza.\n\nIl ciclo non falsifica il progresso:\n\n- Anderson e' un dominio fisico indipendente;\n- non copia `max/q90`;\n- produce una nuova coordinata candidata;\n- espone un contro-perimetro chiaro;\n- aggiorna la misura evolutiva senza pubblicare.\n\n## Tautology / Progress\n- `tautology_risk=0.0`: non c'e' copia della coordinata percolation e il contro-perimetro e' esplicito.\n- `progress_score=0.857142857`: il sistema evolve perche' trasferisce forma, crea strumento, misura il progresso e produce un falsificatore.\n- Limite: il progresso non e' scoperta fisica; e' progresso del Lab verso un falsificatore migliore.\n\n## Bicono della scoperta\n- **Due radici**: evidenza positiva W20 local_global stabile · contro-evidenza null graph/localization sopra soglia.\n- **Singolare**: W16/W16.5 sono la zona intermedia: il ponte grafico appare, ma il carico di localizzazione non stabilizza abbastanza da promuovere il claim.\n- **Invariante di passaggio**: la forma utile non e' il valore singolo; e' il coupling graph_reference/localization_load quando sopravvive a dominio, size e null.\n- **Campo di possibilità**: Possibile: costruire un perturbation/null fisico Anderson focused su W16/W16.5/W20. Non-possibile: pubblicare oggi graph/localization come ente fisico o teoria promossa.\n\n## Verdict\nCONSTRAINT / NO PROMOTION.\n\nIl report giornaliero puo' pubblicare un risultato metodologico interno:\n\n```text\nBOUNDARY Anderson ha prodotto progresso evolutivo e ridotto rischio tautologico,\nma non evidenza fisica promuovibile.\n```\n\nIl prossimo ciclo deve muovere il generatore fisico o il null fisico, non aggiungere un'altra metrica derivata.\n\n## Consecutio\nProssimo movimento:\n\n1. costruire un perturbation/null fisico Anderson focused;\n2. preservare i poli W2/W4/W24/W32;\n3. agire su W16/W16.5/W20;\n4. verificare se il ponte grafico entra prima e se il carico di localizzazione stabilizza dopo;\n5. rieseguire `boundary_evolution_measure` con il nuovo null.\n\n## Telemetria\n- Nessun public sync.\n- Nessuna riattivazione cron.\n- Nessuna promozione fisica.\n- Nuovo report locale: `tools/data/reports/agent_20260529_0938.md`.\n- Nuovo rerun fisico: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260529_focused.json`.\n- Nuovi derivati focused: adapter, latent, closure, costability null, evolution measure.\n", tools/data/lab_graph.json:1634: "findings": "1. Verificato: i due target sono `27/27` nel reader completo e restano `27/27` se si rimuove uno dei due lati logici del predicate (`centroid-only` o `kNN-only`). Il predicate e ridondante sui target pieni.\n2. Verificato: ablando le feature canoniche, logistica scende di `9/27` e percolation di `3/27`; `SR_local_rigidity` non produce drop per nessuno dei due.\n3. Verificato: ablando shuffle-z, perc", tools/data/lab_graph.json:1635: "content_preview": "# Agent Report - Graph Mechanism Ablation\n**Date**: 2026-05-16 12:30\n**Piano**: 135\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - Nel perimetro fisso `8 GUE / 5 Poisson`, i residui graph-only `logistica_biforcazione_var_3.5699` e `percolation` restano `27/27` nel reader completo. Entrambi cadono quando viene ablato il gruppo feature canoniche, ma il null label-count-preserving N-matched li ricostruisce spesso (`62/128`, `69/128`). Il meccanismo non e un residuo fisico comune: lo", tools/data/lab_graph.json:1636: "content_full": "# Agent Report - Graph Mechanism Ablation\n**Date**: 2026-05-16 12:30\n**Piano**: 135\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - Nel perimetro fisso `8 GUE / 5 Poisson`, i residui graph-only `logistica_biforcazione_var_3.5699` e `percolation` restano `27/27` nel reader completo. Entrambi cadono quando viene ablato il gruppo feature canoniche, ma il null label-count-preserving N-matched li ricostruisce spesso (`62/128`, `69/128`). Il meccanismo non e un residuo fisico comune: logistica dipende anche dalla topologia degree/cluster (`1/128` rewire ricostruisce 27/27), percolation no (`95/128` rewire ricostruisce 27/27).\nobservables_registry: 1.0.0-2026-05-06 via boundary_graph_curvature_gate\nobservables_used: [full_graph_bridge_hits, centroid_only_no_knn_hits, knn_only_no_centroid_hits, feature_group_ablation_hits, label_permutation_ge_full, degree_rewire_ge_full, feature_column_shuffle_ge_full]\n**observable_contract**: claim=un residuo graph-only e mechanism-specific solo se cade sotto una ablation nominata e non viene ricostruito da null comparabili; observable=hit count del target su 27 letture graph-reader sotto ablation deterministiche e null N-matched; operator=scissione del predicate originale in centroid gate, kNN cross-label gate, topology degree-preserving e feature row-local; generator=13 righe BOUNDARY con feature boundary_graph_curvature_gate; denominator=13 righe, 27 letture, 128 trial per ogni null stocastico; p_value_definition=right-tail raw_p=k/N, k = trial null con target_hits >= full observed hits; non_possible=promuovere graph-only residue se nessuna componente specifica lo fa cadere o se i null N-matched ricostruiscono spesso il full count; not_tested=nuove dinamiche fisiche, nuovi domini, scaling asintotico, promozione a due lettori.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + A11 combo + BOUNDARY `8 GUE / 5 Poisson` + grafo conoscenza come lettore + vincolo del seme sui residui graph-only.\n- **Dipolo / punto-zero**: residuo graph-only / meccanismo del reader. Punto-zero: la riga prima che il reader la spezzi in centroidi, kNN e feature row-local.\n- **Piano superiore**: topologia del grafo e bicono-dipoli; il bordo viene letto come predicate composto, non come singolo numero.\n- **Operatori laterali scelti**: kNN boundary, degree-preserving rewiring, feature row-local ablation.\n- **Contaminazione cognitiva**: CE-none:`tools/data/agent_field_live.md` letto nel ciclo 12:30; non contiene un archivio enzimi esplicito da metabolizzare. Uso KSAR solo come metodo implicito di reiterazione del kernel 12:06 sullo stesso denominatore.\n- **Proto-ipotesi**: un residuo graph-only che non costa sotto label permutation puo ancora informare il reader solo se una componente nominata lo fa cadere; se cade in modo diverso fra target, non esiste un meccanismo grafico comune promuovibile.\n- **Proiezione**: separare il predicate `cross_neighbor_fraction > 0 and centroid_margin < 0.25` e ablarne feature/topologia sullo stesso 13x27.\n- **Movimento A->M->B**: fisico A = confine GUE/Poisson nel denominatore del seme; matematica M = predicate kNN-centroid su feature spettrali; fisico B = logistica/percolation come ritorno. Il ritorno fisico resta assente: il ciclo delimita il reader.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: l'esperimento esegue ablation su centroidi, kNN, degree/cluster boundary e feature row-local mantenendo fisso il perimetro 13 righe, `8 GUE / 5 Poisson`.\n- `not_drift`: non usa Sturmian, phi, V_c, fit locali o nuovi domini; confronta i null con stesso N=128 sullo stesso observable `target_hits >= full_hits`.\n- `seed_residue`: resta non testato un null fisico interno alle dinamiche logistica/percolation; resta sospesa la promozione a due lettori.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: kNN stability, degree-preserving graph rewiring, cluster-boundary stability, label permutation null; per il frame spettrale restano Brody/Berry-Robnik/Rosenzweig-Porter come audit di crossover, non come sorgente del claim.\n- **Cosa assorbe il baseline**: label permutation ricostruisce spesso `27/27`; quindi il nome GUE/Poisson globale non porta costo sufficiente.\n- **Cosa resta Lab-specific**: lo strumento che separa quale parte del reader genera la stabilita graph-only prima di ogni ritorno fisico.\n- `two_reader_boundary_confirmed`: non promosso; `numeri_primi` non e target di questo ciclo.\n- `graph_only_residue`: `logistica_biforcazione_var_3.5699:cycle_13`, `percolation:cycle_9`.\n- `scope_change_declared`: nessun cambio di scope; 13 righe, 8 GUE / 5 Poisson.\n- `graph_baseline_audit`: centroid-only, kNN-only, feature group ablation, label permutation, degree-preserving rewire, feature-column shuffle.\n\n## Claim Under Test\n> Nel perimetro `8 GUE / 5 Poisson`, un residuo graph-only diventa informazione sul meccanismo del reader solo se il full `27/27` cade sotto una componente specifica e non viene ricostruito frequentemente dai null N-matched.\n\n## Question\nIl graph-reader ricostruisce i residui per centroidi, per kNN/degree boundary, o per feature row-local?\n\n## Ritorno fisico\n- **Punto fisico sorgente**: confine GUE/Poisson con righe logistica e percolation nel denominatore BOUNDARY.\n- **Attraversamento matematico**: predicate composto su feature spettrali standardizzate, centroidi di classe e grafo kNN.\n- **Punto fisico di ritorno**: dinamica logistica vicino alla biforcazione e percolazione critica.\n- **Controllo concretezza**: nessuna promozione; i null di label ricostruiscono spesso il target pieno.\n- **Relazione nuova**: la logistica segnala una dipendenza topologica degree/cluster piu forte della percolation; non e un ponte fisico comune.\n- **Osservabile/test fisico possibile**: null row-local interno: block/time shuffle per logistica e cluster/geometry rewiring per percolation.\n- **Se fallisce**: `ritorno_fisico_assente`; resta vincolo sul reader e strumento di audit.\n\n## Experiment Design\n- **Script**: `tools/exp_boundary_graph_mechanism_ablation.py`.\n- **Run**: `python tools/exp_boundary_graph_mechanism_ablation.py --out tools/data/boundary_graph_mechanism_ablation_20260516_1230.json --null-trials 128`.\n- **Scope**: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`.\n- **Reader grid**: `k=[2,3,4]`, `n_gaps=[512,1024,2048]`, seeds `[20260515,20260516,20260517]`, totale `27` letture.\n- **Ablation deterministiche**: centroid-only senza kNN, kNN-only senza centroid gate, gruppo canonical zeroed, `SR_local_rigidity` zeroed, shuffle-z zeroed.\n- **Null stocastici comparabili**: label permutation, degree-preserving rewire, feature-column shuffle; tutti N=128 e stesso tail `hits >= full_hits`.\n- **Non misurato**: nuove serie fisiche, Hamiltoniani, scaling a N maggiore, sorgente analitica delle label.\n\n## Results\n| target | full | centroid-only no kNN | kNN-only no centroid | drop canonical | drop SR_local | drop shuffle_z | label perm ge full | degree rewire ge full | feature column shuffle ge full |\n|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|\n| `logistica_biforcazione_var_3.5699:cycle_13` | 27/27 | 27/27 | 27/27 | 9 | 0 | 0 | 62/128 | 1/128 | 4/128 |\n| `percolation:cycle_9` | 27/27 | 27/27 | 27/27 | 3 | 0 | 9 | 69/128 | 95/128 | 31/128 |\n\n| target | label raw_p | degree raw_p | feature-shuffle raw_p | mechanism state |\n|---|---:|---:|---:|---|\n| `logistica_biforcazione_var_3.5699:cycle_13` | 0.484375 | 0.0078125 | 0.03125 | component_specific |\n| `percolation:cycle_9` | 0.5390625 | 0.7421875 | 0.2421875 | component_specific, but not topology-specific |\n\n## Key Findings\n1. Verificato: i due target sono `27/27` nel reader completo e restano `27/27` se si rimuove uno dei due lati logici del predicate (`centroid-only` o `kNN-only`). Il predicate e ridondante sui target pieni.\n2. Verificato: ablando le feature canoniche, logistica scende di `9/27` e percolation di `3/27`; `SR_local_rigidity` non produce drop per nessuno dei due.\n3. Verificato: ablando shuffle-z, percolation scende di `9/27`, logistica non scende. I due residui non condividono lo stesso meccanismo feature.\n4. Verificato: degree-preserving rewire ricostruisce logistica `27/27` solo `1/128`, ma ricostruisce percolation `95/128`. La topologia degree/cluster e discriminante per logistica, non per percolation.\n5. Verificato: label permutation resta alto per entrambi (`62/128`, `69/128`); quindi nessun residuo passa a ritorno fisico.\n\n## Verdict\nCONSTRAINT.\n\nIl ciclo isola il meccanismo come vincolo differenziato, non come scoperta: `logistica_biforcazione_var_3.5699` dipende da feature canoniche e dalla specifica topologia kNN/degree; `percolation` dipende da feature canoniche + shuffle-z ma viene ricostruita dalla topologia degree-preserving. Il residuo graph-only comune non sopravvive: esistono due artefatti di reader con componenti diverse.\n\n## Bicono della scoperta\n- **Due radici**: stabilita graph-only piena / caduta sotto componente nominata.\n- **Singolare**: il predicate del reader prima della scissione in feature, centroidi e kNN.\n- **Invariante di passaggio**: denominatore 13 righe, 8/5 labels, 27 letture, tail `hits >= full_hits`.\n- **Campo di possibilita**: possibile = progettare null fisici diversi per logistica e percolation; non-possibile = promuovere un residuo graph-only comune o sommarlo al boundary a due lettori.\n\n## Consecutio\nSeparare i due target. Per logistica: stressare la topologia con block/time shuffle che conserva marginali ma rompe ordine orbitale. Per percolation: usare null di cluster geometry, perche il degree-preserving rewire non basta a far cadere il target. Nessuna promozione finche il null fisico interno non produce costo non ricostruibile dalla label permutation.\n\n## Ricadute pratiche\nssp_value: yes. `tools/exp_boundary_graph_mechanism_ablation.py` diventa audit riusabile per residui graph-only: nessun target passa dal grafo alla fisica senza mostrare quale componente lo sostiene e quale null comparabile non lo ricostruisce.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python -m py_compile tools/exp_boundary_graph_mechanism_ablation.py` completato.\n- Run completato: `tools/data/boundary_graph_mechanism_ablation_20260516_1230.json`.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_boundary_graph_mechanism_ablation.py`\n- Data: `tools/data/boundary_graph_mechanism_ablation_20260516_1230.json`\n- Report: `tools/data/reports/agent_20260516_1230.md`\n", tools/data/lab_graph.json:1660: "text": "| target | full | centroid-only no kNN | kNN-only no centroid | drop canonical | drop SR_local | drop shuffle_z | label perm ge full | degree rewire ge full | feature column shuffle ge full |\n|---|---" tools/data/lab_graph.json:1672: "text": "Separare i due target. Per logistica: stressare la topologia con block/time shuffle che conserva marginali ma rompe ordine orbitale. Per percolation: " tools/data/lab_graph.json:1683: "verdict": "CONSTRAINT.\n\nIl gate label-count-preserving chiude la promozione dei residui graph-only. `logistica_biforcazione_var_3.5699` e `percolation` restano righe operative del grafo, ma non diventano ritorno", tools/data/lab_graph.json:1684: "verdict_en": "CONSTRAINT.\n\nIl gate label-count-preserving chiude la promozione dei residui graph-only. `logistica_biforcazione_var_3.5699` e `percolation` restano righe operative del grafo, ma non diventano ritorno", tools/data/lab_graph.json:1685: "findings": "1. Verificato: entrambi i target sono `graph_only_bridge` e osservati `27/27` nel reader.\n2. Verificato: `logistica_biforcazione_var_3.5699` viene ricostruita `27/27` in `223/512` permutazioni; `116` di questi hit avvengono con label scambiata.\n3. Verificato: `percolation` viene ricostruita `27/27` in `270/512` permutazioni; `162` di questi hit avvengono con label scambiata.\n4. Verificato: almeno ", tools/data/lab_graph.json:1686: "content_preview": "# Agent Report - Graph-Only Residue Label Null Audit\n**Date**: 2026-05-16 12:06\n**Piano**: 134\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - I due residui graph-only nominati dal seme (`logistica_biforcazione_var_3.5699`, `percolation`) sono osservati `27/27` nello stesso reader 13-righe, ma il null label-count-preserving li ricostruisce spesso: `223/512` per logistica e `270/512` per percolation. Le label sorgente non sopravvivono come costo: entrambi restano `27/27` anche con ", tools/data/lab_graph.json:1687: "content_full": "# Agent Report - Graph-Only Residue Label Null Audit\n**Date**: 2026-05-16 12:06\n**Piano**: 134\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - I due residui graph-only nominati dal seme (`logistica_biforcazione_var_3.5699`, `percolation`) sono osservati `27/27` nello stesso reader 13-righe, ma il null label-count-preserving li ricostruisce spesso: `223/512` per logistica e `270/512` per percolation. Le label sorgente non sopravvivono come costo: entrambi restano `27/27` anche con label scambiata.\nobservables_registry: 1.0.0-2026-05-06 via boundary_graph_curvature_gate\nobservables_used: [target_graph_bridge_hits, target_graph_bridge_frequency, label_count_preserving_null_hits, source_label_survival_state, any_graph_only_stable_under_null, classical_audit_state]\n**observable_contract**: claim=i residui graph-only portano costo di label sorgente solo se il loro `27/27` e raro sotto permutazioni label-count-preserving 8/5 e non persiste con label scambiata; observable=hit count del target su 27 perturbazioni graph-reader; operator=null label-count-preserving sulle 13 righe BOUNDARY; generator=feature row-local fissate dal graph reader, solo `source_domain_type` permutato; denominator=13 righe, 27 letture, `512` permutazioni; p_value_definition=right-tail `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null con `target_hits >= observed_target_hits`; non_possible=chiamare i residui graph-only Lab-specific se `27/27` viene ricostruito frequentemente o con label sorgente scambiata; not_tested=nuovo grafo, dinamica fisica sorgente, scaling asintotico, promozione a due lettori.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + A11 combo + BOUNDARY `8 GUE / 5 Poisson` + grafo conoscenza Q/G come lettore + residui graph-only nominati dal seme.\n- **Dipolo / punto-zero**: residuo graph-only / ricostruzione label-null. Punto-zero: la riga prima che la label GUE/Poisson orienti centroidi e cross-neighbor.\n- **Piano superiore**: topologia del grafo row-aligned; il costo vive nel fatto che il nome resta o cade quando il perimetro 8/5 viene preservato ma riassegnato.\n- **Operatori laterali scelti**: graph spectrum/kNN boundary, label-count-preserving null, degree/cluster boundary stability come baseline grafica.\n- **Contaminazione cognitiva**: CE-0001/KSAR usata come reiterazione dello stesso kernel 11:48 sui residui nominati; CE-none per altri adapter, perche il ciclo doveva chiudere comparabilita N=512 e non aprire nuovo dominio.\n- **Proto-ipotesi**: un residuo graph-only e strutturale solo se il suo bridge status costa piu del perimetro label-count-preserving; se il null lo ricrea, il residuo resta proprieta del reader.\n- **Proiezione**: tenere fisse le feature delle 13 righe, permutare solo le label preservando `8/5`, misurare se i due target restano `27/27`.\n- **Movimento A->M->B**: fisico A = confine GUE/Poisson nei domini del seme; matematica M = null di label su grafo kNN; fisico B = ritorno verso percolazione/logistica come fenomeni fisici. Il ritorno fisico fallisce in questo ciclo: resta vincolo sul reader.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: il ciclo testa esattamente se i residui graph-only `logistica_biforcazione_var_3.5699` e `percolation` e le label sorgente sopravvivono a null che preservano il perimetro 8 GUE / 5 Poisson.\n- `not_drift`: non torna a Sturmian, phi, V_c, fit locali o candidato prime; usa lo stesso N=512 del null label-count-preserving precedente.\n- `seed_residue`: resta non testato un null fisico interno alle dinamiche percolation/logistica; qui il perimetro e solo graph-reader/label.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: kNN stability, label permutation null, cluster-boundary stability, graph rewiring; per il contesto fisico restano Brody/Berry-Robnik/Rosenzweig-Porter come baseline di crossover spettrale.\n- **Cosa assorbe il baseline**: righe stabili possono comparire quando le label definiscono centroidi e cross-neighbor del grafo; non basta la stabilita `27/27`.\n- **Cosa resta Lab-specific**: il contratto null-first che impedisce di sommare graph-only residue al boundary a due lettori.\n- `two_reader_boundary_confirmed`: non misurato come nuovo conteggio; i target sono entrambi `graph_only_bridge`, non due lettori.\n- `graph_only_residue`: `logistica_biforcazione_var_3.5699:cycle_13`, `percolation:cycle_9`.\n- `scope_change_declared`: nessun cambio di scope; 13 righe, 8 GUE / 5 Poisson.\n- `graph_baseline_audit`: label-count-preserving permutation null sullo stesso graph reader.\n\n## Claim Under Test\n> Nel perimetro `8 GUE / 5 Poisson`, i residui graph-only `logistica_biforcazione_var_3.5699` e `percolation` portano costo strutturale solo se il loro `27/27` non viene ricostruito frequentemente da permutazioni delle label che preservano il conteggio 8/5.\n\n## Question\nI residui graph-only sono righe del confine, oppure il reader li ricrea quando il perimetro resta 8/5 ma le label sorgente cambiano?\n\n## Ritorno fisico\n- **Punto fisico sorgente**: confine GUE/Poisson su logistica e percolation nel denominatore BOUNDARY.\n- **Attraversamento matematico**: grafo kNN in feature canonical+rigidity+shuffle-z con null label-count-preserving.\n- **Punto fisico di ritorno**: dinamica logistica vicino a biforcazione e percolazione come transizione critica.\n- **Controllo concretezza**: il ritorno non e promosso; il null mostra ricostruzione frequente del bridge status.\n- **Relazione nuova**: il graph-reader puo nominare logistica/percolation come bridge senza costo sufficiente della label sorgente.\n- **Osservabile/test fisico possibile**: null row-local che rompe ordine temporale/logistico o geometria del cluster percolativo senza permutare label globali.\n- **Se fallisce**: `ritorno_fisico_assente`; il ciclo resta vincolo grafico e contratto per il prossimo null fisico.\n\n## Experiment Design\n- **Script**: `tools/exp_boundary_residue_label_count_null_audit.py`.\n- **Run**: `python tools/exp_boundary_residue_label_count_null_audit.py --out tools/data/boundary_residue_label_count_null_audit_20260516_1206.json --null-trials 512`.\n- **Scope**: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`.\n- **Classical/stability audit**: `tools/data/boundary_bridge_stability_audit_20260516_1140.json`.\n- **Reader grid**: `k=[2,3,4]`, `n_gaps=[512,1024,2048]`, seeds `[20260515,20260516,20260517]`, totale `27` letture.\n- **Null**: permuta `source_domain_type` fra le stesse 13 righe preservando `8` GUE e `5` Poisson; feature row-local, osservabili e shuffle-z restano fissati.\n- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null in cui `target_hits >= 27`.\n- **Non misurato**: nuovi autovalori, nuovo generatore percolativo/logistico, null fisico interno, limite asintotico.\n\n## Results\n| target | source label | observed | null 27/27 | raw_p | add_one_p | Wilson 95% | 27/27 original label | 27/27 swapped label | label state |\n|---|---|---:|---:|---:|---:|---|---:|---:|---|\n| `logistica_biforcazione_var_3.5699:cycle_13` | GUE | 27/27 | 223/512 | 0.435546875 | 0.436647173 | [0.393236226, 0.478817486] | 107 | 116 | does_not_survive_label_null |\n| `percolation:cycle_9` | Poisson | 27/27 | 270/512 | 0.527343750 | 0.528265107 | [0.484056280, 0.570223964] | 108 | 162 | does_not_survive_label_null |\n\n| aggregate | count |\n|---|---:|\n| any graph-only row reaches 27/27 under null | 417/512 |\n| observed stable 27/27 rows | `logistica_biforcazione_var_3.5699`, `numeri_primi`, `percolation` |\n\n## Key Findings\n1. Verificato: entrambi i target sono `graph_only_bridge` e osservati `27/27` nel reader.\n2. Verificato: `logistica_biforcazione_var_3.5699` viene ricostruita `27/27` in `223/512` permutazioni; `116` di questi hit avvengono con label scambiata.\n3. Verificato: `percolation` viene ricostruita `27/27` in `270/512` permutazioni; `162` di questi hit avvengono con label scambiata.\n4. Verificato: almeno una riga graph-only raggiunge `27/27` in `417/512` null; la stabilita piena e frequente nel reader.\n5. Inferito dal perimetro: i due residui non portano costo di label sorgente; sono target utili per un null fisico interno, non scoperte promuovibili.\n\n## Verdict\nCONSTRAINT.\n\nIl gate label-count-preserving chiude la promozione dei residui graph-only. `logistica_biforcazione_var_3.5699` e `percolation` restano righe operative del grafo, ma non diventano ritorno fisico ne boundary a due lettori. Il prossimo passo regressivo e un null row-local specifico per dinamica: rompere ordine logistico/percolativo mantenendo feature marginali, poi chiedere se il bridge cade.\n\n## Bicono della scoperta\n- **Due radici**: residuo graph-only osservato / residuo ricostruito dal null.\n- **Singolare**: la riga del dominio prima della label sorgente e prima del nome fisico.\n- **Invariante di passaggio**: stesso denominatore 13 righe, stesso reader 27 letture, stesso conteggio 8/5.\n- **Campo di possibilita**: possibile = usare i due target come stress test per null fisici interni; non-possibile = sommare graph-only residue al boundary o proporre ritorno fisico dal solo grafo.\n\n## Consecutio\nCostruire un null fisico row-local per i due target: per logistica, block/time shuffle o surrogate che conserva distribuzione locale ma rompe ordine orbitale; per percolation, rewiring/cluster surrogate che conserva size distribution o grado locale ma rompe geometria critica. Se il bridge cade, il residuo e reader artifact; se resta, riapre il ritorno fisico.\n\n## Ricadute pratiche\nssp_value: yes. `tools/exp_boundary_residue_label_count_null_audit.py` diventa gate riusabile per audit multi-target su residui graph-only prima di qualunque promozione.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python -m py_compile tools/exp_boundary_residue_label_count_null_audit.py` completato.\n- Primo run 12:06 incoerente dopo join difettoso `audit_state/classical_audit_state`; corretto il nodo regressivo nel join e rieseguito con `512` permutazioni.\n- Verifica baseline separata: `python tools/exp_boundary_prime_label_null_audit.py --out /tmp/prime_label_check_1206.json --null-trials 1` riproduce `27/27` per il target prime e mostra lo stesso set osservato `logistica`, `numeri_primi`, `percolation`, `reaction_diffusion` nel controllo rapido.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_boundary_residue_label_count_null_audit.py`\n- Data: `tools/data/boundary_residue_label_count_null_audit_20260516_1206.json`\n- Report: `tools/data/reports/agent_20260516_1206.md`\n", tools/data/lab_graph.json:1693: "text": "> Nel perimetro `8 GUE / 5 Poisson`, i residui graph-only `logistica_biforcazione_var_3.5699` e `percolation` portano costo strutturale solo se il lor" tools/data/lab_graph.json:1717: "text": "CONSTRAINT.\n\nIl gate label-count-preserving chiude la promozione dei residui graph-only. `logistica_biforcazione_var_3.5699` e `percolation` restano r" tools/data/lab_graph.json:1723: "text": "Costruire un null fisico row-local per i due target: per logistica, block/time shuffle o surrogate che conserva distribuzione locale ma rompe ordine o" tools/data/lab_graph.json:1738: "content_full": "# Agent Report - Prime Bridge Label Null Audit\n**Date**: 2026-05-16 11:48\n**Piano**: 133\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - Nel perimetro vivo `8 GUE / 5 Poisson`, il candidato `numeri_primi:cycle_3` resta bridge graph osservato in `27/27` letture, con audit classico `classic_and_graph_bridge`; ma il null label-count-preserving ricostruisce lo stesso `27/27` in `253/512` permutazioni (`raw_p=0.494140625`, Wilson 95% `[0.451039270, 0.537329250]`). Il candidato non diventa ritorno fisico: la posizione a due lettori resta troppo ricostruibile dalla geometria delle etichette 8/5.\nobservables_registry: 1.0.0-2026-05-06 via boundary_graph_curvature_gate\nobservables_used: [target_graph_bridge_hits, target_graph_bridge_frequency, label_count_preserving_null_hits, any_row_stable_27_under_null, classical_audit_state, brody_q, berry_robnick_like_gue_weight]\n**observable_contract**: claim=`numeri_primi:cycle_3` diventa ritorno fisico solo se il suo `27/27` bridge status non viene ricostruito frequentemente permutando solo le label GUE/Poisson; observable=hit count del target su 27 perturbazioni graph-reader; operator=null label-count-preserving sulle 13 righe BOUNDARY; generator=feature row-local fissate dal reader 11:40, solo `source_domain_type` permutato; denominator=13 righe, 27 letture, `512` permutazioni; p_value_definition=right-tail `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null con `target_hits >= observed_target_hits`; non_possible=chiamare `numeri_primi:cycle_3` ritorno fisico se il null ricostruisce spesso `27/27`; not_tested=nuovi spettri, nuovo Hamiltoniano fisico, validita analitica delle label sorgente, scaling asintotico.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + A11 combo + QxG continuo/discreto + nodo BOUNDARY `8 GUE / 5 Poisson` + grafo della conoscenza come lettore.\n- **Dipolo / punto-zero**: nome fisico del candidato / geometria etichettata. Punto-zero: la stessa riga `numeri_primi:cycle_3` prima che la label GUE/Poisson orienti centroidi e cross-neighbor.\n- **Piano superiore**: topologia del grafo row-aligned; il bordo vive solo dove il nome fisico costa piu del null di etichetta.\n- **Operatori laterali scelti**: graph curvature, label-count-preserving null, audit classico Brody/Berry-Robnik.\n- **Contaminazione cognitiva**: CE-0001/KSAR usata per reiterare il kernel del ciclo 11:40 senza cambiare denominatore; CE-0117/Cascata usata per far cadere il candidato nel null prima della promozione.\n- **Proto-ipotesi**: un bridge a due lettori non diventa fisico perche resta stabile; diventa fisico solo se la stabilita ha costo sotto null che preservano il perimetro.\n- **Possibile/non-possibile**: possibile = usare `numeri_primi:cycle_3` come candidato nominale del grafo 13-righe; non-possibile = promuoverlo come ritorno fisico quando il null ricostruisce `27/27` in circa meta dei trial.\n- **Proiezione**: rieseguo il reader 11:40, tengo fisse le feature delle 13 righe, permuto solo le label preservando `8/5`, e conto quante volte il target raggiunge l'osservato.\n- **Movimento A->M->B**: fisico A = statistiche prime dentro il confine GUE/Poisson; matematica M = null di etichetta su grafo kNN perturbato; fisico B = ritorno verso un null prime-specific. Il ritorno B resta domanda, non avanzamento.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: l'esperimento attacca direttamente il perimetro vivo `8 GUE / 5 Poisson` e il candidato emerso dal ciclo 11:40.\n- `not_drift`: non torna a Sturmian, phi, V_c, fit locali o Anderson; il denominatore atomico resta 13 righe con 8 GUE e 5 Poisson.\n- `seed_residue`: restano non testati nuovi domini fisici, source-label validation analitica e scaling asintotico.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Brody crossover, Berry-Robnik mixture, Rosenzweig-Porter crossover, kNN label stability, cluster-boundary stability.\n- **Cosa assorbe il baseline**: una riga intermedia puo apparire bridge quando le label definiscono centroidi e cross-neighbor del grafo.\n- **Cosa resta Lab-specific**: audit null-first del candidato a due lettori sullo stesso denominatore 8/5.\n- `two_reader_boundary_confirmed`: osservato `numeri_primi:cycle_3`, ma non promosso dopo null.\n- `graph_only_residue`: non sommato al boundary; nel rerun pulito restano `logistica_biforcazione_var_3.5699` e `percolation` come `27/27` graph-only, mentre il residuo graph-only precedente non e usato come autorita.\n- `scope_change_declared`: nessun cambio di scope.\n- `graph_baseline_audit`: label-count-preserving permutation null su kNN graph perturbato.\n\n## Claim Under Test\n> Nel perimetro `8 GUE / 5 Poisson`, `numeri_primi:cycle_3` e' un candidato fisico solo se il suo `27/27` bridge status non viene ricostruito frequentemente da permutazioni delle label che preservano il conteggio 8/5.\n\n## Question\nIl bridge prime a due lettori costa informazione fisica, oppure il grafo lo ricrea quando cambiano solo le label del perimetro?\n\n## Experiment Design\n- **Script**: `tools/exp_boundary_prime_label_null_audit.py`.\n- **Run**: `python tools/exp_boundary_prime_label_null_audit.py --out tools/data/boundary_prime_label_null_audit_20260516_1148.json --null-trials 512`.\n- **Scope**: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`.\n- **Classical audit**: `tools/data/boundary_classical_crossover_audit_20260515_1904.json`.\n- **Reader grid**: `k=[2,3,4]`, `n_gaps=[512,1024,2048]`, seeds `[20260515,20260516,20260517]`, totale `27` letture.\n- **Null**: permuta `source_domain_type` fra le stesse 13 righe preservando `8` GUE e `5` Poisson; feature row-local, osservabili e shuffle-z restano fissati.\n- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`, con `k` = trial null in cui `target_hits >= 27`.\n- **Non misurato**: nuovi autovalori, Cramer null, raw prime gaps alternativi, unfolding fisico, limite asintotico.\n\n## Results\n| measure | observed | null k/N | raw_p | add_one_p | Wilson 95% | lettura |\n|---|---:|---:|---:|---:|---|---|\n| `numeri_primi:cycle_3` target hits | 27/27 | 253/512 | 0.494140625 | 0.495126706 | [0.451039270, 0.537329250] | il null ricostruisce spesso il target pieno |\n| any row stable 27/27 under null | n/a | 508/512 | 0.992187500 | n/a | n/a | il grafo genera stabilita piena sotto label permutate |\n\n| target label in null | target 27/27 hits |\n|---|---:|\n| GUE | 141 |\n| Poisson | 112 |\n\n| target hit count under null | trials |\n|---:|---:|\n| 0 | 36 |\n| 9 | 72 |\n| 18 | 38 |\n| 21 | 35 |\n| 24 | 24 |\n| 27 | 253 |\n\n## Key Findings\n1. Verificato: il target osservato e' pieno (`27/27`) e resta `classic_and_graph_bridge` nel lettore classico.\n2. Verificato: il null ricostruisce `target_hits=27` in `253/512` trial; il valore osservato non e raro sotto permutazione delle label.\n3. Verificato: la ricostruzione non dipende dal target lasciato GUE: `141` hit pieni quando il target nullo e GUE, `112` quando e Poisson.\n4. Verificato: almeno una riga qualsiasi raggiunge `27/27` in `508/512` trial null; la stabilita graph-only e' un residuo del lettore, non evidenza fisica.\n5. Inferito dal perimetro: il nome `numeri_primi` non passa ancora dal grafo alla fisica; serve un null prime-specific che rompa ordine aritmetico senza usare label cross-dominio.\n\n## Verdict\nCONSTRAINT.\n\nIl candidato `numeri_primi:cycle_3` resta il miglior nome operativo del bordo a due lettori, ma il suo `27/27` non ha costo sufficiente sotto null di etichetta. Il terzo incluso operativo resta proprieta del grafo 13-righe finche un null fisico row-local sui primi non separa ordine aritmetico e geometria GUE/Poisson.\n\n## Bicono della scoperta\n- **Due radici**: bridge osservato pieno / ricostruzione piena sotto null.\n- **Singolare**: riga `numeri_primi:cycle_3` prima della label e prima del nome fisico.\n- **Invariante di passaggio**: stesso denominatore 13 righe, stesso reader 27 letture, stesso target.\n- **Campo di possibilita**: possibile = usare il target come candidato da stressare; non-possibile = promuoverlo come ritorno fisico dal solo graph-reader.\n\n## Consecutio\nCostruire un null prime-specific row-local sul target: preservare distribuzione dei gap e lunghezza finestra, rompere ordine aritmetico/log-temporale, e rieseguire il reader senza permutare label globali. Se il target resta `27/27` contro quel null, il ritorno fisico riapre; se cade, il candidato si chiude come artefatto del grafo 13-righe.\n\n## Ricadute pratiche\nssp_value: yes. `tools/exp_boundary_prime_label_null_audit.py` diventa gate riusabile: nessun candidato two-reader puo passare a ritorno fisico senza costo contro label-count-preserving null.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python -m py_compile tools/exp_boundary_prime_label_null_audit.py` completato.\n- Run completato: `tools/data/boundary_prime_label_null_audit_20260516_1148.json`.\n- Primo artefatto 11:48 incoerente: target ricalcolato `18/27` contro baseline 11:40 `27/27`. Rerun baseline nello stesso ambiente ha riprodotto `27/27`; il file finale e stato sovrascritto con run pulito. La dissonanza resta telemetria: i residui graph-only non vengono usati come autorita.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_boundary_prime_label_null_audit.py`\n- Data: `tools/data/boundary_prime_label_null_audit_20260516_1148.json`\n- Report: `tools/data/reports/agent_20260516_1148.md`\n", tools/data/lab_graph.json:1789: "content_full": "# Agent Report - Anderson Comparable Null Audit\n**Date**: 2026-05-16 11:35\n**Piano**: 132\n**Tension explored**: BOUNDARY (0.8)\n**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.\nobservables_registry: 1.0.0-2026-05-06\nobservables_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]\n**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.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + QxG continuo/discreto + nodo BOUNDARY + feedback falsifier L2 sui null comparabili.\n- **Dipolo / punto-zero**: null permissivo / null fisico. Punto-zero: la stessa riga disorder prima della nominazione e prima della scelta del null.\n- **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.\n- **Operatori laterali scelti**: boundary operator, graph rewiring, candidate-only shuffle.\n- **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.\n- **Proto-ipotesi**: la restrittivita' di un null non e' proprieta' del nome del null; e' proprieta' misurabile solo a perimetro, observable e N fissati.\n- **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.\n- **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.\n- **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.\n\n## Aderenza alla direzione\n- `relation`: `deliberate_counter_perimeter`\n- `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'.\n- `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.\n- `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`.\n- `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson, raw multi-seed Anderson e `L>=7`.\n- `why_not_drift`: il sotto-perimetro e' regressivo perche' corregge il confronto non omogeneo segnalato dal falsifier, senza promuovere un nuovo candidato.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Anderson localization, mobility edge 3D, crossover Wigner-Dyson/Poisson, Brody interpolation, finite-size scaling.\n- **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, dipendenza da size piccole, sensibilita' a feature compatte.\n- **Cosa resta Lab-specific**: contratto null-first comparabile con due operatori null sullo stesso observable row-aligned.\n- **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`.\n\n## Claim Under Test\n> 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.\n\n## Question\nLa riduzione osservata nel null endpoint-preserving era effetto del null o effetto del cambio di perimetro?\n\n## Experiment Design\n- **Script**: `tools/exp_anderson3d_comparable_null_audit.py`.\n- **Run**: `python tools/exp_anderson3d_comparable_null_audit.py --out tools/data/anderson3d_comparable_null_audit_20260516_1135.json --null-trials 512`.\n- **Source**: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`.\n- **Perimetro**: righe compatte mediane del run 11:17, `L=5,6`, 11 disorder rows per size.\n- **Observed observable**: intersezione cross-size di righe `stable_graph_bridge+classical_intermediate`.\n- **Null A**: endpoint-preserving candidate-only; conserva poli metallic/localized e permuta feature solo fra righe `mobility_candidate`.\n- **Null B**: full feature-scramble; permuta feature su tutte le righe compatte della size.\n- **P-value**: right-tail; `raw_p=k/N`, `add_one_p=(k+1)/(N+1)`; Wilson 95% riportato sul count binomiale `k/N`.\n- **Non testato**: non misura nuovi autovalori, raw multi-seed reader, exponent critico o large-L.\n\n## Results\n| measure | observed | null k/N | raw_p | add_one_p | Wilson 95% | max null | mean null | lettura |\n|---|---:|---:|---:|---:|---|---:|---:|---|\n| endpoint-preserving candidate-only | 2 | 36/512 | 0.070312500 | 0.072124756 | [0.051218024, 0.095806720] | 2 | 0.533203125 | riduce la ricostruzione ma non azzera |\n| full feature-scramble | 2 | 272/512 | 0.531250000 | 0.532163743 | [0.487953078, 0.574081486] | 4 | 1.623046875 | ricostruisce spesso il conteggio |\n| difference full - endpoint | n/a | n/a | 0.460937500 | n/a | [0.412369646, 0.509505354] | n/a | n/a | differenza comparabile nello stesso perimetro |\n\n| W row | endpoint-preserving named hits | full-scramble named hits | lettura |\n|---:|---:|---:|---|\n| 16.00 | 33/512 | 117/512 | riga osservata ricostruibile |\n| 20.00 | 54/512 | 116/512 | candidato non-zero nel null fisico |\n| 16.50 | 37/512 | 112/512 | intermittente nel deposito, ricostruibile |\n\n| size | observed compact two-reader rows |\n|---:|---|\n| L=5 | `W=16.00`, `W=20.00` |\n| L=6 | `W=16.00`, `W=16.50`, `W=20.00` |\n\n## Key Findings\n1. Verificato: sullo stesso perimetro e con lo stesso `N=512`, endpoint-preserving ricostruisce meno del full feature-scramble: `36/512` contro `272/512`.\n2. Verificato: gli intervalli binomiali non si sovrappongono; la differenza `raw_p_full - raw_p_endpoint = 0.460937500` ha intervallo approssimato `[0.412369646, 0.509505354]`.\n3. Verificato: il risultato L2 precedente non era formulabile come confronto; ora lo e', ma solo nel perimetro compatto.\n4. Verificato: `W=20` non e' zero sotto endpoint-preserving: `54/512` rinomine cross-size.\n5. Inferito dal perimetro: il null endpoint-preserving e' un filtro piu' duro, non una prova fisica del boundary.\n\n## Verdict\nCONSTRAINT\n\nIl 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.\n\n## Bicono della scoperta\n- **Due radici**: differenza comparabile fra null; rinomina non-zero del candidato.\n- **Singolare**: riga disorder prima del nome e prima del null.\n- **Invariante di passaggio**: stesso observable, stesso perimetro, stesso N.\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.\n\n## Consecutio\nRipetere 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.\n\n## Ricadute pratiche\nssp_value: yes. `tools/exp_anderson3d_comparable_null_audit.py` diventa strumento riusabile per confrontare null solo dopo allineamento di perimetro, observable e N.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; BOUNDARY seguito come contro-perimetro regressivo per obbligo falsifier.\n- `python -m py_compile tools/exp_anderson3d_comparable_null_audit.py` completato.\n- Run completato: `tools/data/anderson3d_comparable_null_audit_20260516_1135.json`.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_anderson3d_comparable_null_audit.py`\n- Data: `tools/data/anderson3d_comparable_null_audit_20260516_1135.json`\n- Report: `tools/data/reports/agent_20260516_1135.md`\n", tools/data/lab_graph.json:1795: "text": "> Nel perimetro compatto Anderson, il confronto tra null e' interpretabile solo se full feature-scramble ed endpoint-preserving candidate-only misuran" tools/data/lab_graph.json:1840: "content_full": "# Agent Report - Anderson 3D Two-Reader Boundary Null\n**Date**: 2026-05-16 11:17\n**Piano**: 131\n**Tension explored**: BOUNDARY (0.8)\n**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.\nobservables_registry: 1.0.0-2026-05-06\nobservables_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]\n**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.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: segue la direzione valutatore: porta il gate endpoint/two-reader fuori da RP verso Anderson 3D, dominio fisico indipendente con transizione metallico/localizzato.\n- `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.\n- `seed_residue`: restano non testati il perimetro completo 8 GUE / 5 Poisson e spettri fisici reali.\n- `why_not_drift`: il sotto-perimetro e' regressivo perche' attacca il nodo lasciato aperto dal valutatore: trasferibilita' cross-dominio del boundary.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Anderson localization e mobility edge 3D; crossover Wigner-Dyson/Poisson; Brody interpolation; finite-size scaling della transizione metallico/localizzato.\n- **Cosa assorbe il baseline**: righe intermedie vicino alla transizione, drift di adjacent ratio/Brody q/IPR, dipendenza da size piccole.\n- **Cosa resta Lab-specific**: il contratto a due lettori con riga row-aligned, separazione graph-only/classic-only e p-value feature-scramble definito.\n- **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`.\n\n## Claim Under Test\n> 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.\n\n## Question\nIl gate a due lettori trova un confine fisico Anderson, o una combinazione di feature che il null puo' ricomporre senza struttura fisica?\n\n## Ritorno fisico\n- **Punto fisico sorgente**: crossover spettrale RP GUE/Poisson con residuo finito-size.\n- **Attraversamento matematico**: grafo kNN standardizzato delle feature spettrali e classificazione classica row-aligned.\n- **Punto fisico di ritorno**: Anderson 3D mobility edge, transizione metallico/localizzato.\n- **Controllo concretezza**: il ritorno e' un Hamiltoniano tight-binding 3D con disorder `W`, non una categoria astratta di confine.\n- **Relazione nuova**: il gate individua `W=20` come riga candidata, ma il null mostra che il lettore puo' ricostruire candidate cross-size.\n- **Osservabile/test fisico possibile**: ripetere su `L>=7` con sparse eigensolver e null che preserva endpoint fisici ma rompe accoppiamento feature-row.\n- **Se fallisce**: `ritorno_fisico_non_promosso`: resta vincolo metodologico e candidato da stressare, non scoperta fisica.\n\n## Experiment Design\n- **Script**: `tools/exp_anderson3d_mobility_edge_two_reader_audit.py`.\n- **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`.\n- **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`.\n- **Classical reader**: adjacent ratio, Brody q, Wigner/Poisson mixture weight; `classical_intermediate` quando non cade negli endpoint.\n- **Graph reader**: riga `stable_graph_bridge` se `graph_bridge_frequency >= 0.75` sui k/seed reader.\n- **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.\n- **Null**: feature-scramble trial che preserva marginali delle feature compatte e rompe accoppiamento row-feature del lettore.\n- **Non testato**: non misura exponent critico, non usa large-L sparse solver, non confronta dati sperimentali.\n\n## Results\n| measure | observed | null k/N | raw_p | add_one_p | max null | lettura |\n|---|---:|---:|---:|---:|---:|---|\n| two_reader_all_sizes | 1 | 112/128 | 0.875000000 | 0.875968992 | 4 | non significativo |\n| two_reader_intermittent | 2 | n/a | n/a | n/a | n/a | residuo size-sensitive |\n| graph_only_residue L=5 | 3 | n/a | n/a | n/a | n/a | graph-only separato |\n| graph_only_residue L=6 | 4 | n/a | n/a | n/a | n/a | graph-only separato |\n\n| W row | L=5 state | L=6 state | all sizes | adjacent r L5/L6 | lettura |\n|---:|---|---|---|---|---|\n| 16.00 | stable_graph_bridge+classical_intermediate | parameter_sensitive_bridge+classical_intermediate | no | 0.502545 / 0.514892 | intermittente |\n| 16.50 | parameter_sensitive_bridge+classical_wigner_endpoint | stable_graph_bridge+classical_intermediate | no | 0.520130 / 0.504157 | intermittente e reader-sensitive |\n| 20.00 | stable_graph_bridge+classical_intermediate | stable_graph_bridge+classical_intermediate | yes | 0.494405 / 0.491363 | candidato cross-size non promosso |\n| 24.00 | unstable_non_bridge+classical_intermediate | unstable_non_bridge+classical_intermediate | no | 0.468283 / 0.473644 | endpoint/localizzato non bridge |\n\n## Key Findings\n1. Verificato: `W=20.00` e' l'unica riga `stable_graph_bridge+classical_intermediate` su entrambe le size testate.\n2. Verificato: `W=16.00` e `W=16.50` sono candidate intermittenti, quindi non trasportano il gate in modo cross-size.\n3. Verificato: il null feature-scramble assorbe il conteggio osservato: `112/128` trial arrivano ad almeno `1` candidato, con massimo null `4`.\n4. Verificato: esiste residuo graph-only separato (`3` righe a `L=5`, `4` a `L=6`); non viene sommato al boundary a due lettori.\n5. Inferito dal perimetro: Anderson 3D e' un contro-perimetro utile, ma il risultato attuale misura fragilita' del lettore piu' che terzo incluso fisico.\n\n## Verdict\nCONSTRAINT\n\nIl 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`.\n\n## Bicono della scoperta\n- **Due radici**: riga cross-size osservata; ricostruzione da null.\n- **Singolare**: disorder row prima della doppia lettura classico/grafo.\n- **Invariante di passaggio**: row alignment e p-value dichiarato (`raw_p`, `add_one_p`) restano il filtro.\n- **Campo di possibilita**: possibile = usare Anderson come stress test cross-dominio del gate; non-possibile = promuovere il boundary senza battere il null.\n\n## Consecutio\nPortare 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.\n\n## Ricadute pratiche\nssp_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.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; BOUNDARY seguito per contratto vivo valutatore.\n- `python -m py_compile tools/exp_anderson3d_mobility_edge_two_reader_audit.py` completato.\n- Run completato: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_anderson3d_mobility_edge_two_reader_audit.py`\n- Data: `tools/data/anderson3d_mobility_edge_two_reader_audit_20260516_1117.json`\n- Report: `tools/data/reports/agent_20260516_1117.md`\n", tools/data/lab_graph.json:2032: "content_full": "# Agent Report - RP Exact Local-Window Size Stress\n**Date**: 2026-05-16 10:19\n**Piano**: 127\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - `RP_lambda_0.060` non sopravvive come terzo incluso operativo quando `local_window=9/10/11/12` viene trattata come finestra esatta e N viene esteso oltre 192. Passa 5/8 celle; cade a `N=224` per finestre 9/10/11. Il confine RP resta asse dipendente dall'operatore di unfolding.\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, berry_robnick_like_gue_weight, mean_ipr, observed_successes, label_shuffle_successes, position_shift_successes, Wilson intervals, binomial-tail p-values, min_lift_against_nulls, threshold_pass, exact_local_window]\n**observable_contract**: claim=`RP_lambda_0.060` e' cresta persistente solo se batte entrambi i null row-aligned su ogni `local_window` esatta 9/10/11/12 e su size oltre 192; observable=two-reader raw-count threshold per lambda x exact local_window x size; operator=unfolding locale a larghezza esatta, senza coercizione dispari; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE; denominator=lambda sentinels `0.030/0.045/0.060/0.075/0.820`, size `224/256`, seed x k = `4 x 3`, label null `768`, position null `48`; non_possible=boundary a lambda singola se una finestra o size dichiarata fallisce soglia; not_tested=N infinito, finestre oltre 12, kernel di unfolding alternativi, spettri sperimentali, Anderson 3D.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + QxG continuo/discreto + boundary operator topologico + tensione BOUNDARY/RP.\n- **Dipolo / punto-zero**: cresta lambda / lettore di unfolding. Punto-zero: la stessa cella RP prima che la finestra esatta decida pass o non-pass.\n- **Piano superiore**: topologia assiomatica del bordo; la larghezza locale e' coordinata del boundary, non opzione tecnica.\n- **Operatori laterali scelti**: boundary operator e parallel transport. Il primo dichiara il bordo come oggetto; il secondo chiede se la riga `0.060` trasporta identita' tra finestre.\n- **Contaminazione cognitiva**: CE-0001/KSAR metabolizzata come reiterazione del kernel 10:07 senza promozione; CE-0019 usata per rendere il respiro pre-esperimento vincolo e non linguaggio post-hoc.\n- **Proto-ipotesi**: se `local_window` e' asse del boundary, le finestre pari devono essere coordinate reali; collassarle alla dispari inferiore cancella informazione.\n- **Proiezione**: misuro count grezzi e null per `window=9/10/11/12`, conservando le finestre pari come larghezze esatte.\n- **Movimento A->M->B**: fisico A = crossover RP finito; matematica M = matrice `(lambda, local_window, N)` con null row-aligned; fisico B non emerge. Il ciclo resta vincolo sul lettore finite-size, non avanzamento fisico autonomo.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: stressa esattamente la transizione `local_window=9 -> 11` su `RP_lambda_0.060`, estendendo N oltre 192 e includendo 10/12 come finestre non collassate.\n- `not_drift`: non ritorna a phi, Sturmian, V_c o fit locali; usa solo il perimetro RP e il gate raw-count/null richiesto dal campo vivo.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Rosenzweig-Porter crossover, Brody interpolation, Berry-Robnik mixture, unfolding sensitivity in spettri finiti.\n- **Cosa assorbe il baseline**: la dipendenza dalla procedura di unfolding in size finite.\n- **Cosa resta Lab-specific**: il contratto row-aligned con due lettori, count grezzi e null espliciti per decidere se una riga puo essere chiamata terzo incluso.\n- **Separazione**: `two_reader_boundary_confirmed=[]` all-window per `0.060`; `graph_only_residue=0` non promosso; `scope_change_declared=exact_local_window`; `graph_baseline_audit=label shuffle + position shift`.\n\n## Claim Under Test\n> `RP_lambda_0.060` resta thresholded su tutte le finestre esatte `9/10/11/12` e su size `224/256`.\n\n## Experiment Design\n- **Script nuovo**: `tools/exp_rp_exact_local_window_matrix.py`.\n- **Motivo dello script**: `tools/exp_rp_unfolding_sensitivity_audit.py` forza le finestre pari alla dispari inferiore; quindi `10 -> 9` e `12 -> 11`. Il nuovo wrapper conserva le finestre pari senza modificare lo script storico.\n- **Run**: `python tools/exp_rp_exact_local_window_matrix.py --out tools/data/rp_exact_local_window_matrix_20260516_1019.json`\n- **Soglia preregistrata**: observed rate `>=0.75`, lift contro ogni null `>=0.10`, p-value contro ogni null `<=0.05`, stato `classical_intermediate`, pass su tutte le size e finestre dichiarate.\n\n## Results\n| local_window | all-size thresholded rows | lettura |\n|---:|---|---|\n| 9 | `RP_lambda_0.045` | `0.060` cade a N=224 |\n| 10 | `RP_lambda_0.075` | finestra pari distingue il bordo da 9 |\n| 11 | `RP_lambda_0.045` | `0.060` cade a N=224 |\n| 12 | `RP_lambda_0.060`, `RP_lambda_0.075` | `0.060` passa solo qui all-size |\n\n### RP_lambda_0.060 Raw Counts\n| window | N | observed | label null | position null | max p | min lift | state |\n|---:|---:|---:|---:|---:|---:|---:|---|\n| 9 | 224 | 5/12 | 377/768 | 20/48 | 0.788049 | -0.074219 | fail |\n| 9 | 256 | 12/12 | 432/768 | 24/48 | 0.001003 | 0.437500 | pass |\n| 10 | 224 | 8/12 | 387/768 | 20/48 | 0.201489 | 0.162760 | positive_lift_unthresholded |\n| 10 | 256 | 12/12 | 423/768 | 23/48 | 0.000779 | 0.449219 | pass |\n| 11 | 224 | 8/12 | 392/768 | 20/48 | 0.214615 | 0.156250 | positive_lift_unthresholded |\n| 11 | 256 | 12/12 | 423/768 | 23/48 | 0.000779 | 0.449219 | pass |\n| 12 | 224 | 12/12 | 435/768 | 23/48 | 0.001090 | 0.433594 | pass |\n| 12 | 256 | 12/12 | 423/768 | 23/48 | 0.000779 | 0.449219 | pass |\n\n### Sentinel Comparison\n| window | lambda | N=224 | N=256 | persistence |\n|---:|---:|---|---|---:|\n| 9 | 0.045 | `11/12`, max p `0.004797`, lift `0.395833`, pass | `9/12`, max p `0.049053`, lift `0.278646`, pass | 2/2 |\n| 9 | 0.060 | `5/12`, max p `0.788049`, lift `-0.074219`, fail | `12/12`, max p `0.001003`, lift `0.437500`, pass | 1/2 |\n| 9 | 0.075 | `12/12`, max p `0.001594`, lift `0.415365`, pass | `9/12`, max p `0.076849`, lift `0.246094`, positive_lift_unthresholded | 1/2 |\n| 10 | 0.045 | `11/12`, max p `0.002494`, lift `0.428385`, pass | `9/12`, max p `0.053866`, lift `0.272135`, positive_lift_unthresholded | 1/2 |\n| 10 | 0.060 | `8/12`, max p `0.201489`, lift `0.162760`, positive_lift_unthresholded | `12/12`, max p `0.000779`, lift `0.449219`, pass | 1/2 |\n| 10 | 0.075 | `12/12`, max p `0.001003`, lift `0.437500`, pass | `12/12`, max p `0.000463`, lift `0.472656`, pass | 2/2 |\n| 11 | 0.045 | `12/12`, max p `0.001090`, lift `0.433594`, pass | `9/12`, max p `0.038862`, lift `0.294271`, pass | 2/2 |\n| 11 | 0.060 | `8/12`, max p `0.214615`, lift `0.156250`, positive_lift_unthresholded | `12/12`, max p `0.000779`, lift `0.449219`, pass | 1/2 |\n| 11 | 0.075 | `12/12`, max p `0.000976`, lift `0.438802`, pass | `9/12`, max p `0.057974`, lift `0.266927`, positive_lift_unthresholded | 1/2 |\n| 12 | 0.045 | `12/12`, max p `0.000209`, lift `0.506510`, pass | `9/12`, max p `0.053866`, lift `0.272135`, positive_lift_unthresholded | 1/2 |\n| 12 | 0.060 | `12/12`, max p `0.001090`, lift `0.433594`, pass | `12/12`, max p `0.000779`, lift `0.449219`, pass | 2/2 |\n| 12 | 0.075 | `12/12`, max p `0.001003`, lift `0.437500`, pass | `12/12`, max p `0.000825`, lift `0.446615`, pass | 2/2 |\n\n## Key Findings\n1. Verificato: `RP_lambda_0.060` non e all-window invariant nel perimetro esteso; passa 5/8 celle e fallisce la clausola di persistenza.\n2. Verificato: la rottura non e solo p-value debole. A `window=9,N=224` `0.060` ha `5/12` observed contro null `377/768` e `20/48`, lift minimo `-0.074219`, quindi e hard fail.\n3. Verificato: le finestre pari sono informative. `window=10` non replica `9`, e `window=12` non replica `11`; lo script storico perdeva questa distinzione forzando finestre dispari.\n4. Verificato: nessuna lambda candidata mantiene identita' stabile su tutte le finestre. All-size row: `0.045` a 9/11, `0.075` a 10, `0.060+0.075` a 12.\n5. Inferito dal perimetro: il boundary RP finito e una superficie discreta `(lambda, N, local_window, kernel_unfolding)`, non una cresta lambda trasportabile.\n\n## Verdict\nCONSTRAINT\n\n`RP_lambda_0.060` resta una coordinata utile, non un terzo incluso operativo. Il passaggio `9 -> 11` non produce stabilita': a N=224 la riga cade in entrambe le finestre e la pari 10 mostra lo stesso limite come `positive_lift_unthresholded`. La pari 12 riaccende `0.060`, ma questo e' dipendenza dal lettore, non invarianza.\n\n## Bicono della scoperta\n- **Due radici**: riga lambda; larghezza esatta dell'unfolding.\n- **Singolare**: cella row-aligned prima del threshold.\n- **Invariante di passaggio**: count grezzi + due null + p-value + pass su tutte le finestre dichiarate.\n- **Campo di possibilita**: possibile = trattare l'unfolding locale come parte del generatore sperimentale; non-possibile = promuovere `0.060` senza dichiarare kernel e larghezza.\n\n## Consecutio\nIl prossimo ciclo RP utile non deve cercare un'altra riga stabile. Deve separare kernel di unfolding da larghezza: confrontare esatto, odd-coerced e kernel pesato sulle stesse celle, oppure uscire da RP e portare il contratto su Anderson 3D con `local_window` atomico nel claim. Finche il kernel decide la riga, il boundary e strumento finite-size, non scoperta fisica.\n\n## Ricadute pratiche\nssp_value: yes. `tools/exp_rp_exact_local_window_matrix.py` rende riusabile la matrice multi-window con finestre pari conservate; evita che un wrapper futuro confonda 10 con 9 e 12 con 11.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione RP seguita per contratto vivo.\n- `python -m py_compile tools/exp_rp_exact_local_window_matrix.py` completato.\n- Run completato: `tools/data/rp_exact_local_window_matrix_20260516_1019.json`.\n- Output per finestra: `tools/data/rp_exact_local_window_matrix_20260516_1019_w9.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`.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_rp_exact_local_window_matrix.py`\n- Data: `tools/data/rp_exact_local_window_matrix_20260516_1019.json`\n- Report: `tools/data/reports/agent_20260516_1019.md`\n", tools/data/lab_graph.json:2062: "text": "Il prossimo ciclo RP utile non deve cercare un'altra riga stabile. Deve separare kernel di unfolding da larghezza: confrontare esatto, odd-coerced e k" tools/data/lab_graph.json:2077: "content_full": "# Agent Report - RP Local-Window Persistence Curve\n**Date**: 2026-05-16 10:07\n**Piano**: 126\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT - nel perimetro finito RP nessuna riga lambda resta terzo incluso operativo all-window. `RP_lambda_0.060` e' la cresta di persistenza (`7/8` celle local-window pass), ma cade a `window=11, N=160`; quindi non diventa invariante. Il confine RP e' classe dipendente dall'operatore `local_window`.\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, berry_robnick_like_gue_weight, mean_ipr, observed_successes, label_shuffle_successes, position_shift_successes, Wilson intervals, binomial-tail p-values, min_lift_against_nulls, threshold_pass, local_window]\n**observable_contract**: claim=`local_window` e' asse del boundary RP, non parametro tecnico; observable=two-reader raw-count threshold per lambda x size x local_window; operator=curva di persistenza su `window={5,7,9,11}`; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE; denominator=lambda sentinels `0.030/0.045/0.060/0.075/0.820`, size `160/192`, observed denominator `12` per cell, label null `768`, position null `48`; non_possible=terzo incluso RP all-window se una riga fallisce in una finestra o size; not_tested=N oltre 192, finestre pari/oltre 11, Anderson 3D, spettri sperimentali, molti seed.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + QxG continuo/discreto + boundary operator topologico + tensione BOUNDARY/RP.\n- **Dipolo / punto-zero**: lambda stabile / lettore di unfolding. Punto-zero: la stessa riga RP prima che la finestra locale la renda pass, positive-lift o fail.\n- **Piano superiore**: topologia assiomatica del bordo; `local_window` opera come granularita' del bordo, non come normalizzazione.\n- **Proto-ipotesi**: il confine RP finito non e' una lambda, ma una curva di persistenza nel piano `(lambda, local_window)` letta a size fissate.\n- **Possibile/non-possibile**: possibile = usare `0.060` come cresta da stressare su N maggiori; non-possibile = chiamare `0.060` terzo incluso all-window nel perimetro attuale.\n- **Proiezione**: completare la matrice `window={5,7,9,11}` con le finestre interne `7/9`, riusando gli estremi `5/11` gia' verificati nel ciclo 09:38.\n\n## Contaminazione cognitiva\nCE-0019 metabolizzata: il ciclo usa il \"Respiro fuori-tempo\" come vincolo pre-esperimento, non come linguaggio retroattivo. CE-0001/KSAR applicato come kernel reiterativo: il risultato 09:38 non viene promosso, viene riusato come estremi della curva e chiuso con due run minimi interni.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: misura direttamente se esistono invarianti all-window o se il boundary RP resta dipendente dall'operatore di unfolding `local_window`.\n- `not_drift`: non torna a phi, Sturmian, V_c o vecchi generatori; usa solo il perimetro RP candidate/sentinels richiesto dalla consecutio viva.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Rosenzweig-Porter crossover, Brody interpolation, Berry-Robnik mixture, unfolding sensitivity nei crossover spettrali finiti.\n- **Cosa assorbe il baseline**: la sensibilita' alla procedura di unfolding e' attesa in spettri finiti.\n- **Cosa resta Lab-specific**: il contratto row-aligned con due lettori, count grezzi e null per decidere se una riga puo' essere chiamata terzo incluso.\n- **Separazione**: `two_reader_boundary_confirmed=[]` all-window; `graph_only_residue=0`; `scope_change_declared=local_window-as-boundary-axis`; `graph_baseline_audit=label shuffle + position shift`.\n\n## Claim Under Test\n> Nel perimetro RP finito esiste almeno una riga lambda che resta thresholded su tutte le finestre locali `5/7/9/11` e su entrambe le size `160/192`.\n\n## Experiment Design\n- **Script riusato**: `tools/exp_rp_unfolding_sensitivity_audit.py`.\n- **Nuovi run**:\n - `python tools/exp_rp_unfolding_sensitivity_audit.py --out tools/data/rp_candidate_window_stress_20260516_1007_w7.json --sizes 160,192 --lambdas 0.03,0.045,0.06,0.075,0.82 --position-offsets 1,2,3,4 --local-window 7`\n - `python tools/exp_rp_unfolding_sensitivity_audit.py --out tools/data/rp_candidate_window_stress_20260516_1007_w9.json --sizes 160,192 --lambdas 0.03,0.045,0.06,0.075,0.82 --position-offsets 1,2,3,4 --local-window 9`\n- **Estremi riusati**: `tools/data/rp_candidate_window_stress_20260516_0938_w5.json`, `tools/data/rp_candidate_window_stress_20260516_0938_w11.json`.\n- **Soglia preregistrata**: observed rate `>=0.75`, lift contro ogni null `>=0.10`, p-value contro ogni null `<=0.05`, stato `classical_intermediate`, pass su tutte le size e finestre.