Topologie-bewusste geometrische externe Speicherung mit portalem Volumentransit
Große Sprachmodelle generieren kohärenten Text, aber sie besitzen keinen zuverlässigen externen Speicher: abgerufene Informationen werden mit parametrischem Wissen vermischt, ohne formelle Gewährleistung der Belegbarkeit. Wir stellen QnapsiZ vor, ein topologie-bewusster geometrischer externer Speicher, der Konzepte als Gaußsche Splats in einem spärlichen Voxelgitter speichert und die persistente Homologie – speziß den ersten Betti-Number β₁ – als berechnebares Wahrheitskriterium verwendet.
Die Architektur koppelt eine sprachliche Front-End-Implementierung mit einem volumetrischen Speicher-Substrat, das über zwei Backends verfügt: einen NVIDIA fVDB spärlichen Pfad auf Linux/WSL2 und einen Warp-dichten Fallback auf Windows. In der aktuellen Implementierung kombiniert die Memorisation die Übertragung von Einbettungskoordinaten, adaptives Splatting, Kollisionsbehandlung über Matryoshka-Portal und topologische Dämpfung durch den Composter-Modul.
QnapsiZ ist als Dual-Brain-Architektur organisiert mit vier Komponenten: ein gemeinsames Text-Encoding-Frontend, der Symbolische Logik-Motor (Left Brain) für explizites relationales Wissen, der Geometrische Intuition-Motor (Right Brain) für analogische räumliche Schlussfolgerung, und das Corpus Callosum-Brücke, die Informationen zwischen Hemisphären routet und Abfragerorcherstellation verwaltet.
Verwendet SentenceTransformer + LSSAR-Aufmerksamkeit um Manifold-Zusammenbruch durch längs-skaliert Softmax-Aufmerksamkeit zu verhindern.
Symbolischer Wissensgraphen mit gewichteter kürzester Pfad-Durchquerung für strukturierte relationale Schlussfolgerung.
Sphärische Harmonik-Encoder + HRR-Bindung + MasterRouter klassifizieren Abfragen in FACTUAL/CONZEPTUAL/HOLISTIC Intents.
NVIDIA fVDB spärliches Voxelgitter speichert Dichte (ρ), Leitwert (κ) und Mycelium (μ) Kanäle.
Wir behandeln den Homologischen Konsistenzzustand als operatives Signal, keine vollständige Wahrheitsprüfung: β₁ = 0 unterstützt geometrische Regularität, während β₁ > 0 topologische Komplexität markiert, die Widerspruch, Interferenz oder gültige Polysemie reflektieren kann.
Der Übergang von 1D-Text zu 3D-Geometrie wird durch CCUP motiviert. Kontextvariablen (Ψ) sind hochentropisch und mehrdeutig, während Inhaltsvariablen (Φ) niedriger Entropie und selektiv kodiert sind. QnapsiZ setzt das "Structure-Before-Specificity" (SbS) Mandat durch.
Wir hypothetisieren eine fundamentale geometrische Entsprechung zwischen kognitiven Organisationsgesetzen (Gestalt) und der Effizienz der Hardware-Datenbewegung (Piccolo/GS-DRAM).
Der Kernkonsolidierungsmechanismus verwendet Conductivity-Moduliert Mean Curvature Flow (CMMCF), um Dichtefelder zu minimalem Oberflächenenergie zu entwickeln, wobei hoch-geschwürzeltsel Features erhalten bleiben. Ricci-adaptionale Schwellensicherung stellt sicher, dass hoch-geschwürzeltsel Regionen (wahre semantische Features) minimale Diffusion erfahren.
Der ParameterRegulator passt Hyperparameter als Funktionen des Systemzustands an: LLM-Temperatur, Splat-Radius, MCF-Diffusionsrate und Left-Brain-Dominanz – und hält das Mannigfaltigkeitsgitter in einem kritischen Regime.
Inspiriert vom complementary learning systems theory, rangiert der HippocampalBuffer Konzepte nach Gewicht (Count + Salience + Leitwert) und resplat top-K Konzepte um axiomatische Anker zu stärken – ein computergestützter Analogie der Gedächtniskonsolidierung während des Schlafs.
QnapsiZ ruft durch geodätische Distanz entlang der Dichte-Mannigfaltigkeit unter Verwendung der Fast Marching Method (FMM) ab. Die Geschwindigkeitsfunktion v(p) hängt sowohl von Dichte ρ(p) als auch von Leitwert κ(p) ab.
Das Snapping-Modul erzwingt geometrische Konsistenz, indem Kandidaten-Einbettungen gegenüber ihren k nächsten räumlichen Nachbarn geprüft werden. Niedrige Snap-Scores erkennen lokale geometrische Drift – ergänzend zu β₁s globaler Loop-Erkennung.
Für kreative und analogische Aufgaben bereichert der Outbound-Pipeline abgerufene Konzepte mit ABC-List und KaWa (Kreative Wortassoziation) Operatoren via LLM – ein menschenlesbarer Brücke zwischen geometrischem Gedächtnis und kreativer Textgenerierung.
Widerspruchs-Paare wurden räumlich innerhalb 7-Voxel-Radius kollabiert. QnapsiZ erreicht 94,7% ± 1,2% Präzision bei der Erkennung von Widersprüchen via β₁ > 0.
Median β₁ Induktion pro Widerspruchspaar ist 0,52 ± 0,08. Nach 150 MCF-Schritten → β₁ = 0 für alle Dichten, was bestätigt dass Curvature Flow Widerspruch-Loops auflöst.
Das Konsolidierungsverhältnis erreicht 5.022× ± 145× beim 5.000-Konzept-Checkpunkt. Das Verhältnis folgt einer Potenzgesetzmäßigkeit (Verhältnis ∝ N^1,32, R² = 0,994).
QnapsiZ erreicht 76% ± 2% topologisch gültige Antworten (β₁ = 0 für korrekte Retrievals) – ein "Audit-Trail" für Analogie-Vertrauenswürdigkeit.
Mit aktivierter Nachbarschaftsgrenze wurde der Test in 14,8 s abgeschlossen (vs. 1.457 s mit naiver O(N²) Suche). Die β₁ Erkennungsrate erreichte 100%.
QnapsiZ: A Topology-Aware Sparse Volumetric External Memory with Auditable Retrieval
Umfassendes 27-seitiges Manuskript mit 10 Experimenten, die die geometrische Gedächtnisarchitektur, dual-brain Routing, portalisierte Connectomes und kontrollierte Evaluation gegenüber FAISS und HiPPO-RAG baselines validieren.
PDF herunterladen