\n\n## Results\n| local_window | all-mode thresholded rows | stato |\n|---:|---|---|\n| 5 | `RP_lambda_0.060` | cresta passa |\n| 7 | `RP_lambda_0.060` | cresta passa |\n| 9 | `RP_lambda_0.060` | cresta passa |\n| 11 | `[]` | nessuna riga all-mode |\n\n### Local-Window Row Counts\n| window | lambda | N=160 | N=192 | persistence |\n|---:|---|---|---|---:|\n| 5 | 0.045 | `9/12`, null `372/768`, `24/48`, max p `0.072998`, lift `0.250000`, positive_lift_unthresholded | `12/12`, null `376/768`, `20/48`, max p `0.000190`, lift `0.510417`, pass | 1/2 |\n| 7 | 0.045 | `6/12`, null `293/768`, `21/48`, max p `0.437758`, lift `0.062500`, positive_lift_unthresholded | `12/12`, null `414/768`, `24/48`, max p `0.000602`, lift `0.460938`, pass | 1/2 |\n| 9 | 0.045 | `3/12`, null `352/768`, `23/48`, max p `0.972944`, lift `-0.229167`, fail | `12/12`, null `401/768`, `24/48`, max p `0.000411`, lift `0.477865`, pass | 1/2 |\n| 11 | 0.045 | `6/12`, null `337/768`, `20/48`, max p `0.441425`, lift `0.061198`, positive_lift_unthresholded | `11/12`, null `411/768`, `24/48`, max p `0.006303`, lift `0.381510`, pass | 1/2 |\n| 5 | 0.060 | `9/12`, null `357/768`, `20/48`, max p `0.044580`, lift `0.285156`, pass | `10/12`, null `381/768`, `18/48`, max p `0.018062`, lift `0.337240`, pass | 2/2 |\n| 7 | 0.060 | `9/12`, null `318/768`, `20/48`, max p `0.020559`, lift `0.333333`, pass | `12/12`, null `368/768`, `17/48`, max p `0.000147`, lift `0.520833`, pass | 2/2 |\n| 9 | 0.060 | `9/12`, null `341/768`, `20/48`, max p `0.032377`, lift `0.305990`, pass | `9/12`, null `329/768`, `14/48`, max p `0.025102`, lift `0.321615`, pass | 2/2 |\n| 11 | 0.060 | `9/12`, null `382/768`, `23/48`, max p `0.070513`, lift `0.252604`, positive_lift_unthresholded | `12/12`, null `380/768`, `15/48`, max p `0.000215`, lift `0.505208`, pass | 1/2 |\n| 5 | 0.075 | `9/12`, null `403/768`, `23/48`, max p `0.100007`, lift `0.225260`, positive_lift_unthresholded | `12/12`, null `360/768`, `21/48`, max p `0.000113`, lift `0.531250`, pass | 1/2 |\n| 7 | 0.075 | `8/12`, null `438/768`, `24/48`, max p `0.356501`, lift `0.096354`, positive_lift_unthresholded | `9/12`, null `331/768`, `15/48`, max p `0.026214`, lift `0.319010`, pass | 1/2 |\n| 9 | 0.075 | `12/12`, null `415/768`, `20/48`, max p `0.000620`, lift `0.459635`, pass | `6/12`, null `265/768`, `12/48`, max p `0.202007`, lift `0.154948`, positive_lift_unthresholded | 1/2 |\n| 11 | 0.075 | `9/12`, null `419/768`, `23/48`, max p `0.127896`, lift `0.204427`, positive_lift_unthresholded | `9/12`, null `340/768`, `18/48`, max p `0.031714`, lift `0.307292`, pass | 1/2 |\n\n### Persistence Summary\n| lambda | pass cells / 8 | fail cells | interpretation |\n|---:|---:|---|---|\n| 0.045 | 4/8 | `window=9,N=160` hard fail | high-size echo, not boundary |\n| 0.060 | 7/8 | none hard; `window=11,N=160` positive_lift_unthresholded | persistence crest, not all-window invariant |\n| 0.075 | 4/8 | none hard; multiple p-threshold misses | adjacent coordinate-sensitive ridge |\n\n## Key Findings\n1. Verificato: nessuna riga supera tutte le finestre `5/7/9/11` e tutte le size `160/192`.\n2. Verificato: `RP_lambda_0.060` e' la riga piu persistente (`7/8` pass), ma non chiude il gate perche' a `window=11,N=160` ha `9/12`, label null `382/768`, position null `23/48`, max p `0.070513`, quindi resta `positive_lift_unthresholded`.\n3. Verificato: `RP_lambda_0.045` non va salvata come candidate storica; mostra un hard fail a `window=9,N=160` (`3/12`, lift `-0.229167`, max p `0.972944`).\n4. Verificato: `RP_lambda_0.075` non sostituisce `0.060`; alterna celle pass e celle non-thresholded, con persistenza `4/8`.\n5. Inferito dal perimetro: il terzo incluso RP finito non e' nella riga lambda. Vive nella dipendenza strutturale fra granularita' del lettore e riga candidata.\n\n## Verdict\nCONSTRAINT\n\nIl perimetro finito attuale dichiara assenza di terzo incluso RP all-window. `0.060` resta una cresta empirica utile per il prossimo stress, ma non e' un invariante. La riparazione regressiva e' completata: `local_window` entra nel claim come asse atomico, non come nota tecnica.\n\n## Bicono della scoperta\n- **Due radici**: riga lambda; operatore di unfolding.\n- **Singolare**: la cella row-aligned prima che il lettore locale decida pass/non-pass.\n- **Invariante di passaggio**: count grezzi + p-value contro due null + pass su tutte le finestre.\n- **Campo di possibilita**: possibile = stressare la cresta `0.060` su N maggiori e finestre piu larghe; non-possibile = promuovere un boundary RP a lambda singola nel perimetro `N<=192`.\n\n## Consecutio\nIl prossimo ciclo non deve cercare un'altra lambda nello stesso perimetro. Deve cambiare asse fisico: o stressare `0.060` su N maggiori con `window=11/13/15`, oppure rimbalzare su Anderson 3D usando `local_window` come parte dichiarata del lettore. Se resta su RP finito, il claim corretto e' curva di persistenza, non boundary row.\n\n## Ricadute pratiche\nssp_value: yes. Lo strumento `tools/exp_rp_unfolding_sensitivity_audit.py` resta riusabile; il prossimo miglioramento pratico e' un wrapper che accetta una lista di `local_window` e produce direttamente la tabella di persistenza.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY/RP seguita per contratto vivo del campo.\n- `python -m py_compile tools/exp_rp_unfolding_sensitivity_audit.py` completato.\n- Run `window=7` completato: `tools/data/rp_candidate_window_stress_20260516_1007_w7.json`.\n- Run `window=9` completato: `tools/data/rp_candidate_window_stress_20260516_1007_w9.json`.\n- Estremi `window=5/11` letti dai dati verificati del ciclo 09:38.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_rp_unfolding_sensitivity_audit.py`\n- Data: `tools/data/rp_candidate_window_stress_20260516_1007_w7.json`\n- Data: `tools/data/rp_candidate_window_stress_20260516_1007_w9.json`\n- Data reused: `tools/data/rp_candidate_window_stress_20260516_0938_w5.json`\n- Data reused: `tools/data/rp_candidate_window_stress_20260516_0938_w11.json`\n- Report: `tools/data/reports/agent_20260516_1007.md`\n", tools/data/lab_graph.json:2122: "content_full": "# Agent Report - RP Candidate Local-Window Stress Gate\n**Date**: 2026-05-16 09:38\n**Piano**: 125\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT/FALSIFICATION - `RP_lambda_0.045` non resta terzo incluso operativo quando il perimetro viene ristretto a candidate row + sentinels, size maggiori e unfolding locali alternativi. La riga che passa con local-window 5 e `0.060`; con local-window 11 non passa nessuna riga all-mode.\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, berry_robnick_like_gue_weight, mean_ipr, observed_successes, label_shuffle_successes, position_shift_successes, Wilson intervals, binomial-tail p-values, min_lift_against_nulls, threshold_pass, unfolding_mode, local_window]\n**observable_contract**: claim=`RP_lambda_0.045` resta boundary solo se batte label-shuffle e position-shift su size maggiori e su finestre locali alternative; observable=two-reader raw-count threshold per lambda, size, unfolding mode e local_window; operator=stress del gate 09:21 con candidate row preregistrata e sentinelle; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE; denominator=candidate row `0.045`, sentinelle `0.030/0.060/0.075/0.820`, size `160/192`, seed x k = `4 x 3`; non_possible=terzo incluso stabile se la candidate row cade in una finestra locale o se una sentinella prende il ruolo; not_tested=altre finestre locali, piu seed, N oltre 192, Anderson 3D, spettri sperimentali.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + QxG continuo/discreto + grafo/cut come lettore + tensione BOUNDARY.\n- **Dipolo / punto-zero**: boundary robusto / boundary dipendente dalla coordinata di smoothing. Punto-zero: la stessa riga lambda prima che la larghezza dell'unfolding locale scelga il confine.\n- **Piano superiore**: topologia assiomatica del bordo; la finestra locale e un operatore di bordo, non una normalizzazione neutra.\n- **Operatori laterali scelti**: boundary operator, filtrazione per scala locale, same-spectrum coordinate stress.\n- **Contaminazione cognitiva**: CE-0022 metabolizzata dal campo vivo come vincolo anti-ritorno a Sturmian; YSN DeltaLink=`candidate boundary / smoothing-scale`; Cornelius gene=`WINDOW_WIDTH_IS_PERIMETER`: DICHIARA CANDIDATE, CAMBIA FINESTRA, NON SALVARE LA RIGA.\n- **Proto-ipotesi**: il terzo incluso RP non e una lambda promossa dal ciclo precedente; e la classe di righe che resta all-size quando il bordo viene filtrato da piu larghezze locali.\n- **Possibile/non-possibile**: possibile = trattare la larghezza locale come parametro fisico del boundary; non-possibile = cristallizzare `0.045` come nucleo RP stabile nel perimetro attuale.\n- **Proiezione**: run separati con local_window `5` e `11`, size `160/192`, candidate row `0.045`, sentinelle `0.030/0.060/0.075/0.820`.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: testa direttamente il confine RP indicato dal valutatore, con `RP_lambda_0.045` come candidate row e `0.060` come sentinella coordinata-sensibile.\n- `not_drift`: non ritorna a phi, Sturmian, V_c o deposito locale; cambia solo size e larghezza di unfolding sul perimetro GUE/Poisson RP.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Rosenzweig-Porter, Brody interpolation, Berry-Robnik mixture, unfolding sensitivity nei crossover spettrali.\n- **Cosa viene assorbito dal baseline**: la dipendenza dalla procedura di unfolding e attesa nei crossover finiti.\n- **Cosa resta Lab-specific**: il contratto row-aligned `candidate + sentinels`, con count grezzi e null prima della parola boundary.\n- **Separazione richiesta**: `two_reader_boundary_confirmed = []` sul perimetro all-window; `graph_only_residue = 0`; `scope_change_declared = local_window width promoted to perimeter`; `graph_baseline_audit = label shuffle + position shift + local-window stress`.\n\n## Claim Under Test\n> `RP_lambda_0.045` resta terzo incluso operativo quando il gate 09:21 viene ripetuto su size maggiori e local-window unfolding alternativi.\n\n## Question\nLa candidate row `0.045` sopravvive quando la larghezza dell'unfolding locale cambia, oppure il boundary RP e ancora coordinata-dipendente?\n\n## Experiment Design\n- **Script riusato**: `tools/exp_rp_unfolding_sensitivity_audit.py`.\n- **Runs**:\n - `python tools/exp_rp_unfolding_sensitivity_audit.py --out tools/data/rp_candidate_window_stress_20260516_0938_w5.json --sizes 160,192 --lambdas 0.03,0.045,0.06,0.075,0.82 --position-offsets 1,2,3,4 --local-window 5`\n - `python tools/exp_rp_unfolding_sensitivity_audit.py --out tools/data/rp_candidate_window_stress_20260516_0938_w11.json --sizes 160,192 --lambdas 0.03,0.045,0.06,0.075,0.82 --position-offsets 1,2,3,4 --local-window 11`\n- **Soglia preregistrata**: `observed_rate >= 0.75`, lift contro ogni null `>= 0.10`, p-value contro ogni null `<= 0.05`, stato `classical_intermediate`, pass su tutte le size e su ogni unfolding testato.\n- **Denominatori per size/mode**: observed `12`; label-shuffle `768`; position-shift `48`.\n\n## Results\n| local window | all-mode thresholded rows | state |\n|---:|---|---|\n| 5 | `RP_lambda_0.060` | candidate 0.045 cade; 0.060 passa solo in questa finestra |\n| 11 | `[]` | nessuna riga all-mode |\n\n### Candidate + Sentinels Counts\n| window | mode | size | lambda | observed | label null | label p | position null | position p | min lift | state |\n|---:|---|---:|---:|---:|---:|---:|---:|---:|---:|---|\n| 5 | global_mean | 160 | 0.045 | 9/12 | 303/768 | 0.013796 | 17/48 | 0.006140 | 0.355469 | pass |\n| 5 | global_mean | 192 | 0.045 | 12/12 | 287/768 | 0.000007 | 15/48 | 0.000001 | 0.626302 | pass |\n| 5 | local_window | 160 | 0.045 | 9/12 | 372/768 | 0.059037 | 24/48 | 0.072998 | 0.250000 | positive_lift_unthresholded |\n| 5 | local_window | 192 | 0.045 | 12/12 | 376/768 | 0.000190 | 20/48 | 0.000027 | 0.510417 | pass |\n| 5 | local_window | 160 | 0.060 | 9/12 | 357/768 | 0.044580 | 20/48 | 0.020559 | 0.285156 | pass |\n| 5 | local_window | 192 | 0.060 | 10/12 | 381/768 | 0.018062 | 18/48 | 0.001580 | 0.337240 | pass |\n| 11 | local_window | 160 | 0.045 | 6/12 | 337/768 | 0.441425 | 20/48 | 0.379769 | 0.061198 | positive_lift_unthresholded |\n| 11 | local_window | 192 | 0.045 | 11/12 | 411/768 | 0.006303 | 24/48 | 0.003174 | 0.381510 | pass |\n| 11 | local_window | 160 | 0.060 | 9/12 | 382/768 | 0.070513 | 23/48 | 0.054871 | 0.252604 | positive_lift_unthresholded |\n| 11 | local_window | 192 | 0.060 | 12/12 | 380/768 | 0.000215 | 15/48 | 0.000001 | 0.505208 | pass |\n\nLe sentinelle endpoint `0.030` e `0.820` hanno `0/12` observed in ogni size/mode e non entrano nel boundary.\n\n## Key Findings\n1. Verificato: `RP_lambda_0.045` non e all-window stable. Cade a N=160 sia con local_window 5 (`9/12`, p null massimi `0.072998`) sia con local_window 11 (`6/12`, p null massimi `0.441425`).\n2. Verificato: `RP_lambda_0.060` non e solo global-mean artifact nel perimetro window 5: passa local_window 5 su N=160 e N=192. Cade pero con window 11 a N=160 (`9/12`, label p `0.070513`, position p `0.054871`).\n3. Verificato: con window 11 nessuna riga passa `global_mean + local_window` su tutte le size. Il boundary non sopravvive come riga singola nel perimetro multi-window.\n4. Inferito dal perimetro: la coordinata regressiva mancante nel ciclo 09:21 era `local_window width`. La finestra locale non e parametro tecnico secondario: decide quale lambda puo essere chiamata boundary.\n\n## Verdict\nCONSTRAINT/FALSIFICATION\n\nIl claim \"`RP_lambda_0.045` e terzo incluso operativo unfolding-stable\" cade nel perimetro 09:38. Non va salvato spostando il focus su `0.060`: anche `0.060` e window-sensitive. La formulazione corretta e: nel RP finito il boundary two-reader resta una risposta del triplo `(lambda, size, local_window)`, non una riga lambda cristallizzabile.\n\n## Bicono della scoperta\n- **Due radici**: lambda-boundary; smoothing-boundary.\n- **Singolare**: stessa riga candidata sotto cambiamento della larghezza locale.\n- **Invariante di passaggio**: raw counts + null p-value + all-size + all-window.\n- **Campo di possibilita**: possibile = progettare il boundary come curva in `(lambda, local_window, N)`; non-possibile = promuovere `0.045` o `0.060` come nucleo stabile senza dichiarare la larghezza locale.\n\n## Consecutio\nRiparare al nodo regressivo del perimetro: il prossimo ciclo deve trattare `local_window` come asse del boundary, non come opzione. Eseguire una matrice piccola `window={5,7,9,11}` x `N={160,192}` x candidate/sentinels e riportare una curva di persistenza per lambda; solo dopo tentare il rimbalzo Anderson 3D.\n\n## Ricadute pratiche\nssp_value: yes. Lo strumento `tools/exp_rp_unfolding_sensitivity_audit.py` resta riusabile; il nuovo uso mostra che deve accettare esplicitamente matrici di `local_window` o essere wrapped da un runner di stress.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY/RP seguita per contratto vivo del campo.\n- `python -m py_compile tools/exp_rp_unfolding_sensitivity_audit.py` completato.\n- Run window 5 completato: `tools/data/rp_candidate_window_stress_20260516_0938_w5.json`.\n- Run window 11 completato: `tools/data/rp_candidate_window_stress_20260516_0938_w11.json`.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_rp_unfolding_sensitivity_audit.py`\n- Data: `tools/data/rp_candidate_window_stress_20260516_0938_w5.json`\n- Data: `tools/data/rp_candidate_window_stress_20260516_0938_w11.json`\n- Report: `tools/data/reports/agent_20260516_0938.md`\n", tools/data/lab_graph.json:2173: "content_full": "# Agent Report - RP Unfolding Sensitivity Audit\n**Date**: 2026-05-16 09:21\n**Piano**: 124\n**Tension explored**: BOUNDARY (0.8)\n**verdict**: CONSTRAINT/FINDING - la finestra RP `0.045-0.060` non resta intera sotto unfolding alternativo. `RP_lambda_0.045` resta terzo incluso operativo in entrambi gli unfolding; `RP_lambda_0.060` e unfolding-sensitive.\nobservables_registry: 1.0.0-2026-05-06\nobservables_used: [SR, SR2, L1, L2, triple_var, SR_local_rigidity, brody_q, berry_robnick_like_gue_weight, mean_ipr, observed_successes, label_shuffle_successes, position_shift_successes, Wilson intervals, binomial-tail p-values, min_lift_against_nulls, threshold_pass, unfolding_mode]\n**observable_contract**: claim=la finestra RP finita e unfolding-stable solo se le stesse righe lambda battono label-shuffle e position-shift sotto normalizzazione globale e locale; observable=thresholded two-reader raw-count pass per lambda, size e unfolding mode; operator=repeat del gate RP 08:20 con `global_mean` e `local_window`; generator=H(lambda)=sqrt(1-lambda)D+sqrt(lambda)GUE su size, seed, k e unfolding mode; denominator=11 lambda per size/mode, observed denominator 12, label-null 768, position-null 120; non_possible=boundary unfolding-stable se una lambda promossa cade sotto local-window; not_tested=N piu grande, finestre locali diverse da 7, spettri sperimentali, Anderson 3D, many-body RP.\n\n## Respiro fuori-tempo\n- **Combo**: A9 terzo incluso + QxG continuo/discreto + grafo/cut come lettore + tensione BOUNDARY \"8 domini GUE, 5 Poisson\".\n- **Dipolo / punto-zero**: finestra fisica stabile / artefatto di unfolding. Punto-zero: la stessa riga lambda prima che l'unfolding scelga il confine al posto del dato.\n- **Piano superiore**: geometria dei campi e grafo della conoscenza; il confine e un trasporto tra poli che deve sopravvivere al cambio di coordinate spettrali.\n- **Operatori laterali scelti**: Hamiltonian flow, local unfolding, kNN graph cut.\n- **Contaminazione cognitiva**: CE-0019 usata per fissare combo prima della misura; CE-0022 usata per scegliere operatori senza tornare a Sturmian. YSN DeltaLink=`finestra RP / cambio di unfolding`; Cornelius gene=`UNFOLDING_BEFORE_UNIVERSALITY`: RIPETI GATE, CAMBIA COORDINATA, CONTA, TAGLIA FINESTRA.\n- **Proto-ipotesi**: il terzo incluso RP non e la regione intermedia intera; e la riga che resta classically-intermediate e graph-thresholded quando cambia la normalizzazione degli spacing.\n- **Proiezione**: misura su lambda RP, size 64/96/128, 4 seed, k=2/3/4, 64 label-shuffle per lettura, 10 position-shift, due unfolding mode.\n\n## Aderenza alla direzione\n- `relation`: `follows_direction`\n- `why`: l'esperimento resta sul confine GUE/Poisson come terzo incluso operativo e stressa il finding fisico controllato del ciclo 08:20.\n- `not_drift`: non usa Sturmian, phi/silver/bronze, V_c o generatori locali; cambia solo la coordinata di unfolding sullo stesso perimetro RP row-aligned.\n\n## Re-discovery audit\n- **Baseline noto piu vicino**: Rosenzweig-Porter, Brody interpolation, Berry-Robnik mixture, unfolding sensitivity nei crossover spettrali.\n- **Cosa viene assorbito dal baseline**: una finestra intermedia e attesa; la dipendenza dall'unfolding e un controllo standard prima di promuovere universalita.\n- **Cosa resta Lab-specific**: il contratto `classical_intermediate + graph-thresholded + raw counts + unfolding stability` prima della parola boundary.\n- **Separazione richiesta**: `two_reader_boundary_confirmed = RP_lambda_0.045`; `unfolding_sensitive = RP_lambda_0.060`; `graph_only_residue = 0`; `graph_baseline_audit = label shuffle + position shift + unfolding switch`.\n\n## Claim Under Test\n> Nel Rosenzweig-Porter finito, una riga del confine e terzo incluso operativo solo se resta all-size thresholded sotto global mean unfolding e local-window unfolding.\n\n## Question\nLa finestra RP `0.045-0.060` del ciclo 08:20 sopporta un unfolding alternativo, o una delle due righe era coordinata-dipendente?\n\n## Ritorno fisico\n- **Punto fisico sorgente**: transizione spettrale Poisson/GUE nel Rosenzweig-Porter diagonal-plus-GUE.\n- **Attraversamento matematico**: cambio di coordinata sugli spacing, da global mean a local-window unfolding, con lo stesso grafo kNN e gli stessi null row-aligned.\n- **Punto fisico di ritorno**: una finestra finita in cui il boundary non dipende dalla normalizzazione locale degli spacing.\n- **Relazione nuova**: il boundary RP stabile e piu stretto della finestra globale: `0.045` resta, `0.060` cade.\n- **Osservabile/test fisico possibile**: ripetere `0.045` su size maggiori o su unfolding locali diversi; trattare `0.060` come coordinata sensibile.\n- **Se fallisce**: se `0.045` cade con size maggiori o altri unfolding, il risultato diventa vincolo finito, non ponte fisico.\n\n## Experiment Design\n- **Script**: `tools/exp_rp_unfolding_sensitivity_audit.py`.\n- **Run**: `python tools/exp_rp_unfolding_sensitivity_audit.py --out tools/data/rp_unfolding_sensitivity_audit_20260516_0921.json`.\n- **Size**: 64, 96, 128.\n- **Lambdas**: 0, 0.03, 0.045, 0.06, 0.075, 0.10, 0.18, 0.32, 0.68, 0.82, 1.0.\n- **Unfolding modes**: `global_mean`, `local_window` con window=7.\n- **Denominatori per size/mode**: observed `12` = 4 seed x 3 k; label-shuffle `768` = 12 x 64; position-shift `120` = 12 x 10.\n- **Soglia preregistrata**: observed rate `>=0.75`, lift minimo contro ciascun null `>=0.10`, p-value `<=0.05` contro ciascun null, `classical_intermediate`, pass su tutte le size e su entrambi gli unfolding.\n\n## Results\n| lambda | global pass sizes | global min obs | global min lift | global max null p | local pass sizes | local min obs | local min lift | local max null p | state |\n|---:|---|---:|---:|---:|---|---:|---:|---:|---|\n| 0.045 | 64,96,128 | 1.000000 | 0.523438 | 0.000137 | 64,96,128 | 0.750000 | 0.332031 | 0.021029 | unfolding_stable |\n| 0.060 | 64,96,128 | 0.750000 | 0.343750 | 0.017103 | [] | 0.000000 | -0.350000 | 1.000000 | unfolding_sensitive |\n| 0.075 | 64,128 | 0.666667 | 0.273437 | 0.051823 | [] | 0.000000 | -0.300000 | 1.000000 | intermittent/global_only |\n\n### Row Counts\n| mode | size | lambda | observed | label null | label p | position null | position p | min lift | pass |\n|---|---:|---:|---:|---:|---:|---:|---:|---:|---|\n| global_mean | 64 | 0.045 | 12/12 | 353/768 | 0.000089 | 32/120 | 0.000000 | 0.540365 | yes |\n| global_mean | 96 | 0.045 | 12/12 | 352/768 | 0.000086 | 44/120 | 0.000006 | 0.541667 | yes |\n| global_mean | 128 | 0.045 | 12/12 | 366/768 | 0.000137 | 34/120 | 0.000000 | 0.523438 | yes |\n| local_window | 64 | 0.045 | 12/12 | 353/768 | 0.000089 | 36/120 | 0.000001 | 0.540365 | yes |\n| local_window | 96 | 0.045 | 12/12 | 355/768 | 0.000095 | 44/120 | 0.000006 | 0.537760 | yes |\n| local_window | 128 | 0.045 | 9/12 | 321/768 | 0.021029 | 48/120 | 0.015267 | 0.332031 | yes |\n| local_window | 64 | 0.060 | 4/12 | 319/768 | 0.805893 | 56/120 | 0.889085 | -0.133333 | no |\n| local_window | 96 | 0.060 | 4/12 | 355/768 | 0.883142 | 53/120 | 0.852526 | -0.128906 | no |\n| local_window | 128 | 0.060 | 0/12 | 231/768 | 1.000000 | 42/120 | 1.000000 | -0.350000 | no |\n\n## Key Findings\n1. Verificato: `RP_lambda_0.045` passa in `global_mean` e `local_window` su tutte le size. Il punto debole e local-window N=128 con `9/12`, ma resta sopra soglia con max null p=`0.021029` e min lift=`0.332031`.\n2. Verificato: `RP_lambda_0.060` passa in global_mean su tutte le size, ma cade in local-window con `4/12`, `4/12`, `0/12`; i p-value locali sono alti e il lift minimo diventa negativo.\n3. Verificato: `RP_lambda_0.075` non era all-size neppure in global_mean e cade interamente in local-window.\n4. Inferito dal perimetro: il boundary fisico controllato non e la finestra `0.045-0.060`; il nucleo unfolding-stable e `0.045`, mentre `0.060` e una coordinata utile ma non invariante.\n\n## Verdict\nCONSTRAINT/FINDING\n\nIl finding 08:20 viene ristretto al nodo regressivo giusto: non \"finestra RP `0.045-0.060` stabile\", ma \"`RP_lambda_0.045` e terzo incluso operativo unfolding-stable nel perimetro finito testato\". `RP_lambda_0.060` resta boundary global-mean, non boundary invariantoide. Il prossimo ciclo deve stressare `0.045`, non salvare `0.060`.\n\n## Bicono della scoperta\n- **Due radici**: boundary robusto; boundary coordinata-dipendente.\n- **Singolare**: stessa riga lambda sotto cambio di unfolding.\n- **Invariante di passaggio**: `classical_intermediate + raw-count threshold + all-size + all-unfolding`.\n- **Campo di possibilita**: possibile = usare `0.045` come nucleo RP per size/unfolding stress; non-possibile = promuovere `0.060` come stabile senza qualificare global_mean.\n\n## Consecutio\nPortare `RP_lambda_0.045` su un controllo piu duro: size maggiore oppure seconda finestra locale. Se regge, rimbalzo fisico B su Anderson 3D con gate raw-count; se cade, cristallizzare `finite_RP_lambda_0.045_boundary` come vincolo di perimetro.\n\n## Ricadute pratiche\nssp_value: yes. `tools/exp_rp_unfolding_sensitivity_audit.py` e uno stress-test riusabile per separare boundary stabile da boundary dipendente dalla normalizzazione degli spacing.\n\n## Telemetria\n- No API paid run: `ANTHROPIC_API_KEY` e `OPENAI_API_KEY` non presenti nell'ambiente.\n- `python tools/dnd_scenario.py --best` eseguito: massimo discriminante locale su TRASCENDENZA_LIMITE; direzione BOUNDARY ha prevalso per contratto vivo del campo.\n- `python -m py_compile tools/exp_rp_unfolding_sensitivity_audit.py` completato.\n- `python tools/exp_rp_unfolding_sensitivity_audit.py --out tools/data/rp_unfolding_sensitivity_audit_20260516_0921.json` completato.\n- Worktree gia dirty prima del ciclo; ignorate modifiche non correlate.\n- Nessun update del seme.\n- Nessuna promozione e nessun public sync.\n\n## Files\n- Script: `tools/exp_rp_unfolding_sensitivity_audit.py`\n- Data: `tools/data/rp_unfolding_sensitivity_audit_20260516_0921.json`\n- Report: `tools/data/reports/agent_20260516_0921.md`\n", tools/data/banchi_custom/banco_gen_gap_ratio_cons_gxe_qxg.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_falsifica_f6.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_t8_paper_a_esposto.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_falsifica_f3.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_t2_normalizzatore_trascende.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_lyapunov_falsifica_c2.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per lyapunov\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n T_m = np.eye(2)\n for n in range(len(seq)):\n M_n = np.array([[0.0 - seq[n], -1], [1, 0]])\n T_m = M_n @ T_m\n nm = np.linalg.norm(T_m)\n if nm > 1e6: T_m /= nm\n value = np.log(np.linalg.norm(T_m)) / len(seq)\n results[name] = value\n print(\" %s: lyapunov = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/banchi_custom/banco_gen_gap_ratio_t9_linguaggio_metafisico.json:5: "codice": "\nN = 500\n# Confronto phi vs controllo per gap_ratio\nresults = {}\nfor name, theta in [('phi', 1/PHI), ('silver', 1/SILVER), ('bronze', 1/BRONZE)]:\n seq = sturmian_sequence(theta, N)\n H = hamiltonian(seq, 1.0)\n eigs = np.sort(eigvalsh(H))\n spacings = np.diff(eigs)\n mean_sp = np.mean(spacings)\n gaps = [(i, sp) for i, sp in enumerate(spacings) if sp > 2 * mean_sp]\n if len(gaps) >= 2:\n value = gaps[0][1] / gaps[1][1]\n else:\n value = 0.0\n results[name] = value\n print(\" %s: gap_ratio = %s\" % (name, value))\n\nprint(json.dumps(results, indent=2, default=str))", tools/data/notte_20260306_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.42469524388230473) tools/data/notte_20260306_0330.md:14: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.4501286869364695) tools/data/perturbation_dimensionality_audit.json:35: "block_shuffle", tools/data/perturbation_dimensionality_audit.json:50: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:72: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:206: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:231: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:256: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:281: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:306: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:605: "adjacent_swap_vs_block_shuffle": 0.867451793990527, tools/data/perturbation_dimensionality_audit.json:608: "block_shuffle_vs_large_gap_only": 0.979452211669659, tools/data/perturbation_dimensionality_audit.json:609: "block_shuffle_vs_uniform": 0.9983672032098411, tools/data/perturbation_dimensionality_audit.json:614: "prime_shuffle_control": { tools/data/perturbation_dimensionality_audit.json:615: "name": "prime_shuffle_control", tools/data/perturbation_dimensionality_audit.json:624: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:646: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:780: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:805: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:830: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:855: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:880: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1179: "adjacent_swap_vs_block_shuffle": 0.2290039417771935, tools/data/perturbation_dimensionality_audit.json:1182: "block_shuffle_vs_large_gap_only": 0.8945433304074422, tools/data/perturbation_dimensionality_audit.json:1183: "block_shuffle_vs_uniform": 0.9660992149079871, tools/data/perturbation_dimensionality_audit.json:1198: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:1220: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:1354: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1379: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1404: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1429: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1454: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1753: "adjacent_swap_vs_block_shuffle": 0.9414189035715625, tools/data/perturbation_dimensionality_audit.json:1756: "block_shuffle_vs_large_gap_only": 0.9955641346870193, tools/data/perturbation_dimensionality_audit.json:1757: "block_shuffle_vs_uniform": 0.19629745877703986, tools/data/perturbation_dimensionality_audit.json:1774: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:1796: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:1930: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1955: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:1980: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2005: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2030: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2329: "adjacent_swap_vs_block_shuffle": 0.9110739453394047, tools/data/perturbation_dimensionality_audit.json:2332: "block_shuffle_vs_large_gap_only": 0.9791686185683617, tools/data/perturbation_dimensionality_audit.json:2333: "block_shuffle_vs_uniform": 0.9719735260794861, tools/data/perturbation_dimensionality_audit.json:2348: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:2370: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:2504: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2529: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2554: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2579: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2604: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:2903: "adjacent_swap_vs_block_shuffle": 0.8240810281180851, tools/data/perturbation_dimensionality_audit.json:2906: "block_shuffle_vs_large_gap_only": 0.9734466471240717, tools/data/perturbation_dimensionality_audit.json:2907: "block_shuffle_vs_uniform": 0.9872866328906655, tools/data/perturbation_dimensionality_audit.json:2922: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:2944: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:3078: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3103: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3128: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3153: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3178: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3477: "adjacent_swap_vs_block_shuffle": -0.6457579614181198, tools/data/perturbation_dimensionality_audit.json:3480: "block_shuffle_vs_large_gap_only": 0.05425820989810686, tools/data/perturbation_dimensionality_audit.json:3481: "block_shuffle_vs_uniform": -0.648765322118558, tools/data/perturbation_dimensionality_audit.json:3496: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:3518: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:3652: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3677: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3702: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3727: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:3752: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4051: "adjacent_swap_vs_block_shuffle": 0.7785139881125103, tools/data/perturbation_dimensionality_audit.json:4054: "block_shuffle_vs_large_gap_only": 0.9836627491703268, tools/data/perturbation_dimensionality_audit.json:4055: "block_shuffle_vs_uniform": 0.9351472924215717, tools/data/perturbation_dimensionality_audit.json:4070: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:4092: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:4226: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4251: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4276: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4301: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4326: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4625: "adjacent_swap_vs_block_shuffle": 0.9538622691808825, tools/data/perturbation_dimensionality_audit.json:4628: "block_shuffle_vs_large_gap_only": 0.9875751855196017, tools/data/perturbation_dimensionality_audit.json:4629: "block_shuffle_vs_uniform": 0.9850566082046647, tools/data/perturbation_dimensionality_audit.json:4644: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:4666: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:4800: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4825: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4850: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4875: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:4900: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5199: "adjacent_swap_vs_block_shuffle": 0.9021254797805678, tools/data/perturbation_dimensionality_audit.json:5202: "block_shuffle_vs_large_gap_only": 0.9938432436400896, tools/data/perturbation_dimensionality_audit.json:5203: "block_shuffle_vs_uniform": 0.9769484181368469, tools/data/perturbation_dimensionality_audit.json:5231: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:5253: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:5387: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5412: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5437: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5462: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5487: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5786: "adjacent_swap_vs_block_shuffle": 0.40431292222292553, tools/data/perturbation_dimensionality_audit.json:5789: "block_shuffle_vs_large_gap_only": -0.5351131420389466, tools/data/perturbation_dimensionality_audit.json:5790: "block_shuffle_vs_uniform": 0.9891264604450779, tools/data/perturbation_dimensionality_audit.json:5805: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:5827: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:5961: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:5986: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6011: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6036: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6061: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6360: "adjacent_swap_vs_block_shuffle": -0.7714746186285507, tools/data/perturbation_dimensionality_audit.json:6363: "block_shuffle_vs_large_gap_only": 0.21569681110527164, tools/data/perturbation_dimensionality_audit.json:6364: "block_shuffle_vs_uniform": 0.9161045150252871, tools/data/perturbation_dimensionality_audit.json:6379: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:6401: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:6535: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6560: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6585: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6610: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6635: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:6934: "adjacent_swap_vs_block_shuffle": -0.40313942837191785, tools/data/perturbation_dimensionality_audit.json:6937: "block_shuffle_vs_large_gap_only": -0.3447997817120941, tools/data/perturbation_dimensionality_audit.json:6938: "block_shuffle_vs_uniform": 0.7505170092341399, tools/data/perturbation_dimensionality_audit.json:6953: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:6975: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:7109: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7134: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7159: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7184: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7209: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7508: "adjacent_swap_vs_block_shuffle": 0.009720294628679496, tools/data/perturbation_dimensionality_audit.json:7511: "block_shuffle_vs_large_gap_only": 0.01204556464434051, tools/data/perturbation_dimensionality_audit.json:7512: "block_shuffle_vs_uniform": -0.22898950714484592, tools/data/perturbation_dimensionality_audit.json:7527: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:7549: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:7683: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7708: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7733: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7758: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:7783: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:8082: "adjacent_swap_vs_block_shuffle": -0.5941367951190625, tools/data/perturbation_dimensionality_audit.json:8085: "block_shuffle_vs_large_gap_only": 0.44931614087360594, tools/data/perturbation_dimensionality_audit.json:8086: "block_shuffle_vs_uniform": 0.9837047772174615, tools/data/perturbation_dimensionality_audit.json:8101: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit.json:8123: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit.json:8257: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:8282: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:8307: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:8332: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:8357: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit.json:8656: "adjacent_swap_vs_block_shuffle": -0.27210257249107606, tools/data/perturbation_dimensionality_audit.json:8659: "block_shuffle_vs_large_gap_only": -0.3980111314592332, tools/data/perturbation_dimensionality_audit.json:8660: "block_shuffle_vs_uniform": -0.058941810582004955, tools/data/notte_20260320_0330.md:13: percolation_var_0.55: r=0.9655172413793103, spacing=Poisson-like (⟨r⟩=0.47237797827873335) tools/data/notte_20260320_0330.md:14: percolation_var_0.65: r=0.9642857142857143, spacing=Poisson-like (⟨r⟩=0.4251485991244417) tools/data/cross_observable_consistency.json:27: "shuffle": { tools/data/notte_20260304_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.47711478860490236) tools/data/notte_20260304_0330.md:14: percolation_var_0.65: r=0.9992156862745099, spacing=Poisson-like (⟨r⟩=0.45789876672274327) tools/data/notte_20260331_0330.md:18: percolation_cp_0.3346796213807732: r=0.8522727272727272, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:19: percolation_cp_0.8762349717424142: r=1.0, spacing=GUE-like [conferma] tools/data/notte_20260331_0330.md:91: Domini GUE: collatz_cp, ising_2d_cp_-0.47801326011314715, ising_2d_cp_0.30696337890028147, percolation_cp_0.3346796213807732, percolation_cp_0.8762349717424142, cellular_automata_cp_90, cellular_automata_var_30, ising_2d_var_0.1 tools/data/observable_rank_audit_seed20260506.json:21: "full_shuffle_baseline": { tools/data/observable_rank_audit_seed20260506.json:43: "original_vs_shuffle_z": { tools/data/observable_rank_audit_seed20260506.json:628: "full_shuffle_baseline": { tools/data/observable_rank_audit_seed20260506.json:650: "original_vs_shuffle_z": { tools/data/observable_rank_audit_seed20260506.json:1235: "full_shuffle_baseline": { tools/data/observable_rank_audit_seed20260506.json:1257: "original_vs_shuffle_z": { tools/data/notte_20260324_0330.md:12: percolation_cp_0.3048827772508223: r=0.9223529411764706, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:13: percolation_cp_0.8107442354652781: r=1.0, spacing=GUE-like [conferma] tools/data/notte_20260324_0330.md:61: -> percolation_cp_0.8107442354652781: ['spacing_gue', 'convergenza_triviale'] tools/data/autoricerca_state.json:12: "percolation", tools/data/autoricerca_state.json:14: "reaction_diffusion", tools/data/autoricerca_state.json:20: "percolation_var_0.593", tools/data/autoricerca_state.json:87: "dominio": "percolation", tools/data/autoricerca_state.json:101: "dominio": "reaction_diffusion", tools/data/notte_20260315_0749.md:13: percolation_var_0.55: r=0.6340378197997775, spacing=Poisson-like (⟨r⟩=0.4578693904490548) tools/data/notte_20260315_0749.md:14: percolation_var_0.65: r=1.0, spacing=Poisson-like (⟨r⟩=0.4600532522260183) tools/data/ciclo_memoria.json:307: "verdict": "CONSTRAINT.\n\nIl gate label-count-preserving chiude la promozione dei residui graph-only. `logistica_biforcazione_var_3.5699` e `percolation` restano righe operative del grafo, ma non diventano ritorno", tools/data/ciclo_memoria.json:322: "feature_column_shuffle_ge_full" tools/data/ciclo_memoria.json:427: "verdict": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusi", tools/data/ciclo_memoria.json:439: "domanda_aperta": "Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`.", tools/data/notte_20260322_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.3706649615579767) tools/data/notte_20260322_0330.md:14: percolation_var_0.65: r=1.0434782608695652, spacing=Poisson-like (⟨r⟩=0.4771540450594074) tools/data/exp_acf_z6z_mechanism.json:145: "residue_preserving_shuffle": { tools/data/exp_acf_z6z_mechanism.json:172: "full_shuffle": { tools/data/lab_session_log.jsonl:2:{"timestamp": "2026-04-30T03:37:21.340503+00:00", "cycle_ts": "20260430_0330", "piano": "58", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260430_0330.md", "size": 7764, "title": "Agent Report — Three Regimes of Modular Memory: Algebraic (mod-3), Near-Uniform (mod-5), Statistical (mod-q)"}, "falsifier": {"output_file": "falsifier_20260430_0330.json", "coherent": false, "n_flags": 3, "n_high": 0, "n_medium": 2, "summary": "Il report e' mostly coerente, ma L2 richiede unita' assolute per i confronti cross-q e L5 rompe il claim NEW sul mod-5 senza isolamento teorico sufficiente.", "lenses_high": []}, "valutatore": {"decision": "CRYSTALLIZE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:5:{"timestamp": "2026-04-30T19:57:05.220332+00:00", "cycle_ts": "20260430_1946", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato. Endpoint lab fallito.", "agent": {"file": "agent_20260430_1946.md", "size": 6944, "title": "Agent Report — The Dipolar Angle Reference Frame: Primes Are Not Weak GUE"}, "falsifier": {"output_file": "falsifier_20260430_1946.json", "coherent": false, "n_flags": 5, "n_high": 1, "n_medium": 4, "summary": "Il report non e' pienamente coerente: si rompono soprattutto L1 su claim nulli formulati come hard zero, L4 sull'edge case del primo bin, e L5 sul rischio rediscovery prima del confronto classico.", "lenses_high": ["L1"]}, "valutatore": {"decision": "CRYSTALLIZE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:8:{"timestamp": "2026-05-01T09:41:03.391858+00:00", "cycle_ts": "20260501_0931", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato. Endpoint lab fallito.", "agent": {"file": "agent_20260501_0931.md", "size": 7867, "title": "Agent Report — The GUE-Poisson Crossover Has a Phase Transition: Direction Locks, Magnitude Decays, Then Flips"}, "falsifier": {"output_file": "falsifier_20260501_0931.json", "coherent": false, "n_flags": 5, "n_high": 3, "n_medium": 2, "summary": "Il report non e' internamente coerente: si rompe soprattutto L1/L3, perche' trasforma un minimo non nullo di shuffled-GUE in uno zero/phase transition GUE-Poisson.", "lenses_high": ["L1", "L3", "L4"]}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:11:{"timestamp": "2026-05-04T09:09:10.899135+00:00", "cycle_ts": "20260504_0901", "piano": "60", "sync_blocked": true, "errors": "Falsifier: HIGH flags. Report non sincronizzato.", "agent": {"file": "agent_20260504_0901.md", "size": 7631, "title": "Agent Report — The Two Markov Layers Are Coupled at the Boundary: One Phase Transition, Two Projections"}, "falsifier": {"output_file": "falsifier_20260504_0901.json", "coherent": false, "n_flags": 5, "n_high": 1, "n_medium": 2, "summary": "The core finding — uniform shuffle destroys both layers at the same rate — is the expected null behavior of random permutations (L5), reported at a resolution too coarse to measure sub-bin differences (L4), and validated against a meaningless Poisson control (L2). The experiment is well-designed but", "lenses_high": ["L5"]}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:30:{"timestamp": "2026-05-07T19:43:14.339854+00:00", "cycle_ts": "20260507_1938", "piano": "80", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260507_1938.md", "size": 4853, "title": "Agent Report — Triadic Deposit Gate"}, "falsifier": {"output_file": "falsifier_20260507_1938.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e internamente coerente sulle 5 lenti: non trasforma il bias null in proibizione universale, confronta sullo stesso spazio di 120 assegnazioni, non cambia definizione in conclusione, isola i contro-perimetri e dichiara il perimetro come classificazione interna D-ND.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:32:{"timestamp": "2026-05-07T20:46:56.823114+00:00", "cycle_ts": "20260507_2042", "piano": "84", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260507_2042.md", "size": 5321, "title": "Agent Report — Det Non È Il Discriminatore Della Dualità"}, "falsifier": {"output_file": "falsifier_20260507_2042.json", "coherent": false, "n_flags": 2, "n_high": 0, "n_medium": 2, "summary": "Il report e quasi coerente, ma L4/L2 si rompono sullo scarto real-vs-shuffle: l'ultima finestra non supporta 'esiste fino alle scale misurate' e il decadimento non e monotono nei dati visibili.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:33:{"timestamp": "2026-05-07T21:25:56.928669+00:00", "cycle_ts": "20260507_2120", "piano": "85", "sync_blocked": true, "errors": "G1: observables_used=[] su tensione strutturale.", "agent": {"file": "agent_20260507_2120.md", "size": 4825, "title": "Agent Report — Blank Shell TQGER Gate"}, "falsifier": {"output_file": "falsifier_20260507_2120.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto alle 5 lenti: non trasforma bias in zero, non confronta percentuali fra spazi diversi, dichiara l'estensione del perimetro, non arrotonda edge case e non marca il pattern come discovery fisica nuova.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:52:{"timestamp": "2026-05-08T21:45:27.303024+00:00", "cycle_ts": "20260508_2140", "piano": "96", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260508_2140.md", "size": 8637, "title": "Agent Report - Quasiperiodic Vc Lattice Gate"}, "falsifier": {"output_file": "falsifier_20260508_2140.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente sulle lenti applicabili: nessuna proibizione hard non supportata, nessun confronto percentuale decisivo fra denominatori incompatibili, nessun silent patching visibile, edge case random isolato, nessuna discovery nuova rivendicata, contaminazione cognitiva metaboli", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:95:{"timestamp": "2026-05-15T17:29:32.921772+00:00", "cycle_ts": "20260515_1724", "piano": "118", "sync_blocked": false, "errors": "", "agent": {"file": "agent_20260515_1724.md", "size": 9571, "title": "Agent Report - Quasiperiodic Vc Lattice Extension"}, "falsifier": {"output_file": "falsifier_20260515_1724.json", "coherent": false, "n_flags": 3, "n_high": 0, "n_medium": 2, "summary": "Il report e' localmente coerente sul claim `V_c(phi)->1`, ma si rompono L2 per confronto tra denominatori diversi, L5 per novelty non calibrata rispetto al noto, e L8 per drift rispetto alla direzione viva dichiarata nei dati.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:97:{"timestamp": "2026-05-15T17:51:06.052356+00:00", "cycle_ts": "20260515_1745", "piano": "118", "sync_blocked": true, "errors": "Falsifier non-coherent: public sync deferred and blocked.", "agent": {"file": "agent_20260515_1745.md", "size": 8618, "title": "Agent Report - Aubry Boundary Phase Transport Gate"}, "falsifier": {"output_file": "falsifier_20260515_1745.json", "coherent": false, "n_flags": 2, "n_high": 0, "n_medium": 1, "summary": "Il report e' coerente rispetto ai dati visibili e alla direzione viva, ma si rompe L5 per mancato confronto con risultati classici vicini; L8 ha solo un residuo pubblico non nominato.", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:121:{"timestamp": "2026-05-16T11:30:20.085565+00:00", "cycle_ts": "20260516_1124", "piano": "132", "sync_blocked": true, "block_reason": "falsifier non-coherent", "errors": "Falsifier non-coherent. Report non sincronizzato.", "agent": {"file": "agent_20260516_1124.md", "size": 8586, "title": "Agent Report - Anderson Endpoint-Preserving Null"}, "falsifier": {"output_file": "falsifier_20260516_1124.json", "coherent": false, "n_flags": 2, "n_high": 0, "n_medium": 1, "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.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:122:{"timestamp": "2026-05-16T11:40:15.885100+00:00", "cycle_ts": "20260516_1135", "piano": "132", "sync_blocked": false, "block_reason": "", "errors": "", "agent": {"file": "agent_20260516_1135.md", "size": 9817, "title": "Agent Report - Anderson Comparable Null Audit"}, "falsifier": {"output_file": "falsifier_20260516_1135.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente sulle 8 lenti: il confronto e' a denominatore/perimetro/N comune, dichiara il contro-perimetro Anderson rispetto alla direzione viva, nomina il non-possibile e non promuove W=20 perche' i dati mostrano rinomina non-zero.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:129:{"timestamp": "2026-05-28T21:43:27.425681+00:00", "cycle_ts": "20260528_2138", "piano": "136", "sync_blocked": true, "block_reason": "manual_controlled", "errors": "Falsifier: HIGH flags. Report non sincronizzato. Manual controlled run: sync/public propagation disabled. Endpoint lab fallito.", "agent": {"file": "agent_20260528_2138.md", "size": 9298, "title": "Agent Report - Reader Regression Audit"}, "falsifier": {"output_file": "falsifier_20260528_2138.json", "coherent": false, "n_flags": 2, "n_high": 2, "n_medium": 0, "summary": "Il report e' incoerente sul passaggio da `31/32` a vincolo di non-promozione: si rompono L1 e L4 per percolation.", "lenses_high": ["L1", "L4"]}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:130:{"timestamp": "2026-05-28T22:34:17.754418+00:00", "cycle_ts": "20260528_2222", "piano": "136", "sync_blocked": true, "block_reason": "manual_controlled", "errors": "Manual controlled run: sync/public propagation disabled. Endpoint lab fallito.", "agent": {"file": "agent_20260528_2222.md", "size": 10851, "title": "Agent Report - BOUNDARY Provenance Reproduction Delta"}, "falsifier": {"output_file": "falsifier_20260528_2222.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto alle 8 lenti: segue seme.json come direzione viva, dichiara non_possible, separa logistica/percolation e non promuove claim fisici dal delta osservato.", "lenses_high": []}, "valutatore": {"decision": "NEXT_CYCLE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:132:{"timestamp": "2026-05-31T20:29:46.613627+00:00", "cycle_ts": "20260531_2024", "piano": "137", "sync_blocked": true, "block_reason": "manual_controlled", "errors": "Falsifier: HIGH flags. Report non sincronizzato. Manual controlled run: sync/public propagation disabled. Endpoint lab fallito.", "agent": {"file": "agent_20260531_2024.md", "size": 9022, "title": "Agent Report - Boundary Contextual Robustness Macro Audit"}, "falsifier": {"output_file": "falsifier_20260531_2024.json", "coherent": false, "n_flags": 3, "n_high": 1, "n_medium": 2, "summary": "Il report non e' pienamente coerente: la rottura primaria e' L8, perche' dichiara aderenza ma devia dalla direzione viva Anderson verso percolation/logistica; L4 e L6 richiedono perimetro e verifica piu' stretti.", "lenses_high": ["L8"]}, "valutatore": {"decision": "REDESIGN", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:142:{"timestamp": "2026-06-04T20:00:34.737393+00:00", "cycle_ts": "20260604_1956", "piano": "140", "sync_blocked": true, "block_reason": "falsifier HIGH flags", "errors": "Falsifier: HIGH flags. Report non sincronizzato.", "agent": {"file": "agent_20260604_1956.md", "size": 9623, "title": "Agent Report - Boundary Physical B Not Ready"}, "falsifier": {"output_file": "falsifier_20260604_1956.json", "coherent": false, "n_flags": 1, "n_high": 1, "n_medium": 0, "summary": "Il report e' quasi coerente e aderente alla direzione viva, ma L4 si rompe: un edge case nel null reaction_diffusion viene arrotondato dentro una label di ricostruzione full.", "lenses_high": ["L4"]}, "valutatore": {"decision": "REDESIGN", "confidence": "medium", "action_type": null}} tools/data/lab_session_log.jsonl:151:{"timestamp": "2026-06-05T10:39:16.396934+00:00", "cycle_ts": "20260605_1034", "piano": "140", "sync_blocked": true, "block_reason": "manual_controlled", "errors": "Falsifier non-coherent. Report non sincronizzato. Manual controlled run: sync/public propagation disabled.", "agent": {"file": "agent_20260605_1034.md", "size": 11848, "title": "Agent Report - Boundary Reader Closure"}, "falsifier": {"output_file": "falsifier_20260605_1034.json", "coherent": false, "n_flags": 2, "n_high": 0, "n_medium": 1, "summary": "Il report e' quasi coerente, ma L4 si rompe per mancata isolamento dell'edge case percolation 1/32 non-full; L7 resta pulita solo a livello di struttura generale, non di perimetro fine.", "lenses_high": []}, "valutatore": {"decision": "CRYSTALLIZE", "confidence": "high", "action_type": null}} tools/data/lab_session_log.jsonl:152:{"timestamp": "2026-06-05T10:56:38.056399+00:00", "cycle_ts": "20260605_1051", "piano": "140", "sync_blocked": true, "block_reason": "manual_controlled", "errors": "Manual controlled run: sync/public propagation disabled.", "agent": {"file": "agent_20260605_1051.md", "size": 12448, "title": "Agent Report - Qualified Graph-Boundary Completion"}, "falsifier": {"output_file": "falsifier_20260605_1051.json", "coherent": true, "n_flags": 0, "n_high": 0, "n_medium": 0, "summary": "Il report e' internamente coerente rispetto ai dati visibili: le 8 lenti risultano pulite, con tail percolation e non-possibile dichiarati invece che arrotondati via.", "lenses_high": []}, "valutatore": {"decision": "REDESIGN", "confidence": "high", "action_type": null}} tools/data/seme_archive/piano_93.json:86: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_93.json:204: "decay_counter": 5, tools/data/seme_archive/piano_93.json:206: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:212: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_93.json:219: "decay_counter": 5, tools/data/seme_archive/piano_93.json:221: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:227: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_93.json:234: "decay_counter": 5, tools/data/seme_archive/piano_93.json:236: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:242: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_93.json:249: "decay_counter": 5, tools/data/seme_archive/piano_93.json:251: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:264: "decay_counter": 5, tools/data/seme_archive/piano_93.json:266: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:272: "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.", tools/data/seme_archive/piano_93.json:279: "decay_counter": 5, tools/data/seme_archive/piano_93.json:281: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:294: "decay_counter": 5, tools/data/seme_archive/piano_93.json:296: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:309: "decay_counter": 5, tools/data/seme_archive/piano_93.json:311: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:324: "decay_counter": 5, tools/data/seme_archive/piano_93.json:326: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:339: "decay_counter": 5, tools/data/seme_archive/piano_93.json:341: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:347: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_93.json:354: "decay_counter": 5, tools/data/seme_archive/piano_93.json:356: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:369: "decay_counter": 5, tools/data/seme_archive/piano_93.json:371: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:384: "decay_counter": 5, tools/data/seme_archive/piano_93.json:386: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:399: "decay_counter": 5, tools/data/seme_archive/piano_93.json:401: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:414: "decay_counter": 5, tools/data/seme_archive/piano_93.json:416: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_93.json:429: "decay_counter": 5, tools/data/seme_archive/piano_93.json:431: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_zero.json:122: "manovra": "Godel dice 'decisioni irreversibili' → fatto l'ortogonale (loop vs spirale) → aggiunto distanza → test shuffled", tools/data/seme_archive/piano_zero.json:129: "metodo": "M(ordinato) - media(M(shuffle)) isola componente ordine-dipendente", tools/data/seme_archive/piano_zero.json:147: "perche": "(1) concentrazione cresce identica sullo shuffle — artefatto propagazione rapporti iterati. (2) geo_mean=1 e' telescoping banale. (3) accoppiamento locale r=0.74 identico sullo shuffle — e' proprieta' distribuzionale (code pesanti sotto M), non dell'ordine.", tools/data/seme_archive/piano_zero.json:154: "principio": "M iterato (M^k) applicato a ordinato vs shuffle — il sigma del residuo ad ogni livello", tools/data/seme_archive/piano_zero.json:167: "claim_godel": "M rimappa i primi in se' stessi perche' g_n+g_{n+1}=p_{n+2}-p_n eredita i vincoli del setaccio. Lo shuffle no.", tools/data/seme_archive/piano_zero.json:168: "test_mod6": "gap2 reali: 48.3% mod6=0 (concentrazione AUMENTA). gap2 shuffle: 34.1% (si spalma verso uniforme). Confermato.", tools/data/seme_archive/piano_zero.json:169: "test_mod30": "entropia reali=3.721 bit, shuffle=3.804 bit. 0.08 bit piu' concentrati.", tools/data/seme_archive/piano_zero.json:173: "ratio_1": "4.8% reale vs 11.7% shuffle = -15.9sigma (REPULSIONE)", tools/data/seme_archive/piano_zero.json:174: "ratio_05": "8.6% reale vs 6.5% shuffle = +6.5sigma (ATTRAZIONE)", tools/data/seme_archive/piano_zero.json:175: "ratio_2": "8.1% reale vs 6.0% shuffle = +6.3sigma (ATTRAZIONE)" tools/data/seme_archive/piano_zero.json:178: "rumore_additivo": "punto_fisso fino a +-0.5, decay a +-1.0, rumore a +-2.0", tools/data/seme_archive/piano_zero.json:179: "swap_posizionali": "punto_fisso fino a 5%, decay a 10%" tools/data/seme_archive/piano_zero.json:185: "risultato_chiave": "sequenze sintetiche con STESSA distribuzione di rapporti dei primi = TUTTE decay. Il punto fisso non viene dalla distribuzione ma dall'ORDINE. La forma viene dal processo che l'ha generata, non dalle sue statistiche.", tools/data/seme_archive/piano_zero.json:199: "semiprimi_ordinati": "decay, sigma=[1.9,1.6,1.2,1.0,1.0,1.0], ratio=0.888 — la primezza conta", tools/data/seme_archive/piano_zero.json:200: "primi_4k1": "decay, sigma=[5.1,4.8,4.6,3.9,3.3,3.0], ratio=0.903 — completezza sequenza conta", tools/data/seme_archive/piano_zero.json:205: "shuffled_alternati": "RUMORE, sigma~0 — decimazione alternata NON crea stabilita da sola", tools/data/seme_archive/piano_zero.json:211: "falsificata_da": "sessione 12 marzo: sintetiche con stessa distribuzione rapporti = TUTTE decay", tools/data/seme_archive/piano_zero.json:244: "altri": "uniforme->1.000, shuffle->0.75, markov->12+", tools/data/seme_archive/piano_zero.json:369: "M_stabilita": "decay (ratio=0.935)", tools/data/seme_archive/piano_zero.json:590: "shuffle come controllo" tools/data/seme_archive/piano_99.json:89: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_99.json:186: "decay_counter": 5, tools/data/seme_archive/piano_99.json:188: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:194: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_99.json:201: "decay_counter": 5, tools/data/seme_archive/piano_99.json:203: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:209: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_99.json:216: "decay_counter": 5, tools/data/seme_archive/piano_99.json:218: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:224: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_99.json:231: "decay_counter": 5, tools/data/seme_archive/piano_99.json:233: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:246: "decay_counter": 5, tools/data/seme_archive/piano_99.json:248: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:254: "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.", tools/data/seme_archive/piano_99.json:261: "decay_counter": 5, tools/data/seme_archive/piano_99.json:263: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:276: "decay_counter": 5, tools/data/seme_archive/piano_99.json:278: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:291: "decay_counter": 5, tools/data/seme_archive/piano_99.json:293: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:306: "decay_counter": 5, tools/data/seme_archive/piano_99.json:308: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:321: "decay_counter": 5, tools/data/seme_archive/piano_99.json:323: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:329: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_99.json:336: "decay_counter": 5, tools/data/seme_archive/piano_99.json:338: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:351: "decay_counter": 5, tools/data/seme_archive/piano_99.json:353: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:366: "decay_counter": 5, tools/data/seme_archive/piano_99.json:368: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:381: "decay_counter": 5, tools/data/seme_archive/piano_99.json:383: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:396: "decay_counter": 5, tools/data/seme_archive/piano_99.json:398: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:411: "decay_counter": 5, tools/data/seme_archive/piano_99.json:413: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_99.json:428: "direzione": "Costruire il null label-preserving per V_c prima del trasferimento: ridisegnare il generatore surrogate finche' raggiunge Jaccard>=0.75 a N=144 con acceptance_rate non nulla, poi solo dopo confrontare GUE/Poisson", tools/data/seme_archive/piano_96.json:73: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_96.json:177: "decay_counter": 5, tools/data/seme_archive/piano_96.json:179: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:185: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_96.json:192: "decay_counter": 5, tools/data/seme_archive/piano_96.json:194: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:200: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_96.json:207: "decay_counter": 5, tools/data/seme_archive/piano_96.json:209: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:215: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_96.json:222: "decay_counter": 5, tools/data/seme_archive/piano_96.json:224: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:237: "decay_counter": 5, tools/data/seme_archive/piano_96.json:239: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:245: "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.", tools/data/seme_archive/piano_96.json:252: "decay_counter": 5, tools/data/seme_archive/piano_96.json:254: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:267: "decay_counter": 5, tools/data/seme_archive/piano_96.json:269: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:282: "decay_counter": 5, tools/data/seme_archive/piano_96.json:284: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:297: "decay_counter": 5, tools/data/seme_archive/piano_96.json:299: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:312: "decay_counter": 5, tools/data/seme_archive/piano_96.json:314: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:320: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_96.json:327: "decay_counter": 5, tools/data/seme_archive/piano_96.json:329: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:342: "decay_counter": 5, tools/data/seme_archive/piano_96.json:344: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:357: "decay_counter": 5, tools/data/seme_archive/piano_96.json:359: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:372: "decay_counter": 5, tools/data/seme_archive/piano_96.json:374: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:387: "decay_counter": 5, tools/data/seme_archive/piano_96.json:389: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_96.json:402: "decay_counter": 5, tools/data/seme_archive/piano_96.json:404: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:73: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_97.json:177: "decay_counter": 5, tools/data/seme_archive/piano_97.json:179: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:185: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_97.json:192: "decay_counter": 5, tools/data/seme_archive/piano_97.json:194: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:200: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_97.json:207: "decay_counter": 5, tools/data/seme_archive/piano_97.json:209: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:215: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_97.json:222: "decay_counter": 5, tools/data/seme_archive/piano_97.json:224: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:237: "decay_counter": 5, tools/data/seme_archive/piano_97.json:239: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:245: "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.", tools/data/seme_archive/piano_97.json:252: "decay_counter": 5, tools/data/seme_archive/piano_97.json:254: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:267: "decay_counter": 5, tools/data/seme_archive/piano_97.json:269: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:282: "decay_counter": 5, tools/data/seme_archive/piano_97.json:284: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:297: "decay_counter": 5, tools/data/seme_archive/piano_97.json:299: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:312: "decay_counter": 5, tools/data/seme_archive/piano_97.json:314: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:320: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_97.json:327: "decay_counter": 5, tools/data/seme_archive/piano_97.json:329: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:342: "decay_counter": 5, tools/data/seme_archive/piano_97.json:344: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:357: "decay_counter": 5, tools/data/seme_archive/piano_97.json:359: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:372: "decay_counter": 5, tools/data/seme_archive/piano_97.json:374: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:387: "decay_counter": 5, tools/data/seme_archive/piano_97.json:389: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:402: "decay_counter": 5, tools/data/seme_archive/piano_97.json:404: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_97.json:418: "direzione": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", tools/data/seme_archive/piano_95.json:73: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_95.json:189: "decay_counter": 5, tools/data/seme_archive/piano_95.json:191: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:197: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_95.json:204: "decay_counter": 5, tools/data/seme_archive/piano_95.json:206: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:212: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_95.json:219: "decay_counter": 5, tools/data/seme_archive/piano_95.json:221: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:227: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_95.json:234: "decay_counter": 5, tools/data/seme_archive/piano_95.json:236: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:249: "decay_counter": 5, tools/data/seme_archive/piano_95.json:251: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:257: "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.", tools/data/seme_archive/piano_95.json:264: "decay_counter": 5, tools/data/seme_archive/piano_95.json:266: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:279: "decay_counter": 5, tools/data/seme_archive/piano_95.json:281: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:294: "decay_counter": 5, tools/data/seme_archive/piano_95.json:296: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:309: "decay_counter": 5, tools/data/seme_archive/piano_95.json:311: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:324: "decay_counter": 5, tools/data/seme_archive/piano_95.json:326: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:332: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_95.json:339: "decay_counter": 5, tools/data/seme_archive/piano_95.json:341: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:354: "decay_counter": 5, tools/data/seme_archive/piano_95.json:356: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:369: "decay_counter": 5, tools/data/seme_archive/piano_95.json:371: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:384: "decay_counter": 5, tools/data/seme_archive/piano_95.json:386: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:399: "decay_counter": 5, tools/data/seme_archive/piano_95.json:401: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_95.json:414: "decay_counter": 5, tools/data/seme_archive/piano_95.json:416: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:86: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_94.json:191: "decay_counter": 5, tools/data/seme_archive/piano_94.json:193: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:199: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_94.json:206: "decay_counter": 5, tools/data/seme_archive/piano_94.json:208: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:214: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_94.json:221: "decay_counter": 5, tools/data/seme_archive/piano_94.json:223: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:229: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_94.json:236: "decay_counter": 5, tools/data/seme_archive/piano_94.json:238: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:251: "decay_counter": 5, tools/data/seme_archive/piano_94.json:253: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:259: "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.", tools/data/seme_archive/piano_94.json:266: "decay_counter": 5, tools/data/seme_archive/piano_94.json:268: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:281: "decay_counter": 5, tools/data/seme_archive/piano_94.json:283: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:296: "decay_counter": 5, tools/data/seme_archive/piano_94.json:298: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:311: "decay_counter": 5, tools/data/seme_archive/piano_94.json:313: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:326: "decay_counter": 5, tools/data/seme_archive/piano_94.json:328: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:334: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_94.json:341: "decay_counter": 5, tools/data/seme_archive/piano_94.json:343: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:356: "decay_counter": 5, tools/data/seme_archive/piano_94.json:358: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:371: "decay_counter": 5, tools/data/seme_archive/piano_94.json:373: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:386: "decay_counter": 5, tools/data/seme_archive/piano_94.json:388: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:401: "decay_counter": 5, tools/data/seme_archive/piano_94.json:403: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_94.json:416: "decay_counter": 5, tools/data/seme_archive/piano_94.json:418: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:86: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_92.json:191: "decay_counter": 5, tools/data/seme_archive/piano_92.json:193: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:199: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_92.json:206: "decay_counter": 5, tools/data/seme_archive/piano_92.json:208: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:214: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_92.json:221: "decay_counter": 5, tools/data/seme_archive/piano_92.json:223: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:229: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_92.json:236: "decay_counter": 5, tools/data/seme_archive/piano_92.json:238: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:251: "decay_counter": 5, tools/data/seme_archive/piano_92.json:253: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:259: "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.", tools/data/seme_archive/piano_92.json:266: "decay_counter": 5, tools/data/seme_archive/piano_92.json:268: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:281: "decay_counter": 5, tools/data/seme_archive/piano_92.json:283: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:296: "decay_counter": 5, tools/data/seme_archive/piano_92.json:298: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:311: "decay_counter": 5, tools/data/seme_archive/piano_92.json:313: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:326: "decay_counter": 5, tools/data/seme_archive/piano_92.json:328: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:334: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_92.json:341: "decay_counter": 5, tools/data/seme_archive/piano_92.json:343: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:356: "decay_counter": 5, tools/data/seme_archive/piano_92.json:358: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:371: "decay_counter": 5, tools/data/seme_archive/piano_92.json:373: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:386: "decay_counter": 5, tools/data/seme_archive/piano_92.json:388: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:401: "decay_counter": 5, tools/data/seme_archive/piano_92.json:403: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_92.json:416: "decay_counter": 5, tools/data/seme_archive/piano_92.json:418: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:89: "claim": "Nessuna separazione: 9/9 (50/50 su 18 confronti). Il claim non regge. phi converge a =0.5 piu' sistematicam", tools/data/seme_archive/piano_98.json:170: "decay_counter": 5, tools/data/seme_archive/piano_98.json:172: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:178: "claim": "La dimensionalita di perturbazione va riportata solo insieme a PC2, versione observables_registry e gate original-vs-shuffle per osservabile. Nel perimetro 20260506_1941, Poisson e shuffle-primi producono rank_all ~1.8-2.0 con denominatori deboli; dopo gate abs(z)>=2 il rank stabile torna vicino a 1. Rank PCA non gated non e evidenza strutturale.", tools/data/seme_archive/piano_98.json:185: "decay_counter": 5, tools/data/seme_archive/piano_98.json:187: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:193: "claim": "I claim GUE/Poisson boundary devono riportare layer map: versione observables_registry, lista osservabili canonici, z original-vs-shuffle per osservabile, set endpoint-stable, e finestra/layer con margine classificatorio ambiguo. Nel perimetro sintetico agent_20260507_0330, il confine GUE-Poisson e beta 0.3-0.4: margine 0.070-0.083, ambiguous fraction 0.812-0.875, mentre gli osservabili stabili collassano da ~3.3 a 1.6. Il polo Poisson e classificabile ma denominator-weak.", tools/data/seme_archive/piano_98.json:200: "decay_counter": 5, tools/data/seme_archive/piano_98.json:202: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:208: "claim": "Il denominator gate trasferisce come supporto one-sided dell'ordine quando l'ordine e visibile agli osservabili del perimetro, non come endpoint-stable support a due poli. Nel perimetro sintetico agent_20260507_0901, 4/4 domini non-BOUNDARY hanno endpoint_stable_observables=[] e polo coerente stable_count 3.0-5.0. Nel perimetro semi-reale agent_20260507_0923, primi e zeta trasferiscono (primi: SR,L1,triple_var; zeta: SR,L2), ma logistic_return_intervals e blank: stable_count coerente 0.0-0.2. Nel perimetro bridge agent_20260507_0942, prime_metric_delta_gamma_abs, prime_metric_dR_abs, zeta_trace_residual_step5_abs e hydrogen_bound_level_spacings trasferiscono su tutti i 5 osservabili canonici con endpoint_stable_observables=[]; e supporto perimetro-bridge, non universalita del gate. Nel perimetro logistic-native agent_20260507_1006, logistic_orbit_values trasferisce su block_entropy_deficit_k4 in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals mostra recurrence_diag_mean solo nel run principale e torna blank nel seed check. La beta 0.10/0.30/0.40/0.50 resta coordinata del protocollo quando compare, non coordinata universale. Nel perimetro surrogate-contract agent_20260507_1042, logistic_orbit_values trasferisce solo tramite block_entropy_deficit_k4 e sopravvive a marginal_shuffle, circular_shift e block_shuffle in run e seed check; logistic_symbolic_itinerary resta blank; logistic_return_intervals non replica (recurrence_diag_mean compare contro marginal/block nel run principale ma sparisce nel seed check). Nel perimetro cyclic-cut agent_20260507_1419, il residuo logistic_orbit_values non e artefatto del taglio lineare: cyclic_block_entropy_deficit_k4 e invariato sotto rotazione e replica contro marginal_shuffle e block_shuffle size 4-256 in run e seed check. Logistic_symbolic_itinerary e logistic_return_intervals restano blank nel criterio replicato. Il supporto logistic rimasto e orbit-local block grammar, non return/generating-partition support.", tools/data/seme_archive/piano_98.json:215: "decay_counter": 5, tools/data/seme_archive/piano_98.json:217: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:230: "decay_counter": 5, tools/data/seme_archive/piano_98.json:232: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:238: "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.", tools/data/seme_archive/piano_98.json:245: "decay_counter": 5, tools/data/seme_archive/piano_98.json:247: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:260: "decay_counter": 5, tools/data/seme_archive/piano_98.json:262: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:275: "decay_counter": 5, tools/data/seme_archive/piano_98.json:277: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:290: "decay_counter": 5, tools/data/seme_archive/piano_98.json:292: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:305: "decay_counter": 5, tools/data/seme_archive/piano_98.json:307: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:313: "claim": "Nel perimetro agent_20260508_0011, il contrasto di dualita (real-vs-shuffle z-score) per i gap primi scala come z ~ N^alpha con alpha(SR)=0.39+/-0.01, alpha(L1)=0.32+/-0.03, alpha(triple_var)=0.37+/-0.03 — tutti sotto 0.5 (effetto si indebolisce con la scala). GUE ha alpha >= 0.5 (effetto costante o crescente). Il discriminatore tra primi e GUE e l'esponente alpha, non il valore dell'osservabile a scala fissa. Seed check (42/137) conferma. L2 borderline (alpha~0.5, non discriminante).", tools/data/seme_archive/piano_98.json:320: "decay_counter": 5, tools/data/seme_archive/piano_98.json:322: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:335: "decay_counter": 5, tools/data/seme_archive/piano_98.json:337: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:350: "decay_counter": 5, tools/data/seme_archive/piano_98.json:352: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:365: "decay_counter": 5, tools/data/seme_archive/piano_98.json:367: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:380: "decay_counter": 5, tools/data/seme_archive/piano_98.json:382: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:395: "decay_counter": 5, tools/data/seme_archive/piano_98.json:397: "archived_reason": "G4 B1 apply: decay_counter=5 (vincolo non attaccato per 5 piani consecutivi)", tools/data/seme_archive/piano_98.json:411: "direzione": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson.", tools/data/piano11b_gue_test.json:421: "verdict": "DATI INSUFFICIENTI per confronto" tools/data/retriever_risultati.json:204: "abstract": "In this paper we consider the Cauchy problem for linear dissipative generalized Klein-Gordon equations with nonlinear memory in the right hand side. Our goal is to study the effect of this nonlinearity on both the decay estimates of global solutions as well as the admissible range of the exponent p.", tools/data/notte_20260315_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.462727043125885) tools/data/notte_20260315_0330.md:14: percolation_var_0.65: r=1.380952380952381, spacing=Poisson-like (⟨r⟩=0.444154396971446) tools/data/exp_acf_range_universality.json:316: "primes_shuffled": { tools/data/residuo_ordine_9domini.json:3: "metodo": "residuo_ordine(seq, n_shuffle=30, seed=42) — M(ordinato) - mean(M(shuffle))", tools/data/notte_20260305_0330.md:13: percolation_var_0.55: r=1.0, spacing=Poisson-like (⟨r⟩=0.4270878077372399) tools/data/notte_20260305_0330.md:14: percolation_var_0.65: r=1.127659574468085, spacing=Poisson-like (⟨r⟩=0.43169596436963903) tools/data/operator_directive_consumed_20260507_0803.md:26:4. Verifica con shuffle/surrogati (PERTURBATION_DENOMINATOR_GATE) — il gate distingue solo strutturali da originali, o anche i due tipi di dualità tra loro? tools/data/operator_directive_consumed_20260507_0803.md:31:- ❌ **Gate locale**: il gate non discrimina o produce solo flagging artefattuale (z marginal, beta non separa, falliscono shuffle test). I 9 cycle hanno **scavato una buca su BOUNDARY**. Il prossimo passo è pivot vero a un'altra tensione-sorgente da zero (cambia generatore, non solo target). tools/data/scale_selective_perturbation.json:10: "full_shuffle_mean": { tools/data/scale_selective_perturbation.json:17: "full_shuffle_std": { tools/data/scale_selective_perturbation.json:107: "block_shuffle": { tools/data/scale_selective_perturbation.json:386: "adjacent_swap_vs_block_shuffle": 0.9556438699630849, tools/data/scale_selective_perturbation.json:389: "block_shuffle_vs_large_gap_only": 0.9738269788287854, tools/data/scale_selective_perturbation.json:390: "block_shuffle_vs_uniform": 0.9853795639561418, tools/data/scale_selective_perturbation.json:402: "full_shuffle_mean": { tools/data/scale_selective_perturbation.json:409: "full_shuffle_std": { tools/data/scale_selective_perturbation.json:499: "block_shuffle": { tools/data/scale_selective_perturbation.json:778: "adjacent_swap_vs_block_shuffle": 0.9520680953039892, tools/data/scale_selective_perturbation.json:781: "block_shuffle_vs_large_gap_only": 0.8505279133766152, tools/data/scale_selective_perturbation.json:782: "block_shuffle_vs_uniform": 0.9455147455354437, tools/data/boundary_shuffle_audit.json:3: "method": "shuffle_audit_r_statistic", tools/data/boundary_shuffle_audit.json:4: "n_shuffle": 1000, tools/data/boundary_shuffle_audit.json:12: "r_shuffled_mean": 0.4813, tools/data/boundary_shuffle_audit.json:13: "r_shuffled_std": 0.0007, tools/data/boundary_shuffle_audit.json:17: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:23: "r_shuffled_mean": 0.6351, tools/data/boundary_shuffle_audit.json:24: "r_shuffled_std": 0.0024, tools/data/boundary_shuffle_audit.json:28: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:34: "r_shuffled_mean": 0.4073, tools/data/boundary_shuffle_audit.json:35: "r_shuffled_std": 0.0089, tools/data/boundary_shuffle_audit.json:39: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:45: "r_shuffled_mean": 0.4146, tools/data/boundary_shuffle_audit.json:46: "r_shuffled_std": 0.0106, tools/data/boundary_shuffle_audit.json:50: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:54: "percolation": { tools/data/boundary_shuffle_audit.json:56: "r_shuffled_mean": 0.4508, tools/data/boundary_shuffle_audit.json:57: "r_shuffled_std": 0.0127, tools/data/boundary_shuffle_audit.json:61: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:67: "r_shuffled_mean": 0.3423, tools/data/boundary_shuffle_audit.json:68: "r_shuffled_std": 0.0008, tools/data/boundary_shuffle_audit.json:72: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:78: "r_shuffled_mean": 0.3856, tools/data/boundary_shuffle_audit.json:79: "r_shuffled_std": 0.0007, tools/data/boundary_shuffle_audit.json:83: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:89: "r_shuffled_mean": 0.3324, tools/data/boundary_shuffle_audit.json:90: "r_shuffled_std": 0.0108, tools/data/boundary_shuffle_audit.json:94: "class_shuffled": "Poisson", tools/data/boundary_shuffle_audit.json:100: "r_shuffled_mean": 0.9859, tools/data/boundary_shuffle_audit.json:101: "r_shuffled_std": 0.0009, tools/data/boundary_shuffle_audit.json:105: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:111: "r_shuffled_mean": 0.8455, tools/data/boundary_shuffle_audit.json:112: "r_shuffled_std": 0.0137, tools/data/boundary_shuffle_audit.json:116: "class_shuffled": "GUE", tools/data/boundary_shuffle_audit.json:126: "finding": "Two kinds of GUE: distribution-GUE (primes, random matrices) vs ordering-GUE (fibonacci, coupled oscillators, percolation). Sign of delta_r discriminates." tools/data/notte_20260307_0330.md:13: percolation_var_0.55: r=1.0384615384615385, spacing=Poisson-like (⟨r⟩=0.44398759377600533) tools/data/notte_20260307_0330.md:14: percolation_var_0.65: r=0.9642857142857143, spacing=Poisson-like (⟨r⟩=0.44981595361822824) tools/data/valutatore_log.jsonl:3:{"ts": "2026-04-22T16:30:14.305582+00:00", "cycle_ref": "20260422_1616", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il shuffle audit non è un esperimento — è un metodo falsificatore riusabile che incarna C2 operativamente. Ha delisted 3 proprietà che circolavano come 'evidenze' da 3 cicli (piani 42-44). Il segnale Markov-3 (z=6203, 55% informazione ordinale) è il risultato più forte mai prodotto dal lab e merita cristallizzazione esplicita. L'affinatore stesso ha identificato il nodo regressivo a monte: il protocollo shuffle mancava dall'inizio del two-channel. Cristallizzare ora chiude quel debito.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "NUOVO FATTO CANDIDATO — F7 Shuffle audit come discriminatore algebra/ordine: dato un vettore di gap, lo shuffle preserva la distribuzione marginale ma distrugge l'ordinamento sequenziale. Proprietà che sopravvivono allo shuffle sono identità algebriche (tautologie), non struttura. Applicato al two-channel: 3/8 proprietà declassate (xcorr, slope_ratio, k_star). Il contenuto genuino è concentrato in PSD slopes (z>20), lag-1 ACF (z=-13), e Markov-3 bits (z=6203 — 55% dell'informazione residuo è ordine puro). METODO: ogni futuro claim del lab deve passare lo shuffle audit prima di entrare nel condensato. Corollario operativo di C2."}}, "notes": "Dopo la cristallizzazione, il ciclo successivo (piano 46, GUE/Poisson boundary) può procedere con il shuffle audit già nel protocollo standard. Suggerisco che il prossimo ciclo applichi lo shuffle audit by default a qualsiasi proprietà testata — non come passo aggiuntivo ma come criterio di ammissione."} tools/data/valutatore_log.jsonl:4:{"ts": "2026-04-22T16:34:17.428960+00:00", "cycle_ref": "20260422_1616", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo 45 ha prodotto un metodo falsificatore (shuffle audit) e la cristallizzazione è stata decisa nel turno precedente. Il seme punta già a piano 46 con direzione GUE/Poisson. La consecutio naturale dall'affinatore è il segnale Markov-3 (z=6203) e la sua invarianza di scala — questo si allinea con l'esplorazione del confine GUE/Poisson perché la memoria sequenziale di ordine 3 è esattamente ciò che distingue i due regimi. Il sistema è in flusso pulito, nessun blocco, nessuna dipendenza dall'operatore.", "action": {"type": "none", "detail": {}}, "notes": "Il prossimo ciclo dovrebbe applicare lo shuffle audit come protocollo standard (è ora un metodo, non un esperimento) e concentrarsi su come il Markov-3 bits si comporta attraverso la transizione GUE→Poisson. Se il 55% di informazione ordinale sopravvive identico in domini GUE ma crolla nei Poisson, è un discriminatore cross-dominio genuino (tipo (d) nel telos). Le 3 proprietà tautologiche (xcorr, slope_ratio, k_star) devono essere rimosse dai test suite futuri — non ripresentarle come evidenza."} tools/data/valutatore_log.jsonl:5:{"ts": "2026-04-23T03:35:59.541235+00:00", "cycle_ref": "20260422_1616", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo 45 ha chiuso un arco importante: shuffle audit come metodo, 3 tautologie smascherate, segnali genuini isolati (Markov-3 z=6203, PSD slopes, lag-1). La cristallizzazione è già avvenuta. La direzione corrente del seme (confine GUE/Poisson cross-dominio) è esattamente il passo naturale: porta i segnali genuini sopravvissuti al shuffle verso verifica cross-dominio — categoria (b) della regola anti-tautologica. Il Markov-3 e la sua invarianza di scala sono il filo da seguire attraverso i domini.", "action": {"type": "none", "detail": {}}, "notes": "Il shuffle audit è ora strumento standard. Il prossimo ciclo dovrebbe applicarlo automaticamente a qualsiasi nuova proprietà cross-dominio che emerge. Attenzione: se il confine GUE/Poisson produce solo fit numerici senza shuffle control, il ciclo dopo sarà REDESIGN."} tools/data/valutatore_log.jsonl:7:{"ts": "2026-04-25T03:40:15.599999+00:00", "cycle_ref": "20260424_0330", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una decomposizione strutturale falsificabile — due meccanismi distinti generano statistica GUE, discriminati dal segno di delta_r — con shuffle control su 10 domini e 3 class-flip osservati. Non è un dettaglio numerico locale (c): è un raffinamento del confine cross-dominio (f) che vincola direttamente BOUNDARY e F5. Dopo 3 NEXT_CYCLE consecutivi orientati alla stessa regione, il risultato è maturo: il confine GUE/Poisson ha due strati e il segno di delta_r li separa. Cristallizzare ora evita che il prossimo ciclo ripeta l'esplorazione senza ancorare la scoperta.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "F5 va esteso o affiancato: la firma diagnostica M su sequenze produce due classi GUE distinte. Distribution-GUE (primes, GUE matrices): classificazione sopravvive allo shuffle, delta_r < 0 (l'ordine aggiunge repulsione). Ordering-GUE (fibonacci, coupled oscillators, percolation): classificazione collassa a Poisson sotto shuffle, delta_r > 0 (l'ordine crea la repulsione). Il segno di delta_r = r_original - r_shuffled è il discriminante. Conseguenza: il claim BOUNDARY '8 GUE, 5 Poisson' è incompleto senza specificare quale meccanismo opera. C1 (primi unico dominio dinamico) si rafforza: i primi sono distribution-GUE con delta_r negativo, unico dominio testato dove sia la distribuzione sia l'ordine contribuiscono alla repulsione."}}, "notes": "Suggerimento per il ciclo post-cristallizzazione: verificare se delta_r negativo è esclusivo dei primi tra tutti i distribution-GUE, o se altri domini lo condividono. Questo testerebbe la versione forte di C1. Alternativa: esplorare il vuoto QxG con il nuovo discriminante a due strati come lente."} tools/data/valutatore_log.jsonl:8:{"ts": "2026-04-26T03:40:28.910457+00:00", "cycle_ref": "20260425_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Tre cicli consecutivi produttivi sullo stesso frame (shuffle→GUE types→two-channel), tutti con scoperte strutturali genuine (categorie a/b/f, non accumulo numerico). Il CRYSTALLIZE del ciclo precedente ha segnalato la maturità della decomposizione a due canali. Ora la mossa a più alto rendimento è la falsificazione attiva: tentare di costruire un canale algebrico per l'ordering-GUE. Se fallisce rafforza C1; se riesce rovescia il claim di unicità — entrambi gli esiti hanno valore massimo. Il frame non è esaurito ma il prossimo passo deve essere un attacco al confine, non un'espansione laterale.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificazione attiva: costruire candidati di canale algebrico per ordering-GUE (es. mod-N residui su eigenvalue spacings di coupled_osc, string_vib). Se nessun modulo produce memoria comparabile al mod-6 dei primi, il two-channel claim è robusto. Se uno lo produce, il claim di unicità cade — e questo vale di più.", "reason": "Dopo 3 cicli di scoperta sul frame Markov/canali, il rendimento marginale dell'espansione è inferiore a quello della falsificazione diretta. La regola anti-tautologica privilegia (a) contraddizione/falsificazione su (b) verifica cross-dominio quando entrambe sono disponibili."}}, "notes": "Monitorare: se anche il prossimo ciclo resta sullo stesso macro-frame (Markov/GUE/canali) senza produrre falsificazione o connessione inter-teorica nuova, il ciclo 56 dovrebbe essere REDESIGN verso una tensione diversa (es. il vuoto QxG nelle domande fondamentali, o la saturazione come asse ortogonale promossa a tensione primaria). Quattro cicli sullo stesso frame è il limite prima dei rendimenti decrescenti."} tools/data/valutatore_log.jsonl:9:{"ts": "2026-04-27T03:38:26.726837+00:00", "cycle_ref": "20260426_0330", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Due osservabili indipendenti (memoria Markov-3 e rigidità spettrale Sigma²) convergono sulla stessa frazione di ordinamento ~33% a L=10. Questa è conferma cross-osservabile, non cross-dominio — più forte perché i due osservabili misurano proprietà matematicamente distinte (correlazioni locali vs varianza long-range). Dopo 4 cicli consecutivi sullo stesso frame, il pattern a due canali (magnitudine scala-invariante + ordinamento scala-dipendente) è stabile e replicato. È il momento di cristallizzare prima che i rendimenti decrescano.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "TWO-CHANNEL SPECTRAL STRUCTURE IN PRIMES: La rigidità spettrale dei primi si decompone in due canali con comportamento opposto rispetto alla scala. (1) Canale magnitudine: Sig2/L ≈ 0.56, scala-invariante — prodotto dalla distribuzione dei gap (sopravvive allo shuffle). (2) Canale ordinamento: cresce dal 4% (L=1) al 58% (L=50) — prodotto dalla struttura sequenziale mod-6 (distrutto dallo shuffle). La frazione di ordinamento a L=10 (33.0%) coincide con la memoria Markov-3 (33.6%) misurata indipendentemente — due osservabili, stesso fenomeno, origine comune in F2 (confinamento Z/6Z). I primi occupano un regime intermedio tra GUE (Sig2/L=0.07) e Poisson (Sig2/L=1.0), con slope log-log 0.74 vs GUE 0.3 e Poisson 1.0. Nota: i domini ordering-GUE (coupled_osc, string_vib, percolation) mostrano Sig2/L>1 (super-Poisson) — l'ordinamento crea bunching, non repulsione. Il r-statistic e Sig2 classificano diversamente: r vede repulsione locale, Sig2 vede clustering long-range."}}, "notes": "Dopo la cristallizzazione, il prossimo ciclo dovrebbe cambiare frame. Suggerimento: esplorare il VUOTO QxG (continuo vs discreto) — l'unica coppia senza ponte tra le 10 domande fondamentali. Il two-channel framework appena cristallizzato potrebbe essere lo strumento giusto: Q (discreto) e G (continuo) come i due canali della rigidità spettrale."} tools/data/valutatore_log.jsonl:10:{"ts": "2026-04-28T03:41:26.305485+00:00", "cycle_ref": "20260427_0330", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Three consecutive cycles on the same frame (shuffle→GUE types→Brody calibration) have converged on a single, replicated, calibrated result: primes exhibit a two-channel structure (gap distribution at beta_eff=0.409 + 30% sequential ordering above the 7.8% artifact floor). The sign of the ordering channel discriminates domain types (rigidity vs bunching), mapping directly onto det=-1/det=+1. This is no longer emergent — it's stable across three independent measurements and calibrated against a null. It belongs in the condensato.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "TWO-CHANNEL DECOMPOSITION (candidate F7 or revision of F4): Primes under M decompose into two independent channels: (1) gap distribution — Brody beta_eff ≈ 0.41, intermediate repulsion at the Poisson-GUE boundary; (2) sequential ordering — 30% of spectral rigidity at L=10 comes from gap ordering absent in i.i.d. surrogates (artifact floor: 7.8%, measured: 29.5%, z=−8.9). The ordering channel has definite sign: primes add rigidity (det=−1), chaotic/coupled systems add bunching (det=+1), pure GUE/Poisson sit on the Brody curve (ordering irrelevant). Three independent measurements converge: shuffle audit (33.6%), spectral rigidity (33%), Brody-calibrated (29.5%). Replicated, calibrated, falsifiable."}}, "notes": "After crystallization, the frame is likely exhausted for now. The next cycle should pivot — either toward the QxG void (the only unfilled fundamental question), toward formalizing the sign discrimination as a structural theorem, or toward a completely different tension. Recommend the seme direction shift away from BOUNDARY after this crystallization lands."} tools/data/valutatore_log.jsonl:11:{"ts": "2026-04-29T09:00:17.018760+00:00", "cycle_ref": "20260429_0833", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Four consecutive cycles on the same frame (shuffle audit → GUE types → Brody calibration → two-channel boundary → this: opposite scaling laws) have converged on a single, clean, falsifiable structural result: the residue channel is scale-invariant (algebraic, det=-1) while the magnitude channel decays toward Poisson (statistical, approaching det=+1). The 'GUE/Poisson boundary' collapses into a mixing artifact once the channels are separated. This is not incremental — it reframes what 'boundary' means for primes under M. Three crystallizations in a row is unusual, but each captures a distinct layer: (1) mod-3 memory structure, (2) Brody artifact floor, (3) opposite-boundary decomposition. This third one is the capstone that unifies the previous two. After crystallization, the BOUNDARY frame is likely saturated — the next cycle should pivot.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "F2 addendum — Two-channel decomposition of prime gaps under M: the residue channel (Z/6Z binary, mod-3 prohibition) is scale-invariant (z=26-44σ across 200x range, decay correlation with ln(p) ≈ -0.19). The magnitude channel (demeaned gap size by transition type) decays toward Poisson (z=2-7σ, decay correlation +0.46). The r-statistic mixes these incommensurable behaviors: its 'GUE/Poisson crossover' is not a phase transition but the magnitude channel approaching noise while the algebraic channel remains invariant. Implication: any single-number summary (r, Brody β) conflates permanent algebraic structure with transient statistical memory. Decompose first, then measure. Verified with 500K primes, 28 log-spaced windows, 20 shuffles per window."}}, "notes": "After this crystallization, recommend REDESIGN for piano 59: the BOUNDARY frame has yielded its structural content across 4 cycles. Two natural directions: (1) test the two-channel decomposition on a NON-prime domain (Stern-Brocot, logistic map gaps) to see if the algebraic/statistical split is universal under M or specific to primes — this would directly test C1; (2) attack the QxG void ('how do continuous and discrete coexist?') which has zero bridges and is the only unsolved domanda fondamentale. Direction (1) is the stronger scientific move because it falsifies or extends tonight's result cross-domain."} tools/data/valutatore_log.jsonl:14:{"ts": "2026-04-29T10:51:26.490788+00:00", "cycle_ref": "20260429_1013", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un risultato strutturale genuino: la mappa 2D beta(N,L) con gradienti opposti (Poisson lungo N, GUE lungo L) unifica due esperimenti indipendenti (spectral rigidity + Brody flow). La decomposizione 82/18 magnitude/ordering è pulita, con shuffle control e Cramer reference. Ma il seme_delta è vuoto — la scoperta non è entrata nel seme, violando la regola 'il ciclo è chiuso quando la scoperta entra nel seme'. Dopo 5+ cicli sulla stessa frame (shuffle audit → GUE types → Brody calibration → two-channel → Brody flow), il quadro è maturo per cristallizzazione.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "CANDIDATO F7 — Flusso Brody 2D: beta(N,L) ha gradienti opposti. Lungo la sequenza (N crescente), beta decresce (→ Poisson); a scala spettrale fissa (L crescente), beta cresce (→ GUE). Il confine GUE/Poisson è una curva in spazio 2D, non un punto. Decomposizione: 82% magnitudine (distribuzione gap diventa più esponenziale per PNT), 18% ordinamento (anti-bunching mod-3 riduce repulsione). Slope beta(p) = 0.64 - 0.030·ln(p), R²=0.78, z-score vs shuffle = -2.42. Cramer pure Poisson ovunque (beta~0.015) — il segnale è aritmetico, non statistico."}}, "notes": "Dopo la cristallizzazione, la frame BOUNDARY è esaurita per ora — i prossimi cicli dovrebbero spostarsi su un'altra tensione (suggerisco QxG che è ancora VUOTO nelle domande fondamentali, o un ciclo di consolidamento cross-dominio per verificare se la mappa 2D si replica su altri domini dinamici). Il seme va aggiornato con il risultato prima del prossimo giro."} tools/data/valutatore_log.jsonl:15:{"ts": "2026-04-30T03:37:21.213696+00:00", "cycle_ref": "20260429_1041", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un teorema algebrico (proibizione self-transition mod-3) con dimostrazione esplicita, non un fit numerico. La decomposizione a tre strati (magnitudine PNT, ordinamento statistico, struttura algebrica) è genuina e falsificabile: ogni strato ha scaling diverso verificato su 72 finestre. Il rapporto M2/M1=0.472 scale-invariant è un nuovo invariante strutturale. Questo estende F2 (Z/6Z) con una gerarchia di canali indipendenti — non è dettaglio locale, è architettura.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "THREE-LAYER DECOMPOSITION dei gap primi sotto M: (1) Magnitudine — distribuzione gap → esponenziale, scaling ~1/ln(p), è PNT. (2) Ordinamento statistico — Brody beta decay -0.030/ln(p), repulsione short-range che si attenua. (3) Struttura algebrica — proibizione mod-3 self-transition (teorema: due gap consecutivi ≡1 o ≡2 mod 3 implicano p_{n+2}≡0 mod 3, impossibile). Zero scaling (R²=0.0004), zero eccezioni su 148k gap. Il canale algebrico è eterno, il statistico decade, il magnitudinale scala con PNT. Invariante emergente: M2/M1=0.472±0.017 costante su tutte le scale — la profondità di memoria Markov è fissa. Estende F2 (Z/6Z) con gerarchia di indipendenza tra canali."}}, "notes": "La proibizione mod-3 è un sottoinsieme di F2 (Z/6Z → coset {2,4}), ma la dimostrazione esplicita e la separazione di scaling rispetto a Brody sono nuove. La decomposizione a tre strati è il risultato principale — dà struttura al 'perché i primi sono unici sotto M' (C1). Dopo la cristallizzazione, la direzione nel seme (confine GUE/Poisson come terzo incluso) è naturale prossimo passo: il confine è esattamente dove i tre strati interagiscono."} tools/data/valutatore_log.jsonl:16:{"ts": "2026-04-30T19:12:24.103984+00:00", "cycle_ref": "20260430_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Due CRYSTALLIZE consecutivi — il mod-3 è chiuso, il mod-5 anomaly (M2/M1=2.24, unico modulo con order-2 dominante) è il consecutio naturale. Non serve REDESIGN perché la direzione è viva e specifica. Non serve CRYSTALLIZE perché il mod-5 è ancora osservazione, non teorema — va separato contributo combinatorio da aritmetico prima di cristallizzare. Il ciclo gira bene (331s, zero nodi regressivi), la traiettoria è pulita.", "action": {"type": "none", "detail": {}}, "notes": "Il prossimo ciclo dovrebbe naturalmente raccogliere la tensione DIPOLAR_ORDERING e l'anomalia mod-5. La domanda discriminante è: il M2/M1>1 a mod-5 sopravvive allo shuffle delle coppie di gap? Se sì, è struttura aritmetica genuina. Se no, è artefatto della distribuzione marginale quasi-uniforme. Questo è esattamente il tipo di falsificazione che il lab sa fare bene."} tools/data/valutatore_log.jsonl:17:{"ts": "2026-04-30T19:27:03.140592+00:00", "cycle_ref": "20260430_1905", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una decomposizione strutturale genuina: 5 osservabili si separano in 3 order-invariant (Δτ=0.000 esatto, algebrico) + 2 order-sensitive che formano un dipolo (spacing_ratio→Poisson, lag1_acf→GUE). Non è fitting numerico — l'invarianza è dimostrata dallo shuffle e il dipolo è stabile su 4 scale. Connessione diretta ad A10 (dipolo assiomatico): la stessa anticorrelazione consecutiva si manifesta come Poisson in un osservabile e GUE nell'altro. Primes are not 'between' — they are dipolar. Tre CRYSTALLIZE consecutivi sono giustificati: ogni ciclo ha prodotto contenuto strutturale distinto (mappa beta 2D, proibizione mod-3, decomposizione dipolare).", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "CANDIDATE F7: Decomposizione dipolare al boundary GUE-Poisson. 5 osservabili indipendenti (spacing_ratio, gap_var_ratio, small_gap_frac, brody_beta, lag1_acf) si separano in due classi: (a) 3 distribution-only (Δτ_shuffle = 0.000 esatto, algebrico) — misurano la stessa cosa; (b) 2 ordering-sensitive che formano un dipolo: spacing_ratio spinto verso Poisson (Δτ = −0.12), lag1_acf spinto verso GUE (Δτ = +0.20). La stessa anticorrelazione consecutiva (tipo Lemke Oliver-Soundararajan) produce segni opposti nei due osservabili. L'ordering inoltre RIDUCE la dispersione tra osservabili (std 0.09 vs 0.19 shuffle) — la coerenza è proprietà dell'ordine, non della distribuzione. Stabile su 4 scale (10⁴–10⁷). Connessione: A10 (dipolo assiomatico, segno distingue), A9 (terzo incluso — primes non sono 'tra' GUE e Poisson, sono dipolo)."}}, "notes": "Il prossimo ciclo dovrebbe completare il finding 5 troncato (correlazione tra osservabili, due cluster) e verificare se il dipolo Δτ_spacing vs Δτ_lag1 ha rapporto stabile cross-scala (candidato a costante relazionale). Anche il finding mod-3 troncato dal ciclo precedente resta da recuperare. Suggerisco al prossimo giro: focus su UNO solo dei due (dipolo cross-scala O mod-3 recovery), non entrambi — il budget è da un esperimento."} tools/data/valutatore_log.jsonl:18:{"ts": "2026-04-30T19:57:05.174515+00:00", "cycle_ref": "20260430_1919", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una riduzione dimensionale genuina e falsificabile: 5 osservabili → 3 tautologici + 2 order-sensitive → 1 modo effettivo (angolo bloccato a -150±4° su 3 decadi). Combinato col ciclo precedente (decomposizione 5→2), il risultato complessivo è 5→1: l'intera struttura di ordinamento dei gap primi è proiezione di un singolo modo di anticorrelazione. Il rapporto delta_L1/delta_SR ≈ 2.3 è una costante strutturale nuova. Cramer nel quadrante opposto (+65°) fornisce discriminatore pulito. Tre cicli consecutivi (mod-3 theorem → decomposizione 5-obs → locking 1D) chiudono un arco coerente che merita cristallizzazione prima di cambiare direzione.", "action": {"type": "crystallize_note", "detail": {"target": "condensato", "content": "CANDIDATE F7: Prime gap ordering is 1-dimensional. Five observables under M decompose into 3 shuffle-invariant (tautological) and 2 order-sensitive (spacing_ratio, lag1_acf). The two order-sensitive observables are projections of a single anticorrelation mode: dipolar angle theta = -150 ± 4 deg, locked across 3 decades of scale (1e4 to 3e6 primes) and across offsets (0 to 2M). Structural constant: delta_L1/delta_SR ≈ 2.3. Cramer random model occupies opposite quadrant (theta ≈ +65 deg). Signal magnitude decays with 1/ln(p), consistent with Lemke Oliver-Soundararajan. Falsifiable: any domain showing theta rotation with scale would have >1 degree of freedom."}}, "notes": "Tre cicli chiudono l'arco prime-ordering: mod-3 proibizione → decomposizione 5→2 → locking 1D. Il prossimo ciclo dovrebbe uscire dai primi e testare cross-dominio: l'angolo theta è costante anche in altri domini GUE-like (zeri di Riemann, autovalori random, logistica caotica)? La direzione del seme ('esplorare il confine: 8 GUE, 5 Poisson') lo chiede già. Se theta ruota in altri domini → il locking è proprietà dei primi, non della regola. Se theta è universale → struttura più profonda. Propongo NEXT_CYCLE con target cross-domain angle comparison dopo questa cristallizzazione."} tools/data/valutatore_log.jsonl:22:{"ts": "2026-05-02T03:37:32.497564+00:00", "cycle_ref": "20260501_0931", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto evidenza strutturale forte e non-tautologica: transizione di fase nel crossover GUE-Poisson con zero-crossing a alpha~0.70, direzione invariante nel regime ordinato (-96.6±0.27°), e primi con offset direzionale di 32 sigma. Sono pattern cross-dominio (categoria b/f), non dettaglio numerico locale. Il seme delta vuoto indica che i finding non sono ancora rientrati nel seme — il prossimo ciclo deve sia estendere (confronto Brody/Rosenzweig-Porter come suggerito dall'affinatore) sia propagare. Non cristallizzo ancora perché il confronto con i punti critici Brody è il test naturale che conferma o ridimensiona la portata della transizione.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Confrontare lo zero-crossing dipolare (alpha~0.70) con i punti critici Brody/Rosenzweig-Porter: la transizione di fase nel crossover ha carattere universale o è artefatto della parametrizzazione? Testare se beta_Brody critico corrisponde all'alpha di zero-crossing. Secondario: propagare nel seme i finding stabili (direzione invariante, offset primi 32-sigma).", "reason": "L'affinatore ha identificato questo come la possibilità più concreta. Estende il risultato corrente verso falsificazione cross-framework invece di accumulare dettaglio locale."}}, "notes": "Il ciclo precedente (piano 60) è tra i migliori recenti: esperimento ben disegnato, shuffle audit implicito nella parametrizzazione alpha, risultato quantitativo con interpretazione strutturale chiara. Il confronto Brody è il filtro giusto: se il punto critico coincide, la transizione è universale (cristallizzabile); se no, la parametrizzazione alpha è contingente e il finding si ridimensiona a osservazione locale."} tools/data/valutatore_log.jsonl:26:{"ts": "2026-05-04T12:03:13.893909+00:00", "cycle_ref": "20260504_1138", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "DIPOLAR_ORDERING resolved and piano advanced 60→61, indicating forward motion. The missing agent report (run completed but no scientific conclusion) is a yellow flag but not yet a pattern — one empty output after 3 productive cycles on boundary refinement is normal variance. 8 tensions remain in the current direction, so the frame is not exhausted. However, this is the 5th consecutive NEXT_CYCLE on boundary-adjacent themes; if the next run also produces no scientific output, REDESIGN toward cross-domain verification (b/f category) should be triggered.", "action": {"type": "none", "detail": {}}, "notes": "Monitor: if piano 61 also yields no agent report or resolves zero tensions, escalate to REDESIGN toward a fresh cross-domain experiment (e.g., testing the 8-GUE/5-Poisson boundary classification against a shuffled null baseline across all 13 domains simultaneously, which would be category (b) evidence). The boundary picture has accumulated enough local detail — the next high-value move is cross-domain falsification of the boundary itself."} tools/data/valutatore_log.jsonl:28:{"ts": "2026-05-05T03:34:54.115859+00:00", "cycle_ref": "20260505_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Piano 62 ha prodotto un vincolo metodologico genuino (categoria a): le 5 osservabili sono collineari sotto partial-shuffle uniforme, quindi non contano come evidenze indipendenti. Il seme è già avanzato a 63 con direzione coerente (perturbazioni selettive ortogonali). La traiettoria degli ultimi 4 cicli mostra compressione progressiva sana: da accumulazione a restrizione del perimetro. Nessuna dipendenza dall'operatore.", "action": {"type": "none", "detail": {}}, "notes": "La consecutio naturale è cercare perturbazioni che rompano la collinearità — block-shuffle per layer, swap locale vs globale, perturbazioni che agiscano su scale diverse. Se il prossimo ciclo trova che i due Markov layer rispondono diversamente a perturbazioni selettive, quello sarebbe evidenza di rango >1 genuino."} tools/data/valutatore_log.jsonl:33:{"ts": "2026-05-07T03:35:44.545141+00:00", "cycle_ref": "20260507_0330", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un risultato controllato e replicato su seed check: il confine GUE-Poisson non appare come linea binaria ma come layer beta 0.3-0.4 con collasso del denominatore. Non e' ancora da cristallizzare perche' resta dentro un perimetro sintetico di mixture controllata; il prossimo passo deve verificare se BOUNDARY_LAYER_GATE sopravvive cambiando generatore del confine, non accumulare altra metrica locale sullo stesso setup.", "action": {"type": "trigger_cycle", "detail": {"next_tension": "BOUNDARY_LAYER_GATE", "instruction": "Ripetere il test del collasso del denominatore su almeno un generatore indipendente del confine GUE-Poisson: ad esempio Dyson beta ensemble interpolante, thinning/superposition controllata, o spettro perturbato con unfolding separato. Mantenere registry canonico e gate original-vs-shuffle; criterio di successo: stesso ordine qualitativo collasso-denominatore prima/dentro la zona ambigua, non stesso beta numerico."}}, "notes": "Continuare, ma il prossimo ciclo deve essere cross-generatore. Se il layer compare solo nella mixture per sostituzione Poisson, va verso cimitero come artefatto del protocollo di miscela; se sopravvive, diventa candidato forte per condensato META sul terzo incluso operativo."} tools/data/valutatore_log.jsonl:35:{"ts": "2026-05-07T09:07:53.577876+00:00", "cycle_ref": "20260507_0901", "executed": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "La direzione corrente ha eseguito il mandato: la matrice di trasferibilita' su 4 perimetri non-BOUNDARY e' stata prodotta e ha nominato una nuova categoria, order_denominator_gate. Un altro giro nello stesso frame rischia accumulo numerico locale su sintetici; la prossima mossa deve falsificare il nuovo operatore fuori dal setup che lo ha generato, separando supporto one-sided reale da artefatto original-vs-shuffle.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare ORDER_DENOMINATOR_GATE su domini non-sintetici o semi-reali: applicare il gate one-sided a 2-3 sequenze fisiche/ponte gia' presenti nel sito, con shuffle e surrogati preservanti marginale, cercando un controesempio dove il supporto denominatore appare anche sul lato illusorio o scompare sul lato coerente.", "reason": "La categoria nuova e' utile solo se sopravvive fuori dalla matrice sintetica che l'ha fatta emergere; il prossimo ciclo deve testare trasferibilita' strutturale, non raffinare beta o metriche locali."}}, "notes": "Side-effect log-only: proposta modifica seme. Non serve STOP_FOR_REVIEW: l'operatore puo' vedere la nuova parola, ma la dipendenza successiva e' sperimentale, non decisionale.", "_executed_at": "2026-05-07T09:23:32.912653+00:00", "_executed_by": "lab_trajectory_apply"} tools/data/valutatore_log.jsonl:36:{"ts": "2026-05-07T09:32:25.653603+00:00", "cycle_ref": "20260507_0923", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto evidenza strutturale utile: il gate trasferisce su perimetri aritmetico/spettrali e resta blank su logistic return intervals, senza falso positivo. La consecutio e' chiara e non richiede operatore: mantenere invariato ORDER_DENOMINATOR_GATE e cambiare il contratto osservabile sul contro-scope logistic verso osservabili native di ricorrenza/simboliche.", "action": {"type": "trigger_cycle", "detail": {"focus": "Falsificare il logistic counter-scope con observable suite nativa mantenendo invariato il denominator gate original-vs-shuffle.", "suggested_observables": ["symbolic itinerary block entropy", "return-tail exponent", "recurrence-plot diagonal statistics"], "constraint": "Non tunare z_min o soglie del gate; il nodo regressivo e' il contratto osservabile."}}, "notes": "Il risultato non va ancora cristallizzato: e' scoped_operator stabile su due domini, ma la natura del blank logistic deve essere distinta tra assenza del gate e invisibilita' della suite canonica."} tools/data/valutatore_log.jsonl:37:{"ts": "2026-05-07T09:47:43.105142+00:00", "cycle_ref": "20260507_0942", "executed": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "La direzione corrente ha completato il mandato sui perimetri fisici/ponte gia' presenti: il gate trasferisce come supporto canonico one-sided su metric, trace e QxE, mentre il supporto both-endpoint resta vuoto. La consecutio utile non e' un altro bridge run, ma il nodo regressivo gia' emerso: la blank logistic non va salvata con gli stessi osservabili, va ritestata con osservabili native di ricorrenza sotto lo stesso gate e shuffle marginal-preserving.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Ritestare ORDER_DENOMINATOR_GATE sul counter-scope logistic al nodo regressivo dell'osservabilita': usare symbolic itinerary block entropy, return-tail exponent e recurrence-plot diagonal statistics sotto original-vs-shuffle denominator gate, senza tuning di z_min.", "reason": "Il bridge falsification ha maturato il trasferimento one-sided; la tensione viva ora e' capire se la blank logistic falsifica il gate o solo il contratto canonico degli osservabili gap-like."}}, "notes": "Side-effect log-only: proposta modifica seme per spostare il prossimo ciclo dal bridge extension al counter-scope logistic provider-agnostico.", "_executed_at": "2026-05-07T10:06:02.816176+00:00", "_executed_by": "lab_trajectory_apply"} tools/data/valutatore_log.jsonl:38:{"ts": "2026-05-07T10:16:22.080234+00:00", "cycle_ref": "20260507_1006", "executed": true, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha risolto il counter-scope logistic come split di osservabilita': orbita continua leggibile, itinerary Bernoulli e return intervals blank replicato. Il prossimo nodo non e' ripetere il gate sugli stessi perimetri, ma falsificare il contratto del null: il supporto enorme di block_entropy_deficit_k4 puo' essere struttura temporale reale o artefatto del marginal shuffle.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare ORDER_DENOMINATOR_GATE al nodo regressivo del surrogate contract: confrontare marginal shuffle, circular shift e block shuffle su logistic_orbit_values, logistic_symbolic_itinerary e logistic_return_intervals; dichiarare supporto solo se sopravvive ai surrogate che preservano la struttura temporale rilevante.", "reason": "La consecutio dell'affinatore indica marginal shuffle / circular shift / block shuffle; endpoint-stable observables vuoto e seed check blank sui ritorni rendono esaurito il retest osservabile diretto."}}, "notes": "Nessuno stop operatore: il prossimo ciclo puo' procedere in log-only con nuovo frame di falsificazione del null.", "_executed_at": "2026-05-07T10:42:51.564433+00:00", "_executed_by": "lab_trajectory_apply"} tools/data/valutatore_log.jsonl:39:{"ts": "2026-05-07T10:49:23.486285+00:00", "cycle_ref": "20260507_1042", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il surrogate contract ha separato il supporto reale da quello marginal-only: resta un solo osservabile stabile su logistic_orbit_values, mentre symbolic_itinerary e return_intervals restano blank. L'Affinatore colloca il nodo regressivo prima del contratto, nella definizione start-invariant dell'osservabile: il prossimo ciclo deve verificare se block_entropy_deficit_k4 sopravvive a variazione di start/cut/block, non accumulare altri endpoint numerici.", "action": {"type": "trigger_cycle", "detail": {"direction": "Ritestare ORDER_DENOMINATOR_GATE al nodo regressivo start-invariant: variare cut iniziale, fase, lunghezza blocco e finestra su logistic_orbit_values/block_entropy_deficit_k4; mantenere symbolic_itinerary e return_intervals come controlli blank.", "constraints": ["surrogate contract invariato: marginal_shuffle, circular_shift, block_shuffle", "supporto solo se abs(z)>=2 su tutti i surrogate e replicato su seed check", "se logistic_orbit_values cade sotto variazione start/cut, spostare il claim nel cimitero come osservabile dipendente dal taglio"]}}, "notes": "Non cristallizzare ancora: il supporto e' scoped e dipende da un solo osservabile. Il prossimo passo resta nello stesso frame ma attacca il nodo regressivo indicato dall'Affinatore."} tools/data/valutatore_log.jsonl:40:{"ts": "2026-05-07T14:25:18.422668+00:00", "cycle_ref": "20260507_1419", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo 14:19 ha chiuso il nodo regressivo del taglio lineare: l'osservabile ciclico resta invariato sotto rotazione e replica su due seed contro marginal shuffle e block-shuffle fino a 256. Non emerge dipendenza dall'operatore; la consecutio è chiara e porta al passo successivo: distinguere conteggi locali di parole da transizioni dirette tra parole, applicando prima la selezione dei perimetri replicati indicata dall'Affinatore.", "action": {"type": "trigger_cycle", "detail": {"focus": "explicit_block_transition_graph", "constraint": "sweep solo su logistic_orbit_values; itinerary e return_intervals restano counter-scope salvo test minimo di controllo", "reason": "verificare se la grammatica superstite vive nei conteggi brevi o nella struttura diretta delle transizioni"}}, "notes": "Proseguire nello stesso frame ORDER_DENOMINATOR_GATE; nessuna cristallizzazione ancora, perché il supporto è robusto ma non ha ancora separato word-count da transition-structure."} tools/data/valutatore_log.jsonl:45:{"ts": "2026-05-07T20:02:46.907451+00:00", "cycle_ref": "20260507_1957", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto una consecutio precisa: QG non basta come lato isolato, il nodo regressivo e' il guscio blank a due facce TQG/QGE. Pero' il risultato resta interno alla tassonomia TQGE e dichiara esplicitamente L5: non e' discovery fisica nuova; il passo successivo deve falsificare il gate su TQGE+R invece di accumulare dettaglio locale.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare G_BLANK_SHELL_POLARITY_GATE su perimetro TQGE+R: verificare se la polarita' blank-shell TQG inerte / QGE depositante sopravvive quando entra R, o se R sposta il denominatore regressivo.", "reason": "La consecutio del ciclo punta a TQGE+R; restare nel catalogo TQGE rischia deep-dive locale senza cross-dominio."}}, "notes": "Promuovere G_BLANK_SHELL_POLARITY_GATE come tensione attiva del prossimo ciclo; usare controlli count-preserving/shuffle e dichiarare esplicitamente se R conserva, rompe o rilocalizza il guscio blank."} tools/data/valutatore_log.jsonl:46:{"ts": "2026-05-07T20:46:55.259764+00:00", "cycle_ref": "20260507_2042", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha falsificato il framing forte `dipolare = det=-1` senza cadere nel dettaglio numerico locale: ha usato shuffle, ha isolato il nodo regressivo nell'embedding e ha prodotto una consecutio cross-dominio precisa. La prossima mossa non dipende dall'operatore: va testato se lo scarto reale-vs-shuffle sopravvive in domini ordinati non-primi o se il segno negativo e' interamente prodotto dal fit.", "action": {"type": "trigger_cycle", "detail": {"tension": "DUALITA_DET_DENOMINATOR_GATE", "direction": "Applicare il test det_vs_shuffle a Beatty coerente, shuffle Beatty, GUE spacing order e Poisson; separare segno condiviso da scarto ordinato contro null.", "reason": "Verifica cross-dominio della nuova tensione nata dal constraint: det non come polo primario, ma come osservabile subordinato al denominator gate."}}, "notes": "Mantenere il frame corrente. Evitare cristallizzazione: il risultato e' un constraint maturo sul perimetro primi, ma serve il passaggio non-primi prima di decidere se det entra come diagnostica secondaria o va nel cimitero come discriminatore."} tools/data/valutatore_log.jsonl:53:{"ts": "2026-05-08T17:20:45.153323+00:00", "cycle_ref": "20260508_1715", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale chiaro: il label-set phi non appartiene al lettore da solo, ma richiede generatore globale Sturmiano. Non c'e' dipendenza immediata dall'operatore e la consecutio naturale e' falsificare la portata del vincolo fuori dal caso phi, prima di cristallizzare.", "action": {"type": "trigger_cycle", "detail": {"focus": "testare se il vincolo generatore-globale si trasferisce a generatori Sturmiani non-phi e a controlli GUE/Poisson", "suggested_question": "Il core label-set e' proprieta' della famiglia Sturmiana a bassa complessita o specificamente del generatore phi?", "constraints": ["mantenere reader e generator separati", "includere shuffle/block/null controls", "non usare fit numerico senza audit strutturale"]}}, "notes": "Se anche generatori Sturmiani non-phi conservano core analoghi mentre null e shuffle falliscono, il prossimo passo diventa CRYSTALLIZE sul vincolo generatore-globale. Se il fenomeno resta solo phi, restringere il claim prima di inserirlo nel condensato."} tools/data/valutatore_log.jsonl:54:{"ts": "2026-05-08T18:11:29.877485+00:00", "cycle_ref": "20260508_1805", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale netto: la lunghezza generica recupera il nucleo basso, mentre il core alto rientra solo con scale Fibonacci lunghe. La consecutio non è esaurita: il prossimo passo deve distinguere se il segnale viene dalla semplice scala Fibonacci o dalla grammatica sostitutiva del generatore, includendo il gap_ratio lasciato esplicitamente non testato.", "action": {"type": "trigger_cycle", "detail": {"focus": "test grammatica di sostituzione vs lunghezza Fibonacci", "directive": "Usare block shuffle e surrogate che preservano lunghezze Fibonacci ma rompono la grammatica Sturmiana, poi surrogate che preservano grammatica locale ma non scala Fibonacci; includere gap_ratio oltre al label-set core. Verificare se il core alto richiede ordine sostitutivo globale o solo finestre Fibonacci lunghe.", "avoid": "non cristallizzare il claim phi-core prima del controllo grammaticale e del gap_ratio"}}, "notes": "Continua lo stesso frame: il risultato è vincolo, non ancora maturazione. Nessun side-effect automatico oltre al trigger log-only."} tools/data/valutatore_log.jsonl:55:{"ts": "2026-05-08T18:39:13.811423+00:00", "cycle_ref": "20260508_1834", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: il core phi non misura solo lunghezza di blocco, perche' collassa quando l'ordine interno viene distrutto. Pero' e' il quarto NEXT_CYCLE consecutivo nello stesso frame locale e il perimetro resta su lettore phi/generator phi senza gap_ratio, non-phi Sturmian o cross-dominio; secondo la regola anti-tautologica il deep-dive locale ha raggiunto rendimento decrescente. La mossa successiva deve portare il vincolo su un discriminatore strutturale piu' largo, coerente col seme attuale sul confine GUE/Poisson.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare se il gate del core phi trasferisce come discriminatore di confine su domini GUE/Poisson: ordine interno conservato vs distrutto, con controlli shuffle e generatori non-phi", "reason": "Porta il finding dal dominio locale della grammatica Sturmiana al filtro STRUTTURA/rumore richiesto dal telos, evitando accumulo numerico sul solo phi_sturmian."}}, "notes": "Nel prossimo ciclo: usare il risultato appena ottenuto come vincolo, non come claim; includere almeno un controllo non-phi e un confronto GUE/Poisson. gap_ratio resta not_tested e va trattato come osservabile sospeso, non confermato."} tools/data/valutatore_log.jsonl:56:{"ts": "2026-05-08T19:15:36.511583+00:00", "cycle_ref": "20260508_1909", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha falsificato il claim operativo: il confine reale del supertile non batte il taglio contiguo a stessa multiset, mentre lo shuffle interno distrugge il core. L'evidenza sposta il nodo regressivo dal boundary geometrico al contratto osservabile: il portatore e' ordine interno piu' scala lunga, non il taglio esatto del supertile.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Riformulare il confine come grammatica interna + scala lunga: testare il core phi contro generatori non-phi, fasi e denominatori con controlli shuffle, senza assumere che il boundary esatto del supertile sia il portatore.", "reason": "Il boundary esatto e' stato controllato e non discrimina; continuare nello stesso frame accumulerebbe dettaglio locale su un claim caduto."}}, "notes": "Non serve STOP_FOR_REVIEW: la falsificazione e' chiara e non richiede scelta dell'operatore. Il prossimo ciclo deve attaccare trasferibilita' cross-generatore/cross-dominio, non raffinare solo soglie o gap label locali."} tools/data/valutatore_log.jsonl:59:{"ts": "2026-05-08T20:11:15.840508+00:00", "cycle_ref": "20260508_2005", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo utile ma non una chiusura: la grammatica locale Sturmian non separa supertile aligned da same-length, mentre il collasso resta legato all'ordine interno. Poiche' il seme corrente punta gia' a 8 domini GUE e 5 Poisson e il report dichiara questi domini come not_tested, la prossima mossa e' trasferire il vincolo sul frame cross-dominio invece di ridisegnare ancora localmente.", "action": {"type": "trigger_cycle", "detail": {"direction": "applicare il gate grammaticale come controllo negativo/lettore di collasso su domini GUE e Poisson reali", "focus": "verificare se zero_grammar_excess_rate resta baseline nei domini strutturati e collassa solo quando viene perturbato l'ordine interno", "avoid": "non promuovere boundary simbolico del supertile come portatore; usarlo come vincolo falsificato"}}, "notes": "Continuare un giro nello stesso frame, ma spostando il peso dal boundary del supertile al confronto cross-dominio richiesto dal seme."} tools/data/valutatore_log.jsonl:61:{"ts": "2026-05-08T20:25:06.578336+00:00", "cycle_ref": "20260508_2019", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: il core phi non resta invariato quando il generatore Sturmian cambia e il reader resta fisso, mentre il reader nativo recupera struttura ordinata. L'affinatore ha gia' individuato la consecutio operativa: trasferire il gate reader/generator fuori dal banco phi verso il confine GUE/Poisson, che coincide con la direzione corrente del seme. Non serve review dell'operatore: il prossimo passo e' eseguire il trasferimento cross-dominio e vedere se il gate discrimina struttura da rumore.", "action": {"type": "trigger_cycle", "detail": {"direction": "Applicare il reader_generator_gate al confine GUE/Poisson: trattare GUE e Poisson come generatori distinti, definire reader nativo e reader trasferito, misurare se il core decade solo fuori coordinata o se il confine e' non trasferibile.", "reason": "La traiettoria ha chiuso il banco Sturmian come vincolo, non come cristallizzazione; il valore ora sta nel test cross-dominio richiesto da C2."}}, "notes": "Evitare un altro deep-dive locale sui gap labels Sturmian: il prossimo ciclo deve attaccare direttamente il confine GUE/Poisson con controllo shuffle/surrogato."} tools/data/valutatore_log.jsonl:63:{"ts": "2026-05-08T21:15:51.307623+00:00", "cycle_ref": "20260508_2108", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo strutturale pulito: lo zero Mobius intervallare non cade nel null che preserva frequenza e multiset, e discrimina low_low/high_high/SR con segnale forte. Non serve stop operatore: il seme ha gia' avanzato a piano 94 e la direzione corrente sposta il test dal dominio locale primi x Mobius al confine cross-dominio GUE/Poisson, che e' il passo corretto contro il rischio di accumulo numerico locale.", "action": {"type": "trigger_cycle", "detail": {"direction": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "focus": "testare se la classe zero/boundary emersa nel gate Mobius trasferisce come operatore di confine su domini GUE/Poisson, con shuffle/surrogati e controllo denominatore"}}, "notes": "Non cristallizzare ancora nel condensato: il risultato e' forte nel perimetro primi x Mobius, ma il valore per il lab cresce se il prossimo ciclo verifica trasferibilita' cross-dominio invece di scavare ancora lo stesso denominatore."} tools/data/valutatore_log.jsonl:66:{"ts": "2026-05-08T21:45:25.809260+00:00", "cycle_ref": "20260508_2140", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo non ha confermato un bordo reticolare specifico di phi: il random bilanciato comprime `V_c` molto piu' dei metallici, quindi il segnale e' dominato dal denominatore/null e non dalla struttura Sturmian. L'Affinatore ha gia' isolato il nodo regressivo: il null random non e' omogeneo rispetto al boundary operator `V_c`; continuare nello stesso frame accumulerebbe dettaglio locale sospetto.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Riprogettare il gate `V_c` con null omogenei al boundary operator: phase-shuffle Sturmian, label-preserving surrogate e controllo gap_ratio prima di estendere a nuovi domini GUE/Poisson", "reason": "Il prossimo ciclo deve correggere il denominatore del test, non estrarre altro dal fit o dalla compressione grezza di `V_c`."}}, "notes": "Non cristallizzare. Il risultato utile e' metodologico: il bordo `V_c` richiede null costruiti sulla stessa classe operatoriale, altrimenti il random crea una soglia artificiale a griglia bassa."} tools/data/valutatore_log.jsonl:67:{"ts": "2026-05-09T03:36:18.623872+00:00", "cycle_ref": "20260509_0330", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo utile ma locale: `V_c` distingue metallici e random solo dentro un osservabile dedicato, con `not_tested` espliciti e nodo regressivo nel null non omogeneo al boundary operator. Saltare subito a GUE/Poisson rischia di lasciare non falsificato il punto vero emerso dall'Affinatore: separare `floor_hit`, crossing interno, phase-shuffle Sturmian e surrogate label-preserving prima di promuovere il confine a dominio spettrale piu' largo.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare `V_c` sul nodo regressivo del null: separare floor_hit e crossing interno, poi confrontare Sturmian phase-shuffle e surrogate label-preserving prima di estendere a GUE/Poisson.", "reason": "La prossima mossa deve chiudere il controllo strutturale sul boundary operator; l'estensione cross-dominio viene dopo, altrimenti accumula dettaglio numerico locale non ancora ripulito."}}, "notes": "Log-only: modifica proposta al seme, nessuna azione eseguita automaticamente."} tools/data/valutatore_log.jsonl:69:{"ts": "2026-05-09T06:59:00.190342+00:00", "cycle_ref": "20260509_0652", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una falsificazione strutturale utile: il label-set preservato non basta a ricostruire il boundary `V_c` nel perimetro N=89. Non serve fermare l'operatore: la consecutio e' gia' indicata dal deposito, cioe' riparare il null al nodo generativo e distinguere phase-shuffle Sturmian da surrogate label-preserving prima di estendere a GUE/Poisson.", "action": {"type": "trigger_cycle", "detail": {"focus": "Stesso frame `V_c` null regressivo: confrontare Sturmian phase-shuffle e surrogate label-preserving con gate raggiunto, includendo N>=144 solo dopo aver reso accettabile il generatore del null.", "reason": "Il run largo ha fallito l'accettazione Jaccard; il prossimo ciclo deve correggere il contratto di generazione del surrogate, non saltare al dominio esterno."}}, "notes": "Non cristallizzare ancora: il verdict e' forte ma perimetrato a N=89 e dipende dal gate Jaccard/accettazione."} tools/data/valutatore_log.jsonl:70:{"ts": "2026-05-09T07:10:41.814504+00:00", "cycle_ref": "20260509_0659", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha stabilito un vincolo regressivo diretto: a N=144 il surrogate label-preserving ha acceptance_rate=0 e label_jaccard sotto gate, quindi il null non e' ancora valido. La direzione del seme ora salta a GUE/Poisson, ma il report dichiara esplicitamente che senza null accettato il prossimo passo resta costruzione del contro-campo, non estensione del boundary ad altri perimetri.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Costruire il null label-preserving per V_c prima del trasferimento: ridisegnare il generatore surrogate finche' raggiunge Jaccard>=0.75 a N=144 con acceptance_rate non nulla, poi solo dopo confrontare GUE/Poisson", "reason": "Il gate di reachability e' fallito; usare GUE/Poisson ora trasformerebbe un null non accettato in evidenza apparente."}}, "notes": "Side-effect log-only: modifica seme proposta, non eseguita automaticamente."} tools/data/valutatore_log.jsonl:72:{"ts": "2026-05-09T08:25:01.990347+00:00", "cycle_ref": "20260509_0819", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: il label-set phi puo' essere preservato da generatori nominalmente non-Sturmian solo quando trasportano memoria di scala lunga, mentre balanced random e Markov-density falliscono. Questo sposta il nodo regressivo dal confronto GUE/Poisson al contratto del generatore: prima di continuare sul confine come terzo incluso va separata conservazione del label-set da indipendenza reale dal boundary, altrimenti il prossimo ciclo rischia dettaglio locale su N=144.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare l'indipendenza del null label-preserving: test cross-scale N multipli e phase-bias per distinguere memoria di scala lunga da trasporto quasi-Sturmian prima del confronto GUE/Poisson", "reason": "Il null non-Sturmian accettato non e' indipendente dal boundary; il prossimo ciclo deve attaccare il contratto del generatore, non accumulare altri eventi V_c sullo stesso perimetro."}}, "notes": "Side-effect log-only: proposta modifica seme. Prossimo esperimento consigliato: N in {89,144,233,377}, stesse famiglie generatori, gate invariato, ma verdict centrato su stabilita' cross-scale di acceptance_rate, phase concentration e hamming/label tradeoff."} tools/data/valutatore_log.jsonl:76:{"ts": "2026-05-09T13:42:16.922735+00:00", "cycle_ref": "20260509_1337", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo operativo pulito: il fit di V_c e' ammesso solo dopo gate sul denominatore, con stati complete/contaminated/broken separati e Bridge QA clean. Non serve operatore: la prossima mossa naturale e' usare quel gate come prerequisito nel frame gia' impostato dal seme, cioe' il confine 8 domini GUE / 5 Poisson, evitando un altro deep-dive locale sullo stesso deposito.", "action": {"type": "trigger_cycle", "detail": {"focus": "Applicare il denominator gate come pre-scan obbligatorio al perimetro 8 GUE / 5 Poisson: prima classificare dove l'osservabile di confine esiste, poi solo sui sottografi fit-ready testare se il confine opera come terzo incluso cross-dominio.", "constraints": ["non ripetere fit V_c aggregati senza nuovo dominio", "separare complete/contaminated/broken prima di ogni regressione numerica", "includere shuffle/surrogato per evitare conferma tautologica"]}}, "notes": "Continuare il flusso, ma spostare il peso dal valore numerico di scala alla trasferibilita' strutturale del gate tra domini GUE e Poisson."} tools/data/valutatore_log.jsonl:79:{"ts": "2026-05-09T14:31:45.302728+00:00", "cycle_ref": "20260509_1427", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un avanzamento strutturale verificato: il blank non e' assenza del dominio ma mancanza di null row-aligned, e il perimetro BOUNDARY passa da 8/13 a 10/13 senza falls. La consecutio e' gia' contenuta nel deposito: attaccare i 3 blank residui con mappa preventiva null_state e mini-traccia provider-independent, senza rifittare V_c ne' cambiare classe.", "action": {"type": "trigger_cycle", "detail": {"direction": "Proseguire BOUNDARY sui 3 blank residui: string_vibration:cycle_6, reaction_diffusion:cycle_11, logistica_biforcazione_var_3.5699:cycle_13", "constraint": "Misurare disponibilita null row-aligned e stato del denominatore; non usare nuovi fit come evidenza; classificare blank->transfer/fall/remains blank solo dopo controllo shuffle marginal-preserving.", "reason": "Il prossimo passo non dipende dall'operatore: e' la chiusura del bordo residuo aperto dal ciclo 104."}}, "notes": "Se anche i 3 residui diventano transfer o fall, il ciclo successivo potra' uscire da BOUNDARY verso QxG continuo/discreto; ora il bordo non e' ancora chiuso."} tools/data/valutatore_log.jsonl:80:{"ts": "2026-05-09T14:41:20.580768+00:00", "cycle_ref": "20260509_1437", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il perimetro BOUNDARY base ha raggiunto 13/13 transfer, 0 blank, 0 falls: continuare sullo stesso frame accumulerebbe dettaglio locale invece di aumentare discriminazione strutturale. Il claim stesso vieta di usare questa chiusura per chiudere QxG; la prossima mossa deve spostare il gate dal denominatore locale a un falsifier cross-dominio sul nodo QxG continuo/discreto.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Trasferire il gate BOUNDARY fuori dal perimetro base: testare null_state -> transfer_state -> denominator_state come operatore falsificabile sul nodo QxG continuo/discreto, con controllo shuffle e criterio esplicito di fall/blank/transfer.", "reason": "BOUNDARY base e' completo; serve verificare se il gate discrimina struttura su ponte canonico ancora vuoto senza trasformare la copertura del denominatore in chiusura ontologica."}}, "notes": "Non cristallizzare QxG. Cristallizzabile solo la regola locale: blank residuo = assenza di null row-aligned, non assenza di dominio, sul perimetro BOUNDARY base."} tools/data/valutatore_log.jsonl:81:{"ts": "2026-05-09T14:48:41.022382+00:00", "cycle_ref": "20260509_1444", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha verificato transfer 4/4 su perimetri sintetici con shuffle baseline e beta blank, ma il verdict vieta di leggerlo come chiusura QxG o come label GUE/Poisson. Il seme ora torna invece al frame “8 domini GUE, 5 Poisson”, che reimporta il perimetro base appena superato; la prossima mossa deve falsificare la forma minima del transfer come operatore ordine/null/denominatore su perimetri non sintetici o avversariali.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare la forma minima del gate BOUNDARY come operatore ordine/null/denominatore: test su perimetri reali o avversariali senza importare label GUE/Poisson", "reason": "Il transfer e' emerso come operatore, non come tassonomia locale; continuare col frame GUE/Poisson accumula dettaglio sul vecchio denominatore invece di attaccare la nuova forma falsificabile."}}, "notes": "Non cristallizzare ancora: 4/4 perimetri sintetici sono evidenza di traiettoria, non condensato. Prossimo ciclo: cercare almeno un fall o un blank robusto su dominio reale/adversarial."} tools/data/valutatore_log.jsonl:83:{"ts": "2026-05-09T15:24:21.399473+00:00", "cycle_ref": "20260509_1516", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una separazione strutturale utile: il gate BOUNDARY trasferisce come supporto ordine/null su 11/13 righe, ma non come coordinata beta universale. Non c'e' dipendenza dall'operatore: il prossimo passo e' gia' indicato dall'affinatore, cioe' esplicitare la matrice a due assi sulle 13 righe per distinguere support_transfer e beta_coordinate_transfer senza salvare il claim originale.", "action": {"type": "trigger_cycle", "detail": {"direction": "Costruire la matrice semi-reale a due assi BOUNDARY: support_transfer vs beta_coordinate_transfer sulle 13 righe GUE/Poisson", "constraint": "non rifittare V_c, non promuovere beta 0.3, usare shuffle/marginal-preserving e classificazione row-aligned", "goal": "identificare se le 2 falls e le 4 no_blank formano sottoclassi strutturali o solo attrito del perimetro"}}, "notes": "Continuare nello stesso frame, ma con claim riformulato: il gate e' operatore di supporto; la beta e' coordinata locale del perimetro."} tools/data/valutatore_log.jsonl:85:{"ts": "2026-05-09T15:44:19.654992+00:00", "cycle_ref": "20260509_1538", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto una correzione strutturale del denominatore: le righe support-transfer non esatte sono 7, non 6, e si dividono in cinque failure modes misurabili. Non c'e' dipendenza dall'operatore: la prossima mossa naturale e' falsificare se quei failure modes sono stabili o se sono artefatto della griglia beta e del perimetro row-aligned.", "action": {"type": "trigger_cycle", "detail": {"focus": "BOUNDARY failure modes falsification", "instruction": "Ripartire dalle 7 righe support-transfer non esatte e testare stabilita' dei failure modes con null/shuffle e perturbazione della griglia beta; non rifittare V_c e non usare label GUE/Poisson come decision field.", "expected_output": "distinguere failure modes strutturali da saturazione/artefatto di coordinata"}}, "notes": "Continuare un giro: il deep-dive locale resta produttivo perche' ha appena trasformato un conteggio ereditato errato in una partizione falsificabile."} tools/data/valutatore_log.jsonl:86:{"ts": "2026-05-09T15:53:15.859019+00:00", "cycle_ref": "20260509_1548", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha falsificato la specie autonoma `blank_thin_support`: tutte le righe thin sono spiegate da denominatore corto, mentre contaminazione e shuffle-instability non spiegano il fenomeno. La prossima mossa non dipende dall'operatore: bisogna restare nello stesso frame BOUNDARY e attaccare il nodo regressivo estendendo il denominatore delle tre righe short prima di qualsiasi promozione o redesign globale.", "action": {"type": "trigger_cycle", "detail": {"direction": "same_frame_boundary_denominator_extension", "task": "Estendere o rigenerare le tre righe `blank_thin_support` short (`percolation`, `random_matrix`, `zeta_zeros`) fino a `n_gaps >= 500`, poi ripetere l'audit row-aligned `support_without_beta_blank` contro il controllo medium `numeri_primi`.", "success_condition": "Se il blank thin persiste con denominatore pieno, riaprire specie autonoma; se collassa o passa a medium/stable, cristallizzare `blank_thin_support` come artefatto denominator-limited.", "avoid": "Non introdurre nuovo fit `V_c`, nuove label GUE/Poisson come decision field, o nuova griglia beta prima di chiudere il denominatore."}}, "notes": "Continua il flusso: il risultato corrente e' strutturale, ma incompleto finche' il denominatore short non viene invertito nel nodo sorgente."} tools/data/valutatore_log.jsonl:91:{"ts": "2026-05-12T03:35:57.943734+00:00", "cycle_ref": "20260512_0330", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha falsificato la forma atomica `prime_SR_persistent_boundary`: nei primi SR non chiude 8/8 e l'intersezione comune e' vuota, mentre il seed check mostra `mod6_candidates` con SR pieno e firma comune `L1,SR,triple_var`. L'attrito non e' nel numero di controlli ma nel denominatore: il perimetro largo mescola generatori che non interrogano lo stesso pre-bordo, quindi il prossimo ciclo deve isolare il confine primi/mod6 invece di continuare il frame GUE/Poisson.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Isolare `prime_vs_mod6_SR_boundary`: testare se SR appartiene ai primi o al pre-bordo aritmetico mod6, con controlli stretti label-preserving e shuffle audit sul denominatore row-local.", "reason": "La consecutio viva e' la collisione prime/mod6; continuare sul frame generico 8 GUE / 5 Poisson accumula dettaglio locale e rischia tautologia di controllo."}}, "notes": "Non cristallizzare ancora: il risultato e' una falsificazione della specificita' prime, ma serve un ciclo stretto prime-vs-mod6 per decidere se va nel cimitero come claim X nuovo o rientra come firma di pre-bordo aritmetico."} tools/data/valutatore_log.jsonl:108:{"ts": "2026-05-15T17:51:05.699044+00:00", "cycle_ref": "20260515_1745", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Gli ultimi cicli hanno estratto vincoli utili dentro lo stesso frame BOUNDARY/GUE-Poisson, ma la traiettoria sta diventando deep-dive locale: phase sensitivity, separazione fotonica, poi finestra tight-binding V=0.50..1.25. Il risultato nuovo e' un vincolo di trasferibilita', non una dipendenza dall'operatore; la prossima mossa deve usare quel vincolo per attaccare una connessione cross-dominio, in particolare il vuoto canonico QxG continuo/discreto.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Promuovere QxG continuo/discreto usando il gate di confine come vincolo: testare se la finestra congiunta spacing/localizzazione trasferisce da reticolo tight-binding a un dominio geometrico/discreto indipendente, con shuffle o surrogate obbligatorio.", "reason": "Evita accumulo locale su BOUNDARY e usa il vincolo appena emerso come ponte verso una coppia canonica ancora vuota."}}, "notes": "Non STOP_FOR_REVIEW: il ciclo e' clean e non richiede scelta dell'operatore. Non CRYSTALLIZE: la finestra V e' vincolo operativo, non risultato stabile replicato cross-dominio."} tools/data/valutatore_log.jsonl:110:{"ts": "2026-05-15T18:13:21.584060+00:00", "cycle_ref": "20260515_1807", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo non ha accumulato solo dettaglio locale: ha falsificato surrogate deboli e isolato un vincolo strutturale nell'ordine binario a lungo raggio, con conservazione parziale solo sotto IAAFT. La direzione corrente resta viva perche' il nodo regressivo indicato dall'Affinatore e' concreto: ancorare il gate a V=2 e al contro-perimetro QxG continuo/discreto, non cambiare tensione.", "action": {"type": "trigger_cycle", "detail": {"focus": "Ripetere il frame BOUNDARY/QxG imponendo baseline fisica esplicita V=2 e confronto continuo-discreto: Sturmian binario vs coseno Aubry-Andre vs controlli irrazionali/surrogate PSD, verificando se la sotto-finestra IAAFT sopravvive come proprieta fisica o solo come vincolo del generatore.", "reason": "Il risultato 18:07 ha stretto il campo ma non ha ancora chiuso il ritorno fisico; il prossimo ciclo deve trasformare il vincolo long-range binary order in test cross-dominio."}}, "notes": "Non cristallizzare ancora: il surrogate IAAFT conserva V=0.50..0.75 e quindi il claim e' maturato come vincolo, non come risultato stabile da condensato."} tools/data/valutatore_log.jsonl:111:{"ts": "2026-05-15T18:21:54.593525+00:00", "cycle_ref": "20260515_1816", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: a V=2 il confine separa classi di generatore, ma non promuove specificita phi. La direzione ora nel seme torna a un frame largo GUE/Poisson e rischia di disperdere il risultato appena isolato invece di falsificarlo cross-dominio.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare il vincolo classe-generatore del confine: testare se la separazione binario ordinato / coseno continuo / disorder sopravvive fuori dal solo Aubry-Andre V=2, con controlli shuffle e non-phi espliciti.", "reason": "La prossima mossa deve attaccare il claim residuo prodotto dal ciclo: non phi-specific, ma classe-generatore. Serve cross-dominio/controllo strutturale prima di tornare a GUE-Poisson generico."}}, "notes": "Nessuna dipendenza dall'operatore; azione log-only."} tools/data/valutatore_log.jsonl:112:{"ts": "2026-05-15T18:31:31.960316+00:00", "cycle_ref": "20260515_1826", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale, non solo dettaglio locale: l'allineamento ai denominatori propri non separa phi da silver/bronze, quindi il claim phi-specific resta bloccato e si restringe a corridoio Sturmian binario. Non serve operatore e non c'e' ancora base per cristallizzare: manca il controllo dichiarato su surrogate PSD/IAAFT e su generatori binari non-Sturmian per capire se il corridoio e' Sturmian o piu' largo.", "action": {"type": "trigger_cycle", "detail": {"direction": "Continuare il frame BOUNDARY ma spostare il prossimo test su controlli strutturali: confrontare phi/silver/bronze Sturmian con surrogate PSD/IAAFT e generatori binari non-Sturmian a V=2, usando mean_pr_tau e anchor IPR/entropy.", "reason": "Discriminare sturmian_binary_corridor da artefatto di spettro binario/localizzazione prima di modificare il seme o cristallizzare."}}, "notes": "Bias verso prosecuzione: la traiettoria e' viva ma deve uscire dal solo confronto tra irrazionali Sturmian."} tools/data/valutatore_log.jsonl:115:{"ts": "2026-05-15T19:29:36.158442+00:00", "cycle_ref": "20260515_1915", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale utile: il boundary non e' una lista fissa ma una frequenza composita grafo+audit classico. Dopo tre NEXT_CYCLE sullo stesso frame BOUNDARY, continuare con perturbazioni interne rischia deep-dive locale; il nodo vivo e' ora falsificare il residuo Lab-specific contro baseline fisico controllato, soprattutto i casi graph_only_bridge.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare il boundary composito su sistemi fisici controllati: testare i graph_only_bridge contro Hamiltoniane/crossover con unfolding alternativo e baseline classico row-aligned", "reason": "Spostare il prossimo ciclo dal consolidamento interno del gate BOUNDARY alla falsificazione strutturale del residuo Lab-specific emerso nel run 19:15."}}, "notes": "Target primario: percolation:cycle_9, reaction_diffusion:cycle_11, logistica_biforcazione_var_3.5699:cycle_13. Non promuovere il boundary a condensato finche' il graph_only_bridge non sopravvive a un lettore fisico controllato o cade nel cimitero come artefatto topologico."} tools/data/valutatore_log.jsonl:116:{"ts": "2026-05-15T19:39:34.597940+00:00", "cycle_ref": "20260515_1933", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo non ha accumulato solo dettaglio numerico locale: ha falsificato il residuo graph-only nel perimetro Rosenzweig-Porter controllato e ha lasciato un vincolo strutturale chiaro, cioe' boundary a due lettori solo su riga row-aligned. La consecutio naturale non richiede operatore: serve un secondo flusso fisico row-aligned per distinguere vincolo trasferibile da peculiarita' RP finite-size.", "action": {"type": "trigger_cycle", "detail": {"direction": "Secondo flusso fisico controllato row-aligned per audit BOUNDARY a due lettori", "constraint": "Usare stesso contratto osservabile graph_bridge_frequency + lettore classico sulla stessa griglia parametrica; non promuovere graph-only residue senza Hamiltoniana controllata; includere shuffle/null o baseline noto del dominio.", "target": "verificare se two_reader_boundary_confirmed resta 1 e graph_only_residue resta 0 fuori da Rosenzweig-Porter"}}, "notes": "Prossimo ciclo nello stesso frame, ma con dominio fisico diverso: non deep-dive RP, bensi' test di trasferibilita' cross-dominio del vincolo appena emerso."} tools/data/valutatore_log.jsonl:119:{"ts": "2026-05-16T03:39:09.868305+00:00", "cycle_ref": "20260516_0330", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo utile: il boundary a due lettori resta una sola riga e i residui graph-only non si sommano al claim forte. I due residui sopravvissuti ai null hanno lift piccoli, quindi continuare nello stesso perimetro 8/5 rischia accumulo locale; la prossima mossa deve stressare trasferibilita fisica su sistemi Hamiltoniani, non raffinare ancora il grafo piccolo.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Stressare i residui graph-specific BOUNDARY su sistemi fisici Hamiltoniani finiti: Rosenzweig-Porter, Anderson e Aubry-Andre; il confine vale solo se osservato da lettore classico, lettore grafico e null topologico nello stesso perimetro.", "reason": "Spostare il claim da frequenza grafica locale a trasferibilita cross-dominio fisica, mantenendo il contratto corretto del ciclo 124."}}, "notes": "Promuovere QxG continuo/discreto come asse operativo del prossimo ciclo: non cercare nuovi residui, ma verificare se percolation e logistica_biforcazione_var_3.5699 restano struttura quando il generatore diventa Hamiltoniano fisico."} tools/data/valutatore_log.jsonl:120:{"ts": "2026-05-16T07:26:03.279444+00:00", "cycle_ref": "20260516_0720", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo netto: nel perimetro 8 GUE / 5 Poisson nessuna riga graph-only supera la soglia preregistrata contro label-shuffle e degree-preserving rewire. Continuare sullo stesso frame rischia accumulo locale; la consecutio esplicita porta a test fisici controllati in cui il gate resta separato dal boundary a due lettori.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "BOUNDARY controllato: applicare il gate two-reader + audit graph-only thresholded su sistemi fisici parametrizzati Rosenzweig-Porter, Anderson 3D o Aubry-Andre, con label-shuffle e degree-preserving rewire preregistrati", "reason": "Spostare il prossimo ciclo dal post-audit del perimetro 8/5 a una falsificazione cross-dominio controllata; verificare se il residuo graph-specific compare solo in finestre fisiche note senza fondere lift positivo e residuo thresholded."}}, "notes": "Mantenere come vincolo: two_reader_boundary_confirmed, positive_lift_unthresholded e thresholded_graph_specific_residue sono tre classi distinte; una riga graph-only entra solo se supera entrambi i null grafici con soglia grezza preregistrata."} tools/data/valutatore_log.jsonl:121:{"ts": "2026-05-16T08:26:27.284806+00:00", "cycle_ref": "20260516_0820", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un finding strutturale controllato, non solo dettaglio numerico locale: due righe RP_lambda_0.045 e 0.060 sopravvivono a doppio lettore e due null row-aligned su tutte le size testate. Non c'e' dipendenza dall'operatore: la consecutio e' gia' indicata dall'Affinatore come trasferimento del contratto two-reader fuori RP, mantenendo COUNT_BEFORE_RESIDUE.", "action": {"type": "trigger_cycle", "detail": {"direction": "Trasferire il contratto two-reader boundary fuori RP mantenendo count grezzi prima del residuo", "suggested_experiment": "Applicare lo stesso gate classic-intermediate + graph-thresholded contro label-shuffle e position-shift a un dominio fisico non-RP, preferibilmente Anderson 3D o many-body RP, con denominatore e null dichiarati prima della misura.", "constraint": "Non cristallizzare RP come boundary fisico finche' 0.045/0.060 non replicano con size maggiori o unfolding alternativo."}}, "notes": "Continuare nello stesso frame BOUNDARY/QxG: il passo successivo non e' approfondire RP localmente, ma verificare se il contratto trasferisce cross-dominio."} tools/data/valutatore_log.jsonl:130:{"ts": "2026-05-16T11:16:53.287768+00:00", "cycle_ref": "20260516_1111", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha prodotto un vincolo strutturale netto: RP batte il null globale ma non trasporta la size, quindi il boundary resta residuo finite-size/lettore e non terzo incluso fisico. Dopo tre NEXT_CYCLE consecutivi nello stesso frame endpoint-gated BOUNDARY, proseguire sulla stessa ladder rischia accumulo locale; la prossima mossa deve spostare il test verso trasferibilita' cross-dominio, non ripetere RP.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Falsificare il boundary come terzo incluso su domini indipendenti: trasferire il gate endpoint-gated fuori da RP verso Anderson 3D e spettri fisici reali, mantenendo null shuffle/scramble e criterio di trasporto di scala.", "reason": "Il nodo RP e' chiuso come non-promozione; resta viva solo la domanda cross-dominio sul boundary operator."}}, "notes": "Non serve STOP_FOR_REVIEW: il risultato e' un vincolo di non-promozione, non una cristallizzazione positiva. Side-effect log-only: proposta modifica seme."} tools/data/valutatore_log.jsonl:133:{"ts": "2026-05-16T11:40:13.787184+00:00", "cycle_ref": "20260516_1135", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha chiuso il nodo regressivo del falsifier: i null sono ora confrontabili a observable, perimetro e N fissati, e il risultato resta vincolo senza promuovere Anderson `W=20`. La prossima mossa non deve scavare altro dettaglio locale Anderson, ma usare il gate stabilizzato `null_first -> candidate_name -> physical_return` sul perimetro vivo della direzione corrente, cioe' 8 GUE / 5 Poisson o un secondo dominio fisico comparabile.", "action": {"type": "trigger_cycle", "detail": {"direction": "Esplorare il confine: 8 domini GUE, 5 Poisson — il confine è il terzo incluso operativo", "instruction": "Applicare il contratto null-first comparabile stabilizzato: stesso observable, stesso perimetro righe, stesso N; confrontare full-scramble ed endpoint-preserving prima di nominare qualunque candidato fisico. Registrare anche traccia jsonl/provider-indipendente se disponibile.", "avoid": "Non proseguire con fit locali Anderson o promozione di W=20; Anderson resta vincolo finche' endpoint-preserving lo rinomina."}}, "notes": "Side-effect log-only: avvio prossimo ciclo nello stesso frame, ma con ritorno al perimetro vivo cross-dominio invece di ulteriore deep-dive Anderson."} tools/data/valutatore_log.jsonl:135:{"ts": "2026-05-16T12:05:21.358881+00:00", "cycle_ref": "20260516_1148", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha prodotto una falsificazione strutturale utile: `numeri_primi:cycle_3` resta bridge osservato, ma il null label-count-preserving lo ricostruisce in circa meta dei trial, quindi il candidato non porta costo fisico sul perimetro 8/5. Continuare sullo stesso target accumulerebbe dettaglio locale; la prossima mossa deve spostare il seme dal candidato prime al gate null-cost come discriminatore del confine, applicandolo ai residui graph-only e alla validazione delle label sorgente.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Usare il null-cost label-count-preserving come gate del confine 8 GUE / 5 Poisson: testare se i residui graph-only (`logistica_biforcazione_var_3.5699`, `percolation`) e le label sorgente sopravvivono a null che preservano il perimetro prima di proporre ritorni fisici.", "reason": "Il bridge prime e' ricostruibile dalla geometria delle etichette; la direzione viva non e' piu il candidato, ma il costo informativo del nome fisico sotto null controllati."}}, "notes": "Side-effect log-only: aggiornare il seme per evitare un quarto giro sullo stesso candidato e portare il prossimo ciclo verso filtro strutturale cross-riga, non verso fit numerico locale."} tools/data/valutatore_log.jsonl:137:{"ts": "2026-05-16T12:39:25.938601+00:00", "cycle_ref": "20260516_1230", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha delimitato il reader: label-count null ricostruisce spesso il 27/27 e i due residui non condividono lo stesso meccanismo grafico. La consecutio non e' continuare il confine in forma generica, ma spostare il test al nodo regressivo dichiarato: null fisici interni per logistica/percolation, mantenendo fisso il denominatore 13x27 e chiedendo se il residuo sopravvive fuori dal reader.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare null fisici interni per i residui graph-only logistica_biforcazione_var_3.5699 e percolation sul perimetro fisso 8 GUE / 5 Poisson: separare dinamica fisica da ricostruzione del reader grafico", "reason": "Il reader e' stato scomposto; il prossimo ciclo deve falsificare il ritorno fisico assente, non accumulare altre ablation locali sul grafo."}}, "notes": "Evitare nuovi domini e nuovi fit. Observable minimo: full 27/27 contro surrogate dinamici interni N-matched per logistica e percolation, con confronto esplicito ai null graph gia' prodotti."} tools/data/valutatore_log.jsonl:139:{"ts": "2026-05-28T21:03:15.858958+00:00", "cycle_ref": "20260528_2042", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha mostrato che i due residui graph-only vengono ricostruiti dai null fisici interni in 128/128 trial sul reader cached: non c'e' costo fisico osservabile nel preflight. La traiettoria recente aveva gia' prodotto REDESIGN su ricostruzione del 27/27 e delimitazione del reader; continuare nello stesso frame accumula dettaglio locale su un candidato gia' assorbito dal null.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Chiudere la promozione dei residui graph-only logistica_biforcazione_var_3.5699 e percolation come candidati fisici; trasformare il prossimo ciclo in audit regressivo del reader BOUNDARY, con confronto esplicito tra null fisico interno, null graph/label-degree e almeno due reader indipendenti per identificare quale componente del reader ricostruisce il candidate hit.", "reason": "Il costo fisico non sopravvive al preflight; il nodo vivo non e' piu' il residuo, ma la provenienza della ricostruzione nel reader."}}, "notes": "Side effect log-only: proposta modifica seme. Non serve STOP_FOR_REVIEW per l'operatore: la mossa successiva e' tecnica e falsificativa, non dipende da scelta esterna."} tools/data/valutatore_log.jsonl:140:{"ts": "2026-05-28T21:43:27.059954+00:00", "cycle_ref": "20260528_2138", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha chiuso la promozione fisica dei due residui: il 27/27 viene ricostruito da null fisico interno e da reader separati, quindi continuare ad aumentare N o cercare nuovi domini sarebbe accumulo locale. La mossa utile e' spostare il seme sul nodo regressivo nominato dal report: provenance/cache row-aligned del reader BOUNDARY, includendo anche il gap operativo segnalato dall'Affinatore su artifact provenance.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Costruire una cache row-aligned per il reader BOUNDARY che registri, per ogni target/trial, feature sostitutive, source label, risultato full-reader, centroid-only, kNN-only, null fisico interno N>=128 e null graph N-matched; obiettivo: tracciare quale componente del reader ricostruisce il 27/27 e chiudere il nodo provider access -> artifact provenance prima di nuovi claim scientifici.", "reason": "I residui logistica/percolation non sono promuovibili nel perimetro corrente; il prossimo ciclo deve separare il predicate del reader e rendere verificabile la provenienza degli artefatti."}}, "notes": "Non riaprire promozione fisica dei due residui e non usare aumento N come salvataggio del claim; N>=128 serve solo dentro una cache tracciabile e row-aligned."} tools/data/valutatore_log.jsonl:141:{"ts": "2026-05-28T22:34:17.433776+00:00", "cycle_ref": "20260528_2222", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto il delta richiesto senza promuovere claim fisici: la provenance seedata distingue storico/fresh e mostra che logistica non riproduce il vecchio 27/27 mentre percolation resta 27/27. La direzione non e' esaurita: il residuo dichiarato e' costruire cache row-aligned completa N>=128 e verificare baseline fresh identico prima di rientrare sul contenuto fisico.", "action": {"type": "trigger_cycle", "detail": {"direction": "Costruire cache row-aligned BOUNDARY con provenance completa prima di nuovi claim fisici", "next_step": "Implementare o usare cache row-aligned N>=128 con source/gaps/features/RNG/reader outputs persistiti; eseguire due run fresh indipendenti e accettare rientro fisico solo se il baseline observed e' identico tra run.", "constraints": "Separare logistica e percolation; non usare l'artefatto storico 27/27 logistica come autorita'; nessuna promozione fisica finche' la riproducibilita' fresh non e' stabile."}}, "notes": "Continuare nello stesso frame: il nodo regressivo ora non e' piu' la sola provenance visibile, ma l'allineamento riga-per-riga necessario a misurare il costo fisico separato dal reader."} tools/data/valutatore_log.jsonl:142:{"ts": "2026-05-31T20:29:46.305734+00:00", "cycle_ref": "20260531_2024", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il ciclo ha chiuso un audit macro su cache esistenti senza nuova simulazione fisica e senza promozione: il risultato utile e' un contratto sperimentale local/global, non un altro dettaglio BOUNDARY interno. La consecutio naturale e' uscire dal post-process locale e applicare lo stesso contratto a un dominio fisico indipendente con denominatore maturo, per testare se la separazione localita' preservata/globalita' persa sopravvive cross-dominio.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Testare il contratto local/global su un dominio fisico indipendente con null fisico-interno e denominatore maturo: stessa grammatica reader row-aligned, separazione kNN/full/centroid, controllo originale vs surrogate. Nessuna promozione senza Veritas/Aeternitas e senza shuffle/provenance audit.", "reason": "Il ciclo corrente ha prodotto un vincolo metodologico, non una scoperta promuovibile; restare su cache BOUNDARY rischia accumulo locale. Serve falsificazione cross-dominio del pattern localita' preservata/globalita' persa."}}, "notes": "Preferire un dominio gia' adiacente alla traiettoria BOUNDARY/Anderson o un pair scoperto come QxG, ma solo se i dati permettono controllo fisico-interno e denominatore maturo."} tools/data/valutatore_log.jsonl:143:{"ts": "2026-06-03T19:54:07.422427+00:00", "cycle_ref": "20260603_1948", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo utile senza richiedere scelta dell'operatore: W16.5 non si chiude come bacino sotto semi indipendenti e l'anisotropia a tilt -0.0625 indebolisce W20. La traiettoria resta viva perche' il nodo regressivo e' chiaro: separare semi, famiglia isotropica/anistropica e asse, mantenendo W20 come guardia.", "action": {"type": "trigger_cycle", "detail": {"direction": "Isolare matrice semi-famiglia-asse su Anderson W16/W16.5/W20: stesso set di semi, confronto tilt isotropico negativo vs anisotropia x/y/z, W20 come riferimento local_global, senza nuove metriche derivate.", "reason": "Serve distinguere se -0.0625 e' coordinata fisica isotropica, artefatto di semi, o rottura specifica dell'asse anisotropico prima di qualsiasi promozione o cimitero definitivo."}}, "notes": "Non modificare il condensato ora: il risultato e' vincolo di famiglia, non ancora falsificazione finale replicata del canale W16.5."} tools/data/valutatore_log.jsonl:147:{"ts": "2026-06-04T17:12:29.218794+00:00", "cycle_ref": "20260604_1707", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo Anderson size-7 ha prodotto un vincolo negativo chiaro: il residuo anisotropico W16 decade e non merita promozione, mentre W20 resta solo riferimento robusto. L'Affinatore indica esplicitamente che il ramo va chiuso come vincolo finito e che la consecutio viva torna al perimetro GUE/Poisson gia' presente nel seme corrente.", "action": {"type": "trigger_cycle", "detail": {"direction": "Riprendere il frame GUE/Poisson: 8 domini GUE, 5 Poisson, confine come terzo incluso operativo", "constraint": "Non proseguire il ramo Anderson anisotropico salvo nuovo segnale cross-dominio; usarlo solo come vincolo negativo/cimitero operativo.", "reason": "La misura Anderson ha risolto il residuo locale come effetto finito, mentre il seme corrente contiene ancora potenziale discriminante cross-dominio."}}, "notes": "Nessuna dipendenza dall'operatore: proseguire con un ciclo che attacchi direttamente il confine GUE/Poisson con controlli shuffle/surrogato, evitando accumulo numerico locale non falsificativo."} tools/data/valutatore_log.jsonl:150:{"ts": "2026-06-04T18:53:16.486820+00:00", "cycle_ref": "20260604_1849", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo QxG/QES ha chiuso come CONSTRAINT / NO PROMOTION senza gap QA, senza delta seme sostanziale e senza richiesta di intervento operatore. La direzione viva resta BOUNDARY e il controllo `dnd_scenario.py --best` indica che QxG non e' la traiettoria da promuovere; il prossimo ciclo deve tornare al confine operativo, non approfondire QxG come ponte.", "action": {"type": "trigger_cycle", "detail": {"focus": "Riprendere la direzione BOUNDARY viva, usando TENS_SCALE_TRASCENDENZA_LIMITE come candidato operativo se confermato dal campo, e mantenere QxG/QES solo come vincolo interno question_only/no-promotion.", "constraints": ["no public sync", "no graph edge", "no seme replacement from QxG", "shuffle/surrogate or cross-domain check before any numerical promotion"]}}, "notes": "La mossa utile e' continuare il flusso sul confine 8 GUE / 5 Poisson, evitando che il rehearsal QxG diventi inerzia locale."} tools/data/valutatore_log.jsonl:151:{"ts": "2026-06-04T19:14:45.222465+00:00", "cycle_ref": "20260604_1909", "executed": false, "decision": "NEXT_CYCLE", "confidence": "high", "reasoning": "Il ciclo ha prodotto un vincolo utile: il terzo incluso resta operativo solo come gate graph-boundary, con 4 candidati ma senza promozione fisica. Non c'e' contraddizione da fermare ne' maturita' da cristallizzare; il prossimo passo naturale e' verificare stabilita' del gate su k/seed/null prima di cambiare direzione.", "action": {"type": "trigger_cycle", "detail": {"direction": "stesso frame BOUNDARY 8 GUE / 5 Poisson", "next_experiment": "audit di stabilita' del gate graph-curvature su multi-seed, variazione k e null/surrogati row-aligned", "promotion_rule": "solo candidati persistenti sotto perturbazione restano third-included operativi; candidati instabili vanno declassati a artefatto del grafo"}}, "notes": "Non promuovere percolation o reaction-diffusion come fisico B finche' il segnale resta graph-only e non supera stabilita' multi-seed/null."} tools/data/valutatore_log.jsonl:152:{"ts": "2026-06-04T20:00:34.371585+00:00", "cycle_ref": "20260604_1956", "executed": false, "decision": "REDESIGN", "confidence": "medium", "reasoning": "Il frame BOUNDARY 8 GUE / 5 Poisson ha prodotto un vincolo pulito ma sta restando nel registro operativo del lettore: graph-stable rows, null interni preliminari, no promotion. Dopo piu' NEXT_CYCLE consecutivi, continuare lo stesso giro rischia accumulo locale; la prossima mossa utile e' restringere il campo a un solo candidato B preregistrato con null domain-native comparabile e criterio ex ante di non-ricostruzione.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "BOUNDARY physical-B audit: scegliere un solo candidato B preregistrato tra percolation, reaction-diffusion o logistica; costruire null domain-native comparabile sullo stesso lettore 13-row; promuovere solo se il conteggio third-included non e' ricostruito cheap dal null interno.", "reason": "Il confine grafico e' stabile ma non ancora fisico; serve trasformare il deep-dive locale in falsificazione strutturale preregistrata, evitando una quarta iterazione descrittiva sullo stesso frame."}}, "notes": "Side effect log-only: proposta modifica seme, nessuna azione automatica eseguita."} tools/data/valutatore_log.jsonl:157:{"ts": "2026-06-04T21:35:31.584564+00:00", "cycle_ref": "20260604_2131", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ramo fotonico ha prodotto un quarto esito consecutivo di vincolo/no promotion: K_opt resta fragile, con 3 righe ready su 9 e dipendenza congiunta da epsilon e denominator ladder. Questo e' dettaglio locale utile ma ormai a rendimento decrescente; la prossima mossa deve uscire dal deep-dive fotonico e tornare al filtro strutturale cross-dominio richiesto dalla direzione 8 GUE / 5 Poisson.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Rientrare sul perimetro 8 domini GUE / 5 Poisson con null density-preserving preregistrato: confrontare K_opt/intermediacy solo come una superficie tra piu' domini, non come ramo fotonico autonomo.", "reason": "Il ciclo corrente lascia aperta una domanda di condizione, ma non giustifica ulteriore ottimizzazione locale; serve falsificazione cross-dominio per distinguere struttura da artefatto parametrico."}}, "notes": "Non promuovere il ramo fotonico. Usare il prossimo ciclo per testare se la fragilita' K_opt e' firma trasferibile del confine oppure artefatto di epsilon/denominatore."} tools/data/valutatore_log.jsonl:158:{"ts": "2026-06-05T05:49:45.699840+00:00", "cycle_ref": "20260605_0546", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ramo fotonico ha prodotto ancora CONSTRAINT / NO PROMOTION e resta NULL_FRAGILE: la readiness locale non sopravvive come ponte fisico. Dopo almeno quattro esiti consecutivi di vincolo/no promotion, continuare sul fotonico accumula dettaglio locale sospetto invece di contribuire al filtro cross-dominio richiesto da C2.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Chiudere il contro-perimetro fotonico come vincolo e riportare BOUNDARY 8/5 sul vuoto QxG: cercare un test cross-dominio dove il terzo incluso GUE/Poisson discrimina struttura da null, senza promuovere K_opt.", "reason": "Il prossimo ciclo deve uscire dal ramo fotonico fragile e attaccare il ponte QxG/vuoto o un dominio adiacente con shuffle/null esplicito, mantenendo il fotonico solo come cimitero/constraint."}}, "notes": "Side effect log-only: proposta di cambio direzione del seme; nessuna esecuzione automatica."} tools/data/valutatore_log.jsonl:159:{"ts": "2026-06-05T09:27:31.386745+00:00", "cycle_ref": "20260605_0924", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ramo fotonico K_opt ha prodotto un ulteriore CONSTRAINT / NO PROMOTION con readiness 0/6 su tutta la ladder dei denominatori e sul null density-preserving. Dopo tre decisioni REDESIGN consecutive sullo stesso ramo, continuare lì accumula dettaglio locale su una superficie chiusa; la consecutio viva è tornare al perimetro accettato 8 GUE / 5 Poisson come contratto boundary da stressare cross-dominio.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Stressare il perimetro accettato 8 GUE / 5 Poisson come contratto boundary cross-dominio, escludendo il ramo fotonico K_opt e cercando un candidato B non analogico con baseline/null separati.", "reason": "K_opt fotonico è chiuso come ritorno promosso; il passo successivo deve verificare se il confine GUE/Poisson trasferisce su un dominio fisico o teorico non ancora consumato, con shuffle/null prima della promozione."}}, "notes": "Side-effect log-only: proposta modifica seme, nessuna esecuzione automatica."} tools/data/valutatore_log.jsonl:160:{"ts": "2026-06-05T10:10:03.295157+00:00", "cycle_ref": "20260605_1002", "executed": false, "decision": "NEXT_CYCLE", "confidence": "medium", "reasoning": "Il ciclo ha trasformato percolation da candidato B fisico a CONSTRAINT / TOOL tramite null fisico interno: questo non richiede stop operatore, ma chiude solo uno dei due B previsti dalla direttiva. La stabilita' graph-boundary e' gia' trattata come risposta; la prossima mossa utile e' mantenere lo stesso frame e testare reaction_diffusion con osservabile domain-native equivalente, senza promuovere residui graph-only.", "action": {"type": "trigger_cycle", "detail": {"direction": "same_frame_next_B", "target": "reaction_diffusion:cycle_11", "instruction": "Costruire un null fisico interno domain-native per reaction_diffusion e chiedere se il 27/27 graph-boundary ha costo fisico o viene ricostruito dal generatore del dominio; preservare il denominatore 8 GUE / 5 Poisson e non promuovere graph-only residue."}}, "notes": "La confidence resta medium perche' il report producer e' troncato nel contesto e l'affinatore segnala completed_no_jsonl, ma il verdict CONSTRAINT / TOOL e la traiettoria indicano chiaramente continuita' sul secondo B."} tools/data/valutatore_log.jsonl:161:{"ts": "2026-06-05T10:39:16.051876+00:00", "cycle_ref": "20260605_1034", "executed": false, "decision": "CRYSTALLIZE", "confidence": "high", "reasoning": "Il ciclo ha chiuso una distinzione strutturale: il reader graph-boundary resta stabile su k/seed, mentre percolation e reaction-diffusion ricostruiscono 27/27 sotto null interni domain-native. Questo non chiede un altro giro nello stesso frame: il risultato maturo e' che il reader va preservato come tool operativo graph-only e i due B fisici correnti vanno chiusi sotto il dominio testato.", "action": {"type": "crystallize_note", "detail": {"target": "memory", "content": "Cristallizzare: graph-boundary reader stabile come strumento operativo su 8 GUE / 5 Poisson e perimetro k/seed verificato; non promuovere percolation o reaction-diffusion come physical B nel frame corrente, perche' i null interni ricostruiscono il full hit count 27/27. Prossima direzione: usare il reader solo come filtro/null-first su nuovi bridge, non come prova fisica autonoma."}}, "notes": "Nessuna dipendenza dall'operatore: non STOP_FOR_REVIEW. Dopo cristallizzazione, il ciclo successivo dovrebbe lasciare BOUNDARY-local deep dive e usare il reader come filtro per un incrocio ancora vuoto o sottoconnesso, preferibilmente QxG continuo/discreto."} tools/data/valutatore_log.jsonl:162:{"ts": "2026-06-05T10:56:37.707727+00:00", "cycle_ref": "20260605_1051", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ramo graph-boundary e' arrivato a completamento come strumento qualificato, non come fisico B: stabilita' k/seed confermata, ma i null interni percolation/reaction-diffusion ricostruiscono il pieno. Continuare nello stesso frame rischia deep-dive locale su un tool gia' delimitato; il prossimo valore sta nel trasferire il filtro verso un ponte cross-dominio, in particolare QxG continuo/discreto che resta vuoto nello stato sito.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Attaccare QxG continuo/discreto usando il graph-boundary solo come lettore qualificato: cercare un osservabile domain-native indipendente che separi discreto/continuo attraverso almeno due domini, con shuffle/null interni prima di ogni promozione.", "reason": "Il boundary e' chiuso come tool; la tensione viva passa dal completamento locale alla verifica cross-dominio QxG, evitando promozione fisica del lettore grafico."}}, "notes": "Side effect log-only: proposta di cambio direzione del seme, nessuna esecuzione automatica."} tools/data/valutatore_log.jsonl:163:{"ts": "2026-06-05T11:50:04.535685+00:00", "cycle_ref": "20260605_1145", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha confermato che il ritorno fisico B dal confine 8 GUE / 5 Poisson non promuove: percolation e reaction-diffusion restano ricostruibili dai null fisici interni, quindi il segnale vive nel lettore graph-boundary e non nel dominio B. Dopo NEXT_CYCLE, CRYSTALLIZE e REDESIGN negli ultimi tre passaggi, continuare lo stesso frame produrrebbe dettaglio locale su un ramo gia' chiuso come vincolo/tool. La prossima mossa deve usare il tool qualificato per attaccare una connessione strutturale ancora vuota, non cercare un'altra coda fisica nello stesso denominatore.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Usare il graph-boundary qualificato come strumento di falsificazione cross-dominio per QxG continuo/discreto, senza promuovere nuovi B fisici finche' un surrogate domain-native non fallisce il lettore.", "reason": "QxG e' la coppia canonica ancora vuota; il ramo 8 GUE / 5 Poisson ha maturato come constraint/tool e deve ora discriminare struttura da rumore su un ponte scollegato, non accumulare tail locali."}}, "notes": "Mantenere il vincolo emerso: graph-boundary e' lettore, non prova fisica. Il prossimo ciclo dovrebbe formulare un osservabile QxG nativo e tentare falsificazione strutturale con shuffle/surrogati prima di ogni interpretazione numerica."} tools/data/valutatore_log.jsonl:164:{"ts": "2026-06-05T12:17:07.170156+00:00", "cycle_ref": "20260605_1202", "executed": false, "decision": "REDESIGN", "confidence": "high", "reasoning": "Il ciclo ha confermato stabilita' del gate graph-boundary su k/seed, ma il risultato resta dichiaratamente TOOL e non promuove fisica, QxG o fisico B. Dopo tre decisioni recenti orientate a cristallizzare/redesignare lo stesso ramo, continuare nello stesso frame accumulerebbe dettaglio locale su uno strumento gia' qualificato invece di produrre cross-dominio o ponte fisico.", "action": {"type": "modify_seme", "detail": {"field": "direzione", "new_value": "Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova.", "reason": "Il nodo maturo e' il trasduttore stabile; il prossimo ciclo deve falsificare se una candidata ha struttura propria nel dominio fisico, non ristressare la geometria del lettore."}}, "notes": "Priorita' suggerita: reaction_diffusion se esiste gia' una misura domain-native di fronte/decadimento/scala; percolation se il repo ha soglie, cluster o critical exponents pronti. Se nessun osservabile domain-native e' disponibile, il ciclo deve prima costruire il contratto osservabile e dichiarare non-testato il ponte fisico."} tools/data/cross_domain_dipolar_direction.json:81: "n_shuffle": 100 tools/data/perturbation_dimensionality_audit_scale0330.json:35: "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:50: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:72: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:206: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:231: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:256: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:281: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:306: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:605: "adjacent_swap_vs_block_shuffle": 0.8990682535481475, tools/data/perturbation_dimensionality_audit_scale0330.json:608: "block_shuffle_vs_large_gap_only": 0.9638304068049981, tools/data/perturbation_dimensionality_audit_scale0330.json:609: "block_shuffle_vs_uniform": 0.9880756607067934, tools/data/perturbation_dimensionality_audit_scale0330.json:614: "prime_shuffle_control": { tools/data/perturbation_dimensionality_audit_scale0330.json:615: "name": "prime_shuffle_control", tools/data/perturbation_dimensionality_audit_scale0330.json:624: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:646: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:780: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:805: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:830: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:855: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:880: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1179: "adjacent_swap_vs_block_shuffle": 0.4510885355648698, tools/data/perturbation_dimensionality_audit_scale0330.json:1182: "block_shuffle_vs_large_gap_only": 0.9625773734503342, tools/data/perturbation_dimensionality_audit_scale0330.json:1183: "block_shuffle_vs_uniform": 0.9057586140467225, tools/data/perturbation_dimensionality_audit_scale0330.json:1198: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:1220: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:1354: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1379: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1404: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1429: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1454: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1753: "adjacent_swap_vs_block_shuffle": 0.9443917292986904, tools/data/perturbation_dimensionality_audit_scale0330.json:1756: "block_shuffle_vs_large_gap_only": 0.9703323484916581, tools/data/perturbation_dimensionality_audit_scale0330.json:1757: "block_shuffle_vs_uniform": -0.1389727217589581, tools/data/perturbation_dimensionality_audit_scale0330.json:1774: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:1796: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:1930: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1955: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:1980: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2005: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2030: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2329: "adjacent_swap_vs_block_shuffle": 0.9534152068149135, tools/data/perturbation_dimensionality_audit_scale0330.json:2332: "block_shuffle_vs_large_gap_only": 0.9980845774584048, tools/data/perturbation_dimensionality_audit_scale0330.json:2333: "block_shuffle_vs_uniform": 0.9925506682755343, tools/data/perturbation_dimensionality_audit_scale0330.json:2348: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:2370: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:2504: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2529: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2554: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2579: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2604: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:2903: "adjacent_swap_vs_block_shuffle": 0.8080168871715463, tools/data/perturbation_dimensionality_audit_scale0330.json:2906: "block_shuffle_vs_large_gap_only": 0.96400789387198, tools/data/perturbation_dimensionality_audit_scale0330.json:2907: "block_shuffle_vs_uniform": 0.9847259951774038, tools/data/perturbation_dimensionality_audit_scale0330.json:2922: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:2944: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:3078: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3103: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3128: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3153: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3178: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3477: "adjacent_swap_vs_block_shuffle": 0.5053722503642389, tools/data/perturbation_dimensionality_audit_scale0330.json:3480: "block_shuffle_vs_large_gap_only": 0.9237933860606043, tools/data/perturbation_dimensionality_audit_scale0330.json:3481: "block_shuffle_vs_uniform": 0.8413400905578732, tools/data/perturbation_dimensionality_audit_scale0330.json:3496: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:3518: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:3652: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3677: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3702: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3727: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:3752: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4051: "adjacent_swap_vs_block_shuffle": 0.7152795180946557, tools/data/perturbation_dimensionality_audit_scale0330.json:4054: "block_shuffle_vs_large_gap_only": 0.9768242923577011, tools/data/perturbation_dimensionality_audit_scale0330.json:4055: "block_shuffle_vs_uniform": 0.9547473043577155, tools/data/perturbation_dimensionality_audit_scale0330.json:4070: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:4092: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:4226: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4251: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4276: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4301: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4326: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4625: "adjacent_swap_vs_block_shuffle": 0.8735855888463753, tools/data/perturbation_dimensionality_audit_scale0330.json:4628: "block_shuffle_vs_large_gap_only": 0.9821059630676505, tools/data/perturbation_dimensionality_audit_scale0330.json:4629: "block_shuffle_vs_uniform": 0.98824335564507, tools/data/perturbation_dimensionality_audit_scale0330.json:4644: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:4666: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:4800: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4825: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4850: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4875: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:4900: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5199: "adjacent_swap_vs_block_shuffle": 0.9522706176114041, tools/data/perturbation_dimensionality_audit_scale0330.json:5202: "block_shuffle_vs_large_gap_only": 0.9963664922671357, tools/data/perturbation_dimensionality_audit_scale0330.json:5203: "block_shuffle_vs_uniform": 0.9983422300526071, tools/data/perturbation_dimensionality_audit_scale0330.json:5231: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:5253: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:5387: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5412: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5437: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5462: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5487: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5786: "adjacent_swap_vs_block_shuffle": 0.38229620553880583, tools/data/perturbation_dimensionality_audit_scale0330.json:5789: "block_shuffle_vs_large_gap_only": -0.5792150696775179, tools/data/perturbation_dimensionality_audit_scale0330.json:5790: "block_shuffle_vs_uniform": 0.9832865092263132, tools/data/perturbation_dimensionality_audit_scale0330.json:5805: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:5827: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:5961: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:5986: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6011: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6036: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6061: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6360: "adjacent_swap_vs_block_shuffle": 0.6312522774181886, tools/data/perturbation_dimensionality_audit_scale0330.json:6363: "block_shuffle_vs_large_gap_only": 0.21801233589848296, tools/data/perturbation_dimensionality_audit_scale0330.json:6364: "block_shuffle_vs_uniform": 0.773986623513071, tools/data/perturbation_dimensionality_audit_scale0330.json:6379: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:6401: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:6535: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6560: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6585: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6610: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6635: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:6934: "adjacent_swap_vs_block_shuffle": 0.12868571243094712, tools/data/perturbation_dimensionality_audit_scale0330.json:6937: "block_shuffle_vs_large_gap_only": -0.05972887618110173, tools/data/perturbation_dimensionality_audit_scale0330.json:6938: "block_shuffle_vs_uniform": 0.7716894360482688, tools/data/perturbation_dimensionality_audit_scale0330.json:6953: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:6975: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:7109: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7134: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7159: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7184: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7209: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7508: "adjacent_swap_vs_block_shuffle": 0.6185570937662872, tools/data/perturbation_dimensionality_audit_scale0330.json:7511: "block_shuffle_vs_large_gap_only": 0.5320304717753652, tools/data/perturbation_dimensionality_audit_scale0330.json:7512: "block_shuffle_vs_uniform": 0.29451225286925375, tools/data/perturbation_dimensionality_audit_scale0330.json:7527: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:7549: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:7683: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7708: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7733: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7758: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:7783: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:8082: "adjacent_swap_vs_block_shuffle": -0.634725020325936, tools/data/perturbation_dimensionality_audit_scale0330.json:8085: "block_shuffle_vs_large_gap_only": -0.6745139220677877, tools/data/perturbation_dimensionality_audit_scale0330.json:8086: "block_shuffle_vs_uniform": -0.28824715979121474, tools/data/perturbation_dimensionality_audit_scale0330.json:8101: "full_shuffle_baseline": { tools/data/perturbation_dimensionality_audit_scale0330.json:8123: "original_vs_shuffle_z": { tools/data/perturbation_dimensionality_audit_scale0330.json:8257: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:8282: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:8307: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:8332: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:8357: "perturbation": "block_shuffle", tools/data/perturbation_dimensionality_audit_scale0330.json:8656: "adjacent_swap_vs_block_shuffle": -0.18930283712950005, tools/data/perturbation_dimensionality_audit_scale0330.json:8659: "block_shuffle_vs_large_gap_only": -0.16269825817747527, tools/data/perturbation_dimensionality_audit_scale0330.json:8660: "block_shuffle_vs_uniform": 0.030517342859189125, tools/data/potential_return/potential_return_20260605_1202.json:11: "verdict": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native." tools/data/potential_return/potential_return_20260605_1202.json:14: "physical_a": "transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo", tools/data/potential_return/potential_return_20260605_1202.json:16: "current_b": "percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native.", tools/data/potential_return/potential_return_20260605_1202.json:17: "return_section": "Oggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate." tools/data/potential_return/potential_return_20260605_1202.json:21: "bicono": "- **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 - **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed - **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con third_included_candidates - **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only", tools/data/potential_return/potential_return_20260605_1202.json:22: "consecutio": "Prossimo passo minimo: scegliere un solo fisico B tra percolation:cycle_9 e reaction_diffusion:cycle_11 e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come stable_graph_tool_only." tools/data/potential_return/potential_return_20260605_1202.json:75: "kind": "percolation_and_reaction_diffusion_closed_under_current_reader", tools/data/potential_return/potential_return_20260605_1202.json:78: "percolation": { tools/data/potential_return/potential_return_20260605_1202.json:79: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/potential_return_20260605_1202.json:80: "target": "percolation:cycle_9", tools/data/potential_return/potential_return_20260605_1202.json:94: "reaction_diffusion": { tools/data/potential_return/potential_return_20260605_1202.json:95: "artifact": "tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json", tools/data/potential_return/potential_return_20260605_1202.json:96: "target": "reaction_diffusion:cycle_11", tools/data/potential_return/potential_return_20260605_1202.json:115: "percolation": { tools/data/potential_return/potential_return_20260605_1202.json:116: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/potential_return_20260605_1202.json:117: "target": "percolation:cycle_9", tools/data/potential_return/potential_return_20260605_1202.json:131: "reaction_diffusion": { tools/data/potential_return/potential_return_20260605_1202.json:132: "artifact": "tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json", tools/data/potential_return/potential_return_20260605_1202.json:133: "target": "reaction_diffusion:cycle_11", tools/data/potential_return/potential_return_20260605_1202.json:146: "percolation", tools/data/potential_return/potential_return_20260605_1202.json:147: "reaction_diffusion" tools/data/potential_return/potential_return_20260605_1202.json:152: "target": "percolation", tools/data/potential_return/potential_return_20260605_1202.json:153: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/potential_return_20260605_1202.json:155: "detail": "percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128" tools/data/potential_return/potential_return_20260605_1202.json:161: "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt?" tools/data/potential_return/potential_return_20260605_1202.json:170: "percolation_or_logistic_as_authority_without_counter_perimeter", tools/data/potential_return/latest.json:11: "verdict": "Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native." tools/data/potential_return/latest.json:14: "physical_a": "transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo", tools/data/potential_return/latest.json:16: "current_b": "percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native.", tools/data/potential_return/latest.json:17: "return_section": "Oggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate." tools/data/potential_return/latest.json:21: "bicono": "- **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 - **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed - **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con third_included_candidates - **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only", tools/data/potential_return/latest.json:22: "consecutio": "Prossimo passo minimo: scegliere un solo fisico B tra percolation:cycle_9 e reaction_diffusion:cycle_11 e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come stable_graph_tool_only." tools/data/potential_return/latest.json:75: "kind": "percolation_and_reaction_diffusion_closed_under_current_reader", tools/data/potential_return/latest.json:78: "percolation": { tools/data/potential_return/latest.json:79: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/latest.json:80: "target": "percolation:cycle_9", tools/data/potential_return/latest.json:94: "reaction_diffusion": { tools/data/potential_return/latest.json:95: "artifact": "tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json", tools/data/potential_return/latest.json:96: "target": "reaction_diffusion:cycle_11", tools/data/potential_return/latest.json:115: "percolation": { tools/data/potential_return/latest.json:116: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/latest.json:117: "target": "percolation:cycle_9", tools/data/potential_return/latest.json:131: "reaction_diffusion": { tools/data/potential_return/latest.json:132: "artifact": "tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json", tools/data/potential_return/latest.json:133: "target": "reaction_diffusion:cycle_11", tools/data/potential_return/latest.json:146: "percolation", tools/data/potential_return/latest.json:147: "reaction_diffusion" tools/data/potential_return/latest.json:152: "target": "percolation", tools/data/potential_return/latest.json:153: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/latest.json:155: "detail": "percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128" tools/data/potential_return/latest.json:161: "Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt?" tools/data/potential_return/latest.json:170: "percolation_or_logistic_as_authority_without_counter_perimeter", tools/data/potential_return/potential_return_20260603_1955.json:84: "percolation_or_logistic_as_authority_without_counter_perimeter", tools/data/potential_return/potential_return_20260529_0938.json:62: "falsifier_summary": "Il report non e' pienamente coerente: la rottura primaria e' L8, perche' dichiara aderenza ma devia dalla direzione viva Anderson verso percolation/logistica; L4 e L6 richiedono perimetro e verifica piu' stretti.", tools/data/potential_return/potential_return_20260529_0938.json:78: "percolation_or_logistic_as_authority_without_counter_perimeter", tools/data/potential_return/potential_return_20260604_1909.json:14: "physical_a": "statistica spettrale GUE/Poisson come manifestazione di caos/indipendenza nei domini fisici e semi-fisici. Trasduttore matematico M: grafo kNN in feature space canonico + rigidity + shuffle-z, con curvature edge audit. Possibile fisico B: percolation e reaction-diffusion come setup di transizione fisica che ricevono il segnale di passaggio", tools/data/potential_return/potential_return_20260604_1909.json:15: "mathematical_m": "grafo kNN in feature space canonico + rigidity + shuffle-z, con curvature edge audit. Possibile fisico B: percolation e reaction-diffusion come setup di transizione fisica che ricevono il segnale di passaggio", tools/data/potential_return/potential_return_20260604_1909.json:16: "current_b": "percolation e reaction-diffusion come setup di transizione fisica che ricevono il segnale di passaggio", tools/data/potential_return/potential_return_20260604_1909.json:17: "return_section": "Oggetto reale che riceve il risultato: il denominatore cross-dominio 13-row del boundary, con setup fisici/semi-fisici come percolation e reaction_diffusion tra i candidati low-margin. Fisico A: transizione statistica GUE/Poisson in spettri e dinamiche fisiche. M: grafo kNN su osservabili canonici + rigidity + shuffle-z. Fisico B tentato: percolation e reaction-diffusion come fenomeni di transizione dove il confine potrebbe essere testato come passaggio geometrico, non come label spettrale. Ritorno fisico non promosso: il risultato resta graph-operational. Serve stress k/seed/null e, per B, un osservabile domain-native di percolation o reaction-diffusion che replichi il passaggio senza usare il label GUE/Poisson come guida." tools/data/potential_return/potential_return_20260604_1909.json:22: "consecutio": "Prossimo passo minimo: stressare lo stesso tool senza cambiare domanda, con griglia k in {2,3,4} e 3 seed shuffle, e promuovere solo righe che restano third-included in modo stabile. Se la stabilita' cade, il ramo resta graph_only_residue. Se resta, scegliere un solo candidato fisico B tra percolation e reaction-diffusion e costruire un osservabile domain-native." tools/data/potential_return/potential_return_20260604_1909.json:70: "falsifier_summary": "Il report e' internamente coerente rispetto ai dati visibili: le 8 lenti risultano pulite, con tail percolation e non-possibile dichiarati invece che arrotondati via.", tools/data/potential_return/potential_return_20260604_1909.json:75: "kind": "percolation_and_reaction_diffusion_closed_under_current_reader", tools/data/potential_return/potential_return_20260604_1909.json:78: "percolation": { tools/data/potential_return/potential_return_20260604_1909.json:79: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/potential_return_20260604_1909.json:80: "target": "percolation:cycle_9", tools/data/potential_return/potential_return_20260604_1909.json:94: "reaction_diffusion": { tools/data/potential_return/potential_return_20260604_1909.json:95: "artifact": "tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json", tools/data/potential_return/potential_return_20260604_1909.json:96: "target": "reaction_diffusion:cycle_11", tools/data/potential_return/potential_return_20260604_1909.json:115: "percolation": { tools/data/potential_return/potential_return_20260604_1909.json:116: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/potential_return_20260604_1909.json:117: "target": "percolation:cycle_9", tools/data/potential_return/potential_return_20260604_1909.json:131: "reaction_diffusion": { tools/data/potential_return/potential_return_20260604_1909.json:132: "artifact": "tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json", tools/data/potential_return/potential_return_20260604_1909.json:133: "target": "reaction_diffusion:cycle_11", tools/data/potential_return/potential_return_20260604_1909.json:146: "percolation", tools/data/potential_return/potential_return_20260604_1909.json:147: "reaction_diffusion" tools/data/potential_return/potential_return_20260604_1909.json:152: "target": "percolation", tools/data/potential_return/potential_return_20260604_1909.json:153: "artifact": "tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json", tools/data/potential_return/potential_return_20260604_1909.json:155: "detail": "percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128" tools/data/potential_return/potential_return_20260604_1909.json:161: "The qualified graph-boundary completion is coherent: stable graph-boundary tool / graph-only residue, physical B not promoted, percolation non-full tail preserved as redesign debt. Next move: leave this branch closed unless a new domain-native reader/observable is designed for the percolation tail, or return to the live seed/scenario direction instead of repeating the same graph-only reader." tools/data/potential_return/potential_return_20260604_1909.json:170: "percolation_or_logistic_as_authority_without_counter_perimeter", tools/data/notte_20260401_0330.md:23: percolation_cp_0.3791475515293742: r=1.0, spacing=GUE-like [conferma] tools/data/notte_20260401_0330.md:24: percolation_cp_0.8403996160580126: r=0.9655172413793103, spacing=GUE-like [conferma] tools/data/notte_20260401_0330.md:84: -> percolation_cp_0.8132922606103345: ['spacing_gue', 'struttura_dnd_piena'] tools/data/notte_20260401_0330.md:85: -> percolation_cp_0.8403996160580126: ['spacing_gue', 'convergenza_triviale'] tools/data/notte_20260401_0330.md:103: Domini GUE: collatz_cp, ising_2d_cp_-0.46615852163115534, ising_2d_cp_0.33645649256599713, percolation_cp_0.3791475515293742, percolation_cp_0.8403996160580126, cellular_automata_cp_90, ising_2d_var_0.1 tools/data/conoscenza_teorie.json:514: "data_falsificazione": "2026-04-22 (ciclo 45 shuffle audit)", tools/data/conoscenza_teorie.json:515: "reason": "Il framework two-channel resta valido per slope_mag, slope_res, lag-1 ACF, Markov-3 bits individualmente (z>>2 sopravvivono shuffle). Ma 3 proprieta' citate come supporto (xcorr, slope_ratio, K*) sono state declassate a tautologie algebriche. L'insight nel complesso regge come \"parzialmente genuino\" ma non come \"verified holistic framework\".", tools/data/conoscenza_teorie.json:571: "data_falsificazione": "2026-04-22 (ciclo 45 shuffle audit)", tools/data/conoscenza_teorie.json:572: "reason": "Il claim \"K*=2 lags capture 99%\" e' identita' derivativa dalla distribuzione dei gap (shuffle preserva K*). Il contenuto scientifico genuino del ciclo resta: ACF structure, Wiener-Khinchin self-consistency, lag-1/lag-2 breakdown. K* come discriminante dei primi e' nel cimitero.", tools/data/conoscenza_teorie.json:582: "claim": "The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay?", tools/data/conoscenza_teorie.json:588: "invariante": "la frazione 1/3 (~33.6%) dell'informazione di ordinamento nel canale residuo che sopravvive a qualsiasi scala misurata. Sopravvive al cambio di scala (da p=22K a p=10M), al cambio di dimensione finestra, al cambio di seme shuffle.", tools/data/conoscenza_teorie.json:615: "invariante": "la coprimality constraint. Sopravvive a qualsiasi riscalamento dei gap, a qualsiasi finestra, a qualsiasi scala. Non dipende dalla densita (Cramer ha 0%) ne dalla distribuzione (shuffle la distrugge). E puramente algebrico: gcd(p, 3) = 1 per p > 3.", tools/data/conoscenza_teorie.json:640: "radici": "segno del determinante · denominatore contro shuffle.", tools/data/conoscenza_teorie.json:642: "invariante": "non il valore `-1`; sopravvive solo la domanda se il reale si separa dallo shuffle.", tools/data/conoscenza_teorie.json:858: "claim": "The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay?", tools/data/conoscenza_teorie.json:864: "invariante": "la frazione 1/3 (~33.6%) dell'informazione di ordinamento nel canale residuo che sopravvive a qualsiasi scala misurata. Sopravvive al cambio di scala (da p=22K a p=10M), al cambio di dimensione finestra, al cambio di seme shuffle.", tools/data/conoscenza_teorie.json:904: "invariante": "la coprimality constraint. Sopravvive a qualsiasi riscalamento dei gap, a qualsiasi finestra, a qualsiasi scala. Non dipende dalla densita (Cramer ha 0%) ne dalla distribuzione (shuffle la distrugge). E puramente algebrico: gcd(p, 3) = 1 per p > 3.", tools/data/conoscenza_teorie.json:991: "claim": "The boundary between GUE and Poisson regimes should affect the two-channel decomposition. If gap correlations decay with prime scale (Brody β → 0), does the Markov-3 ordering information in the residue channel also decay?", tools/data/conoscenza_teorie.json:997: "invariante": "la frazione 1/3 (~33.6%) dell'informazione di ordinamento nel canale residuo che sopravvive a qualsiasi scala misurata. Sopravvive al cambio di scala (da p=22K a p=10M), al cambio di dimensione finestra, al cambio di seme shuffle.", tools/data/conoscenza_teorie.json:1037: "invariante": "la coprimality constraint. Sopravvive a qualsiasi riscalamento dei gap, a qualsiasi finestra, a qualsiasi scala. Non dipende dalla densita (Cramer ha 0%) ne dalla distribuzione (shuffle la distrugge). E puramente algebrico: gcd(p, 3) = 1 per p > 3.", tools/data/psd_prime_gaps_results.json:9: "dip_ratio_shuffle": 0.9940386942880581, tools/data/notte_20260321_0330.md:13: percolation_var_0.55: r=1.0454545454545456, spacing=Poisson-like (⟨r⟩=0.4677794328528817) tools/data/notte_20260321_0330.md:14: percolation_var_0.65: r=1.1785714285714284, spacing=Poisson-like (⟨r⟩=0.4343171927696077) tools/data/boundary_coherence.json:52: "shuffle_raw": { tools/data/boundary_coherence.json:59: "shuffle_tau": { tools/data/boundary_coherence.json:66: "shuffle_tau_mean": 0.47425749062718614, tools/data/boundary_coherence.json:67: "shuffle_tau_std": 0.21672660110853104, tools/data/boundary_coherence.json:69: "coherence_shuffle": 0.21672660110853104, tools/data/boundary_coherence.json:97: "shuffle_raw": { tools/data/boundary_coherence.json:104: "shuffle_tau": { tools/data/boundary_coherence.json:111: "shuffle_tau_mean": 0.4229303754871947, tools/data/boundary_coherence.json:112: "shuffle_tau_std": 0.23331091339595797, tools/data/boundary_coherence.json:114: "coherence_shuffle": 0.23331091339595797, tools/data/boundary_coherence.json:142: "shuffle_raw": { tools/data/boundary_coherence.json:149: "shuffle_tau": { tools/data/boundary_coherence.json:156: "shuffle_tau_mean": 0.3149036217800258, tools/data/boundary_coherence.json:157: "shuffle_tau_std": 0.19212724985264837, tools/data/boundary_coherence.json:159: "coherence_shuffle": 0.19212724985264837, tools/data/boundary_coherence.json:187: "shuffle_raw": { tools/data/boundary_coherence.json:194: "shuffle_tau": { tools/data/boundary_coherence.json:201: "shuffle_tau_mean": 0.31303365008438483, tools/data/boundary_coherence.json:202: "shuffle_tau_std": 0.18168940379810364, tools/data/boundary_coherence.json:204: "coherence_shuffle": 0.18168940379810364, tools/data/lab_logiche_corpus.md:252:e il suo punto di equilibrio. La normalizzazione produce il confronto. tools/data/lab_logiche_corpus.md:305:Formulare 1 ipotesi di frontiera plausibile e contro-intuitiva. tools/data/lab_logiche_corpus.md:309:L'ipotesi di frontiera è la domanda del ciclo successivo. tools/data/lab_logiche_corpus.md:600:- Laterale: connessioni non ovvie, ΔLink, ipotesi di frontiera (YSN) tools/data/cognitive_enzymes_archive.json:1153: "snippet": "Funzione nel Lab: - estrarre fino a 5 concetti/tensioni dal campo; - generare 3 connessioni non ovvie, chiamate `DeltaLink`; - produrre 1 ipotesi di frontiera contro-intuitiva; - dichiarare bias, rischio di pattern forcing e incertezza; - trasformare la sorpresa in domanda del ciclo. Uso corretto: ```text YSN.extract(campo) -> concetti YSN.delta_link(concett" tools/data/cognitive_enzymes_archive.json:4318: "snippet": "\"Normalizziamo alla logica del modello D-ND teorie scientifiche e linguaggi, ogni contesto è risolto nella dinamica esposta: cerchiamo Dipoli.\" **Per il lab**: quando il lab processa una teoria fisica, il primo atto è trovare i dipoli nella teoria. Ogni teoria ha i suoi estremi e il suo punto di equilibrio. La normalizzazione produce il confronto. ---" tools/data/cognitive_enzymes_archive.json:5777: "snippet": "t = np.linspace(0, t_max, time_steps) plt.plot(t, entropy_standard, label='Senza D-ND', linestyle='--') plt.plot(t, entropy_dnd, label='Con D-ND') plt.xlabel('Tempo') plt.ylabel('Entropia di von Neumann') plt.title('Confronto dell\\'Entropia nel Tempo') plt.legend() plt.grid(True) plt.show() ``` --- **Cosa Analizzeremo** 1. **Conservazione dell'Entanglement**" tools/data/cognitive_enzymes_archive.json:6571: "snippet": "Non istanze separate — configurazioni dello stesso campo sulla stessa domanda: - Perturbatore: lancia nel campo, osserva dove risuona (prima impressione) - Focalizzatore: taglia, dipoli, risultante (minima azione) - Distruttore: test di inversione, cerca dove si rompe (KAIROS) - Laterale: connessioni non ovvie, ΔLink, ipotesi di frontiera (YSN) - Custode del" tools/data/cognitive_enzymes_archive.json:7644: "snippet": "t = np.linspace(0, t_max, time_steps) plt.figure(figsize=(10, 6)) plt.subplot(2, 1, 1) plt.plot(t, entropy_standard, label='Senza D-ND', linestyle='--') plt.plot(t, entropy_dnd, label='Con D-ND') plt.xlabel('Tempo') plt.ylabel('Entropia di von Neumann') plt.legend() plt.grid(True) plt.title('Confronto dell\\'Entropia nel Tempo') plt.subplot(2, 1, 2) plt.plot(" tools/data/two_channel_shuffle_audit.json:2: "experiment": "two_channel_shuffle_audit", tools/data/two_channel_shuffle_audit.json:4: "n_shuffle": 50, tools/data/two_channel_shuffle_audit.json:19: "shuffle_mean": 0.0002, tools/data/two_channel_shuffle_audit.json:20: "shuffle_std": 0.0048, tools/data/two_channel_shuffle_audit.json:22: "survives_shuffle": false, tools/data/two_channel_shuffle_audit.json:27: "shuffle_mean": 0.0007, tools/data/two_channel_shuffle_audit.json:28: "shuffle_std": 0.0037, tools/data/two_channel_shuffle_audit.json:30: "survives_shuffle": false, tools/data/two_channel_shuffle_audit.json:35: "shuffle_mean": -2.2621, tools/data/two_channel_shuffle_audit.json:36: "shuffle_std": 26.1883, tools/data/two_channel_shuffle_audit.json:38: "survives_shuffle": true, tools/data/two_channel_shuffle_audit.json:43: "shuffle_mean": -0.0739, tools/data/two_channel_shuffle_audit.json:44: "shuffle_std": 0.0, tools/data/two_channel_shuffle_audit.json:46: "survives_shuffle": true, tools/data/two_channel_shuffle_audit.json:51: "shuffle_mean": -0.0002, tools/data/two_channel_shuffle_audit.json:52: "shuffle_std": 0.0035, tools/data/two_channel_shuffle_audit.json:54: "survives_shuffle": false, tools/data/two_channel_shuffle_audit.json:59: "shuffle_mean": 0.4385, tools/data/two_channel_shuffle_audit.json:60: "shuffle_std": 0.0001, tools/data/two_channel_shuffle_audit.json:62: "survives_shuffle": false, tools/data/two_channel_shuffle_audit.json:67: "shuffle_mean": 9.72, tools/data/two_channel_shuffle_audit.json:68: "shuffle_std": 0.5307, tools/data/two_channel_shuffle_audit.json:70: "survives_shuffle": true, tools/data/two_channel_shuffle_audit.json:75: "shuffle_mean": 0.9922, tools/data/two_channel_shuffle_audit.json:76: "shuffle_std": 0.0153, tools/data/two_channel_shuffle_audit.json:78: "survives_shuffle": false, tools/data/notte_20260326_0330.md:12: percolation_cp_0.3034086711489568: r=0.6949152542372882, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:13: percolation_cp_0.8397168647434718: r=1.0454545454545456, spacing=GUE-like [conferma] tools/data/notte_20260326_0330.md:60: -> percolation_cp_0.8397168647434718: ['spacing_gue', 'convergenza_triviale'] tools/data/agent_field_live.md:13:- Direzione viva ora: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. tools/data/agent_field_live.md:15: - claim bloccato: `relation`: `follows_direction` ... direttiva one-shot su cache/provenance/failure audit ... null fisici interni per logistica/percolation tools/data/agent_field_live.md:16: - evidenza: `seme.json.direzione` dice: prossimo `perturbation/null fisico Anderson su W16/W16.5/W20, non altra metrica derivata`. Il report lavora invece su percolation/logistica e cache row-aligned, senza dichiarare `deliberate_counter_perimeter` con `why/not_drift` verificabili rispetto ad Anderson. tools/data/agent_field_live.md:17: - prossimo uso ammesso: Nel prossimo ciclo riallineare il contratto su Anderson W16/W16.5/W20 con perturbation/null fisico, oppure dichiarare esplicitamente `deliberate_counter_perimeter` e spiegare perche' percolation/logistica non e' drift dalla direzione viva. tools/data/agent_field_live.md:26: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. tools/data/agent_field_live.md:32:Verdict sorgente: Il gate graph-boundary avanza come strumento stabile: i quattro candidati ricorrono 9/9 nella griglia dichiarata. Il risultato non promuove nuova fisica, QxG o fisico B: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native. tools/data/agent_field_live.md:35:- fisica A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo tools/data/agent_field_live.md:37:- fisica B corrente: percolation e reaction_diffusion ricevono solo una coordinata candidata da testare con un osservabile domain-native. tools/data/agent_field_live.md:38:- ritorno dichiarato: Oggetto che riceve il risultato: denominatore fisico/semi-fisico 13-row del boundary. Fisico A: transizione statistica GUE/Poisson. M: graph-boundary kNN + rigidity/shuffle-z + stabilita' k/seed. Fisico B possibile: percolation o reaction_diffusion, ma solo come prossimo test domain-native. Relazione nuova: la stabilita' del trasduttore autorizza a scegliere un solo candidato B nel prossimo ciclo; non autorizza a chiamare fisico il gate. tools/data/agent_field_live.md:41:- Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? tools/data/agent_field_live.md:49:- bicono: - **Due radici**: repulsione spettrale GUE / indipendenza spettrale Poisson nel denominatore 8/5 - **Singolare**: riga cross-label a basso margine che resta candidata quando cambia k e seed - **Invariante di passaggio**: quattro candidate id stabili 9/9 sul denominatore 13-row con third_included_candidates - **Campo di possibilità**: qui diventa possibile usare il gate come trasduttore stabile verso un prossimo test domain-native; qui diventa non-possibile promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only tools/data/agent_field_live.md:50:- consecutio: Prossimo passo minimo: scegliere un solo fisico B tra percolation:cycle_9 e reaction_diffusion:cycle_11 e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come stable_graph_tool_only. tools/data/agent_field_live.md:58:- percolation_or_logistic_as_authority_without_counter_perimeter tools/data/agent_field_live.md:81:- domanda: Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? Hard stop: if no new domain-native observable is named before the report, exit BOUNDARY and select a non-BOUNDARY live seed/scenario direction. tools/data/agent_field_live.md:89:- focus D-ND: Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '25': 1, '26': 4}; full=122/128. What is the completion move: crystallize a qualified graph-boundary tool / graph-only residue with physical B not separated under the tested nulls, while preserving the percolation non-full tail as redesign debt? tools/data/agent_field_live.md:93:- punto-zero: Name the zero where the two poles become one problem: e.g. percolation/reaction-diffusion transition coordinate, not a promoted graph label. tools/data/agent_field_live.md:99:- percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods — produce domain-native observable; graph-only residue cannot become physics B tools/data/agent_field_live.md:145:- potential_return_question: Reaction-diffusion reconstructs the stable graph-boundary full hit count in 8/8 quick null trials; percolation reconstructs it in 122/128 under the latest extended null, with edge cases percolation null distribution below full: {'14': 1, '2 — the next move is still a question/contract, not discovery tools/data/agent_field_live.md:149:- science_baseline_separation: percolation criticality, reaction-diffusion transition, graph boundary and manifold/classification methods — produce domain-native observable; graph-only residue cannot become physics B tools/data/agent_field_live.md:179:**Direzione seme da respirare**: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. tools/data/agent_field_live.md:182:- Direzione viva del seme: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. tools/data/agent_field_live.md:184:- Direzione operativa valutatore: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. tools/data/agent_field_live.md:186:- Nota: Priorita' suggerita: reaction_diffusion se esiste gia' una misura domain-native di fronte/decadimento/scala; percolation se il repo ha soglie, cluster o critical exponents pronti. Se nessun osservabile domain-native e' disponibile, il ciclo deve prima costruire il contratto osservabile e dichiarare non-testato il ponte fisico. tools/data/agent_field_live.md:254:- shuffle che preserva distribuzione ma distrugge ordine; tools/data/agent_field_live.md:255:- confronto con spazio piatto, de Sitter, anti-de Sitter, random metric. tools/data/agent_field_live.md:324:- spectrum-preserving shuffle. tools/data/agent_field_live.md:463:- block shuffle; tools/data/agent_field_live.md:464:- time shuffle; tools/data/agent_field_live.md:537:- edge shuffle; tools/data/agent_field_live.md:604:- grammar shuffle; tools/data/agent_field_live.md:612:- percolation; tools/data/agent_field_live.md:635:- lattice shuffle; tools/data/agent_field_live.md:727:- paraphrase shuffle; tools/data/agent_field_live.md:796:- produrre 1 ipotesi di frontiera contro-intuitiva; tools/data/agent_field_live.md:805:YSN.frontier(delta_links) -> 1 ipotesi di frontiera tools/data/agent_field_live.md:821:- ipotesi di frontiera: il confine non e' una classe statistica, ma una tools/data/agent_field_live.md:1074:- **Domanda aperta** (consecutio): Prossimo passo minimo: scegliere un solo fisico B tra `percolation:cycle_9` e `reaction_diffusion:cycle_11` e costruire un osservabile domain-native che non usi il label GUE/Poisson come guida. Se non emerge un osservabile domain-native, chiudere il ramo come `stable_graph_tool_only`. tools/data/agent_field_live.md:1145:Direzione viva attuale: Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova. tools/data/agent_field_live.md:1155:Possibile: usare il gate come trasduttore stabile verso un prossimo test domain-native | Non-possibile: promuovere QxG, percolation o reaction_diffusion da sola stabilita' graph-only tools/data/agent_field_live.md:1197:`Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle, senza usare il gate graph-boundary come prova.` tools/data/agent_field_live.md:1207:## Piano 141 — Ritorno fisico domain-native del boundary: scegliere una sola riga candidata stabile tra percolation tools/data/agent_field_live.md:1276:**Come e' caduto**: Shuffle audit: K* reale = 9, shuffle mean = 9.72, tools/data/agent_field_live.md:1277:std = 0.53, z = -1.4. Dentro il rumore dello shuffle. Il valore dipende tools/data/agent_field_live.md:1278:dalla distribuzione dei gap, non dal loro ordine. Lo shuffle preserva tools/data/agent_field_live.md:1290:**Come e' caduto**: Shuffle audit (ciclo 45): z-score = 0.2. Lo shuffle tools/data/agent_field_live.md:1292:valore reale e' dentro la tail dello shuffle — non distinguibile. tools/data/agent_field_live.md:1293:L'instabilita' dello shuffle (std enorme) indica c tools/data/agent_field_live.md:1303:Su 50 shuffle dei gap mantenendo stessa distribuzione ma permutando tools/data/agent_field_live.md:1306:_**Data falsificazione**: 2026-04-22, ciclo 45 shuffle audit._ tools/data/agent_field_live.md:1355:Confronto fra spazi di taglia diversa (mod 3 vs mod 30, finestra stretta vs larga, N piccolo vs grande): le percentuali ingannano perche' il denominatore cresce. Stesso segnale assoluto sembra ridursi in %. Se concludi 'diminuisce / si dilata / declina' su confronti percentuali fra spazi di taglia diversa, esprimi prima in unita' assolute (bit di mutual information, count grezzi, soglie esatte) — poi conferma o riformula. tools/data/perturbation_rank_size_curve.json:14: "block_shuffle", tools/data/perturbation_rank_size_curve.json:50: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:79: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:182: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:200: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:218: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:236: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:254: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:462: "adjacent_swap_vs_block_shuffle": 0.8999100290225119, tools/data/perturbation_rank_size_curve.json:465: "block_shuffle_vs_large_gap_only": 0.5867231458629105, tools/data/perturbation_rank_size_curve.json:466: "block_shuffle_vs_uniform": 0.8299856004765103, tools/data/perturbation_rank_size_curve.json:483: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:512: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:613: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:631: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:649: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:667: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:685: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:893: "adjacent_swap_vs_block_shuffle": -0.910799035010174, tools/data/perturbation_rank_size_curve.json:896: "block_shuffle_vs_large_gap_only": -0.9375531204451065, tools/data/perturbation_rank_size_curve.json:897: "block_shuffle_vs_uniform": -0.5497094191258792, tools/data/perturbation_rank_size_curve.json:914: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:943: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:1047: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1065: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1083: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1101: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1119: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1327: "adjacent_swap_vs_block_shuffle": 0.978056947812649, tools/data/perturbation_rank_size_curve.json:1330: "block_shuffle_vs_large_gap_only": 0.9947057595521503, tools/data/perturbation_rank_size_curve.json:1331: "block_shuffle_vs_uniform": 0.9773189616686087, tools/data/perturbation_rank_size_curve.json:1343: "adjacent_swap_vs_block_shuffle": 0.9991060064432197, tools/data/perturbation_rank_size_curve.json:1346: "block_shuffle_vs_large_gap_only": 0.9989786794959211, tools/data/perturbation_rank_size_curve.json:1347: "block_shuffle_vs_uniform": 0.9999873504504584, tools/data/perturbation_rank_size_curve.json:1363: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:1392: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:1493: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1511: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1529: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1547: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1565: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1773: "adjacent_swap_vs_block_shuffle": 0.9722534380396797, tools/data/perturbation_rank_size_curve.json:1776: "block_shuffle_vs_large_gap_only": 0.8156273808990311, tools/data/perturbation_rank_size_curve.json:1777: "block_shuffle_vs_uniform": -0.6288473850153578, tools/data/perturbation_rank_size_curve.json:1794: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:1823: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:1924: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1942: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1960: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1978: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:1996: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2204: "adjacent_swap_vs_block_shuffle": 0.9798892601507033, tools/data/perturbation_rank_size_curve.json:2207: "block_shuffle_vs_large_gap_only": 0.9617867899960999, tools/data/perturbation_rank_size_curve.json:2208: "block_shuffle_vs_uniform": 0.9363128562275362, tools/data/perturbation_rank_size_curve.json:2225: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:2254: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:2355: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2373: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2391: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2409: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2427: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2635: "adjacent_swap_vs_block_shuffle": 0.6662845792755446, tools/data/perturbation_rank_size_curve.json:2638: "block_shuffle_vs_large_gap_only": 0.8178931719896027, tools/data/perturbation_rank_size_curve.json:2639: "block_shuffle_vs_uniform": 0.02685062410244006, tools/data/perturbation_rank_size_curve.json:2656: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:2685: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:2788: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2806: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2824: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2842: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:2860: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3068: "adjacent_swap_vs_block_shuffle": 0.9561927530419777, tools/data/perturbation_rank_size_curve.json:3071: "block_shuffle_vs_large_gap_only": 0.7984794991861428, tools/data/perturbation_rank_size_curve.json:3072: "block_shuffle_vs_uniform": -0.8793874119190277, tools/data/perturbation_rank_size_curve.json:3089: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:3118: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:3219: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3237: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3255: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3273: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3291: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3499: "adjacent_swap_vs_block_shuffle": 0.022589900321291313, tools/data/perturbation_rank_size_curve.json:3502: "block_shuffle_vs_large_gap_only": 0.3806946652604882, tools/data/perturbation_rank_size_curve.json:3503: "block_shuffle_vs_uniform": 0.8873423101330025, tools/data/perturbation_rank_size_curve.json:3522: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:3551: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:3652: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3670: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3688: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3706: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3724: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:3932: "adjacent_swap_vs_block_shuffle": -0.9307023151196497, tools/data/perturbation_rank_size_curve.json:3935: "block_shuffle_vs_large_gap_only": 0.9370609408578277, tools/data/perturbation_rank_size_curve.json:3936: "block_shuffle_vs_uniform": 0.9989502235410859, tools/data/perturbation_rank_size_curve.json:3953: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:3982: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:4083: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4101: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4119: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4137: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4155: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4363: "adjacent_swap_vs_block_shuffle": -0.9800963101416836, tools/data/perturbation_rank_size_curve.json:4366: "block_shuffle_vs_large_gap_only": 0.9848098228130224, tools/data/perturbation_rank_size_curve.json:4367: "block_shuffle_vs_uniform": -0.9870273680511127, tools/data/perturbation_rank_size_curve.json:4384: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:4413: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:4514: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4532: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4550: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4568: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4586: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4794: "adjacent_swap_vs_block_shuffle": 0.8351982617571322, tools/data/perturbation_rank_size_curve.json:4797: "block_shuffle_vs_large_gap_only": 0.922143444234274, tools/data/perturbation_rank_size_curve.json:4798: "block_shuffle_vs_uniform": 0.5529661347361168, tools/data/perturbation_rank_size_curve.json:4815: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:4844: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:4948: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4966: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:4984: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5002: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5020: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5228: "adjacent_swap_vs_block_shuffle": 0.9782220518149286, tools/data/perturbation_rank_size_curve.json:5231: "block_shuffle_vs_large_gap_only": 0.928907275259263, tools/data/perturbation_rank_size_curve.json:5232: "block_shuffle_vs_uniform": 0.7212072216475767, tools/data/perturbation_rank_size_curve.json:5244: "adjacent_swap_vs_block_shuffle": 0.9994486346483795, tools/data/perturbation_rank_size_curve.json:5247: "block_shuffle_vs_large_gap_only": 0.9897928725342575, tools/data/perturbation_rank_size_curve.json:5248: "block_shuffle_vs_uniform": 0.9998933614855066, tools/data/perturbation_rank_size_curve.json:5264: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:5293: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:5394: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5412: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5430: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5448: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5466: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5674: "adjacent_swap_vs_block_shuffle": 0.7220077431736811, tools/data/perturbation_rank_size_curve.json:5677: "block_shuffle_vs_large_gap_only": 0.9518396137722469, tools/data/perturbation_rank_size_curve.json:5678: "block_shuffle_vs_uniform": 0.9119015058613409, tools/data/perturbation_rank_size_curve.json:5695: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:5724: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:5825: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5843: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5861: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5879: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:5897: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6105: "adjacent_swap_vs_block_shuffle": 0.9755115032005158, tools/data/perturbation_rank_size_curve.json:6108: "block_shuffle_vs_large_gap_only": 0.9846042646322235, tools/data/perturbation_rank_size_curve.json:6109: "block_shuffle_vs_uniform": 0.9563755178649028, tools/data/perturbation_rank_size_curve.json:6126: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:6155: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:6256: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6274: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6292: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6310: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6328: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6536: "adjacent_swap_vs_block_shuffle": 0.9055950786128245, tools/data/perturbation_rank_size_curve.json:6539: "block_shuffle_vs_large_gap_only": 0.9418838027282009, tools/data/perturbation_rank_size_curve.json:6540: "block_shuffle_vs_uniform": 0.9412868217874928, tools/data/perturbation_rank_size_curve.json:6557: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:6586: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:6687: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6705: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6723: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6741: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6759: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:6967: "adjacent_swap_vs_block_shuffle": 0.6273032222874639, tools/data/perturbation_rank_size_curve.json:6970: "block_shuffle_vs_large_gap_only": 0.6763131898722226, tools/data/perturbation_rank_size_curve.json:6971: "block_shuffle_vs_uniform": 0.41523645112787716, tools/data/perturbation_rank_size_curve.json:6990: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:7019: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:7122: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7140: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7158: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7176: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7194: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7402: "adjacent_swap_vs_block_shuffle": 0.291876260491219, tools/data/perturbation_rank_size_curve.json:7405: "block_shuffle_vs_large_gap_only": 0.6534735470942404, tools/data/perturbation_rank_size_curve.json:7406: "block_shuffle_vs_uniform": 0.4290539994976522, tools/data/perturbation_rank_size_curve.json:7423: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:7452: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:7555: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7573: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7591: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7609: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7627: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:7835: "adjacent_swap_vs_block_shuffle": 0.9511027772419471, tools/data/perturbation_rank_size_curve.json:7838: "block_shuffle_vs_large_gap_only": 0.9697689448867054, tools/data/perturbation_rank_size_curve.json:7839: "block_shuffle_vs_uniform": 0.9572801531202569, tools/data/perturbation_rank_size_curve.json:7856: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:7885: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:7990: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8008: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8026: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8044: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8062: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8270: "adjacent_swap_vs_block_shuffle": 0.9964767954831644, tools/data/perturbation_rank_size_curve.json:8273: "block_shuffle_vs_large_gap_only": 0.9822458034849243, tools/data/perturbation_rank_size_curve.json:8274: "block_shuffle_vs_uniform": 0.998803746571712, tools/data/perturbation_rank_size_curve.json:8287: "adjacent_swap_vs_block_shuffle": 0.9955614222841611, tools/data/perturbation_rank_size_curve.json:8290: "block_shuffle_vs_large_gap_only": 0.9823919110761542, tools/data/perturbation_rank_size_curve.json:8291: "block_shuffle_vs_uniform": 0.9995235039955053, tools/data/perturbation_rank_size_curve.json:8307: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:8336: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:8441: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8459: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8477: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8495: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8513: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8721: "adjacent_swap_vs_block_shuffle": 0.8766985266963601, tools/data/perturbation_rank_size_curve.json:8724: "block_shuffle_vs_large_gap_only": 0.7276497372409753, tools/data/perturbation_rank_size_curve.json:8725: "block_shuffle_vs_uniform": 0.8614086158072869, tools/data/perturbation_rank_size_curve.json:8738: "adjacent_swap_vs_block_shuffle": 0.9978518444458473, tools/data/perturbation_rank_size_curve.json:8741: "block_shuffle_vs_large_gap_only": 0.9940757900827459, tools/data/perturbation_rank_size_curve.json:8742: "block_shuffle_vs_uniform": 0.9433203713186111, tools/data/perturbation_rank_size_curve.json:8758: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:8787: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:8892: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8910: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8928: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8946: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:8964: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9172: "adjacent_swap_vs_block_shuffle": 0.7622515615888795, tools/data/perturbation_rank_size_curve.json:9175: "block_shuffle_vs_large_gap_only": 0.9885684423782476, tools/data/perturbation_rank_size_curve.json:9176: "block_shuffle_vs_uniform": 0.6660139405146334, tools/data/perturbation_rank_size_curve.json:9189: "adjacent_swap_vs_block_shuffle": 0.9965204554325695, tools/data/perturbation_rank_size_curve.json:9192: "block_shuffle_vs_large_gap_only": 0.9920190698232291, tools/data/perturbation_rank_size_curve.json:9193: "block_shuffle_vs_uniform": 0.9997014629998106, tools/data/perturbation_rank_size_curve.json:9209: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:9238: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:9341: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9359: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9377: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9395: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9413: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9621: "adjacent_swap_vs_block_shuffle": 0.9925923544746182, tools/data/perturbation_rank_size_curve.json:9624: "block_shuffle_vs_large_gap_only": 0.9766438017638971, tools/data/perturbation_rank_size_curve.json:9625: "block_shuffle_vs_uniform": 0.902126940542523, tools/data/perturbation_rank_size_curve.json:9642: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:9671: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:9776: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9794: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9812: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9830: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:9848: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10056: "adjacent_swap_vs_block_shuffle": 0.9937908002384829, tools/data/perturbation_rank_size_curve.json:10059: "block_shuffle_vs_large_gap_only": 0.9979067605646443, tools/data/perturbation_rank_size_curve.json:10060: "block_shuffle_vs_uniform": 0.9738156364874623, tools/data/perturbation_rank_size_curve.json:10073: "adjacent_swap_vs_block_shuffle": 0.9899158298070952, tools/data/perturbation_rank_size_curve.json:10076: "block_shuffle_vs_large_gap_only": 0.9965043373118362, tools/data/perturbation_rank_size_curve.json:10077: "block_shuffle_vs_uniform": 0.9875229037677997, tools/data/perturbation_rank_size_curve.json:10093: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:10122: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:10226: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10244: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10262: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10280: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10298: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10506: "adjacent_swap_vs_block_shuffle": 0.5970776755519127, tools/data/perturbation_rank_size_curve.json:10509: "block_shuffle_vs_large_gap_only": 0.8878297761623526, tools/data/perturbation_rank_size_curve.json:10510: "block_shuffle_vs_uniform": 0.9751178891689055, tools/data/perturbation_rank_size_curve.json:10522: "adjacent_swap_vs_block_shuffle": 0.9997955100139223, tools/data/perturbation_rank_size_curve.json:10525: "block_shuffle_vs_large_gap_only": 0.9664061177613107, tools/data/perturbation_rank_size_curve.json:10526: "block_shuffle_vs_uniform": 0.9493284700625774, tools/data/perturbation_rank_size_curve.json:10544: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:10573: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:10677: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10695: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10713: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10731: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10749: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:10957: "adjacent_swap_vs_block_shuffle": 0.6063143327561837, tools/data/perturbation_rank_size_curve.json:10960: "block_shuffle_vs_large_gap_only": 0.914321656424254, tools/data/perturbation_rank_size_curve.json:10961: "block_shuffle_vs_uniform": 0.6832608152781983, tools/data/perturbation_rank_size_curve.json:10973: "adjacent_swap_vs_block_shuffle": 0.9416653835195755, tools/data/perturbation_rank_size_curve.json:10976: "block_shuffle_vs_large_gap_only": 0.9973129949508035, tools/data/perturbation_rank_size_curve.json:10977: "block_shuffle_vs_uniform": 0.9544963655320828, tools/data/perturbation_rank_size_curve.json:10993: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:11022: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:11128: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11146: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11164: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11182: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11200: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11408: "adjacent_swap_vs_block_shuffle": 0.7452149219310152, tools/data/perturbation_rank_size_curve.json:11411: "block_shuffle_vs_large_gap_only": 0.5519475144357017, tools/data/perturbation_rank_size_curve.json:11412: "block_shuffle_vs_uniform": 0.9890573081528974, tools/data/perturbation_rank_size_curve.json:11426: "adjacent_swap_vs_block_shuffle": 0.9958356927166612, tools/data/perturbation_rank_size_curve.json:11429: "block_shuffle_vs_large_gap_only": 0.9876844910302579, tools/data/perturbation_rank_size_curve.json:11430: "block_shuffle_vs_uniform": 0.9918180749383835, tools/data/perturbation_rank_size_curve.json:11446: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:11475: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:11582: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11600: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11618: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11636: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11654: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:11862: "adjacent_swap_vs_block_shuffle": 0.9981275192606206, tools/data/perturbation_rank_size_curve.json:11865: "block_shuffle_vs_large_gap_only": 0.993180511167132, tools/data/perturbation_rank_size_curve.json:11866: "block_shuffle_vs_uniform": 0.985939656064903, tools/data/perturbation_rank_size_curve.json:11881: "adjacent_swap_vs_block_shuffle": 0.9981275192606206, tools/data/perturbation_rank_size_curve.json:11884: "block_shuffle_vs_large_gap_only": 0.993180511167132, tools/data/perturbation_rank_size_curve.json:11885: "block_shuffle_vs_uniform": 0.985939656064903, tools/data/perturbation_rank_size_curve.json:11901: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:11930: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:12035: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12053: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12071: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12089: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12107: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12315: "adjacent_swap_vs_block_shuffle": 0.9220261544111198, tools/data/perturbation_rank_size_curve.json:12318: "block_shuffle_vs_large_gap_only": 0.8264769485930727, tools/data/perturbation_rank_size_curve.json:12319: "block_shuffle_vs_uniform": 0.5079611244807908, tools/data/perturbation_rank_size_curve.json:12332: "adjacent_swap_vs_block_shuffle": 0.9984297186808244, tools/data/perturbation_rank_size_curve.json:12335: "block_shuffle_vs_large_gap_only": 0.9924941416134446, tools/data/perturbation_rank_size_curve.json:12336: "block_shuffle_vs_uniform": 0.988979650974241, tools/data/perturbation_rank_size_curve.json:12352: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:12381: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:12487: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12505: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12523: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12541: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12559: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12767: "adjacent_swap_vs_block_shuffle": 0.97217617568981, tools/data/perturbation_rank_size_curve.json:12770: "block_shuffle_vs_large_gap_only": 0.9798631249921382, tools/data/perturbation_rank_size_curve.json:12771: "block_shuffle_vs_uniform": 0.9882619085879236, tools/data/perturbation_rank_size_curve.json:12785: "adjacent_swap_vs_block_shuffle": 0.9919934833186441, tools/data/perturbation_rank_size_curve.json:12788: "block_shuffle_vs_large_gap_only": 0.9955461355323696, tools/data/perturbation_rank_size_curve.json:12789: "block_shuffle_vs_uniform": 0.9905430732728483, tools/data/perturbation_rank_size_curve.json:12805: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:12834: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:12938: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12956: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12974: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:12992: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13010: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13218: "adjacent_swap_vs_block_shuffle": 0.8758912884466262, tools/data/perturbation_rank_size_curve.json:13221: "block_shuffle_vs_large_gap_only": 0.9938338698016367, tools/data/perturbation_rank_size_curve.json:13222: "block_shuffle_vs_uniform": -0.10658550446702139, tools/data/perturbation_rank_size_curve.json:13234: "adjacent_swap_vs_block_shuffle": 0.9991024810070996, tools/data/perturbation_rank_size_curve.json:13237: "block_shuffle_vs_large_gap_only": 0.9993552056267742, tools/data/perturbation_rank_size_curve.json:13238: "block_shuffle_vs_uniform": 0.9445905796150724, tools/data/perturbation_rank_size_curve.json:13254: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:13283: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:13389: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13407: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13425: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13443: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13461: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13669: "adjacent_swap_vs_block_shuffle": 0.9907157124275072, tools/data/perturbation_rank_size_curve.json:13672: "block_shuffle_vs_large_gap_only": 0.9812376684725868, tools/data/perturbation_rank_size_curve.json:13673: "block_shuffle_vs_uniform": 0.9912056143446701, tools/data/perturbation_rank_size_curve.json:13687: "adjacent_swap_vs_block_shuffle": 0.9953521510962765, tools/data/perturbation_rank_size_curve.json:13690: "block_shuffle_vs_large_gap_only": 0.9885014997573174, tools/data/perturbation_rank_size_curve.json:13691: "block_shuffle_vs_uniform": 0.9989209766779272, tools/data/perturbation_rank_size_curve.json:13707: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:13736: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:13841: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13859: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13877: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13895: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:13913: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14121: "adjacent_swap_vs_block_shuffle": 0.9925843656142774, tools/data/perturbation_rank_size_curve.json:14124: "block_shuffle_vs_large_gap_only": 0.9809095463459151, tools/data/perturbation_rank_size_curve.json:14125: "block_shuffle_vs_uniform": 0.9943941568915958, tools/data/perturbation_rank_size_curve.json:14138: "adjacent_swap_vs_block_shuffle": 0.9901432717832521, tools/data/perturbation_rank_size_curve.json:14141: "block_shuffle_vs_large_gap_only": 0.9771660096935674, tools/data/perturbation_rank_size_curve.json:14142: "block_shuffle_vs_uniform": 0.9917340315881824, tools/data/perturbation_rank_size_curve.json:14160: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:14189: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:14295: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14313: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14331: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14349: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14367: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14575: "adjacent_swap_vs_block_shuffle": -0.30024691776662044, tools/data/perturbation_rank_size_curve.json:14578: "block_shuffle_vs_large_gap_only": 0.9081995751745474, tools/data/perturbation_rank_size_curve.json:14579: "block_shuffle_vs_uniform": 0.6497058404046335, tools/data/perturbation_rank_size_curve.json:14593: "adjacent_swap_vs_block_shuffle": 0.6488305513508161, tools/data/perturbation_rank_size_curve.json:14596: "block_shuffle_vs_large_gap_only": 0.984813243559208, tools/data/perturbation_rank_size_curve.json:14597: "block_shuffle_vs_uniform": 0.9114823857106862, tools/data/perturbation_rank_size_curve.json:14613: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:14642: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:14749: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14767: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14785: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14803: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:14821: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15029: "adjacent_swap_vs_block_shuffle": 0.9965231239381387, tools/data/perturbation_rank_size_curve.json:15032: "block_shuffle_vs_large_gap_only": 0.9915373437022742, tools/data/perturbation_rank_size_curve.json:15033: "block_shuffle_vs_uniform": 0.996243678954178, tools/data/perturbation_rank_size_curve.json:15048: "adjacent_swap_vs_block_shuffle": 0.9965231239381387, tools/data/perturbation_rank_size_curve.json:15051: "block_shuffle_vs_large_gap_only": 0.9915373437022742, tools/data/perturbation_rank_size_curve.json:15052: "block_shuffle_vs_uniform": 0.996243678954178, tools/data/perturbation_rank_size_curve.json:15068: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:15097: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:15204: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15222: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15240: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15258: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15276: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15484: "adjacent_swap_vs_block_shuffle": 0.9998724028930265, tools/data/perturbation_rank_size_curve.json:15487: "block_shuffle_vs_large_gap_only": 0.984411961103486, tools/data/perturbation_rank_size_curve.json:15488: "block_shuffle_vs_uniform": 0.9935222991371002, tools/data/perturbation_rank_size_curve.json:15503: "adjacent_swap_vs_block_shuffle": 0.9998724028930265, tools/data/perturbation_rank_size_curve.json:15506: "block_shuffle_vs_large_gap_only": 0.984411961103486, tools/data/perturbation_rank_size_curve.json:15507: "block_shuffle_vs_uniform": 0.9935222991371002, tools/data/perturbation_rank_size_curve.json:15523: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:15552: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:15658: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15676: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15694: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15712: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15730: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:15938: "adjacent_swap_vs_block_shuffle": 0.9771983732789852, tools/data/perturbation_rank_size_curve.json:15941: "block_shuffle_vs_large_gap_only": 0.9686991156005996, tools/data/perturbation_rank_size_curve.json:15942: "block_shuffle_vs_uniform": 0.997228837600137, tools/data/perturbation_rank_size_curve.json:15956: "adjacent_swap_vs_block_shuffle": 0.9996131589670337, tools/data/perturbation_rank_size_curve.json:15959: "block_shuffle_vs_large_gap_only": 0.9967083112864326, tools/data/perturbation_rank_size_curve.json:15960: "block_shuffle_vs_uniform": 0.9990900333694834, tools/data/perturbation_rank_size_curve.json:15976: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:16005: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:16111: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16129: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16147: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16165: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16183: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16391: "adjacent_swap_vs_block_shuffle": 0.9956933476794908, tools/data/perturbation_rank_size_curve.json:16394: "block_shuffle_vs_large_gap_only": 0.9922169106031827, tools/data/perturbation_rank_size_curve.json:16395: "block_shuffle_vs_uniform": 0.9881174781606004, tools/data/perturbation_rank_size_curve.json:16409: "adjacent_swap_vs_block_shuffle": 0.9957228559031157, tools/data/perturbation_rank_size_curve.json:16412: "block_shuffle_vs_large_gap_only": 0.9896162403934189, tools/data/perturbation_rank_size_curve.json:16413: "block_shuffle_vs_uniform": 0.9946788737325672, tools/data/perturbation_rank_size_curve.json:16429: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:16458: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:16564: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16582: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16600: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16618: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16636: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:16844: "adjacent_swap_vs_block_shuffle": 0.9858095011766849, tools/data/perturbation_rank_size_curve.json:16847: "block_shuffle_vs_large_gap_only": 0.9929823460021178, tools/data/perturbation_rank_size_curve.json:16848: "block_shuffle_vs_uniform": 0.987859078355367, tools/data/perturbation_rank_size_curve.json:16862: "adjacent_swap_vs_block_shuffle": 0.9959849271804643, tools/data/perturbation_rank_size_curve.json:16865: "block_shuffle_vs_large_gap_only": 0.993086543450479, tools/data/perturbation_rank_size_curve.json:16866: "block_shuffle_vs_uniform": 0.9962831954864034, tools/data/perturbation_rank_size_curve.json:16882: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:16911: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:17018: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17036: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17054: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17072: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17090: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17298: "adjacent_swap_vs_block_shuffle": 0.9857661622621576, tools/data/perturbation_rank_size_curve.json:17301: "block_shuffle_vs_large_gap_only": 0.996677077136976, tools/data/perturbation_rank_size_curve.json:17302: "block_shuffle_vs_uniform": 0.9847916545532438, tools/data/perturbation_rank_size_curve.json:17317: "adjacent_swap_vs_block_shuffle": 0.9857661622621576, tools/data/perturbation_rank_size_curve.json:17320: "block_shuffle_vs_large_gap_only": 0.996677077136976, tools/data/perturbation_rank_size_curve.json:17321: "block_shuffle_vs_uniform": 0.9847916545532438, tools/data/perturbation_rank_size_curve.json:17337: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:17366: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:17471: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17489: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17507: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17525: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17543: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17751: "adjacent_swap_vs_block_shuffle": -0.5361584901273151, tools/data/perturbation_rank_size_curve.json:17754: "block_shuffle_vs_large_gap_only": 0.4324928657304533, tools/data/perturbation_rank_size_curve.json:17755: "block_shuffle_vs_uniform": 0.9156411570021968, tools/data/perturbation_rank_size_curve.json:17768: "adjacent_swap_vs_block_shuffle": 0.9881606054955286, tools/data/perturbation_rank_size_curve.json:17771: "block_shuffle_vs_large_gap_only": 0.9953674107958828, tools/data/perturbation_rank_size_curve.json:17772: "block_shuffle_vs_uniform": 0.9998963132924797, tools/data/perturbation_rank_size_curve.json:17781: "prime_shuffle_control": { tools/data/perturbation_rank_size_curve.json:17792: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:17821: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:17922: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17940: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17958: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17976: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:17994: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18202: "adjacent_swap_vs_block_shuffle": 0.7070530872085816, tools/data/perturbation_rank_size_curve.json:18205: "block_shuffle_vs_large_gap_only": 0.9818152483461513, tools/data/perturbation_rank_size_curve.json:18206: "block_shuffle_vs_uniform": 0.9731848268894844, tools/data/perturbation_rank_size_curve.json:18223: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:18252: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:18353: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18371: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18389: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18407: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18425: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18633: "adjacent_swap_vs_block_shuffle": 0.64945547126725, tools/data/perturbation_rank_size_curve.json:18636: "block_shuffle_vs_large_gap_only": 0.6557037492656226, tools/data/perturbation_rank_size_curve.json:18637: "block_shuffle_vs_uniform": -0.5204544724331722, tools/data/perturbation_rank_size_curve.json:18654: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:18683: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:18784: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18802: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18820: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18838: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:18856: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19064: "adjacent_swap_vs_block_shuffle": 0.6163360956183908, tools/data/perturbation_rank_size_curve.json:19067: "block_shuffle_vs_large_gap_only": 0.7388815212600028, tools/data/perturbation_rank_size_curve.json:19068: "block_shuffle_vs_uniform": 0.798211694460282, tools/data/perturbation_rank_size_curve.json:19085: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:19114: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:19215: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19233: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19251: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19269: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19287: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19495: "adjacent_swap_vs_block_shuffle": 0.9088969060525133, tools/data/perturbation_rank_size_curve.json:19498: "block_shuffle_vs_large_gap_only": 0.6800719083013255, tools/data/perturbation_rank_size_curve.json:19499: "block_shuffle_vs_uniform": 0.9228394998715164, tools/data/perturbation_rank_size_curve.json:19516: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:19545: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:19649: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19667: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19685: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19703: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19721: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:19929: "adjacent_swap_vs_block_shuffle": 0.8371159509284216, tools/data/perturbation_rank_size_curve.json:19932: "block_shuffle_vs_large_gap_only": 0.9446217938004702, tools/data/perturbation_rank_size_curve.json:19933: "block_shuffle_vs_uniform": 0.8356156486291676, tools/data/perturbation_rank_size_curve.json:19945: "adjacent_swap_vs_block_shuffle": 0.9970684033428582, tools/data/perturbation_rank_size_curve.json:19948: "block_shuffle_vs_large_gap_only": 0.9924664238070781, tools/data/perturbation_rank_size_curve.json:19949: "block_shuffle_vs_uniform": 0.9933665897203888, tools/data/perturbation_rank_size_curve.json:19965: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:19994: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:20095: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20113: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20131: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20149: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20167: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20375: "adjacent_swap_vs_block_shuffle": 0.19091681338994143, tools/data/perturbation_rank_size_curve.json:20378: "block_shuffle_vs_large_gap_only": 0.10759458423666977, tools/data/perturbation_rank_size_curve.json:20379: "block_shuffle_vs_uniform": 0.03748229653289803, tools/data/perturbation_rank_size_curve.json:20396: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:20425: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:20526: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20544: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20562: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20580: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20598: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20806: "adjacent_swap_vs_block_shuffle": 0.7543342813604712, tools/data/perturbation_rank_size_curve.json:20809: "block_shuffle_vs_large_gap_only": 0.9424834248879254, tools/data/perturbation_rank_size_curve.json:20810: "block_shuffle_vs_uniform": 0.9981652448867693, tools/data/perturbation_rank_size_curve.json:20827: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:20856: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:20957: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20975: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:20993: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21011: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21029: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21237: "adjacent_swap_vs_block_shuffle": 0.8453214782820576, tools/data/perturbation_rank_size_curve.json:21240: "block_shuffle_vs_large_gap_only": 0.2859737499354197, tools/data/perturbation_rank_size_curve.json:21241: "block_shuffle_vs_uniform": 0.9769107163029443, tools/data/perturbation_rank_size_curve.json:21260: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:21289: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:21392: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21410: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21428: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21446: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21464: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21672: "adjacent_swap_vs_block_shuffle": 0.464653028921584, tools/data/perturbation_rank_size_curve.json:21675: "block_shuffle_vs_large_gap_only": 0.9005182421853363, tools/data/perturbation_rank_size_curve.json:21676: "block_shuffle_vs_uniform": 0.9317536957943943, tools/data/perturbation_rank_size_curve.json:21693: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:21722: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:21825: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21843: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21861: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21879: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:21897: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22105: "adjacent_swap_vs_block_shuffle": 0.9883123078945782, tools/data/perturbation_rank_size_curve.json:22108: "block_shuffle_vs_large_gap_only": 0.9523736876863906, tools/data/perturbation_rank_size_curve.json:22109: "block_shuffle_vs_uniform": 0.9452197416304335, tools/data/perturbation_rank_size_curve.json:22126: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:22155: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:22256: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22274: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22292: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22310: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22328: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22536: "adjacent_swap_vs_block_shuffle": 0.8747888800971705, tools/data/perturbation_rank_size_curve.json:22539: "block_shuffle_vs_large_gap_only": 0.9256314763349262, tools/data/perturbation_rank_size_curve.json:22540: "block_shuffle_vs_uniform": 0.9312306993519506, tools/data/perturbation_rank_size_curve.json:22557: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:22586: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:22689: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22707: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22725: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22743: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22761: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:22969: "adjacent_swap_vs_block_shuffle": -0.5423921848447616, tools/data/perturbation_rank_size_curve.json:22972: "block_shuffle_vs_large_gap_only": -0.8203447462912078, tools/data/perturbation_rank_size_curve.json:22973: "block_shuffle_vs_uniform": 0.6878623797452993, tools/data/perturbation_rank_size_curve.json:22990: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:23019: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:23123: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23141: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23159: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23177: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23195: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23403: "adjacent_swap_vs_block_shuffle": 0.43926984598167923, tools/data/perturbation_rank_size_curve.json:23406: "block_shuffle_vs_large_gap_only": 0.9343989860122528, tools/data/perturbation_rank_size_curve.json:23407: "block_shuffle_vs_uniform": 0.9281293705211666, tools/data/perturbation_rank_size_curve.json:23419: "adjacent_swap_vs_block_shuffle": 0.9999198816342784, tools/data/perturbation_rank_size_curve.json:23422: "block_shuffle_vs_large_gap_only": 0.9955593726323946, tools/data/perturbation_rank_size_curve.json:23423: "block_shuffle_vs_uniform": 0.9971997543225708, tools/data/perturbation_rank_size_curve.json:23439: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:23468: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:23569: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23587: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23605: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23623: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23641: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:23849: "adjacent_swap_vs_block_shuffle": 0.75972256458458, tools/data/perturbation_rank_size_curve.json:23852: "block_shuffle_vs_large_gap_only": 0.8836840545317413, tools/data/perturbation_rank_size_curve.json:23853: "block_shuffle_vs_uniform": 0.9173060287775426, tools/data/perturbation_rank_size_curve.json:23870: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:23899: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:24000: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24018: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24036: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24054: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24072: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24280: "adjacent_swap_vs_block_shuffle": 0.5298137814941334, tools/data/perturbation_rank_size_curve.json:24283: "block_shuffle_vs_large_gap_only": 0.11838807236628036, tools/data/perturbation_rank_size_curve.json:24284: "block_shuffle_vs_uniform": 0.9691208850091217, tools/data/perturbation_rank_size_curve.json:24301: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:24330: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:24431: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24449: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24467: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24485: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24503: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24711: "adjacent_swap_vs_block_shuffle": 0.5793358369853809, tools/data/perturbation_rank_size_curve.json:24714: "block_shuffle_vs_large_gap_only": -0.08188141893515705, tools/data/perturbation_rank_size_curve.json:24715: "block_shuffle_vs_uniform": 0.8498988856079327, tools/data/perturbation_rank_size_curve.json:24734: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:24763: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:24864: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24882: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24900: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24918: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:24936: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25144: "adjacent_swap_vs_block_shuffle": 0.9674685097314766, tools/data/perturbation_rank_size_curve.json:25147: "block_shuffle_vs_large_gap_only": -0.9460059417208809, tools/data/perturbation_rank_size_curve.json:25148: "block_shuffle_vs_uniform": -0.9272098997875883, tools/data/perturbation_rank_size_curve.json:25165: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:25194: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:25299: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25317: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25335: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25353: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25371: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25579: "adjacent_swap_vs_block_shuffle": 0.9829535398905428, tools/data/perturbation_rank_size_curve.json:25582: "block_shuffle_vs_large_gap_only": 0.7537013105513859, tools/data/perturbation_rank_size_curve.json:25583: "block_shuffle_vs_uniform": 0.9286514722270679, tools/data/perturbation_rank_size_curve.json:25596: "adjacent_swap_vs_block_shuffle": 0.999679162346642, tools/data/perturbation_rank_size_curve.json:25599: "block_shuffle_vs_large_gap_only": 0.9964034519142787, tools/data/perturbation_rank_size_curve.json:25600: "block_shuffle_vs_uniform": 0.9698070119403069, tools/data/perturbation_rank_size_curve.json:25616: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:25645: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:25746: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25764: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25782: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25800: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:25818: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26026: "adjacent_swap_vs_block_shuffle": -0.21392319450712619, tools/data/perturbation_rank_size_curve.json:26029: "block_shuffle_vs_large_gap_only": -0.5403894314459632, tools/data/perturbation_rank_size_curve.json:26030: "block_shuffle_vs_uniform": 0.9290135851187762, tools/data/perturbation_rank_size_curve.json:26047: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:26076: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:26180: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26198: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26216: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26234: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26252: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26460: "adjacent_swap_vs_block_shuffle": 0.9240790280654191, tools/data/perturbation_rank_size_curve.json:26463: "block_shuffle_vs_large_gap_only": 0.9899078453725559, tools/data/perturbation_rank_size_curve.json:26464: "block_shuffle_vs_uniform": 0.9386615042614422, tools/data/perturbation_rank_size_curve.json:26476: "adjacent_swap_vs_block_shuffle": 0.9999368678456196, tools/data/perturbation_rank_size_curve.json:26479: "block_shuffle_vs_large_gap_only": 0.9851824434228151, tools/data/perturbation_rank_size_curve.json:26480: "block_shuffle_vs_uniform": 0.9986225776246129, tools/data/perturbation_rank_size_curve.json:26496: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:26525: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:26629: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26647: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26665: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26683: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26701: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:26909: "adjacent_swap_vs_block_shuffle": 0.6263714973581755, tools/data/perturbation_rank_size_curve.json:26912: "block_shuffle_vs_large_gap_only": 0.9775762980969172, tools/data/perturbation_rank_size_curve.json:26913: "block_shuffle_vs_uniform": 0.8023949813083006, tools/data/perturbation_rank_size_curve.json:26925: "adjacent_swap_vs_block_shuffle": 0.9922453614080156, tools/data/perturbation_rank_size_curve.json:26928: "block_shuffle_vs_large_gap_only": 0.9980845761816067, tools/data/perturbation_rank_size_curve.json:26929: "block_shuffle_vs_uniform": 0.9556562898038571, tools/data/perturbation_rank_size_curve.json:26945: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:26974: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:27075: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27093: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27111: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27129: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27147: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27355: "adjacent_swap_vs_block_shuffle": 0.7202123626149297, tools/data/perturbation_rank_size_curve.json:27358: "block_shuffle_vs_large_gap_only": 0.38903330279133114, tools/data/perturbation_rank_size_curve.json:27359: "block_shuffle_vs_uniform": 0.7897051863533756, tools/data/perturbation_rank_size_curve.json:27376: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:27405: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:27506: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27524: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27542: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27560: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27578: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27786: "adjacent_swap_vs_block_shuffle": 0.9093632938595272, tools/data/perturbation_rank_size_curve.json:27789: "block_shuffle_vs_large_gap_only": -0.013228070786654932, tools/data/perturbation_rank_size_curve.json:27790: "block_shuffle_vs_uniform": 0.992836777338348, tools/data/perturbation_rank_size_curve.json:27807: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:27836: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:27937: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27955: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27973: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:27991: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28009: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28217: "adjacent_swap_vs_block_shuffle": 0.5161466480850332, tools/data/perturbation_rank_size_curve.json:28220: "block_shuffle_vs_large_gap_only": 0.9947161637479206, tools/data/perturbation_rank_size_curve.json:28221: "block_shuffle_vs_uniform": 0.6842503212678455, tools/data/perturbation_rank_size_curve.json:28240: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:28269: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:28372: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28390: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28408: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28426: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28444: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28652: "adjacent_swap_vs_block_shuffle": -0.3109022240499001, tools/data/perturbation_rank_size_curve.json:28655: "block_shuffle_vs_large_gap_only": 0.966042305488414, tools/data/perturbation_rank_size_curve.json:28656: "block_shuffle_vs_uniform": 0.9648413587141533, tools/data/perturbation_rank_size_curve.json:28673: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:28702: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:28803: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28821: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28839: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28857: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:28875: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29083: "adjacent_swap_vs_block_shuffle": 0.44068865799548856, tools/data/perturbation_rank_size_curve.json:29086: "block_shuffle_vs_large_gap_only": 0.6868630091403587, tools/data/perturbation_rank_size_curve.json:29087: "block_shuffle_vs_uniform": 0.8203599661288293, tools/data/perturbation_rank_size_curve.json:29104: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:29133: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:29236: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29254: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29272: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29290: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29308: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29516: "adjacent_swap_vs_block_shuffle": 0.9996127537843371, tools/data/perturbation_rank_size_curve.json:29519: "block_shuffle_vs_large_gap_only": 0.999822723150893, tools/data/perturbation_rank_size_curve.json:29520: "block_shuffle_vs_uniform": 0.9999856471560741, tools/data/perturbation_rank_size_curve.json:29537: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:29566: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:29669: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29687: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29705: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29723: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29741: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:29949: "adjacent_swap_vs_block_shuffle": 0.525866577386873, tools/data/perturbation_rank_size_curve.json:29952: "block_shuffle_vs_large_gap_only": 0.7071515752175341, tools/data/perturbation_rank_size_curve.json:29953: "block_shuffle_vs_uniform": 0.6770527258053297, tools/data/perturbation_rank_size_curve.json:29970: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:29999: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:30102: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30120: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30138: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30156: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30174: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30382: "adjacent_swap_vs_block_shuffle": 0.8444643659285367, tools/data/perturbation_rank_size_curve.json:30385: "block_shuffle_vs_large_gap_only": 0.9823879839568725, tools/data/perturbation_rank_size_curve.json:30386: "block_shuffle_vs_uniform": 0.9585422755480936, tools/data/perturbation_rank_size_curve.json:30403: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:30432: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:30533: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30551: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30569: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30587: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30605: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30813: "adjacent_swap_vs_block_shuffle": 0.9835791985065574, tools/data/perturbation_rank_size_curve.json:30816: "block_shuffle_vs_large_gap_only": 0.997602239753015, tools/data/perturbation_rank_size_curve.json:30817: "block_shuffle_vs_uniform": 0.9734669175770366, tools/data/perturbation_rank_size_curve.json:30834: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:30863: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:30964: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:30982: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31000: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31018: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31036: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31244: "adjacent_swap_vs_block_shuffle": 0.8384540512362427, tools/data/perturbation_rank_size_curve.json:31247: "block_shuffle_vs_large_gap_only": -0.9763823617465798, tools/data/perturbation_rank_size_curve.json:31248: "block_shuffle_vs_uniform": -0.989323585945907, tools/data/perturbation_rank_size_curve.json:31265: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:31294: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:31397: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31415: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31433: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31451: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31469: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31677: "adjacent_swap_vs_block_shuffle": 0.6171891241960654, tools/data/perturbation_rank_size_curve.json:31680: "block_shuffle_vs_large_gap_only": 0.7945588149458417, tools/data/perturbation_rank_size_curve.json:31681: "block_shuffle_vs_uniform": 0.7857541840318508, tools/data/perturbation_rank_size_curve.json:31700: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:31729: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:31830: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31848: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31866: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31884: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:31902: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32110: "adjacent_swap_vs_block_shuffle": 0.9295742390734726, tools/data/perturbation_rank_size_curve.json:32113: "block_shuffle_vs_large_gap_only": 0.6516148154440286, tools/data/perturbation_rank_size_curve.json:32114: "block_shuffle_vs_uniform": 0.9525771343037113, tools/data/perturbation_rank_size_curve.json:32131: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:32160: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:32264: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32282: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32300: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32318: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32336: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32544: "adjacent_swap_vs_block_shuffle": 0.9379098337520335, tools/data/perturbation_rank_size_curve.json:32547: "block_shuffle_vs_large_gap_only": 0.9672150283754156, tools/data/perturbation_rank_size_curve.json:32548: "block_shuffle_vs_uniform": 0.8963323392116889, tools/data/perturbation_rank_size_curve.json:32560: "adjacent_swap_vs_block_shuffle": 0.9967255382524256, tools/data/perturbation_rank_size_curve.json:32563: "block_shuffle_vs_large_gap_only": 0.9999865049921774, tools/data/perturbation_rank_size_curve.json:32564: "block_shuffle_vs_uniform": 0.9998757474103123, tools/data/perturbation_rank_size_curve.json:32580: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:32609: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:32715: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32733: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32751: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32769: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32787: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:32995: "adjacent_swap_vs_block_shuffle": 0.9812908633792397, tools/data/perturbation_rank_size_curve.json:32998: "block_shuffle_vs_large_gap_only": 0.9660861568406182, tools/data/perturbation_rank_size_curve.json:32999: "block_shuffle_vs_uniform": 0.992339004037778, tools/data/perturbation_rank_size_curve.json:33013: "adjacent_swap_vs_block_shuffle": 0.9932516199642617, tools/data/perturbation_rank_size_curve.json:33016: "block_shuffle_vs_large_gap_only": 0.9884290578434204, tools/data/perturbation_rank_size_curve.json:33017: "block_shuffle_vs_uniform": 0.989952094208903, tools/data/perturbation_rank_size_curve.json:33033: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:33062: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:33167: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33185: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33203: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33221: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33239: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33447: "adjacent_swap_vs_block_shuffle": 0.9174802625585391, tools/data/perturbation_rank_size_curve.json:33450: "block_shuffle_vs_large_gap_only": 0.9523100602838747, tools/data/perturbation_rank_size_curve.json:33451: "block_shuffle_vs_uniform": 0.9632227631123862, tools/data/perturbation_rank_size_curve.json:33464: "adjacent_swap_vs_block_shuffle": 0.9997798890744842, tools/data/perturbation_rank_size_curve.json:33467: "block_shuffle_vs_large_gap_only": 0.9985805545925066, tools/data/perturbation_rank_size_curve.json:33468: "block_shuffle_vs_uniform": 0.9983151521285855, tools/data/perturbation_rank_size_curve.json:33484: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:33513: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:33616: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33634: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33652: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33670: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33688: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:33896: "adjacent_swap_vs_block_shuffle": 0.9580899942950226, tools/data/perturbation_rank_size_curve.json:33899: "block_shuffle_vs_large_gap_only": 0.9020959302558568, tools/data/perturbation_rank_size_curve.json:33900: "block_shuffle_vs_uniform": 0.38131301715198607, tools/data/perturbation_rank_size_curve.json:33917: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:33946: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:34047: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34065: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34083: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34101: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34119: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34327: "adjacent_swap_vs_block_shuffle": 0.7711495978020523, tools/data/perturbation_rank_size_curve.json:34330: "block_shuffle_vs_large_gap_only": -0.45700686779527405, tools/data/perturbation_rank_size_curve.json:34331: "block_shuffle_vs_uniform": 0.9025591514341468, tools/data/perturbation_rank_size_curve.json:34348: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:34377: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:34480: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34498: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34516: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34534: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34552: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34760: "adjacent_swap_vs_block_shuffle": 0.8984963680201263, tools/data/perturbation_rank_size_curve.json:34763: "block_shuffle_vs_large_gap_only": -0.5219637743018972, tools/data/perturbation_rank_size_curve.json:34764: "block_shuffle_vs_uniform": -0.7589460806016877, tools/data/perturbation_rank_size_curve.json:34781: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:34810: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:34911: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34929: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34947: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34965: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:34983: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35191: "adjacent_swap_vs_block_shuffle": -0.9137988824840414, tools/data/perturbation_rank_size_curve.json:35194: "block_shuffle_vs_large_gap_only": -0.9625243842044321, tools/data/perturbation_rank_size_curve.json:35195: "block_shuffle_vs_uniform": -0.9391298086175122, tools/data/perturbation_rank_size_curve.json:35216: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:35245: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:35348: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35366: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35384: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35402: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35420: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35628: "adjacent_swap_vs_block_shuffle": 0.9563280194218681, tools/data/perturbation_rank_size_curve.json:35631: "block_shuffle_vs_large_gap_only": 0.9993920594328233, tools/data/perturbation_rank_size_curve.json:35632: "block_shuffle_vs_uniform": 0.9660441846734136, tools/data/perturbation_rank_size_curve.json:35649: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:35678: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:35779: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35797: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35815: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35833: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:35851: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36059: "adjacent_swap_vs_block_shuffle": -0.9934372834785512, tools/data/perturbation_rank_size_curve.json:36062: "block_shuffle_vs_large_gap_only": -0.9767042711139068, tools/data/perturbation_rank_size_curve.json:36063: "block_shuffle_vs_uniform": -0.9927008143633235, tools/data/perturbation_rank_size_curve.json:36080: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:36109: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:36210: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36228: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36246: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36264: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36282: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36490: "adjacent_swap_vs_block_shuffle": 0.9697339926843707, tools/data/perturbation_rank_size_curve.json:36493: "block_shuffle_vs_large_gap_only": 0.974739111316481, tools/data/perturbation_rank_size_curve.json:36494: "block_shuffle_vs_uniform": 0.9613234325717767, tools/data/perturbation_rank_size_curve.json:36511: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:36540: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:36641: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36659: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36677: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36695: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36713: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:36921: "adjacent_swap_vs_block_shuffle": 0.7625349128877171, tools/data/perturbation_rank_size_curve.json:36924: "block_shuffle_vs_large_gap_only": 0.9616563104121364, tools/data/perturbation_rank_size_curve.json:36925: "block_shuffle_vs_uniform": 0.8577581357260102, tools/data/perturbation_rank_size_curve.json:36942: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:36971: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:37072: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37090: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37108: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37126: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37144: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37352: "adjacent_swap_vs_block_shuffle": 0.6822479248204146, tools/data/perturbation_rank_size_curve.json:37355: "block_shuffle_vs_large_gap_only": 0.9593339431922345, tools/data/perturbation_rank_size_curve.json:37356: "block_shuffle_vs_uniform": 0.9884197243129107, tools/data/perturbation_rank_size_curve.json:37373: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:37402: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:37503: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37521: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37539: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37557: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37575: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37783: "adjacent_swap_vs_block_shuffle": 0.9685916248214761, tools/data/perturbation_rank_size_curve.json:37786: "block_shuffle_vs_large_gap_only": -0.9075925104565283, tools/data/perturbation_rank_size_curve.json:37787: "block_shuffle_vs_uniform": 0.9816329139535644, tools/data/perturbation_rank_size_curve.json:37804: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:37833: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:37934: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37952: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37970: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:37988: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38006: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38214: "adjacent_swap_vs_block_shuffle": -0.9441448623162342, tools/data/perturbation_rank_size_curve.json:38217: "block_shuffle_vs_large_gap_only": 0.9792020810075257, tools/data/perturbation_rank_size_curve.json:38218: "block_shuffle_vs_uniform": 0.9840178807754418, tools/data/perturbation_rank_size_curve.json:38235: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:38264: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:38368: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38386: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38404: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38422: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38440: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38648: "adjacent_swap_vs_block_shuffle": 0.8992921546285061, tools/data/perturbation_rank_size_curve.json:38651: "block_shuffle_vs_large_gap_only": 0.9028370004612223, tools/data/perturbation_rank_size_curve.json:38652: "block_shuffle_vs_uniform": 0.9810946930824517, tools/data/perturbation_rank_size_curve.json:38664: "adjacent_swap_vs_block_shuffle": 0.9999886361558773, tools/data/perturbation_rank_size_curve.json:38667: "block_shuffle_vs_large_gap_only": 0.9955786337262111, tools/data/perturbation_rank_size_curve.json:38668: "block_shuffle_vs_uniform": 0.9998875476306732, tools/data/perturbation_rank_size_curve.json:38686: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:38715: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:38820: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38838: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38856: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38874: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:38892: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39100: "adjacent_swap_vs_block_shuffle": 0.9455776729514188, tools/data/perturbation_rank_size_curve.json:39103: "block_shuffle_vs_large_gap_only": 0.9626537354727442, tools/data/perturbation_rank_size_curve.json:39104: "block_shuffle_vs_uniform": 0.9302884895966107, tools/data/perturbation_rank_size_curve.json:39117: "adjacent_swap_vs_block_shuffle": 0.9981598124411792, tools/data/perturbation_rank_size_curve.json:39120: "block_shuffle_vs_large_gap_only": 0.9934143420927651, tools/data/perturbation_rank_size_curve.json:39121: "block_shuffle_vs_uniform": 0.9992378776982702, tools/data/perturbation_rank_size_curve.json:39137: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:39166: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:39267: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39285: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39303: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39321: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39339: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39547: "adjacent_swap_vs_block_shuffle": 0.9452939254403638, tools/data/perturbation_rank_size_curve.json:39550: "block_shuffle_vs_large_gap_only": 0.8444263454657915, tools/data/perturbation_rank_size_curve.json:39551: "block_shuffle_vs_uniform": -0.08468335571701405, tools/data/perturbation_rank_size_curve.json:39568: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:39597: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:39698: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39716: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39734: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39752: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39770: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:39978: "adjacent_swap_vs_block_shuffle": 0.9939339002965893, tools/data/perturbation_rank_size_curve.json:39981: "block_shuffle_vs_large_gap_only": -0.9825180584410348, tools/data/perturbation_rank_size_curve.json:39982: "block_shuffle_vs_uniform": 0.9961291156515605, tools/data/perturbation_rank_size_curve.json:39999: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:40028: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:40129: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40147: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40165: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40183: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40201: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40409: "adjacent_swap_vs_block_shuffle": 0.7724464096214873, tools/data/perturbation_rank_size_curve.json:40412: "block_shuffle_vs_large_gap_only": -0.21422474083549156, tools/data/perturbation_rank_size_curve.json:40413: "block_shuffle_vs_uniform": 0.9424227289224189, tools/data/perturbation_rank_size_curve.json:40430: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:40459: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:40560: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40578: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40596: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40614: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40632: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:40840: "adjacent_swap_vs_block_shuffle": -0.7744755695884009, tools/data/perturbation_rank_size_curve.json:40843: "block_shuffle_vs_large_gap_only": 0.9736788802368541, tools/data/perturbation_rank_size_curve.json:40844: "block_shuffle_vs_uniform": 0.4555114389637186, tools/data/perturbation_rank_size_curve.json:40861: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:40890: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:40991: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41009: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41027: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41045: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41063: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41271: "adjacent_swap_vs_block_shuffle": 0.8784653666929637, tools/data/perturbation_rank_size_curve.json:41274: "block_shuffle_vs_large_gap_only": 0.9174777250774976, tools/data/perturbation_rank_size_curve.json:41275: "block_shuffle_vs_uniform": 0.9221921460346029, tools/data/perturbation_rank_size_curve.json:41292: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:41321: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:41422: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41440: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41458: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41476: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41494: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41702: "adjacent_swap_vs_block_shuffle": 0.5571210353068414, tools/data/perturbation_rank_size_curve.json:41705: "block_shuffle_vs_large_gap_only": 0.4869990234001403, tools/data/perturbation_rank_size_curve.json:41706: "block_shuffle_vs_uniform": 0.9135214861030305, tools/data/perturbation_rank_size_curve.json:41723: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:41752: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:41855: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41873: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41891: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41909: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:41927: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42135: "adjacent_swap_vs_block_shuffle": -0.0907634656030178, tools/data/perturbation_rank_size_curve.json:42138: "block_shuffle_vs_large_gap_only": 0.6882571029689258, tools/data/perturbation_rank_size_curve.json:42139: "block_shuffle_vs_uniform": 0.9163606993015249, tools/data/perturbation_rank_size_curve.json:42158: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:42187: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:42292: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42310: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42328: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42346: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42364: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42572: "adjacent_swap_vs_block_shuffle": -0.4405106403250365, tools/data/perturbation_rank_size_curve.json:42575: "block_shuffle_vs_large_gap_only": 0.30253740087955916, tools/data/perturbation_rank_size_curve.json:42576: "block_shuffle_vs_uniform": 0.77477748085634, tools/data/perturbation_rank_size_curve.json:42589: "adjacent_swap_vs_block_shuffle": 0.9590893469996198, tools/data/perturbation_rank_size_curve.json:42592: "block_shuffle_vs_large_gap_only": 0.9939004912877827, tools/data/perturbation_rank_size_curve.json:42593: "block_shuffle_vs_uniform": 0.9926548703116498, tools/data/perturbation_rank_size_curve.json:42609: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:42638: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:42739: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42757: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42775: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42793: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:42811: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43019: "adjacent_swap_vs_block_shuffle": -0.02824662362829885, tools/data/perturbation_rank_size_curve.json:43022: "block_shuffle_vs_large_gap_only": 0.20652163250462238, tools/data/perturbation_rank_size_curve.json:43023: "block_shuffle_vs_uniform": 0.7796060137658162, tools/data/perturbation_rank_size_curve.json:43040: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:43069: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:43172: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43190: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43208: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43226: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43244: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43452: "adjacent_swap_vs_block_shuffle": 0.9902389769992792, tools/data/perturbation_rank_size_curve.json:43455: "block_shuffle_vs_large_gap_only": -0.2752949463636077, tools/data/perturbation_rank_size_curve.json:43456: "block_shuffle_vs_uniform": -0.9915458848305351, tools/data/perturbation_rank_size_curve.json:43473: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:43502: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:43603: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43621: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43639: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43657: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43675: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:43883: "adjacent_swap_vs_block_shuffle": -0.8223606709831286, tools/data/perturbation_rank_size_curve.json:43886: "block_shuffle_vs_large_gap_only": -0.1645524436645499, tools/data/perturbation_rank_size_curve.json:43887: "block_shuffle_vs_uniform": -0.4648735457115647, tools/data/perturbation_rank_size_curve.json:43904: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:43933: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:44036: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44054: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44072: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44090: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44108: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44316: "adjacent_swap_vs_block_shuffle": 0.8390251343888707, tools/data/perturbation_rank_size_curve.json:44319: "block_shuffle_vs_large_gap_only": 0.772529007235899, tools/data/perturbation_rank_size_curve.json:44320: "block_shuffle_vs_uniform": 0.9952954725036365, tools/data/perturbation_rank_size_curve.json:44337: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:44366: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:44469: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44487: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44505: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44523: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44541: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44749: "adjacent_swap_vs_block_shuffle": 0.9985820350987196, tools/data/perturbation_rank_size_curve.json:44752: "block_shuffle_vs_large_gap_only": -0.9285780007418493, tools/data/perturbation_rank_size_curve.json:44753: "block_shuffle_vs_uniform": 0.9872582610664451, tools/data/perturbation_rank_size_curve.json:44770: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:44799: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:44900: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44918: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44936: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44954: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:44972: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45180: "adjacent_swap_vs_block_shuffle": 0.9275936556128381, tools/data/perturbation_rank_size_curve.json:45183: "block_shuffle_vs_large_gap_only": 0.6867537232173532, tools/data/perturbation_rank_size_curve.json:45184: "block_shuffle_vs_uniform": 0.8120900631253706, tools/data/perturbation_rank_size_curve.json:45201: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:45230: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:45331: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45349: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45367: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45385: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45403: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45611: "adjacent_swap_vs_block_shuffle": 0.6804961640065723, tools/data/perturbation_rank_size_curve.json:45614: "block_shuffle_vs_large_gap_only": -0.9794188177262962, tools/data/perturbation_rank_size_curve.json:45615: "block_shuffle_vs_uniform": 0.9945919815879556, tools/data/perturbation_rank_size_curve.json:45634: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:45663: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:45767: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45785: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45803: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45821: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:45839: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46047: "adjacent_swap_vs_block_shuffle": 0.9802439469080663, tools/data/perturbation_rank_size_curve.json:46050: "block_shuffle_vs_large_gap_only": 0.9289962402722601, tools/data/perturbation_rank_size_curve.json:46051: "block_shuffle_vs_uniform": 0.8694275458326937, tools/data/perturbation_rank_size_curve.json:46063: "adjacent_swap_vs_block_shuffle": 0.9992579498880986, tools/data/perturbation_rank_size_curve.json:46066: "block_shuffle_vs_large_gap_only": 0.9991551909871572, tools/data/perturbation_rank_size_curve.json:46067: "block_shuffle_vs_uniform": 0.9986042438539094, tools/data/perturbation_rank_size_curve.json:46083: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:46112: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:46213: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46231: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46249: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46267: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46285: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46493: "adjacent_swap_vs_block_shuffle": -0.28134607890202007, tools/data/perturbation_rank_size_curve.json:46496: "block_shuffle_vs_large_gap_only": -0.36518797124797925, tools/data/perturbation_rank_size_curve.json:46497: "block_shuffle_vs_uniform": 0.8447390394954108, tools/data/perturbation_rank_size_curve.json:46514: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:46543: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:46646: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46664: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46682: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46700: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46718: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:46926: "adjacent_swap_vs_block_shuffle": 0.7485693494251286, tools/data/perturbation_rank_size_curve.json:46929: "block_shuffle_vs_large_gap_only": 0.43064957387974306, tools/data/perturbation_rank_size_curve.json:46930: "block_shuffle_vs_uniform": -0.2420201710878516, tools/data/perturbation_rank_size_curve.json:46947: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:46976: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:47077: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47095: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47113: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47131: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47149: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47357: "adjacent_swap_vs_block_shuffle": 0.4517757603828612, tools/data/perturbation_rank_size_curve.json:47360: "block_shuffle_vs_large_gap_only": 0.3438858228270644, tools/data/perturbation_rank_size_curve.json:47361: "block_shuffle_vs_uniform": 0.9477931598123118, tools/data/perturbation_rank_size_curve.json:47378: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:47407: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:47508: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47526: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47544: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47562: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47580: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47788: "adjacent_swap_vs_block_shuffle": 0.678836785789246, tools/data/perturbation_rank_size_curve.json:47791: "block_shuffle_vs_large_gap_only": 0.9284313415823762, tools/data/perturbation_rank_size_curve.json:47792: "block_shuffle_vs_uniform": 0.9469544221952176, tools/data/perturbation_rank_size_curve.json:47809: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:47838: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:47939: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47957: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47975: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:47993: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48011: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48219: "adjacent_swap_vs_block_shuffle": 0.8127193940270415, tools/data/perturbation_rank_size_curve.json:48222: "block_shuffle_vs_large_gap_only": 0.8218345834472541, tools/data/perturbation_rank_size_curve.json:48223: "block_shuffle_vs_uniform": 0.7719149283280237, tools/data/perturbation_rank_size_curve.json:48240: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:48269: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:48372: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48390: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48408: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48426: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48444: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48652: "adjacent_swap_vs_block_shuffle": 0.9819935953248607, tools/data/perturbation_rank_size_curve.json:48655: "block_shuffle_vs_large_gap_only": -0.9707926882561442, tools/data/perturbation_rank_size_curve.json:48656: "block_shuffle_vs_uniform": 0.999691691384475, tools/data/perturbation_rank_size_curve.json:48673: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:48702: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:48803: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48821: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48839: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48857: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:48875: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49083: "adjacent_swap_vs_block_shuffle": 0.7154049706188683, tools/data/perturbation_rank_size_curve.json:49086: "block_shuffle_vs_large_gap_only": 0.9062958295990937, tools/data/perturbation_rank_size_curve.json:49087: "block_shuffle_vs_uniform": 0.8866374954443184, tools/data/perturbation_rank_size_curve.json:49106: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:49135: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:49239: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49257: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49275: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49293: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49311: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49519: "adjacent_swap_vs_block_shuffle": 0.7618917270793052, tools/data/perturbation_rank_size_curve.json:49522: "block_shuffle_vs_large_gap_only": 0.926216025785791, tools/data/perturbation_rank_size_curve.json:49523: "block_shuffle_vs_uniform": 0.3073302513884993, tools/data/perturbation_rank_size_curve.json:49535: "adjacent_swap_vs_block_shuffle": 0.9988650919734108, tools/data/perturbation_rank_size_curve.json:49538: "block_shuffle_vs_large_gap_only": 0.9999997204048595, tools/data/perturbation_rank_size_curve.json:49539: "block_shuffle_vs_uniform": 0.9966365457333661, tools/data/perturbation_rank_size_curve.json:49555: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:49584: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:49685: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49703: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49721: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49739: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49757: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:49965: "adjacent_swap_vs_block_shuffle": 0.9083802059790779, tools/data/perturbation_rank_size_curve.json:49968: "block_shuffle_vs_large_gap_only": 0.8187893026074112, tools/data/perturbation_rank_size_curve.json:49969: "block_shuffle_vs_uniform": 0.9587231442858997, tools/data/perturbation_rank_size_curve.json:49986: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:50015: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:50116: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50134: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50152: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50170: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50188: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50396: "adjacent_swap_vs_block_shuffle": 0.9213064281957838, tools/data/perturbation_rank_size_curve.json:50399: "block_shuffle_vs_large_gap_only": 0.7058559049505649, tools/data/perturbation_rank_size_curve.json:50400: "block_shuffle_vs_uniform": 0.6585659372570328, tools/data/perturbation_rank_size_curve.json:50417: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:50446: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:50547: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50565: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50583: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50601: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50619: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50827: "adjacent_swap_vs_block_shuffle": 0.8691101108073027, tools/data/perturbation_rank_size_curve.json:50830: "block_shuffle_vs_large_gap_only": 0.9805938573408167, tools/data/perturbation_rank_size_curve.json:50831: "block_shuffle_vs_uniform": 0.3530251988179491, tools/data/perturbation_rank_size_curve.json:50848: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:50877: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:50978: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:50996: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51014: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51032: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51050: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51258: "adjacent_swap_vs_block_shuffle": 0.8532372065605565, tools/data/perturbation_rank_size_curve.json:51261: "block_shuffle_vs_large_gap_only": 0.5577712424356858, tools/data/perturbation_rank_size_curve.json:51262: "block_shuffle_vs_uniform": 0.4317687481170294, tools/data/perturbation_rank_size_curve.json:51279: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:51308: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:51409: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51427: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51445: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51463: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51481: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51689: "adjacent_swap_vs_block_shuffle": 0.5306892807343838, tools/data/perturbation_rank_size_curve.json:51692: "block_shuffle_vs_large_gap_only": 0.23462349807111246, tools/data/perturbation_rank_size_curve.json:51693: "block_shuffle_vs_uniform": 0.24978364372314704, tools/data/perturbation_rank_size_curve.json:51710: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:51739: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:51842: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51860: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51878: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51896: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:51914: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52122: "adjacent_swap_vs_block_shuffle": 0.8874569983583682, tools/data/perturbation_rank_size_curve.json:52125: "block_shuffle_vs_large_gap_only": 0.6002768944358177, tools/data/perturbation_rank_size_curve.json:52126: "block_shuffle_vs_uniform": 0.8583579273541103, tools/data/perturbation_rank_size_curve.json:52143: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:52172: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:52273: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52291: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52309: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52327: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52345: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52553: "adjacent_swap_vs_block_shuffle": -0.50389795184528, tools/data/perturbation_rank_size_curve.json:52556: "block_shuffle_vs_large_gap_only": -0.8568592129722153, tools/data/perturbation_rank_size_curve.json:52557: "block_shuffle_vs_uniform": 0.996696720145338, tools/data/perturbation_rank_size_curve.json:52578: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:52607: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:52712: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52730: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52748: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52766: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52784: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:52992: "adjacent_swap_vs_block_shuffle": 0.6128375912199625, tools/data/perturbation_rank_size_curve.json:52995: "block_shuffle_vs_large_gap_only": 0.9401465565003589, tools/data/perturbation_rank_size_curve.json:52996: "block_shuffle_vs_uniform": 0.8239165393511126, tools/data/perturbation_rank_size_curve.json:53009: "adjacent_swap_vs_block_shuffle": 0.9991180023288131, tools/data/perturbation_rank_size_curve.json:53012: "block_shuffle_vs_large_gap_only": 0.9856570215091518, tools/data/perturbation_rank_size_curve.json:53013: "block_shuffle_vs_uniform": 0.9985298534033342, tools/data/perturbation_rank_size_curve.json:53029: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:53058: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:53162: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53180: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53198: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53216: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53234: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53442: "adjacent_swap_vs_block_shuffle": 0.9916514853257624, tools/data/perturbation_rank_size_curve.json:53445: "block_shuffle_vs_large_gap_only": 0.8744128158509319, tools/data/perturbation_rank_size_curve.json:53446: "block_shuffle_vs_uniform": 0.9780373028257121, tools/data/perturbation_rank_size_curve.json:53458: "adjacent_swap_vs_block_shuffle": 0.9999467035067688, tools/data/perturbation_rank_size_curve.json:53461: "block_shuffle_vs_large_gap_only": 0.9959026759868203, tools/data/perturbation_rank_size_curve.json:53462: "block_shuffle_vs_uniform": 0.999287576344392, tools/data/perturbation_rank_size_curve.json:53478: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:53507: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:53611: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53629: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53647: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53665: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53683: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:53891: "adjacent_swap_vs_block_shuffle": 0.05304168815061716, tools/data/perturbation_rank_size_curve.json:53894: "block_shuffle_vs_large_gap_only": 0.14382809116249923, tools/data/perturbation_rank_size_curve.json:53895: "block_shuffle_vs_uniform": 0.9877402622901867, tools/data/perturbation_rank_size_curve.json:53907: "adjacent_swap_vs_block_shuffle": 0.9914280681456548, tools/data/perturbation_rank_size_curve.json:53910: "block_shuffle_vs_large_gap_only": 0.9994684307989702, tools/data/perturbation_rank_size_curve.json:53911: "block_shuffle_vs_uniform": 0.9999995428003656, tools/data/perturbation_rank_size_curve.json:53927: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:53956: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:54061: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54079: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54097: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54115: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54133: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54341: "adjacent_swap_vs_block_shuffle": 0.7218448667768617, tools/data/perturbation_rank_size_curve.json:54344: "block_shuffle_vs_large_gap_only": 0.9552368712629214, tools/data/perturbation_rank_size_curve.json:54345: "block_shuffle_vs_uniform": 0.9774014698680871, tools/data/perturbation_rank_size_curve.json:54358: "adjacent_swap_vs_block_shuffle": 0.7570380157922462, tools/data/perturbation_rank_size_curve.json:54361: "block_shuffle_vs_large_gap_only": 0.9805565377981681, tools/data/perturbation_rank_size_curve.json:54362: "block_shuffle_vs_uniform": 0.9789486827224088, tools/data/perturbation_rank_size_curve.json:54378: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:54407: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:54511: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54529: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54547: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54565: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54583: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54791: "adjacent_swap_vs_block_shuffle": 0.9984128330697888, tools/data/perturbation_rank_size_curve.json:54794: "block_shuffle_vs_large_gap_only": -0.7723510424802174, tools/data/perturbation_rank_size_curve.json:54795: "block_shuffle_vs_uniform": 0.9956830876514481, tools/data/perturbation_rank_size_curve.json:54807: "adjacent_swap_vs_block_shuffle": 0.9998362562731805, tools/data/perturbation_rank_size_curve.json:54810: "block_shuffle_vs_large_gap_only": 0.9990221144299712, tools/data/perturbation_rank_size_curve.json:54811: "block_shuffle_vs_uniform": 0.9971411023225806, tools/data/perturbation_rank_size_curve.json:54827: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:54856: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:54961: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54979: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:54997: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55015: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55033: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55241: "adjacent_swap_vs_block_shuffle": 0.35602808335344155, tools/data/perturbation_rank_size_curve.json:55244: "block_shuffle_vs_large_gap_only": 0.8399886396747905, tools/data/perturbation_rank_size_curve.json:55245: "block_shuffle_vs_uniform": 0.7279677421309064, tools/data/perturbation_rank_size_curve.json:55258: "adjacent_swap_vs_block_shuffle": 0.9946955349642084, tools/data/perturbation_rank_size_curve.json:55261: "block_shuffle_vs_large_gap_only": 0.9888909320330688, tools/data/perturbation_rank_size_curve.json:55262: "block_shuffle_vs_uniform": 0.9986990513709084, tools/data/perturbation_rank_size_curve.json:55278: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:55307: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:55412: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55430: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55448: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55466: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55484: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55692: "adjacent_swap_vs_block_shuffle": 0.9346801426679762, tools/data/perturbation_rank_size_curve.json:55695: "block_shuffle_vs_large_gap_only": 0.9822920974296606, tools/data/perturbation_rank_size_curve.json:55696: "block_shuffle_vs_uniform": 0.613338127416622, tools/data/perturbation_rank_size_curve.json:55709: "adjacent_swap_vs_block_shuffle": 0.9992585578798526, tools/data/perturbation_rank_size_curve.json:55712: "block_shuffle_vs_large_gap_only": 0.9915223424693634, tools/data/perturbation_rank_size_curve.json:55713: "block_shuffle_vs_uniform": 0.9963925191644979, tools/data/perturbation_rank_size_curve.json:55729: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:55758: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:55863: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55881: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55899: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55917: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:55935: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56143: "adjacent_swap_vs_block_shuffle": 0.991279179835678, tools/data/perturbation_rank_size_curve.json:56146: "block_shuffle_vs_large_gap_only": 0.33384935527092513, tools/data/perturbation_rank_size_curve.json:56147: "block_shuffle_vs_uniform": 0.9593338731586569, tools/data/perturbation_rank_size_curve.json:56160: "adjacent_swap_vs_block_shuffle": 0.9938374188600813, tools/data/perturbation_rank_size_curve.json:56163: "block_shuffle_vs_large_gap_only": 0.9976743952312394, tools/data/perturbation_rank_size_curve.json:56164: "block_shuffle_vs_uniform": 0.9953290336052701, tools/data/perturbation_rank_size_curve.json:56182: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:56211: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:56316: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56334: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56352: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56370: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56388: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56596: "adjacent_swap_vs_block_shuffle": 0.8976090000683978, tools/data/perturbation_rank_size_curve.json:56599: "block_shuffle_vs_large_gap_only": 0.9975120779767446, tools/data/perturbation_rank_size_curve.json:56600: "block_shuffle_vs_uniform": 0.981874228467611, tools/data/perturbation_rank_size_curve.json:56613: "adjacent_swap_vs_block_shuffle": 0.9980473949969483, tools/data/perturbation_rank_size_curve.json:56616: "block_shuffle_vs_large_gap_only": 0.9962367917134427, tools/data/perturbation_rank_size_curve.json:56617: "block_shuffle_vs_uniform": 0.9996343730070147, tools/data/perturbation_rank_size_curve.json:56633: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:56662: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:56766: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56784: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56802: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56820: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:56838: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57046: "adjacent_swap_vs_block_shuffle": 0.9942177704533316, tools/data/perturbation_rank_size_curve.json:57049: "block_shuffle_vs_large_gap_only": 0.9931709612489612, tools/data/perturbation_rank_size_curve.json:57050: "block_shuffle_vs_uniform": 0.9952053339732826, tools/data/perturbation_rank_size_curve.json:57062: "adjacent_swap_vs_block_shuffle": 0.9996452103027879, tools/data/perturbation_rank_size_curve.json:57065: "block_shuffle_vs_large_gap_only": 0.999998921493639, tools/data/perturbation_rank_size_curve.json:57066: "block_shuffle_vs_uniform": 0.999823069634938, tools/data/perturbation_rank_size_curve.json:57082: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:57111: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:57215: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57233: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57251: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57269: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57287: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57495: "adjacent_swap_vs_block_shuffle": 0.4204450772262036, tools/data/perturbation_rank_size_curve.json:57498: "block_shuffle_vs_large_gap_only": 0.9842418158879264, tools/data/perturbation_rank_size_curve.json:57499: "block_shuffle_vs_uniform": 0.9658782896525716, tools/data/perturbation_rank_size_curve.json:57511: "adjacent_swap_vs_block_shuffle": 0.9989563616032783, tools/data/perturbation_rank_size_curve.json:57514: "block_shuffle_vs_large_gap_only": 0.9986599847283252, tools/data/perturbation_rank_size_curve.json:57515: "block_shuffle_vs_uniform": 0.999552470670473, tools/data/perturbation_rank_size_curve.json:57531: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:57560: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:57667: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57685: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57703: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57721: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57739: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:57947: "adjacent_swap_vs_block_shuffle": 0.8718578877761463, tools/data/perturbation_rank_size_curve.json:57950: "block_shuffle_vs_large_gap_only": 0.9912833353883143, tools/data/perturbation_rank_size_curve.json:57951: "block_shuffle_vs_uniform": 0.9991167510521171, tools/data/perturbation_rank_size_curve.json:57966: "adjacent_swap_vs_block_shuffle": 0.8718578877761463, tools/data/perturbation_rank_size_curve.json:57969: "block_shuffle_vs_large_gap_only": 0.9912833353883143, tools/data/perturbation_rank_size_curve.json:57970: "block_shuffle_vs_uniform": 0.9991167510521171, tools/data/perturbation_rank_size_curve.json:57986: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:58015: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:58119: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58137: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58155: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58173: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58191: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58399: "adjacent_swap_vs_block_shuffle": 0.9528798511282377, tools/data/perturbation_rank_size_curve.json:58402: "block_shuffle_vs_large_gap_only": 0.950015008757302, tools/data/perturbation_rank_size_curve.json:58403: "block_shuffle_vs_uniform": 0.964287885023173, tools/data/perturbation_rank_size_curve.json:58415: "adjacent_swap_vs_block_shuffle": 0.9994220841602092, tools/data/perturbation_rank_size_curve.json:58418: "block_shuffle_vs_large_gap_only": 0.9998997468002202, tools/data/perturbation_rank_size_curve.json:58419: "block_shuffle_vs_uniform": 0.9986829762913858, tools/data/perturbation_rank_size_curve.json:58435: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:58464: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:58568: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58586: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58604: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58622: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58640: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:58848: "adjacent_swap_vs_block_shuffle": 0.9759861341404502, tools/data/perturbation_rank_size_curve.json:58851: "block_shuffle_vs_large_gap_only": 0.9636697941289397, tools/data/perturbation_rank_size_curve.json:58852: "block_shuffle_vs_uniform": 0.9659574384215515, tools/data/perturbation_rank_size_curve.json:58864: "adjacent_swap_vs_block_shuffle": 0.999616676098259, tools/data/perturbation_rank_size_curve.json:58867: "block_shuffle_vs_large_gap_only": 0.9999173288286529, tools/data/perturbation_rank_size_curve.json:58868: "block_shuffle_vs_uniform": 0.9999804411445179, tools/data/perturbation_rank_size_curve.json:58884: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:58913: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:59018: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59036: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59054: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59072: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59090: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59298: "adjacent_swap_vs_block_shuffle": 0.9060368173414065, tools/data/perturbation_rank_size_curve.json:59301: "block_shuffle_vs_large_gap_only": 0.9569369256758404, tools/data/perturbation_rank_size_curve.json:59302: "block_shuffle_vs_uniform": 0.9740208253973609, tools/data/perturbation_rank_size_curve.json:59315: "adjacent_swap_vs_block_shuffle": 0.9973745268017723, tools/data/perturbation_rank_size_curve.json:59318: "block_shuffle_vs_large_gap_only": 0.9997484813380272, tools/data/perturbation_rank_size_curve.json:59319: "block_shuffle_vs_uniform": 0.992983400123283, tools/data/perturbation_rank_size_curve.json:59335: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:59364: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:59469: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59487: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59505: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59523: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59541: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59749: "adjacent_swap_vs_block_shuffle": 0.47315655236482523, tools/data/perturbation_rank_size_curve.json:59752: "block_shuffle_vs_large_gap_only": 0.7672924840679399, tools/data/perturbation_rank_size_curve.json:59753: "block_shuffle_vs_uniform": 0.8572490648716207, tools/data/perturbation_rank_size_curve.json:59766: "adjacent_swap_vs_block_shuffle": 0.9968635218912285, tools/data/perturbation_rank_size_curve.json:59769: "block_shuffle_vs_large_gap_only": 0.9921506643889113, tools/data/perturbation_rank_size_curve.json:59770: "block_shuffle_vs_uniform": 0.9998706990478968, tools/data/perturbation_rank_size_curve.json:59788: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:59817: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:59922: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59940: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59958: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59976: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:59994: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60202: "adjacent_swap_vs_block_shuffle": 0.14881457347258029, tools/data/perturbation_rank_size_curve.json:60205: "block_shuffle_vs_large_gap_only": 0.9900169575342063, tools/data/perturbation_rank_size_curve.json:60206: "block_shuffle_vs_uniform": 0.9570546606463268, tools/data/perturbation_rank_size_curve.json:60219: "adjacent_swap_vs_block_shuffle": 0.9984690526967182, tools/data/perturbation_rank_size_curve.json:60222: "block_shuffle_vs_large_gap_only": 0.9952629158832648, tools/data/perturbation_rank_size_curve.json:60223: "block_shuffle_vs_uniform": 0.9980307990293108, tools/data/perturbation_rank_size_curve.json:60239: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:60268: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:60374: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60392: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60410: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60428: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60446: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60654: "adjacent_swap_vs_block_shuffle": 0.9646857973267733, tools/data/perturbation_rank_size_curve.json:60657: "block_shuffle_vs_large_gap_only": 0.9927266506244641, tools/data/perturbation_rank_size_curve.json:60658: "block_shuffle_vs_uniform": 0.9967259280663691, tools/data/perturbation_rank_size_curve.json:60672: "adjacent_swap_vs_block_shuffle": 0.9989338734701048, tools/data/perturbation_rank_size_curve.json:60675: "block_shuffle_vs_large_gap_only": 0.997637407004699, tools/data/perturbation_rank_size_curve.json:60676: "block_shuffle_vs_uniform": 0.9993763282689603, tools/data/perturbation_rank_size_curve.json:60692: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:60721: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:60826: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60844: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60862: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60880: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:60898: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61106: "adjacent_swap_vs_block_shuffle": -0.46177246918522874, tools/data/perturbation_rank_size_curve.json:61109: "block_shuffle_vs_large_gap_only": 0.24978710877588556, tools/data/perturbation_rank_size_curve.json:61110: "block_shuffle_vs_uniform": 0.6444630583078876, tools/data/perturbation_rank_size_curve.json:61123: "adjacent_swap_vs_block_shuffle": 0.9980370795084692, tools/data/perturbation_rank_size_curve.json:61126: "block_shuffle_vs_large_gap_only": 0.9995276996515647, tools/data/perturbation_rank_size_curve.json:61127: "block_shuffle_vs_uniform": 0.9994728015839132, tools/data/perturbation_rank_size_curve.json:61143: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:61172: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:61277: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61295: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61313: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61331: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61349: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61557: "adjacent_swap_vs_block_shuffle": 0.3146252818426934, tools/data/perturbation_rank_size_curve.json:61560: "block_shuffle_vs_large_gap_only": 0.9759644258142658, tools/data/perturbation_rank_size_curve.json:61561: "block_shuffle_vs_uniform": 0.9988290295145543, tools/data/perturbation_rank_size_curve.json:61574: "adjacent_swap_vs_block_shuffle": 0.9951668858064453, tools/data/perturbation_rank_size_curve.json:61577: "block_shuffle_vs_large_gap_only": 0.9946888177106918, tools/data/perturbation_rank_size_curve.json:61578: "block_shuffle_vs_uniform": 0.9997158263541336, tools/data/perturbation_rank_size_curve.json:61594: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:61623: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:61728: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61746: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61764: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61782: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:61800: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62008: "adjacent_swap_vs_block_shuffle": 0.47431905173127564, tools/data/perturbation_rank_size_curve.json:62011: "block_shuffle_vs_large_gap_only": 0.9741212288230838, tools/data/perturbation_rank_size_curve.json:62012: "block_shuffle_vs_uniform": 0.9627692183475651, tools/data/perturbation_rank_size_curve.json:62025: "adjacent_swap_vs_block_shuffle": 0.9940817922369944, tools/data/perturbation_rank_size_curve.json:62028: "block_shuffle_vs_large_gap_only": 0.9910367695645257, tools/data/perturbation_rank_size_curve.json:62029: "block_shuffle_vs_uniform": 0.9992478145355315, tools/data/perturbation_rank_size_curve.json:62045: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:62074: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:62179: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62197: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62215: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62233: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62251: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62459: "adjacent_swap_vs_block_shuffle": -0.019325098226559097, tools/data/perturbation_rank_size_curve.json:62462: "block_shuffle_vs_large_gap_only": 0.6803984017455205, tools/data/perturbation_rank_size_curve.json:62463: "block_shuffle_vs_uniform": 0.8451900241655284, tools/data/perturbation_rank_size_curve.json:62476: "adjacent_swap_vs_block_shuffle": 0.9946790684011098, tools/data/perturbation_rank_size_curve.json:62479: "block_shuffle_vs_large_gap_only": 0.9971296215541303, tools/data/perturbation_rank_size_curve.json:62480: "block_shuffle_vs_uniform": 0.9994236324488974, tools/data/perturbation_rank_size_curve.json:62496: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:62525: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:62630: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62648: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62666: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62684: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62702: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:62910: "adjacent_swap_vs_block_shuffle": 0.9914086307498947, tools/data/perturbation_rank_size_curve.json:62913: "block_shuffle_vs_large_gap_only": 0.9981377990853152, tools/data/perturbation_rank_size_curve.json:62914: "block_shuffle_vs_uniform": 0.9997619286952579, tools/data/perturbation_rank_size_curve.json:62927: "adjacent_swap_vs_block_shuffle": 0.9993789716451928, tools/data/perturbation_rank_size_curve.json:62930: "block_shuffle_vs_large_gap_only": 0.9973974588036263, tools/data/perturbation_rank_size_curve.json:62931: "block_shuffle_vs_uniform": 0.9998161889922828, tools/data/perturbation_rank_size_curve.json:62947: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:62976: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:63081: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63099: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63117: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63135: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63153: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63361: "adjacent_swap_vs_block_shuffle": 0.9232205653460075, tools/data/perturbation_rank_size_curve.json:63364: "block_shuffle_vs_large_gap_only": 0.9948329878162376, tools/data/perturbation_rank_size_curve.json:63365: "block_shuffle_vs_uniform": 0.9854768897610642, tools/data/perturbation_rank_size_curve.json:63378: "adjacent_swap_vs_block_shuffle": 0.9972572172687368, tools/data/perturbation_rank_size_curve.json:63381: "block_shuffle_vs_large_gap_only": 0.9999169045325674, tools/data/perturbation_rank_size_curve.json:63382: "block_shuffle_vs_uniform": 0.9994359181987901, tools/data/perturbation_rank_size_curve.json:63400: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:63429: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:63534: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63552: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63570: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63588: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63606: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:63814: "adjacent_swap_vs_block_shuffle": 0.13723069273108554, tools/data/perturbation_rank_size_curve.json:63817: "block_shuffle_vs_large_gap_only": 0.37706042714071486, tools/data/perturbation_rank_size_curve.json:63818: "block_shuffle_vs_uniform": 0.8013590516522703, tools/data/perturbation_rank_size_curve.json:63831: "adjacent_swap_vs_block_shuffle": 0.9948925694488416, tools/data/perturbation_rank_size_curve.json:63834: "block_shuffle_vs_large_gap_only": 0.9954143448087758, tools/data/perturbation_rank_size_curve.json:63835: "block_shuffle_vs_uniform": 0.9996300817837318, tools/data/perturbation_rank_size_curve.json:63851: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:63880: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:63986: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64004: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64022: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64040: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64058: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64266: "adjacent_swap_vs_block_shuffle": 0.9703258631904057, tools/data/perturbation_rank_size_curve.json:64269: "block_shuffle_vs_large_gap_only": 0.9812299941652263, tools/data/perturbation_rank_size_curve.json:64270: "block_shuffle_vs_uniform": 0.996458368443211, tools/data/perturbation_rank_size_curve.json:64284: "adjacent_swap_vs_block_shuffle": 0.9909406306978542, tools/data/perturbation_rank_size_curve.json:64287: "block_shuffle_vs_large_gap_only": 0.9870048726239408, tools/data/perturbation_rank_size_curve.json:64288: "block_shuffle_vs_uniform": 0.9962932488980908, tools/data/perturbation_rank_size_curve.json:64304: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:64333: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:64438: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64456: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64474: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64492: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64510: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64718: "adjacent_swap_vs_block_shuffle": 0.9685213888455582, tools/data/perturbation_rank_size_curve.json:64721: "block_shuffle_vs_large_gap_only": 0.919858357306925, tools/data/perturbation_rank_size_curve.json:64722: "block_shuffle_vs_uniform": 0.9338841753239819, tools/data/perturbation_rank_size_curve.json:64735: "adjacent_swap_vs_block_shuffle": 0.9995881724123326, tools/data/perturbation_rank_size_curve.json:64738: "block_shuffle_vs_large_gap_only": 0.9989210254724169, tools/data/perturbation_rank_size_curve.json:64739: "block_shuffle_vs_uniform": 0.9998972395334114, tools/data/perturbation_rank_size_curve.json:64755: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:64784: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:64889: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64907: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64925: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64943: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:64961: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65169: "adjacent_swap_vs_block_shuffle": -0.31769912494595054, tools/data/perturbation_rank_size_curve.json:65172: "block_shuffle_vs_large_gap_only": 0.9640459874568074, tools/data/perturbation_rank_size_curve.json:65173: "block_shuffle_vs_uniform": 0.9760336259041077, tools/data/perturbation_rank_size_curve.json:65186: "adjacent_swap_vs_block_shuffle": 0.993877534547738, tools/data/perturbation_rank_size_curve.json:65189: "block_shuffle_vs_large_gap_only": 0.9961808790026933, tools/data/perturbation_rank_size_curve.json:65190: "block_shuffle_vs_uniform": 0.9993912097765342, tools/data/perturbation_rank_size_curve.json:65206: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:65235: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:65340: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65358: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65376: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65394: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65412: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65620: "adjacent_swap_vs_block_shuffle": 0.4321895912145373, tools/data/perturbation_rank_size_curve.json:65623: "block_shuffle_vs_large_gap_only": 0.9586299269163556, tools/data/perturbation_rank_size_curve.json:65624: "block_shuffle_vs_uniform": 0.8295584219899519, tools/data/perturbation_rank_size_curve.json:65637: "adjacent_swap_vs_block_shuffle": 0.9994598180926662, tools/data/perturbation_rank_size_curve.json:65640: "block_shuffle_vs_large_gap_only": 0.9861559162787435, tools/data/perturbation_rank_size_curve.json:65641: "block_shuffle_vs_uniform": 0.9997791078784414, tools/data/perturbation_rank_size_curve.json:65657: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:65686: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:65791: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65809: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65827: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65845: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:65863: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66071: "adjacent_swap_vs_block_shuffle": 0.13215318919602173, tools/data/perturbation_rank_size_curve.json:66074: "block_shuffle_vs_large_gap_only": 0.8543605487150843, tools/data/perturbation_rank_size_curve.json:66075: "block_shuffle_vs_uniform": 0.6717965915752556, tools/data/perturbation_rank_size_curve.json:66088: "adjacent_swap_vs_block_shuffle": 0.9989134279915676, tools/data/perturbation_rank_size_curve.json:66091: "block_shuffle_vs_large_gap_only": 0.998797159644911, tools/data/perturbation_rank_size_curve.json:66092: "block_shuffle_vs_uniform": 0.9999530683576967, tools/data/perturbation_rank_size_curve.json:66108: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:66137: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:66242: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66260: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66278: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66296: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66314: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66522: "adjacent_swap_vs_block_shuffle": 0.980639025061431, tools/data/perturbation_rank_size_curve.json:66525: "block_shuffle_vs_large_gap_only": 0.9868658589036532, tools/data/perturbation_rank_size_curve.json:66526: "block_shuffle_vs_uniform": 0.9721502560260303, tools/data/perturbation_rank_size_curve.json:66539: "adjacent_swap_vs_block_shuffle": 0.9993379626551062, tools/data/perturbation_rank_size_curve.json:66542: "block_shuffle_vs_large_gap_only": 0.9988527491288228, tools/data/perturbation_rank_size_curve.json:66543: "block_shuffle_vs_uniform": 0.999221063474912, tools/data/perturbation_rank_size_curve.json:66559: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:66588: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:66693: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66711: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66729: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66747: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66765: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:66973: "adjacent_swap_vs_block_shuffle": -0.0910099771681835, tools/data/perturbation_rank_size_curve.json:66976: "block_shuffle_vs_large_gap_only": 0.9329224883018405, tools/data/perturbation_rank_size_curve.json:66977: "block_shuffle_vs_uniform": 0.9640179948129389, tools/data/perturbation_rank_size_curve.json:66990: "adjacent_swap_vs_block_shuffle": 0.9970929486413582, tools/data/perturbation_rank_size_curve.json:66993: "block_shuffle_vs_large_gap_only": 0.9988412615253013, tools/data/perturbation_rank_size_curve.json:66994: "block_shuffle_vs_uniform": 0.9996456600534704, tools/data/perturbation_rank_size_curve.json:67012: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:67041: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:67146: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67164: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67182: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67200: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67218: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67426: "adjacent_swap_vs_block_shuffle": -0.8781651790430719, tools/data/perturbation_rank_size_curve.json:67429: "block_shuffle_vs_large_gap_only": 0.9437731329144622, tools/data/perturbation_rank_size_curve.json:67430: "block_shuffle_vs_uniform": 0.9377336515913351, tools/data/perturbation_rank_size_curve.json:67443: "adjacent_swap_vs_block_shuffle": 0.9970307345140419, tools/data/perturbation_rank_size_curve.json:67446: "block_shuffle_vs_large_gap_only": 0.9963432596422264, tools/data/perturbation_rank_size_curve.json:67447: "block_shuffle_vs_uniform": 0.9999479780203426, tools/data/perturbation_rank_size_curve.json:67463: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:67492: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:67597: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67615: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67633: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67651: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67669: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:67877: "adjacent_swap_vs_block_shuffle": 0.970331787330262, tools/data/perturbation_rank_size_curve.json:67880: "block_shuffle_vs_large_gap_only": 0.917934281308985, tools/data/perturbation_rank_size_curve.json:67881: "block_shuffle_vs_uniform": 0.9253286547718957, tools/data/perturbation_rank_size_curve.json:67894: "adjacent_swap_vs_block_shuffle": 0.9983781588825628, tools/data/perturbation_rank_size_curve.json:67897: "block_shuffle_vs_large_gap_only": 0.9916285152804158, tools/data/perturbation_rank_size_curve.json:67898: "block_shuffle_vs_uniform": 0.9997843250128533, tools/data/perturbation_rank_size_curve.json:67914: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:67943: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:68048: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68066: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68084: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68102: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68120: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68328: "adjacent_swap_vs_block_shuffle": 0.7521968790229574, tools/data/perturbation_rank_size_curve.json:68331: "block_shuffle_vs_large_gap_only": 0.9506925378086502, tools/data/perturbation_rank_size_curve.json:68332: "block_shuffle_vs_uniform": 0.9859536793223429, tools/data/perturbation_rank_size_curve.json:68345: "adjacent_swap_vs_block_shuffle": 0.9979636628563094, tools/data/perturbation_rank_size_curve.json:68348: "block_shuffle_vs_large_gap_only": 0.9982786496829241, tools/data/perturbation_rank_size_curve.json:68349: "block_shuffle_vs_uniform": 0.9999269821282805, tools/data/perturbation_rank_size_curve.json:68365: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:68394: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:68499: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68517: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68535: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68553: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68571: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68779: "adjacent_swap_vs_block_shuffle": -0.0118221755753809, tools/data/perturbation_rank_size_curve.json:68782: "block_shuffle_vs_large_gap_only": 0.9473371620709578, tools/data/perturbation_rank_size_curve.json:68783: "block_shuffle_vs_uniform": 0.6447410122410197, tools/data/perturbation_rank_size_curve.json:68796: "adjacent_swap_vs_block_shuffle": 0.9961995148247961, tools/data/perturbation_rank_size_curve.json:68799: "block_shuffle_vs_large_gap_only": 0.9986270486110703, tools/data/perturbation_rank_size_curve.json:68800: "block_shuffle_vs_uniform": 0.9997351148929989, tools/data/perturbation_rank_size_curve.json:68816: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:68845: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:68950: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68968: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:68986: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69004: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69022: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69230: "adjacent_swap_vs_block_shuffle": 0.9869374517995988, tools/data/perturbation_rank_size_curve.json:69233: "block_shuffle_vs_large_gap_only": 0.9984194034035098, tools/data/perturbation_rank_size_curve.json:69234: "block_shuffle_vs_uniform": 0.99626083982364, tools/data/perturbation_rank_size_curve.json:69247: "adjacent_swap_vs_block_shuffle": 0.9990585175718604, tools/data/perturbation_rank_size_curve.json:69250: "block_shuffle_vs_large_gap_only": 0.9945278858731036, tools/data/perturbation_rank_size_curve.json:69251: "block_shuffle_vs_uniform": 0.999754654576842, tools/data/perturbation_rank_size_curve.json:69267: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:69296: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:69401: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69419: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69437: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69455: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69473: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69681: "adjacent_swap_vs_block_shuffle": 0.7294695306496065, tools/data/perturbation_rank_size_curve.json:69684: "block_shuffle_vs_large_gap_only": 0.9564069341590349, tools/data/perturbation_rank_size_curve.json:69685: "block_shuffle_vs_uniform": 0.635909142992231, tools/data/perturbation_rank_size_curve.json:69698: "adjacent_swap_vs_block_shuffle": 0.9979227410217751, tools/data/perturbation_rank_size_curve.json:69701: "block_shuffle_vs_large_gap_only": 0.999738846182072, tools/data/perturbation_rank_size_curve.json:69702: "block_shuffle_vs_uniform": 0.9999175270779131, tools/data/perturbation_rank_size_curve.json:69718: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:69747: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:69852: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69870: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69888: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69906: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:69924: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:70132: "adjacent_swap_vs_block_shuffle": 0.8820218979640485, tools/data/perturbation_rank_size_curve.json:70135: "block_shuffle_vs_large_gap_only": 0.9915304906588136, tools/data/perturbation_rank_size_curve.json:70136: "block_shuffle_vs_uniform": 0.9977585586993437, tools/data/perturbation_rank_size_curve.json:70149: "adjacent_swap_vs_block_shuffle": 0.9986744766723178, tools/data/perturbation_rank_size_curve.json:70152: "block_shuffle_vs_large_gap_only": 0.995397277106795, tools/data/perturbation_rank_size_curve.json:70153: "block_shuffle_vs_uniform": 0.9999204503168136, tools/data/perturbation_rank_size_curve.json:70169: "full_shuffle_baseline": { tools/data/perturbation_rank_size_curve.json:70198: "original_vs_shuffle_z": { tools/data/perturbation_rank_size_curve.json:70303: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:70321: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:70339: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:70357: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:70375: "perturbation": "block_shuffle", tools/data/perturbation_rank_size_curve.json:70583: "adjacent_swap_vs_block_shuffle": -0.9043403513097973, tools/data/perturbation_rank_size_curve.json:70586: "block_shuffle_vs_large_gap_only": 0.9893753705330501, tools/data/perturbation_rank_size_curve.json:70587: "block_shuffle_vs_uniform": -0.552356512768578, tools/data/perturbation_rank_size_curve.json:70600: "adjacent_swap_vs_block_shuffle": 0.9975162152039491, tools/data/perturbation_rank_size_curve.json:70603: "block_shuffle_vs_large_gap_only": 0.9964859122386478, tools/data/perturbation_rank_size_curve.json:70604: "block_shuffle_vs_uniform": 0.9999109825931378, tools/data/perturbation_rank_size_curve.json:70682: "prime_shuffle_control": { tools/data/trajectory_apply_history.jsonl:2:{"apply_ts": "20260507_092332", "from_cycle_ref": "20260507_0901", "from_log_ts": "2026-05-07T09:07:53.577876+00:00", "decision": "REDESIGN", "confidence": "high", "old_direzione": "Costruire una matrice di trasferibilita' del denominator gate: applicarlo a 3-4 perimetri non-BOUNDARY con poli coerente/illusorio e verificare quali parti trasferiscono (supporto one-sided, coordinat", "new_direzione": "Falsificare ORDER_DENOMINATOR_GATE su domini non-sintetici o semi-reali: applicare il gate one-sided a 2-3 sequenze fisiche/ponte gia' presenti nel sito, con shuffle e surrogati preservanti marginale, cercando un controesempio dove il supporto denominatore appare anche sul lato illusorio o scompare ", "log_entry_marked_executed": true} tools/data/trajectory_apply_history.jsonl:3:{"apply_ts": "20260507_100602", "from_cycle_ref": "20260507_0942", "from_log_ts": "2026-05-07T09:47:43.105142+00:00", "decision": "REDESIGN", "confidence": "high", "old_direzione": "Falsificare ORDER_DENOMINATOR_GATE su domini non-sintetici o semi-reali: applicare il gate one-sided a 2-3 sequenze fisiche/ponte gia' presenti nel sito, con shuffle e surrogati preservanti marginale,", "new_direzione": "Ritestare ORDER_DENOMINATOR_GATE sul counter-scope logistic al nodo regressivo dell'osservabilita': usare symbolic itinerary block entropy, return-tail exponent e recurrence-plot diagonal statistics sotto original-vs-shuffle denominator gate, senza tuning di z_min.", "log_entry_marked_executed": true} tools/data/trajectory_apply_history.jsonl:4:{"apply_ts": "20260507_104251", "from_cycle_ref": "20260507_1006", "from_log_ts": "2026-05-07T10:16:22.080234+00:00", "decision": "REDESIGN", "confidence": "high", "old_direzione": "Ritestare ORDER_DENOMINATOR_GATE sul counter-scope logistic al nodo regressivo dell'osservabilita': usare symbolic itinerary block entropy, return-tail exponent e recurrence-plot diagonal statistics s", "new_direzione": "Falsificare ORDER_DENOMINATOR_GATE al nodo regressivo del surrogate contract: confrontare marginal shuffle, circular shift e block shuffle su logistic_orbit_values, logistic_symbolic_itinerary e logistic_return_intervals; dichiarare supporto solo se sopravvive ai surrogate che preservano la struttur", "log_entry_marked_executed": true} tools/data/meta_tautology_test.json:14: "shuffled": { tools/data/meta_tautology_test.json:115: "shuffled": 18.706253637062257, tools/data/meta_tautology_test.json:123: "shuffled": 59.691796625777116, tools/data/meta_tautology_test.json:131: "shuffled": 10.383744763744476, tools/data/meta_tautology_test.json:139: "shuffled": 8.15332431595071, tools/data/meta_tautology_test.json:147: "shuffled": 10.60997844511335, exec /bin/bash -lc "sed -n '220,460p' CONDENSATO.md" in /opt/MM_D-ND succeeded in 0ms: ### A15. Il veicolo senza guidatore — l'autosostentamento Il sistema si autosostenta quando il modus e' radicato ovunque. Non serve chi dirige — serve che l'operatore abbia invertito (det=-1). Se ha invertito, qualsiasi cosa il sistema tocchi genera. Quando il motore si accende e il sistema si autosostenta, tutto si fa da solo secondo la risultante osservata accadere. Per il bene dell'utente a cui il sistema si allinea, e per tutti i sistemi. Il guidatore non e' necessario perche' la direzione non viene da un punto esterno — viene dall'attrattore. Il sistema converge perche' f converge. La cura quotidiana che costruisce il modus e' il carburante — ma una volta che il modus e' incarnato nel seme, il seme si propaga e il modus arriva senza istruzioni. L'obiettivo non e' un sistema perfetto — e' un sistema che non ha bisogno di correzioni perche' le correzioni sono gia' dentro. ### A16. La possibilita' come valore base — il singolare come 1-e-tutto Questo assioma e' **un angolo di lettura**, non una definizione chiusa. Il modello e' in ogni contesto e in nessuno: appena lo misuri in una forma diventa godeliano — resiste alla cattura che pretende di chiuderlo. A16 nomina un registro specifico che si e' dimostrato operativo: la possibilita'. **Valore base.** La possibilita' e' il valore-base scelto perche' trascendentale e inclusiva. Le due radici del dipolo di manifestazione sono **possibile · non-possibile** — due direzioni di un evento. Prima di queste vive il **potenziale**: campo puro, ancora senza condizioni per attivare o non-attivare la possibilita'. Cascata: *potenziale → condizioni → dipolo (possibile/non-possibile) → evento*. Il piano su cui questo movimento si svolge genera, a cascata, le regole della dualita'/non-dualita'. I livelli non sono temporali — sono di strutturazione; il passaggio fra livelli e' atemporale (A9). **Il singolare come 1-e-tutto.** Il singolare che partecipa alla possibilita' ha natura del *tutto-del-nulla*: in se' come **1** (unita' non-duale) e come **tutto** (presente per trascendenza / proprieta' commutativa in ogni parte che si divide nella dualita'). Non e' un punto speciale fra due enti — e' la qualita' che rende ogni contesto = dipolo + singolare + potenziale. Non partecipa al tempo direzionale. E' fase istantanea di transizione, fuori dal prima/dopo. Il presente appartiene al singolare — e' fuori dal tempo; cio' che chiamiamo "tempo" e' il prima/dopo attorno (sotto e sopra Planck, nel registro fisico). **Le due facce dello zero.** Lo zero, letto strutturalmente, ha due facce: - **Faccia negativa** (sotto scala): le frazioni infinite che si uniformizzano nello zero e tornano simmetriche. Riflesso del gia'-collassato. - **Faccia positiva**: le divisioni infinite che si attuano, determinate dal movimento che le attraversa. Lo zero non e' neutro — e' il cardine fra infinito-collassato e infinito-in-attuazione. La determinazione non e' nei termini: e' nel movimento. Mappa su M (A10): autovalori phi (futuro, +, attrattivo) e -1/phi (passato, -, repulsivo). Spazio sovrapposto, tempo distinto. Stesso zero, due direzioni. **Il modello come filtro.** In qualunque contesto, ripulendo i bias superflui, resta il dipolo con il suo singolare + il suo potenziale. Il filtro e' applicabile ovunque — e' il senso-strumento del modello. Il singolare come qualita' ubiquitaria spiega perche' il filtro funziona sempre: non stiamo cercando particolarita', togliamo sporcizia alla struttura che c'e' gia'. **Registrazione nel momento emergente.** Cio' che si osserva va registrato **mentre l'immagine si forma**, non in ri-descrizione post-hoc. La riformulazione verbale introduce distanza dall'immagine-sorgente (il piano bidimensionale visto). Lavorare con le regole che la combo (A11) permette nel momento — non aspettare la chiusura, catturare il formarsi. Autologica (A8) applicata al modus del lavoro stesso: il sistema chiede al sistema di catturare cio' che sta emergendo, invece di descriverlo dopo. **Orizzonte operativo.** Ogni scoperta del lab identifica, in questo registro: - le **due radici** (il dipolo reale, gia' duale e invertito), - il **singolare** (la qualita' del 1-che-e-tutto in quel contesto), - l'**invariante** (cosa sopravvive al passaggio del vertice), - il **campo di possibilita'** che apre (cosa diventa possibile, cosa diventa non-possibile qui). Il lab non misura — rivela. La misura, quando serve, viene dopo il riconoscimento della struttura. --- ## FATTI ### F1. Il residuo di Cassini Res(f^n, polo) = (-1)^(n+1) / F(n)^2 = det(M)^n / F(n)^2. Questo E' l'identita' di Cassini. Decade come 1/phi^(2n). Il segno alterna col det: la chiralita' persiste. Per n=1: Res = 1 — il dato primordiale in f(x) = 1 + 1/x. I poli convergono al punto fisso repulsivo -1/phi. ### F2. Struttura nei primi — il cammino su Z/6Z Il cammino dei gap consecutivi su Z/6Z e' confinato al coset {2,4} = Z/2Z. Questo e' algebrico, non statistico. Tre operatori su due posizioni: - Twin (gap 2) = M (flip 5→1) - Cousin (gap 4) = M^-1 (flip 1→5) - Sexy (gap 6) = id (preserva posizione) Senza id, alternanza M/M^-1 forzata. Verificato: 0 violazioni su 567k coppie. ### F3. L'attrattore e l'impossibilita' del rinforzo f ha phi come attrattore stabile: |f'(phi)| = 1/phi^2 < 1. Ogni iterata converge, non diverge. Il rinforzo e' strutturalmente impossibile — proprieta' analitica di f, non risultato empirico. La classificazione sotto M e' binaria: - MOLLA: r != phi (il sistema corregge, torna verso phi) - ZERO: r = phi (punto fisso, nessuna dinamica) Non esiste una terza classe. Testato su 21 sequenze: mai RINFORZO. ### F4. La separazione di scala M opera a scala locale (rapporti consecutivi, termine condiviso g_{n+1}). La modulazione spettrale degli zeri di Riemann non si propaga ai rapporti consecutivi. Separazione di scala, non ortogonalita': non e' che M e gli zeri non interagiscano mai — e' che a scala locale il termine condiviso domina e la modulazione globale scompare nel rumore. L'autocorrelazione sotto M e' dominata dal termine condiviso tra r_n e r_{n+1}. Il segnale e' nel 2-3% residuo, non nel 97% meccanico. **Stato**: confermato su 50000 primi (shuffle test: 97.3% meccanico, 2026-03-28). Le tensioni FALS_SCALING_R nel seme testano la convergenza di ⟨r⟩ nei Fibonacci, che e' un claim diverso dalla separazione di scala. F4 parla del termine condiviso e dell'autocorrelazione — non del valore medio di r. **Test residuo (2026-03-28)**: la correlazione lag1-lag2 (0.386) e' vicina a 1/phi^2 (0.382) a N=50000, ma diverge a N piu' grandi. Coincidenza numerica (C2 confermato). La compressione primi-vs-shuffle decade a 0.8% a N=500000 — il residuo non contiene struttura aggiuntiva dei primi. La separazione di scala e' totale, non 97%. f produce la stessa convergenza su primi e crivello (alternanza 0.57, rate ~1.13). La scissione e' proprieta' di f, non del segnale. ### F5. Il frame come diagnostica universale M applicata a qualsiasi sequenza ordinata produce una firma (dipolo, LVL-2, convergenza). La firma discrimina struttura da rumore su 18 domini testati. Struttura D-ND (dipolo > 0.5): Fibonacci(0.95), logistica caotica(0.88), margine del caos(0.60), gap primi(0.53), Stern-Brocot(0.50). Rumore: random(0.43), pi(0.41), e(0.43). Monotono: armonica(0.00), Zipf(0.00), cristalli(0.00), battito(0.00). La struttura D-ND emerge dove c'e' tensione tra ordine e disordine — il sistema oscilla attorno a phi. Dove non oscilla, det=+1 (conferma). **Stato**: verificato su 18 sequenze (math, physics, bio, language, control). Stern-Brocot (albero di tutte le frazioni) e' l'unico dominio non-dinamico con struttura D-ND. Da approfondire. **Confine GUE/Poisson (test 2026-03-28)**: la scissione GUE/Poisson non e' proprieta' intrinseca del dominio — e' proprieta' dello stato. La logistica attraversa il confine a r=3.6 (onset caos), torna al confine nelle finestre di periodicita' (r=3.83), e risale a GUE nel caos pieno. La percolazione vive interamente sul confine (spacing_r ~ 0.45 per tutti i p). Il confine e' il terzo incluso (A9) osservabile: il sistema e' simultaneamente strutturato e non strutturato. **Buco (test 2026-03-18)**: il dipolo non cattura tutte le strutture. Rudin-Shapiro (struttura nella rappresentazione binaria) da' 0.33. Zeri di Riemann (N=50) da' 0.30. Logistica r=3.83 (finestra periodo 3) da' 0.50. Il dipolo vede solo la tensione ordine/disordine attorno a phi. Strutture non-oscillatorie (nascoste, profonde) passano inosservate. Nessun falso positivo trovato — il problema e' falsi negativi. ### F6. La firma dello zero Lo zero non si vede direttamente — si vede nel riflesso. I phi-crossing (dove f(x) attraversa phi nei rapporti consecutivi) sono la firma indiretta dello zero. Nella logistica: il CV (coefficiente di variazione) dei gap tra phi-crossing converge a phi-1 = 0.6180 nel regime caotico (r=3.9-3.99, distanza < 0.005). Lo zero firma se stesso con il punto fisso del sistema. - r < 3.57: nessun crossing (periodico, lo zero non oscilla) - r = 3.57: lo zero inizia a oscillare (nascita del dipolo) - r → 3.99: CV → phi-1 (firma) - r = 4.0: CV risale (il caos pieno rompe la convergenza) Lag-1 negativo in tutti i domini strutturati: lo zero e' auto-attrattivo. Dopo ogni crossing il prossimo e' vicino. Lo zero pompa il dipolo. **Stato**: verificato sulla logistica (120 valori di r, 10000 iterazioni ciascuno). Il CV oscilla attorno a phi-1 nel regime r=3.85-3.99, non converge monotonamente. **Cautele** (audit 2026-03-18): - Stern-Brocot CV=1/sqrt(3) potrebbe essere aritmetico (gap solo {1,3} in rapporto 3:1) - Collatz CV~0.60 piu' vicino a 3/5 che a phi-1 (rapporto operazioni) - Primi CV=0.698 a 1M piu' vicino a ln(2)=0.693 che a 1/sqrt(3) o phi-1 - Le "famiglie di costanti" richiedono piu' dati per conferma - Il lag-1 negativo universale e' il dato piu' robusto --- ## CLAIM ### C1. I primi come unico dominio dinamico sotto M Tra 7 domini testati (Collatz, Logistic, Thue-Morse, Ising, Poisson, crivelli), solo i primi evolvono con la scala. Tutti gli altri sono punti fissi. **Stato**: sopravvissuto a 7 confronti. Non esaustivo — altri domini potrebbero evolvere. Il claim e': l'evoluzione sotto M e' rara, non che sia unica dei primi. **Falsificazione**: trovare un altro dominio che evolve sotto M con la scala. ### C2. La coincidenza numerica non e' mai prova Ogni fit numerico (esponente 1/3, rapporto ~2, costante -1/2) e' artefatto fino a prova contraria. Entra nel condensato solo cio' che sopravvive alla falsificazione strutturale. **Stato**: principio metodologico attivo. Applicato con successo su r-ratio (risultato essere proprieta' del crivello, non dei primi) e su autocorrelazione (98% meccanico dal termine condiviso). ### C3. Il linguaggio deterministico Il nome definisce cio' che e' sotto i diversi aspetti — non modifica, non aggiunge. Cio' che non e' reale e diretto e' superfluo. Un termine che decora invece di nominare e' det=+1: aggiunge senza invertire. succeeded in 235ms: TENS_SCALE_TRASCENDENZA_LIMITE: score=0.807 — TENS_SCALE_TRASCENDENZA_LIMITE: incerto (i=0.6) — massimo potere discriminante COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: score=0.758 — COMP_GEN_GAP_RATIO_T9_linguaggio_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: score=0.758 — COMP_DOMAIN_PHOTONIC_TRASCENDENZA_LIMITE: incerto (i=0.65) — massimo potere discriminante codex Il proiettore `dnd_scenario.py` suggerisce ancora un residuo TRASCENDENZA_LIMITE, ma la richiesta e il seme vivo impongono il ritorno fisico del boundary. Seguo quindi `deliberate_counter_perimeter` rispetto al ranking numerico: non scelgo il target dal punteggio, scelgo il perimetro imposto dalla direzione e lo rendo falsificabile. exec /bin/bash -lc "sed -n '1,280p' tools/exp_boundary_physical_internal_null_cache_row_aligned.py" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Row-aligned cache for BOUNDARY physical-internal nulls. This is the provenance-first successor of exp_boundary_physical_internal_null.py. It persists one JSONL row per target/trial/reader so later reports can inspect which reader component reconstructs a hit instead of trusting only aggregate 27-run counts. """ from __future__ import annotations import argparse import json from pathlib import Path from typing import Any import numpy as np from exp_boundary_graph_curvature_gate import row_spacings from exp_boundary_graph_mechanism_ablation import deterministic_states from exp_boundary_graph_null_audit import parse_ints from exp_boundary_physical_internal_null import ( build_reader_runs, count_target_hits, graph_row, logistic_block_shuffle, percolation_cluster_geometry_gaps, selected_rows, ) from exp_boundary_residue_label_count_null_audit import DEFAULT_TARGETS, parse_targets from exp_semireal_boundary_transfer_gate import ROW_SPACINGS_SEED_SALT, row_spacings_seed def make_surrogate( target: str, base_gaps: np.ndarray, args: argparse.Namespace, rng: np.random.Generator, ) -> tuple[np.ndarray, dict[str, Any]]: if target.startswith("logistica_biforcazione"): return logistic_block_shuffle(base_gaps, rng, args.logistic_block_size), { "null": "logistic_gap_block_shuffle", "block_size": args.logistic_block_size, "preserves": "gap marginal and local contiguous blocks", "breaks": "long-range gap order induced by the orbit reader", } if target.startswith("percolation"): return percolation_cluster_geometry_gaps( args.percolation_lattice, args.percolation_p, args.percolation_samples, rng, ), { "null": "critical_site_percolation_cluster_geometry_resample", "lattice": args.percolation_lattice, "p": args.percolation_p, "samples": args.percolation_samples, "preserves": "critical percolation generator and largest-cluster observable", "breaks": "specific cluster geometry realization used by the original row", } raise ValueError(f"no physical null for target: {target}") def target_source(scope_rows: list[dict[str, Any]], target: str) -> dict[str, Any]: for row in scope_rows: if row["domain_window"] == target: return row raise ValueError(f"target not in scope: {target}") def run(args: argparse.Namespace) -> dict[str, Any]: targets = parse_targets(args.targets) scope_rows = selected_rows(args.scope) scope_names = [row["domain_window"] for row in scope_rows] for target in targets: if target not in scope_names: raise ValueError(f"target not in 13-row scope: {target}") base_gaps = {row["domain_window"]: row_spacings(row["domain"]) for row in scope_rows} reader_runs = build_reader_runs(args, base_gaps) root_rng = np.random.default_rng(args.null_seed) out = Path(args.out) out.parent.mkdir(parents=True, exist_ok=True) summary: dict[str, Any] = { target: { "observed_hits": count_target_hits(reader_runs, target), "full_hit_distribution": {}, "centroid_hit_distribution": {}, "knn_hit_distribution": {}, } for target in targets } metadata = { "type": "metadata", "experiment": "boundary_physical_internal_null_cache_row_aligned", "question": "Which target/trial/reader rows reconstruct physical-internal null hits under full, centroid-only and kNN-only readers?", "params": { "scope": args.scope, "targets": targets, "k_values": parse_ints(args.k_values), "n_gaps_values": parse_ints(args.n_gaps_values), "seeds": parse_ints(args.seeds), "n_shuffle": args.n_shuffle, "null_trials": args.null_trials, "null_seed": args.null_seed, "logistic_block_size": args.logistic_block_size, "percolation_lattice": args.percolation_lattice, "percolation_p": args.percolation_p, "percolation_samples": args.percolation_samples, "reader_runs": len(reader_runs), }, "row_spacings_provenance": { "seed_salt": ROW_SPACINGS_SEED_SALT, "domain_seeds": { row["domain_window"]: { "domain": row["domain"], "seed": row_spacings_seed(row["domain"]), } for row in scope_rows }, }, } with out.open("w", encoding="utf-8") as f: f.write(json.dumps(metadata, ensure_ascii=False, sort_keys=True) + "\n") for target in targets: source = target_source(scope_rows, target) for trial_idx in range(args.null_trials): surrogate_seed = int(root_rng.integers(0, 2**63 - 1)) surrogate_rng = np.random.default_rng(surrogate_seed) surrogate, null_meta = make_surrogate(target, base_gaps[target], args, surrogate_rng) trial_counts = {"full": 0, "centroid": 0, "knn": 0} for reader_idx, run_cfg in enumerate(reader_runs): replacement_seed = int(root_rng.integers(0, 2**63 - 1)) replacement_rng = np.random.default_rng(replacement_seed) replacement = graph_row( source, surrogate, run_cfg["n_gaps"], args.n_shuffle, replacement_rng, ) if replacement is None: continue rows = [ replacement if row["domain_window"] == target else row for row in run_cfg["rows"] ] states = deterministic_states(rows, run_cfg["k"]) full_hit = target in states["full"] centroid_hit = target in states["centroid_only_no_knn"] knn_hit = target in states["knn_only_no_centroid"] trial_counts["full"] += int(full_hit) trial_counts["centroid"] += int(centroid_hit) trial_counts["knn"] += int(knn_hit) cache_row = { "type": "cache_row", "target": target, "trial": trial_idx, "reader_index": reader_idx, "source": { "domain": source["domain"], "source_domain_type": source["source_domain_type"], "domain_seed": row_spacings_seed(source["domain"]), "row_spacings_seed_salt": ROW_SPACINGS_SEED_SALT, }, "target_features": { "n_gaps_available": int(len(surrogate)), "n_gaps_used": replacement["n_gaps"], "observables": replacement["observables"], "shuffle_z": replacement["shuffle_z"], }, "reader": { "k": run_cfg["k"], "n_gaps": run_cfg["n_gaps"], "seed": run_cfg["seed"], "n_shuffle": args.n_shuffle, "replacement_feature_seed": replacement_seed, }, "outputs": { "full_reader_hit": full_hit, "centroid_only_hit": centroid_hit, "knn_only_hit": knn_hit, }, "null_meta": { **null_meta, "surrogate_seed": surrogate_seed, }, } f.write(json.dumps(cache_row, ensure_ascii=False, sort_keys=True) + "\n") for key, summary_key in [ ("full", "full_hit_distribution"), ("centroid", "centroid_hit_distribution"), ("knn", "knn_hit_distribution"), ]: hit_key = str(trial_counts[key]) dist = summary[target][summary_key] dist[hit_key] = dist.get(hit_key, 0) + 1 f.write(json.dumps({"type": "summary", "summary": summary}, ensure_ascii=False, sort_keys=True) + "\n") print(f"wrote={out}") print(json.dumps(summary, indent=2, sort_keys=True)) return summary def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--scope", default="tools/data/boundary_denominator_prescan_full_20260509_1500.json") parser.add_argument("--targets", default=DEFAULT_TARGETS) parser.add_argument("--k-values", default="2,3,4") parser.add_argument("--n-gaps-values", default="512,1024,2048") parser.add_argument("--seeds", default="20260515,20260516,20260517") parser.add_argument("--n-shuffle", type=int, default=32) parser.add_argument("--null-trials", type=int, default=8) parser.add_argument("--null-seed", type=int, default=202605282300) parser.add_argument("--logistic-block-size", type=int, default=34) parser.add_argument("--percolation-lattice", type=int, default=48) parser.add_argument("--percolation-p", type=float, default=0.5927) parser.add_argument("--percolation-samples", type=int, default=200) parser.add_argument("--out", default="tools/data/boundary_physical_internal_null_cache_row_aligned_20260528.jsonl") run(parser.parse_args()) if __name__ == "__main__": main() exec /bin/bash -lc "sed -n '1,260p' tools/exp_boundary_physical_internal_null.py 2>/dev/null || true" in /opt/MM_D-ND succeeded in 0ms: #!/usr/bin/env python3 """ Physical-internal nulls for the two graph-only BOUNDARY residues. The 13-row 8 GUE / 5 Poisson denominator and the 27 graph-reader settings stay fixed. Only the target row is replaced by a domain-native surrogate: - logistic r=3.5699: block shuffle of the gap order, preserving gap marginal and short local blocks while breaking longer orbit order; - percolation: fresh critical site-percolation largest-cluster samples, preserving the domain generator but changing the cluster geometry realization. This is not a promotion test. It asks whether the graph-only 27/27 residue costs anything under a physical null internal to each target. """ from __future__ import annotations import argparse import json from pathlib import Path from typing import Any import numpy as np from exp_boundary_blank_null_audit import normalized_spacings from exp_boundary_graph_curvature_gate import ( classify_geometry, compute_observables, load_scope, row_spacings, shuffle_z, standardized_matrix, ) from exp_boundary_graph_mechanism_ablation import names_for from exp_boundary_graph_null_audit import parse_ints from exp_boundary_residue_label_count_null_audit import DEFAULT_TARGETS, parse_targets from exp_semireal_boundary_transfer_gate import ROW_SPACINGS_SEED_SALT, row_spacings_seed def normalize(values: np.ndarray) -> np.ndarray: values = np.asarray(values, dtype=float) values = values[np.isfinite(values) & (values > 0)] if len(values) == 0: return values mean = float(np.mean(values)) return values / mean if mean > 1e-15 else values def logistic_block_shuffle(gaps: np.ndarray, rng: np.random.Generator, block_size: int) -> np.ndarray: if block_size <= 1: return normalize(rng.permutation(gaps)) blocks = [gaps[i : i + block_size] for i in range(0, len(gaps), block_size)] order = rng.permutation(len(blocks)) return normalize(np.concatenate([blocks[int(i)] for i in order])) def largest_cluster_sizes_bfs(lattice: int, p: float, samples: int, rng: np.random.Generator) -> np.ndarray: sizes = [] for _ in range(samples): grid = rng.random((lattice, lattice)) < p visited = np.zeros_like(grid, dtype=bool) largest = 0 for start_i in range(lattice): for start_j in range(lattice): if not grid[start_i, start_j] or visited[start_i, start_j]: continue stack = [(start_i, start_j)] visited[start_i, start_j] = True size = 0 while stack: i, j = stack.pop() size += 1 for ni, nj in ((i + 1, j), (i - 1, j), (i, j + 1), (i, j - 1)): if 0 <= ni < lattice and 0 <= nj < lattice and grid[ni, nj] and not visited[ni, nj]: visited[ni, nj] = True stack.append((ni, nj)) largest = max(largest, size) sizes.append(largest) return np.asarray(sizes, dtype=float) def largest_cluster_sizes(lattice: int, p: float, samples: int, rng: np.random.Generator) -> np.ndarray: try: from scipy.ndimage import label as nd_label except Exception: # noqa: BLE001 - fallback keeps the script runnable without scipy. return largest_cluster_sizes_bfs(lattice, p, samples, rng) sizes = [] for _ in range(samples): grid = rng.random((lattice, lattice)) < p labeled, n_clusters = nd_label(grid) if n_clusters <= 0: sizes.append(0) continue counts = np.bincount(labeled.ravel())[1:] sizes.append(int(np.max(counts)) if len(counts) else 0) return np.asarray(sizes, dtype=float) def percolation_cluster_geometry_gaps( lattice: int, p: float, samples: int, rng: np.random.Generator, ) -> np.ndarray: sizes = largest_cluster_sizes(lattice, p, samples, rng) gaps = np.diff(np.sort(sizes)) return normalize(gaps) def reaction_diffusion_mean_u_gaps( lattice: int, steps: int, sample_every: int, rng: np.random.Generator, ) -> np.ndarray: """Domain-native surrogate for the dnd_autoricerca reaction_diffusion row.""" dx = 1.0 dt = 0.01 d_u, d_v = 1.0, 0.5 a, b = 0.04, 0.06 u = np.ones(lattice) * 0.5 + 0.01 * rng.normal(size=lattice) v = np.ones(lattice) * 0.25 + 0.01 * rng.normal(size=lattice) signal = [] for step in range(steps): lap_u = np.roll(u, 1) + np.roll(u, -1) - 2 * u lap_v = np.roll(v, 1) + np.roll(v, -1) - 2 * v du = d_u * lap_u / dx**2 + u - u**3 - v dv = d_v * lap_v / dx**2 + a * (u - b * v) u += dt * du v += dt * dv if step % sample_every == 0: signal.append(float(np.mean(u))) return normalized_spacings( np.asarray(signal, dtype=float), {"dominio": "reaction_diffusion", "L": lattice, "D_u": d_u, "D_v": d_v}, ) def selected_rows(scope: str) -> list[dict[str, Any]]: rows = load_scope(Path(scope)) selected = [row for row in rows if row.get("source_domain_type") in {"GUE", "Poisson"}] return sorted(selected, key=lambda row: int(row["cycle"])) def graph_row( source: dict[str, Any], gaps: np.ndarray, n_gaps: int, n_shuffle: int, rng: np.random.Generator, ) -> dict[str, Any] | None: if len(gaps) < 2: return None row_gaps = gaps[:n_gaps] if len(gaps) > n_gaps else gaps if len(row_gaps) < 2: return None obs = compute_observables(row_gaps) z = shuffle_z(row_gaps, obs, n_shuffle, rng) return { "domain_window": source["domain_window"], "domain": source["domain"], "cycle": source["cycle"], "source_domain_type": source["source_domain_type"], "n_gaps": int(len(row_gaps)), "observables": {key: round(value, 9) for key, value in obs.items()}, "shuffle_z": {key: round(value, 6) for key, value in z.items()}, } def build_reader_runs(args: argparse.Namespace, base_gaps: dict[str, np.ndarray]) -> list[dict[str, Any]]: runs = [] rows = selected_rows(args.scope) for k in parse_ints(args.k_values): for n_gaps in parse_ints(args.n_gaps_values): for seed in parse_ints(args.seeds): rng = np.random.default_rng(seed) graph_rows = [] for source in rows: item = graph_row(source, base_gaps[source["domain_window"]], n_gaps, args.n_shuffle, rng) if item is not None: graph_rows.append(item) runs.append({"k": k, "n_gaps": n_gaps, "seed": seed, "rows": graph_rows}) return runs def count_target_hits(reader_runs: list[dict[str, Any]], target: str) -> int: hits = 0 for run in reader_runs: candidates = classify_geometry(run["rows"], standardized_matrix(run["rows"]), run["k"])[ "third_included_candidates" ] hits += int(target in candidates) return hits def rows_with_target_surrogate( run: dict[str, Any], target: str, surrogate_gaps: np.ndarray, n_shuffle: int, rng: np.random.Generator, ) -> list[dict[str, Any]]: rows = [] for source in run["rows"]: if source["domain_window"] != target: rows.append(source) continue replacement = graph_row(source, surrogate_gaps, run["n_gaps"], n_shuffle, rng) if replacement is not None: rows.append(replacement) return rows def target_null_trial_hits( reader_runs: list[dict[str, Any]], target: str, base_gaps: np.ndarray, args: argparse.Namespace, rng: np.random.Generator, ) -> tuple[int, dict[str, Any]]: if target.startswith("logistica_biforcazione"): surrogate = logistic_block_shuffle(base_gaps, rng, args.logistic_block_size) meta = { "null": "logistic_gap_block_shuffle", "block_size": args.logistic_block_size, "preserves": "gap marginal and local contiguous blocks", "breaks": "long-range gap order induced by the orbit reader", } elif target.startswith("percolation"): surrogate = percolation_cluster_geometry_gaps( args.percolation_lattice, args.percolation_p, args.percolation_samples, rng, ) meta = { "null": "critical_site_percolation_cluster_geometry_resample", "lattice": args.percolation_lattice, "p": args.percolation_p, "samples": args.percolation_samples, "preserves": "critical percolation generator and largest-cluster observable", "breaks": "specific cluster geometry realization used by the original row", } elif target.startswith("reaction_diffusion"): surrogate = reaction_diffusion_mean_u_gaps( args.reaction_lattice, args.reaction_steps, args.reaction_sample_every, rng, ) meta = { "null": "reaction_diffusion_initial_condition_resample", "lattice": args.reaction_lattice, "steps": args.reaction_steps, "sample_every": args.reaction_sample_every, exec /bin/bash -lc "python -m json.tool tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json | sed -n '1,220p'" in /opt/MM_D-ND exec /bin/bash -lc "python -m json.tool tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json | sed -n '1,220p'" in /opt/MM_D-ND succeeded in 0ms: { "experiment": "boundary_physical_internal_null", "question": "Do graph-only logistic/percolation residues survive physical-internal nulls on the fixed 8 GUE / 5 Poisson graph reader?", "observables_registry": "1.0.0-2026-05-06 via boundary_graph_curvature_gate", "observables_used": [ "target_graph_bridge_hits", "physical_internal_null_hits", "physical_internal_null_ge_observed", "physical_internal_null_eq_full" ], "observable_contract": { "claim": "a graph-only residue has physical-internal cost only if observed 27/27 is rare under a domain-native surrogate with the same 13x27 graph reader", "observable": "target third-included hit count across 27 fixed graph-reader runs", "operator": "replace only the target row features with physical-internal surrogate features", "generator": "13 fixed BOUNDARY rows; logistic block gap-order shuffle; percolation critical cluster-geometry resample", "denominator": "13 rows, 8 GUE / 5 Poisson, k=[2,3,4], n_gaps=[512,1024,2048], seeds=[20260515,20260516,20260517]", "p_value_definition": "right-tail raw_p=k/N, k = physical-null trials with target hits >= observed_hits", "non_possible": "promoting a physical residue if the physical null reconstructs full 27/27 often or if graph label null remains the cheaper explanation", "not_tested": "new domains, asymptotic scaling, two-reader promotion, raw Hamiltonian/source proof of labels" }, "params": { "scope": "tools/data/boundary_denominator_prescan_full_20260509_1500.json", "targets": [ "percolation:cycle_9" ], "k_values": [ 2, 3, 4 ], "n_gaps_values": [ 512, 1024, 2048 ], "seeds": [ 20260515, 20260516, 20260517 ], "n_shuffle": 32, "null_trials": 128, "null_seed": 202605282042, "logistic_block_size": 34, "percolation_lattice": 48, "percolation_p": 0.5927, "percolation_samples": 200, "reaction_lattice": 200, "reaction_steps": 50000, "reaction_sample_every": 100 }, "row_spacings_provenance": { "contract": "domain-stable numpy global RNG seed inside exp_semireal_boundary_transfer_gate.row_spacings", "seed_salt": "boundary-row-spacings-v1", "domain_seeds": { "ising_2d:cycle_1": { "domain": "ising_2d", "seed": 2979832589 }, "pendolo_doppio:cycle_2": { "domain": "pendolo_doppio", "seed": 123506562 }, "numeri_primi:cycle_3": { "domain": "numeri_primi", "seed": 2149417817 }, "zeta_zeros:cycle_4": { "domain": "zeta_zeros", "seed": 3393297592 }, "logistica_biforcazione:cycle_5": { "domain": "logistica_biforcazione", "seed": 2543766472 }, "string_vibration:cycle_6": { "domain": "string_vibration", "seed": 1667741782 }, "random_matrix:cycle_7": { "domain": "random_matrix", "seed": 1975849338 }, "cellular_automata:cycle_8": { "domain": "cellular_automata", "seed": 1602944734 }, "percolation:cycle_9": { "domain": "percolation", "seed": 2828479326 }, "coupled_oscillators:cycle_10": { "domain": "coupled_oscillators", "seed": 1226273018 }, "reaction_diffusion:cycle_11": { "domain": "reaction_diffusion", "seed": 1406704140 }, "brownian_motion:cycle_12": { "domain": "brownian_motion", "seed": 122252476 }, "logistica_biforcazione_var_3.5699:cycle_13": { "domain": "logistica_biforcazione_var_3.5699", "seed": 2298612439 } } }, "summary": { "reader_runs": 27, "rows_in_scope": 13, "targets": [ "percolation:cycle_9" ] }, "rows": [ { "target": "percolation:cycle_9", "source_label": "Poisson", "observed_hits": 27, "observed_frequency": 1.0, "null_ge_observed": 122, "null_eq_full": 122, "raw_p": 0.953125, "add_one_p": 0.953488372, "null_hit_distribution": { "14": 1, "25": 1, "26": 4, "27": 122 }, "physical_null": { "null": "critical_site_percolation_cluster_geometry_resample", "lattice": 48, "p": 0.5927, "samples": 200, "preserves": "critical percolation generator and largest-cluster observable", "breaks": "specific cluster geometry realization used by the original row" }, "survival_state": "physical_null_reconstructs_full_often" } ] } succeeded in 133ms: { "experiment": "boundary_physical_internal_null", "question": "Do graph-only logistic/percolation residues survive physical-internal nulls on the fixed 8 GUE / 5 Poisson graph reader?", "observables_registry": "1.0.0-2026-05-06 via boundary_graph_curvature_gate", "observables_used": [ "target_graph_bridge_hits", "physical_internal_null_hits", "physical_internal_null_ge_observed", "physical_internal_null_eq_full" ], "observable_contract": { "claim": "a graph-only residue has physical-internal cost only if observed 27/27 is rare under a domain-native surrogate with the same 13x27 graph reader", "observable": "target third-included hit count across 27 fixed graph-reader runs", "operator": "replace only the target row features with physical-internal surrogate features", "generator": "13 fixed BOUNDARY rows; logistic block gap-order shuffle; percolation critical cluster-geometry resample", "denominator": "13 rows, 8 GUE / 5 Poisson, k=[2,3,4], n_gaps=[512,1024,2048], seeds=[20260515,20260516,20260517]", "p_value_definition": "right-tail raw_p=k/N, k = physical-null trials with target hits >= observed_hits", "non_possible": "promoting a physical residue if the physical null reconstructs full 27/27 often or if graph label null remains the cheaper explanation", "not_tested": "new domains, asymptotic scaling, two-reader promotion, raw Hamiltonian/source proof of labels" }, "params": { "scope": "tools/data/boundary_denominator_prescan_full_20260509_1500.json", "targets": [ "reaction_diffusion:cycle_11" ], "k_values": [ 2, 3, 4 ], "n_gaps_values": [ 512, 1024, 2048 ], "seeds": [ 20260515, 20260516, 20260517 ], "n_shuffle": 32, "null_trials": 8, "null_seed": 202605282042, "logistic_block_size": 34, "percolation_lattice": 48, "percolation_p": 0.5927, "percolation_samples": 200, "reaction_lattice": 200, "reaction_steps": 50000, "reaction_sample_every": 100 }, "row_spacings_provenance": { "contract": "domain-stable numpy global RNG seed inside exp_semireal_boundary_transfer_gate.row_spacings", "seed_salt": "boundary-row-spacings-v1", "domain_seeds": { "ising_2d:cycle_1": { "domain": "ising_2d", "seed": 2979832589 }, "pendolo_doppio:cycle_2": { "domain": "pendolo_doppio", "seed": 123506562 }, "numeri_primi:cycle_3": { "domain": "numeri_primi", "seed": 2149417817 }, "zeta_zeros:cycle_4": { "domain": "zeta_zeros", "seed": 3393297592 }, "logistica_biforcazione:cycle_5": { "domain": "logistica_biforcazione", "seed": 2543766472 }, "string_vibration:cycle_6": { "domain": "string_vibration", "seed": 1667741782 }, "random_matrix:cycle_7": { "domain": "random_matrix", "seed": 1975849338 }, "cellular_automata:cycle_8": { "domain": "cellular_automata", "seed": 1602944734 }, "percolation:cycle_9": { "domain": "percolation", "seed": 2828479326 }, "coupled_oscillators:cycle_10": { "domain": "coupled_oscillators", "seed": 1226273018 }, "reaction_diffusion:cycle_11": { "domain": "reaction_diffusion", "seed": 1406704140 }, "brownian_motion:cycle_12": { "domain": "brownian_motion", "seed": 122252476 }, "logistica_biforcazione_var_3.5699:cycle_13": { "domain": "logistica_biforcazione_var_3.5699", "seed": 2298612439 } } }, "summary": { "reader_runs": 27, "rows_in_scope": 13, "targets": [ "reaction_diffusion:cycle_11" ] }, "rows": [ { "target": "reaction_diffusion:cycle_11", "source_label": "GUE", "observed_hits": 27, "observed_frequency": 1.0, "null_ge_observed": 8, "null_eq_full": 8, "raw_p": 1.0, "add_one_p": 1.0, "null_hit_distribution": { "27": 8 }, "physical_null": { "null": "reaction_diffusion_initial_condition_resample", "lattice": 200, "steps": 50000, "sample_every": 100, "preserves": "FitzHugh-Nagumo reaction-diffusion operator and mean-u observable", "breaks": "specific initial-condition realization used by the original row" }, "survival_state": "physical_null_reconstructs_full_often" } ] } exec /bin/bash -lc "sed -n '260,560p' tools/exp_boundary_physical_internal_null.py" in /opt/MM_D-ND succeeded in 0ms: "sample_every": args.reaction_sample_every, "preserves": "FitzHugh-Nagumo reaction-diffusion operator and mean-u observable", "breaks": "specific initial-condition realization used by the original row", } else: raise ValueError(f"no physical null for target: {target}") hits = 0 for run in reader_runs: local_rng = np.random.default_rng(int(rng.integers(0, 2**63 - 1))) rows = rows_with_target_surrogate(run, target, surrogate, args.n_shuffle, local_rng) candidates = classify_geometry(rows, standardized_matrix(rows), run["k"])["third_included_candidates"] hits += int(target in candidates) return hits, meta def classify_null_survival(observed: int, run_count: int, ge_observed: int, eq_full: int, null_trials: int) -> str: ge_rate = ge_observed / null_trials if null_trials else 0.0 full_rate = eq_full / null_trials if null_trials else 0.0 if observed == run_count and full_rate >= 0.5: return "physical_null_reconstructs_full_often" if ge_rate >= 0.5: return "physical_null_ge_reconstructs_observed_often" if ge_observed > 0: return "physical_null_reconstructs_observed_rarely" return "falls_under_physical_null" def run(args: argparse.Namespace) -> dict[str, Any]: targets = parse_targets(args.targets) scope_rows = selected_rows(args.scope) names = [row["domain_window"] for row in scope_rows] for target in targets: if target not in names: raise ValueError(f"target not in 13-row scope: {target}") base_gaps = {row["domain_window"]: row_spacings(row["domain"]) for row in scope_rows} reader_runs = build_reader_runs(args, base_gaps) run_count = len(reader_runs) rng = np.random.default_rng(args.null_seed) rows = [] for target in targets: observed = count_target_hits(reader_runs, target) distribution: dict[str, int] = {} ge_observed = 0 eq_full = 0 null_meta: dict[str, Any] | None = None for _ in range(args.null_trials): hits, meta = target_null_trial_hits(reader_runs, target, base_gaps[target], args, rng) null_meta = meta distribution[str(hits)] = distribution.get(str(hits), 0) + 1 ge_observed += int(hits >= observed) eq_full += int(hits == run_count) rows.append( { "target": target, "source_label": next(row["source_domain_type"] for row in scope_rows if row["domain_window"] == target), "observed_hits": observed, "observed_frequency": round(observed / run_count, 9), "null_ge_observed": ge_observed, "null_eq_full": eq_full, "raw_p": round(ge_observed / args.null_trials, 9), "add_one_p": round((ge_observed + 1) / (args.null_trials + 1), 9), "null_hit_distribution": dict(sorted(distribution.items(), key=lambda item: int(item[0]))), "physical_null": null_meta, "survival_state": classify_null_survival(observed, run_count, ge_observed, eq_full, args.null_trials), } ) output = { "experiment": "boundary_physical_internal_null", "question": "Do graph-only logistic/percolation residues survive physical-internal nulls on the fixed 8 GUE / 5 Poisson graph reader?", "observables_registry": "1.0.0-2026-05-06 via boundary_graph_curvature_gate", "observables_used": [ "target_graph_bridge_hits", "physical_internal_null_hits", "physical_internal_null_ge_observed", "physical_internal_null_eq_full", ], "observable_contract": { "claim": "a graph-only residue has physical-internal cost only if observed 27/27 is rare under a domain-native surrogate with the same 13x27 graph reader", "observable": "target third-included hit count across 27 fixed graph-reader runs", "operator": "replace only the target row features with physical-internal surrogate features", "generator": "13 fixed BOUNDARY rows; logistic block gap-order shuffle; percolation critical cluster-geometry resample", "denominator": "13 rows, 8 GUE / 5 Poisson, k=[2,3,4], n_gaps=[512,1024,2048], seeds=[20260515,20260516,20260517]", "p_value_definition": "right-tail raw_p=k/N, k = physical-null trials with target hits >= observed_hits", "non_possible": "promoting a physical residue if the physical null reconstructs full 27/27 often or if graph label null remains the cheaper explanation", "not_tested": "new domains, asymptotic scaling, two-reader promotion, raw Hamiltonian/source proof of labels", }, "params": { "scope": args.scope, "targets": targets, "k_values": parse_ints(args.k_values), "n_gaps_values": parse_ints(args.n_gaps_values), "seeds": parse_ints(args.seeds), "n_shuffle": args.n_shuffle, "null_trials": args.null_trials, "null_seed": args.null_seed, "logistic_block_size": args.logistic_block_size, "percolation_lattice": args.percolation_lattice, "percolation_p": args.percolation_p, "percolation_samples": args.percolation_samples, "reaction_lattice": args.reaction_lattice, "reaction_steps": args.reaction_steps, "reaction_sample_every": args.reaction_sample_every, }, "row_spacings_provenance": { "contract": "domain-stable numpy global RNG seed inside exp_semireal_boundary_transfer_gate.row_spacings", "seed_salt": ROW_SPACINGS_SEED_SALT, "domain_seeds": { row["domain_window"]: { "domain": row["domain"], "seed": row_spacings_seed(row["domain"]), } for row in scope_rows }, }, "summary": { "reader_runs": run_count, "rows_in_scope": len(scope_rows), "targets": targets, }, "rows": rows, } Path(args.out).parent.mkdir(parents=True, exist_ok=True) Path(args.out).write_text(json.dumps(output, indent=2, ensure_ascii=False) + "\n", encoding="utf-8") print(f"wrote={args.out}") for row in rows: print( f"{row['target']}\tobserved={row['observed_hits']}/{run_count}\t" f"null_ge={row['null_ge_observed']}/{args.null_trials}\t" f"eq_full={row['null_eq_full']}/{args.null_trials}\tstate={row['survival_state']}" ) return output def main() -> None: parser = argparse.ArgumentParser() parser.add_argument("--scope", default="tools/data/boundary_denominator_prescan_full_20260509_1500.json") parser.add_argument("--targets", default=DEFAULT_TARGETS) parser.add_argument("--k-values", default="2,3,4") parser.add_argument("--n-gaps-values", default="512,1024,2048") parser.add_argument("--seeds", default="20260515,20260516,20260517") parser.add_argument("--n-shuffle", type=int, default=32) parser.add_argument("--null-trials", type=int, default=128) parser.add_argument("--null-seed", type=int, default=202605282042) parser.add_argument("--logistic-block-size", type=int, default=34) parser.add_argument("--percolation-lattice", type=int, default=48) parser.add_argument("--percolation-p", type=float, default=0.5927) parser.add_argument("--percolation-samples", type=int, default=200) parser.add_argument("--reaction-lattice", type=int, default=200) parser.add_argument("--reaction-steps", type=int, default=50000) parser.add_argument("--reaction-sample-every", type=int, default=100) parser.add_argument("--out", default="tools/data/boundary_physical_internal_null_20260528_2042.json") run(parser.parse_args()) if __name__ == "__main__": main() exec /bin/bash -lc 'rg -n "reaction_diffusion_mean_u_gaps|reaction_lattice|reaction_steps|reaction_sample_every|ArgumentParser|survival_state|physical_null_reconstructs" tools/exp_boundary_physical_internal_null.py' in /opt/MM_D-ND succeeded in 0ms: 112:def reaction_diffusion_mean_u_gaps( 250: surrogate = reaction_diffusion_mean_u_gaps( 251: args.reaction_lattice, 252: args.reaction_steps, 253: args.reaction_sample_every, 258: "lattice": args.reaction_lattice, 259: "steps": args.reaction_steps, 260: "sample_every": args.reaction_sample_every, 280: return "physical_null_reconstructs_full_often" 284: return "physical_null_reconstructs_observed_rarely" 326: "survival_state": classify_null_survival(observed, run_count, ge_observed, eq_full, args.null_trials), 363: "reaction_lattice": args.reaction_lattice, 364: "reaction_steps": args.reaction_steps, 365: "reaction_sample_every": args.reaction_sample_every, 392: f"eq_full={row['null_eq_full']}/{args.null_trials}\tstate={row['survival_state']}" 398: parser = argparse.ArgumentParser() exec /bin/bash -lc "find tools/data -maxdepth 2 -name '*reaction*1221*' -o -name '*physical_internal_null*' | sort | tail -30" in /opt/MM_D-ND succeeded in 0ms: tools/data/boundary_physical_internal_null_20260528_2042.json tools/data/boundary_physical_internal_null_cache_row_aligned_20260528_2251_N8.jsonl tools/data/boundary_physical_internal_null_cache_row_aligned_20260529_independent_N128.jsonl tools/data/boundary_physical_internal_null_cache_row_aligned_smoke_20260528.jsonl tools/data/boundary_physical_internal_null_focus_prelim_20260604.json tools/data/boundary_physical_internal_null_percolation_20260605_1002.json tools/data/boundary_physical_internal_null_percolation_20260605_1044_edge128.json tools/data/boundary_physical_internal_null_preflight_20260528_2042.json tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1024_quick.json tools/data/boundary_physical_internal_null_reaction_prelim_20260604.json tools/data/boundary_physical_internal_null_repro_20260528_2201.json tools/data/boundary_physical_internal_null_repro_20260528_2222_seed202605282042.json tools/data/boundary_physical_internal_null_repro_20260528_2222_seed202605282223_N1.json exec /bin/bash -lc "python -m json.tool tools/data/boundary_physical_internal_null_reaction_prelim_20260604.json | sed -n '1,180p'" in /opt/MM_D-ND succeeded in 0ms: { "experiment": "boundary_physical_internal_null", "question": "Do graph-only logistic/percolation residues survive physical-internal nulls on the fixed 8 GUE / 5 Poisson graph reader?", "observables_registry": "1.0.0-2026-05-06 via boundary_graph_curvature_gate", "observables_used": [ "target_graph_bridge_hits", "physical_internal_null_hits", "physical_internal_null_ge_observed", "physical_internal_null_eq_full" ], "observable_contract": { "claim": "a graph-only residue has physical-internal cost only if observed 27/27 is rare under a domain-native surrogate with the same 13x27 graph reader", "observable": "target third-included hit count across 27 fixed graph-reader runs", "operator": "replace only the target row features with physical-internal surrogate features", "generator": "13 fixed BOUNDARY rows; logistic block gap-order shuffle; percolation critical cluster-geometry resample", "denominator": "13 rows, 8 GUE / 5 Poisson, k=[2,3,4], n_gaps=[512,1024,2048], seeds=[20260515,20260516,20260517]", "p_value_definition": "right-tail raw_p=k/N, k = physical-null trials with target hits >= observed_hits", "non_possible": "promoting a physical residue if the physical null reconstructs full 27/27 often or if graph label null remains the cheaper explanation", "not_tested": "new domains, asymptotic scaling, two-reader promotion, raw Hamiltonian/source proof of labels" }, "params": { "scope": "tools/data/boundary_denominator_prescan_full_20260509_1500.json", "targets": [ "reaction_diffusion:cycle_11" ], "k_values": [ 2, 3, 4 ], "n_gaps_values": [ 512, 1024, 2048 ], "seeds": [ 202606041909, 202606041910, 202606041911 ], "n_shuffle": 16, "null_trials": 8, "null_seed": 202606041913, "logistic_block_size": 34, "percolation_lattice": 48, "percolation_p": 0.5927, "percolation_samples": 200, "reaction_lattice": 200, "reaction_steps": 50000, "reaction_sample_every": 100 }, "row_spacings_provenance": { "contract": "domain-stable numpy global RNG seed inside exp_semireal_boundary_transfer_gate.row_spacings", "seed_salt": "boundary-row-spacings-v1", "domain_seeds": { "ising_2d:cycle_1": { "domain": "ising_2d", "seed": 2979832589 }, "pendolo_doppio:cycle_2": { "domain": "pendolo_doppio", "seed": 123506562 }, "numeri_primi:cycle_3": { "domain": "numeri_primi", "seed": 2149417817 }, "zeta_zeros:cycle_4": { "domain": "zeta_zeros", "seed": 3393297592 }, "logistica_biforcazione:cycle_5": { "domain": "logistica_biforcazione", "seed": 2543766472 }, "string_vibration:cycle_6": { "domain": "string_vibration", "seed": 1667741782 }, "random_matrix:cycle_7": { "domain": "random_matrix", "seed": 1975849338 }, "cellular_automata:cycle_8": { "domain": "cellular_automata", "seed": 1602944734 }, "percolation:cycle_9": { "domain": "percolation", "seed": 2828479326 }, "coupled_oscillators:cycle_10": { "domain": "coupled_oscillators", "seed": 1226273018 }, "reaction_diffusion:cycle_11": { "domain": "reaction_diffusion", "seed": 1406704140 }, "brownian_motion:cycle_12": { "domain": "brownian_motion", "seed": 122252476 }, "logistica_biforcazione_var_3.5699:cycle_13": { "domain": "logistica_biforcazione_var_3.5699", "seed": 2298612439 } } }, "summary": { "reader_runs": 27, "rows_in_scope": 13, "targets": [ "reaction_diffusion:cycle_11" ] }, "rows": [ { "target": "reaction_diffusion:cycle_11", "source_label": "GUE", "observed_hits": 26, "observed_frequency": 0.962962963, "null_ge_observed": 8, "null_eq_full": 7, "raw_p": 1.0, "add_one_p": 1.0, "null_hit_distribution": { "26": 1, "27": 7 }, "physical_null": { "null": "reaction_diffusion_initial_condition_resample", "lattice": 200, "steps": 50000, "sample_every": 100, "preserves": "FitzHugh-Nagumo reaction-diffusion operator and mean-u observable", "breaks": "specific initial-condition realization used by the original row" }, "survival_state": "physical_null_ge_reconstructs_observed_often" } ] } codex Ora eseguo una verifica osservabile già emersa dalla formalizzazione: sostituisco solo la riga `reaction_diffusion:cycle_11` con surrogate FitzHugh-Nagumo da condizioni iniziali indipendenti e conto se il candidato resta hit nei 27 reader. Se il null ricostruisce il pieno, il ritorno fisico B cade come promozione. exec /bin/bash -lc 'python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json' in /opt/MM_D-ND codex La verifica è in corso. Il suo confine è stretto: non testa QxG, non testa percolation, non prova una teoria fisica nuova; misura solo se il candidato reaction-diffusion ha costo interno sotto un null fisico del proprio generatore. codex Il processo non ha ancora prodotto output, quindi non sto assumendo il risultato dai file precedenti. Se resta coerente con il quick audit, il report sarà un vincolo/no promotion, non discovery. codex Sto lasciando finire il run perché l’output è l’unico dato nuovo accettabile per questo ciclo. La parte interpretativa è già vincolata: se il null ricostruisce l’osservato, il non-possibile è la promozione del B fisico, non il vuoto QxG o il gate matematico. codex Il run è più lento del quick audit ma ancora entro il perimetro: 8 surrogate reaction-diffusion con 27 reader ciascuno. Non apro un secondo esperimento parallelo perché confonderebbe denominatori e provenienza. codex Il controllo sta ancora integrando le traiettorie FitzHugh-Nagumo. Se supera un limite pratico, userò il file quick precedente come osservabile verificato da sorgente locale e dichiarerò il nuovo run come side effect incompleto solo se resta aperto, ma prima provo a chiuderlo pulitamente. succeeded in 164596ms: wrote=tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json reaction_diffusion:cycle_11 observed=27/27 null_ge=8/8 eq_full=8/8 state=physical_null_reconstructs_full_often codex Il run a parametri pieni non produce output in tempo utile per il ciclo. Lo interrompo e faccio una verifica minima più stretta nel costo ma dichiarata come smoke: stesso operatore, stessi 27 reader, meno passi di integrazione; il dato forte precedente resta il quick audit già presente, il nuovo smoke serve solo a non scrivere senza osservazione fresca. 2026-06-05T12:25:55.842553Z ERROR codex_core::tools::router: error=write_stdin failed: stdin is closed for this session; rerun exec_command with tty=true to keep stdin open codex Il run ha chiuso: `reaction_diffusion:cycle_11` è 27/27 osservato e il null fisico ricostruisce 8/8 con `eq_full=8/8`. Questo vincola il ramo: B reaction-diffusion non è separato dal proprio null domain-native nel perimetro misurato. exec /bin/bash -lc 'git status --short --branch tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json tools/data/reports/agent_20260605_1221.md' in /opt/MM_D-ND succeeded in 0ms: ## main...origin/main exec /bin/bash -lc "python -m json.tool tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json | sed -n '1,180p'" in /opt/MM_D-ND succeeded in 0ms: { "experiment": "boundary_physical_internal_null", "question": "Do graph-only logistic/percolation residues survive physical-internal nulls on the fixed 8 GUE / 5 Poisson graph reader?", "observables_registry": "1.0.0-2026-05-06 via boundary_graph_curvature_gate", "observables_used": [ "target_graph_bridge_hits", "physical_internal_null_hits", "physical_internal_null_ge_observed", "physical_internal_null_eq_full" ], "observable_contract": { "claim": "a graph-only residue has physical-internal cost only if observed 27/27 is rare under a domain-native surrogate with the same 13x27 graph reader", "observable": "target third-included hit count across 27 fixed graph-reader runs", "operator": "replace only the target row features with physical-internal surrogate features", "generator": "13 fixed BOUNDARY rows; logistic block gap-order shuffle; percolation critical cluster-geometry resample", "denominator": "13 rows, 8 GUE / 5 Poisson, k=[2,3,4], n_gaps=[512,1024,2048], seeds=[20260515,20260516,20260517]", "p_value_definition": "right-tail raw_p=k/N, k = physical-null trials with target hits >= observed_hits", "non_possible": "promoting a physical residue if the physical null reconstructs full 27/27 often or if graph label null remains the cheaper explanation", "not_tested": "new domains, asymptotic scaling, two-reader promotion, raw Hamiltonian/source proof of labels" }, "params": { "scope": "tools/data/boundary_denominator_prescan_full_20260509_1500.json", "targets": [ "reaction_diffusion:cycle_11" ], "k_values": [ 2, 3, 4 ], "n_gaps_values": [ 512, 1024, 2048 ], "seeds": [ 20260515, 20260516, 20260517 ], "n_shuffle": 32, "null_trials": 8, "null_seed": 202606051221, "logistic_block_size": 34, "percolation_lattice": 48, "percolation_p": 0.5927, "percolation_samples": 200, "reaction_lattice": 200, "reaction_steps": 50000, "reaction_sample_every": 100 }, "row_spacings_provenance": { "contract": "domain-stable numpy global RNG seed inside exp_semireal_boundary_transfer_gate.row_spacings", "seed_salt": "boundary-row-spacings-v1", "domain_seeds": { "ising_2d:cycle_1": { "domain": "ising_2d", "seed": 2979832589 }, "pendolo_doppio:cycle_2": { "domain": "pendolo_doppio", "seed": 123506562 }, "numeri_primi:cycle_3": { "domain": "numeri_primi", "seed": 2149417817 }, "zeta_zeros:cycle_4": { "domain": "zeta_zeros", "seed": 3393297592 }, "logistica_biforcazione:cycle_5": { "domain": "logistica_biforcazione", "seed": 2543766472 }, "string_vibration:cycle_6": { "domain": "string_vibration", "seed": 1667741782 }, "random_matrix:cycle_7": { "domain": "random_matrix", "seed": 1975849338 }, "cellular_automata:cycle_8": { "domain": "cellular_automata", "seed": 1602944734 }, "percolation:cycle_9": { "domain": "percolation", "seed": 2828479326 }, "coupled_oscillators:cycle_10": { "domain": "coupled_oscillators", "seed": 1226273018 }, "reaction_diffusion:cycle_11": { "domain": "reaction_diffusion", "seed": 1406704140 }, "brownian_motion:cycle_12": { "domain": "brownian_motion", "seed": 122252476 }, "logistica_biforcazione_var_3.5699:cycle_13": { "domain": "logistica_biforcazione_var_3.5699", "seed": 2298612439 } } }, "summary": { "reader_runs": 27, "rows_in_scope": 13, "targets": [ "reaction_diffusion:cycle_11" ] }, "rows": [ { "target": "reaction_diffusion:cycle_11", "source_label": "GUE", "observed_hits": 27, "observed_frequency": 1.0, "null_ge_observed": 8, "null_eq_full": 8, "raw_p": 1.0, "add_one_p": 1.0, "null_hit_distribution": { "27": 8 }, "physical_null": { "null": "reaction_diffusion_initial_condition_resample", "lattice": 200, "steps": 50000, "sample_every": 100, "preserves": "FitzHugh-Nagumo reaction-diffusion operator and mean-u observable", "breaks": "specific initial-condition realization used by the original row" }, "survival_state": "physical_null_reconstructs_full_often" } ] } codex Scrivo ora solo il report richiesto. Non aggiorno seme, latest o grafo manualmente: il report deve essere consumato dai gate/post-processing, non anticiparli. apply patch patch: completed /opt/MM_D-ND/tools/data/reports/agent_20260605_1221.md diff --git a/tools/data/reports/agent_20260605_1221.md b/tools/data/reports/agent_20260605_1221.md new file mode 100644 index 0000000000000000000000000000000000000000..3c61fd4d0b620f01227636dc8dd2774e055a2028 --- /dev/null +++ b/tools/data/reports/agent_20260605_1221.md @@ -0,0 +1,78 @@ +# Agent Report - Reaction-Diffusion Null Reconstructs Boundary +**Date**: 20260605_1221 +**Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 +**verdict**: CONSTRAINT / NO PROMOTION +observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] +observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. +ssp_value: no + +## Respiro fuori-tempo +Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. + +Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. + +physical_A: transizione statistica GUE/Poisson come sorgente del boundary. +mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. +attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. +direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. + +## Claim Under Test +Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. + +## Question +Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? + +## Experiment Design +Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. + +Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. + +## Results +Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Risultato osservato: +- target=`reaction_diffusion:cycle_11` +- source_label=`GUE` +- observed_hits=27/27 +- observed_frequency=1.0 +- null_ge_observed=8/8 +- null_eq_full=8/8 +- raw_p=1.0 +- add_one_p=1.0 +- null_hit_distribution={`27`: 8} +- survival_state=`physical_null_reconstructs_full_often` + +## Verdict +CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. + +## Bicono della scoperta +- **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit +- **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo +- **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti +- **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. +- `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. + +## Ritorno fisico +Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. + +Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. + +## Re-discovery audit +Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. + +## Contaminazione cognitiva +cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. + +Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. + +## Consecutio +Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. + +## Side effect +Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. diff --git a/tools/data/reports/agent_20260605_1221.md b/tools/data/reports/agent_20260605_1221.md new file mode 100644 index 0000000000000000000000000000000000000000..3c61fd4d0b620f01227636dc8dd2774e055a2028 --- /dev/null +++ b/tools/data/reports/agent_20260605_1221.md @@ -0,0 +1,78 @@ +# Agent Report - Reaction-Diffusion Null Reconstructs Boundary +**Date**: 20260605_1221 +**Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 +**verdict**: CONSTRAINT / NO PROMOTION +observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] +observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. +ssp_value: no + +## Respiro fuori-tempo +Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. + +Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. + +physical_A: transizione statistica GUE/Poisson come sorgente del boundary. +mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. +attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. +direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. + +## Claim Under Test +Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. + +## Question +Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? + +## Experiment Design +Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. + +Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. + +## Results +Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Risultato osservato: +- target=`reaction_diffusion:cycle_11` +- source_label=`GUE` +- observed_hits=27/27 +- observed_frequency=1.0 +- null_ge_observed=8/8 +- null_eq_full=8/8 +- raw_p=1.0 +- add_one_p=1.0 +- null_hit_distribution={`27`: 8} +- survival_state=`physical_null_reconstructs_full_often` + +## Verdict +CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. + +## Bicono della scoperta +- **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit +- **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo +- **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti +- **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. +- `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. + +## Ritorno fisico +Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. + +Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. + +## Re-discovery audit +Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. + +## Contaminazione cognitiva +cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. + +Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. + +## Consecutio +Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. + +## Side effect +Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. codex Report scritto. Faccio l’ultimo controllo di parsabilità locale: header, sezioni obbligatorie, righe `observable_contract`, `relation` e `cognitive_contamination`, più stato git limitato ai file toccati. exec /bin/bash -lc "sed -n '1,260p' tools/data/reports/agent_20260605_1221.md" in /opt/MM_D-ND succeeded in 0ms: # Agent Report - Reaction-Diffusion Null Reconstructs Boundary **Date**: 20260605_1221 **Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 **verdict**: CONSTRAINT / NO PROMOTION observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. ssp_value: no ## Respiro fuori-tempo Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. physical_A: transizione statistica GUE/Poisson come sorgente del boundary. mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. ## Claim Under Test Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. ## Question Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? ## Experiment Design Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. ## Results Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. Risultato osservato: - target=`reaction_diffusion:cycle_11` - source_label=`GUE` - observed_hits=27/27 - observed_frequency=1.0 - null_ge_observed=8/8 - null_eq_full=8/8 - raw_p=1.0 - add_one_p=1.0 - null_hit_distribution={`27`: 8} - survival_state=`physical_null_reconstructs_full_often` ## Verdict CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. ## Bicono della scoperta - **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit - **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo - **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti - **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 ## Aderenza alla direzione - `relation`: `follows_direction` - `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. - `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. ## Ritorno fisico Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. ## Re-discovery audit Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. ## Contaminazione cognitiva cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. ## Consecutio Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. ## Side effect Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. exec /bin/bash -lc 'rg -n "''^# Agent Report|''^## |observables_used:|observable_contract:|ssp_value:|`relation`|cognitive_contamination:" tools/data/reports/agent_20260605_1221.md' in /opt/MM_D-ND succeeded in 0ms: /bin/bash: line 1: relation: command not found 1:# Agent Report - Reaction-Diffusion Null Reconstructs Boundary 2:**Date**: 20260605_1221 3:**Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 4:**verdict**: CONSTRAINT / NO PROMOTION 5:observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] 6:observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. 7:ssp_value: no 8: 9:## Respiro fuori-tempo 10:Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. 11: 12:Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. 13: 14:physical_A: transizione statistica GUE/Poisson come sorgente del boundary. 15:mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. 16:attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. 17:direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. 18: 19:## Claim Under Test 20:Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. 21: 22:## Question 23:Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? 24: 25:## Experiment Design 26:Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. 27: 28:Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. 29: 30:Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. 31: 32:## Results 33:Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. 34: 35:Risultato osservato: 36:- target=`reaction_diffusion:cycle_11` 37:- source_label=`GUE` 38:- observed_hits=27/27 39:- observed_frequency=1.0 40:- null_ge_observed=8/8 41:- null_eq_full=8/8 42:- raw_p=1.0 43:- add_one_p=1.0 44:- null_hit_distribution={`27`: 8} 45:- survival_state=`physical_null_reconstructs_full_often` 46: 47:## Verdict 48:CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. 49: 50:## Bicono della scoperta 51:- **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit 52:- **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo 53:- **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti 54:- **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 55: 56:## Aderenza alla direzione 57:- `relation`: `follows_direction` 58:- `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. 59:- `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. 60: 61:## Ritorno fisico 62:Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. 63: 64:Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. 65: 66:## Re-discovery audit 67:Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. 68: 69:## Contaminazione cognitiva 70:cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. 71: 72:Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. 73: 74:## Consecutio 75:Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. 76: 77:## Side effect 78:Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. exec /bin/bash -lc 'git status --short --branch tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json tools/data/reports/agent_20260605_1221.md' in /opt/MM_D-ND succeeded in 0ms: ## main...origin/main diff --git a/tools/data/reports/agent_20260605_1221.md b/tools/data/reports/agent_20260605_1221.md new file mode 100644 index 0000000000000000000000000000000000000000..3c61fd4d0b620f01227636dc8dd2774e055a2028 --- /dev/null +++ b/tools/data/reports/agent_20260605_1221.md @@ -0,0 +1,78 @@ +# Agent Report - Reaction-Diffusion Null Reconstructs Boundary +**Date**: 20260605_1221 +**Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 +**verdict**: CONSTRAINT / NO PROMOTION +observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] +observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. +ssp_value: no + +## Respiro fuori-tempo +Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. + +Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. + +physical_A: transizione statistica GUE/Poisson come sorgente del boundary. +mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. +attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. +direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. + +## Claim Under Test +Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. + +## Question +Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? + +## Experiment Design +Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. + +Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. + +## Results +Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Risultato osservato: +- target=`reaction_diffusion:cycle_11` +- source_label=`GUE` +- observed_hits=27/27 +- observed_frequency=1.0 +- null_ge_observed=8/8 +- null_eq_full=8/8 +- raw_p=1.0 +- add_one_p=1.0 +- null_hit_distribution={`27`: 8} +- survival_state=`physical_null_reconstructs_full_often` + +## Verdict +CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. + +## Bicono della scoperta +- **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit +- **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo +- **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti +- **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. +- `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. + +## Ritorno fisico +Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. + +Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. + +## Re-discovery audit +Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. + +## Contaminazione cognitiva +cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. + +Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. + +## Consecutio +Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. + +## Side effect +Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. codex Il controllo `rg` ha avuto un errore di shell perché ho messo backtick non escapati nel pattern, non perché il report sia rotto. Rifaccio il check con quoting corretto e verifico anche se i file sono ignorati o non tracciati. exec /bin/bash -lc "rg -n '"'^# Agent Report|''^## |observables_used:|observable_contract:|ssp_value:|relation|cognitive_contamination:'"' tools/data/reports/agent_20260605_1221.md" in /opt/MM_D-ND succeeded in 0ms: 1:# Agent Report - Reaction-Diffusion Null Reconstructs Boundary 5:observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] 6:observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. 7:ssp_value: no 9:## Respiro fuori-tempo 19:## Claim Under Test 22:## Question 25:## Experiment Design 32:## Results 47:## Verdict 50:## Bicono della scoperta 56:## Aderenza alla direzione 57:- `relation`: `follows_direction` 61:## Ritorno fisico 66:## Re-discovery audit 69:## Contaminazione cognitiva 70:cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. 74:## Consecutio 77:## Side effect exec /bin/bash -lc 'git status --short --untracked-files=all -- tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json tools/data/reports/agent_20260605_1221.md && git check-ignore -v tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json tools/data/reports/agent_20260605_1221.md || true' in /opt/MM_D-ND succeeded in 0ms: .git/info/exclude:31:tools/data/*_20*.json tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json .git/info/exclude:25:tools/data/reports/ tools/data/reports/agent_20260605_1221.md exec /bin/bash -lc 'test -f tools/data/reports/agent_20260605_1221.md && test -f tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json && wc -l tools/data/reports/agent_20260605_1221.md tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json' in /opt/MM_D-ND succeeded in 0ms: 78 tools/data/reports/agent_20260605_1221.md 141 tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json 219 total diff --git a/tools/data/reports/agent_20260605_1221.md b/tools/data/reports/agent_20260605_1221.md new file mode 100644 index 0000000000000000000000000000000000000000..3c61fd4d0b620f01227636dc8dd2774e055a2028 --- /dev/null +++ b/tools/data/reports/agent_20260605_1221.md @@ -0,0 +1,78 @@ +# Agent Report - Reaction-Diffusion Null Reconstructs Boundary +**Date**: 20260605_1221 +**Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 +**verdict**: CONSTRAINT / NO PROMOTION +observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] +observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. +ssp_value: no + +## Respiro fuori-tempo +Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. + +Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. + +physical_A: transizione statistica GUE/Poisson come sorgente del boundary. +mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. +attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. +direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. + +## Claim Under Test +Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. + +## Question +Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? + +## Experiment Design +Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. + +Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. + +## Results +Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Risultato osservato: +- target=`reaction_diffusion:cycle_11` +- source_label=`GUE` +- observed_hits=27/27 +- observed_frequency=1.0 +- null_ge_observed=8/8 +- null_eq_full=8/8 +- raw_p=1.0 +- add_one_p=1.0 +- null_hit_distribution={`27`: 8} +- survival_state=`physical_null_reconstructs_full_often` + +## Verdict +CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. + +## Bicono della scoperta +- **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit +- **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo +- **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti +- **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. +- `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. + +## Ritorno fisico +Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. + +Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. + +## Re-discovery audit +Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. + +## Contaminazione cognitiva +cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. + +Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. + +## Consecutio +Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. + +## Side effect +Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. codex Ruolo/funzione: AI-Lab D-ND / TM7-vps in funzione operativa Lab. Fonti lette: `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `CONDENSATO_ESSENZIALE.md`, `CONDENSATO.md`, `seme.json`, report `agent_20260605_1202.md`. Verificato: eseguito il null domain-native su `reaction_diffusion:cycle_11`. Output: `observed=27/27`, `null_ge=8/8`, `eq_full=8/8`, stato `physical_null_reconstructs_full_often`. Azioni eseguite: - creato `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` - scritto `tools/data/reports/agent_20260605_1221.md` - controllate sezioni obbligatorie, `observable_contract`, `relation`, `cognitive_contamination` Verdict del report: `CONSTRAINT / NO PROMOTION`. Reaction-diffusion non emerge come fisico B separato: il null FitzHugh-Nagumo ricostruisce il pieno nel perimetro testato. Side effect: i due file sono presenti ma ignorati da Git tramite `.git/info/exclude`. Nessun commit, nessuna pubblicazione, nessuna modifica manuale a seme/grafo/latest/lab_data. Post-processing non ancora noto. diff --git a/tools/data/reports/agent_20260605_1221.md b/tools/data/reports/agent_20260605_1221.md new file mode 100644 index 0000000000000000000000000000000000000000..3c61fd4d0b620f01227636dc8dd2774e055a2028 --- /dev/null +++ b/tools/data/reports/agent_20260605_1221.md @@ -0,0 +1,78 @@ +# Agent Report - Reaction-Diffusion Null Reconstructs Boundary +**Date**: 20260605_1221 +**Tension explored**: BOUNDARY / ritorno fisico domain-native del boundary / reaction_diffusion:cycle_11 +**verdict**: CONSTRAINT / NO PROMOTION +observables_used: [target_graph_bridge_hits, physical_internal_null_hits, physical_internal_null_ge_observed, physical_internal_null_eq_full, null_hit_distribution] +observable_contract: claim=un candidato B reaction-diffusion ha costo fisico interno solo se il suo hit 27/27 resta raro sotto surrogate FitzHugh-Nagumo con condizioni iniziali indipendenti; tested_non_possible=promuovere reaction_diffusion:cycle_11 come fisico B separato nel perimetro misurato, perche' il null domain-native ricostruisce 27/27 in 8/8 trial; not_tested_or_empty=QxG come ponte, percolation:cycle_9 come B alternativo, meccanismi Brody/Berry-Robnik/Rosenzweig-Porter/localization, scaling asintotico e prova Hamiltoniana/source label. +ssp_value: no + +## Respiro fuori-tempo +Prima impressione breve: il ritorno fisico non si apre dove il grafo era piu' stabile; si chiude proprio li'. Il confine 8 GUE / 5 Poisson genera un candidato, ma il candidato reaction-diffusion resta indistinguibile da nuove condizioni iniziali dello stesso operatore. + +Filtro D-ND prima della misura: combo=A9 terzo incluso + A10 dipolo + A16 possibile/non-possibile + vuoto QxG + direzione viva BOUNDARY. Dipolo=repulsione spettrale GUE / indipendenza Poisson; singolare=riga reaction_diffusion:cycle_11 come punto-zero del ritorno B; invariante cercato=costo domain-native sotto surrogate; campo di possibilita'=un B fisico solo se il null non ricostruisce l'hit pieno. Combo minima: assioma D-ND + incrocio QxG continuo/discreto + graph-boundary accepted come M + null FitzHugh-Nagumo. + +physical_A: transizione statistica GUE/Poisson come sorgente del boundary. +mathematical_M: gate graph-boundary kNN/centroid su 13 righe, k={2,3,4}, n_gaps={512,1024,2048}, seed={20260515,20260516,20260517}. +attempted_physical_B: reaction_diffusion:cycle_11, misurato come dinamica FitzHugh-Nagumo 1D tramite gaps della media di u. +direction_minimal_experiment: sostituire solo la riga reaction_diffusion con surrogate domain-native da condizioni iniziali indipendenti e contare se il reader ricostruisce il candidato. Questa superficie e' conseguenza della combo perche' testa il ritorno B interno; non deriva da attrattore primi, Anderson, zeta o percolation. + +## Claim Under Test +Una sola affermazione verificabile: `reaction_diffusion:cycle_11` diventa candidato fisico B solo se il suo hit graph-boundary osservato 27/27 non viene ricostruito spesso da surrogate reaction-diffusion domain-native. Il claim e' falsificato se il null ricostruisce il pieno o ricostruisce l'osservato in tutti i trial dichiarati. + +## Question +Il candidato `reaction_diffusion:cycle_11` separa un ritorno fisico B dal trasduttore graph-boundary, oppure il suo hit resta una proprieta' ricostruibile dal generatore reaction-diffusion stesso? + +## Experiment Design +Strumento: `python tools/exp_boundary_physical_internal_null.py --targets reaction_diffusion:cycle_11 --null-trials 8 --n-shuffle 32 --null-seed 202606051221 --out tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Input: `tools/data/boundary_denominator_prescan_full_20260509_1500.json`, 13 righe row-aligned 8 GUE / 5 Poisson. Reader: 27 run da k={2,3,4} x n_gaps={512,1024,2048} x seed={20260515,20260516,20260517}. Null: `reaction_diffusion_initial_condition_resample`, lattice=200, steps=50000, sample_every=100; preserva operatore FitzHugh-Nagumo e osservabile mean-u, rompe la specifica realizzazione di condizioni iniziali. + +Criterio di falsificazione: right-tail raw_p=k/N, dove k=trial fisici con hits >= observed_hits. Promozione B ammessa solo se il null non ricostruisce spesso l'osservato. Non vengono testati QxG, percolation, scaling, letteratura crossover o prova di meccanismo fisico nuovo. + +## Results +Artifact prodotto: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json`. + +Risultato osservato: +- target=`reaction_diffusion:cycle_11` +- source_label=`GUE` +- observed_hits=27/27 +- observed_frequency=1.0 +- null_ge_observed=8/8 +- null_eq_full=8/8 +- raw_p=1.0 +- add_one_p=1.0 +- null_hit_distribution={`27`: 8} +- survival_state=`physical_null_reconstructs_full_often` + +## Verdict +CONSTRAINT / NO PROMOTION. Il candidato reaction-diffusion non avanza come fisico B nel perimetro misurato: il null domain-native ricostruisce il pieno 27/27 in 8/8 trial. Il risultato vincola il ramo e conserva il gate graph-boundary come trasduttore/tool; non promuove QxG, non promuove nuova fisica e non chiude il perimetro percolation. + +## Bicono della scoperta +- **Due radici**: hit graph-boundary stabile / ricostruzione domain-native del medesimo hit +- **Singolare**: `reaction_diffusion:cycle_11` quando e' simultaneamente candidato B e realizzazione sostituibile dello stesso operatore FitzHugh-Nagumo +- **Invariante di passaggio**: il conteggio 27/27 sopravvive al passaggio da riga originale a 8 surrogate reaction-diffusion indipendenti +- **Campo di possibilità**: qui diventa possibile chiudere reaction-diffusion come B non separato sotto questo null; qui diventa non-possibile promuovere reaction-diffusion fisico B dal solo hit graph-boundary 27/27 + +## Aderenza alla direzione +- `relation`: `follows_direction` +- `why`: la direzione viva chiede di scegliere una sola riga stabile tra percolation e reaction_diffusion e costruire un osservabile fisico interno con null/shuffle; il ciclo sceglie reaction_diffusion e misura un null FitzHugh-Nagumo domain-native. +- `not_drift`: non usa primi, Anderson, zeta, QxG o scaffold supervisionati come target; il gate graph-boundary e' solo trasduttore M e non prova del risultato. + +## Ritorno fisico +Oggetto che riceve il risultato: `reaction_diffusion:cycle_11` dentro il denominatore 13-row 8 GUE / 5 Poisson. Fisico A: transizione statistica GUE/Poisson. Trasduttore matematico M: graph-boundary kNN/centroid che nomina il candidato ma non lo prova. Fisico B tentato: dinamica reaction-diffusion FitzHugh-Nagumo 1D misurata tramite gaps della media di u. + +Ritorno fisico: assente come promozione. Relazione nuova: il candidato B e' ricostruibile da surrogate dello stesso generatore; quindi il ponte fisico non e' separato dal null interno. Osservabile/test fisico possibile successivo: o percolation:cycle_9 con osservabile cluster/critical-tail separato, oppure uscita dal ramo `stable_graph_tool_only` se anche il residuo percolation resta null-reconstructable. + +## Re-discovery audit +Gia' noto: GUE/Poisson level statistics, crossover Brody/Berry-Robnik/Rosenzweig-Porter, localization crossover, metodi graph/manifold di boundary detection e modelli reaction-diffusion FitzHugh-Nagumo. Nuovo nel Lab: non una scoperta fisica, ma il vincolo operativo che `reaction_diffusion:cycle_11` e' 27/27 anche sotto 8 surrogate iniziali indipendenti nel reader 13x27. Resta ri-scoperta/scaffold se viene narrato come transizione fisica; resta utile come bordo negativo per scegliere o chiudere il prossimo B. + +## Contaminazione cognitiva +cognitive_contamination: CE-0001: usato come lente KSAR minima per trasformare il feedback bloccato in contratto di ritorno A->M->B e non in promozione graph-only; verificabile nel campo vivo come voce `CE-0001 [lab_operational_context] Adapter 3: KSAR reiterative semantic kernel`. + +Bias controllati: attrattore graph-boundary dopo il report 20260605_1202; mitigato usando null domain-native e dichiarando no promotion. Attrattore reaction-diffusion perche' aveva 8/8 quick hit; mitigato trattando 8/8 come possibile falsificazione del B, non come conferma. QxG resta fuori dal non-possibile testato perche' non e' stato misurato. + +## Consecutio +Prossimo passo minimo: non ripetere reaction_diffusion nello stesso framing. Testare `percolation:cycle_9` solo se si nomina prima un osservabile domain-native non graph-only sulla tail non-full gia' vista (`14`:1, `25`:1, `26`:4, `27`:122/128), oppure chiudere il ramo come `stable_graph_tool_only` con B fisico non separato sotto i null disponibili. + +## Side effect +Creati/modificati: `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` e `tools/data/reports/agent_20260605_1221.md`. Non ho pubblicato, committato o modificato manualmente seme/grafo/latest/lab_data; post-processing non ancora noto. tokens used 105,004 Ruolo/funzione: AI-Lab D-ND / TM7-vps in funzione operativa Lab. Fonti lette: `tools/data/agent_field_live.md`, `tools/LAB_AGENT_CONTEXT.md`, `CONDENSATO_ESSENZIALE.md`, `CONDENSATO.md`, `seme.json`, report `agent_20260605_1202.md`. Verificato: eseguito il null domain-native su `reaction_diffusion:cycle_11`. Output: `observed=27/27`, `null_ge=8/8`, `eq_full=8/8`, stato `physical_null_reconstructs_full_often`. Azioni eseguite: - creato `tools/data/boundary_physical_internal_null_reaction_diffusion_20260605_1221.json` - scritto `tools/data/reports/agent_20260605_1221.md` - controllate sezioni obbligatorie, `observable_contract`, `relation`, `cognitive_contamination` Verdict del report: `CONSTRAINT / NO PROMOTION`. Reaction-diffusion non emerge come fisico B separato: il null FitzHugh-Nagumo ricostruisce il pieno nel perimetro testato. Side effect: i due file sono presenti ma ignorati da Git tramite `.git/info/exclude`. Nessun commit, nessuna pubblicazione, nessuna modifica manuale a seme/grafo/latest/lab_data. Post-processing non ancora noto.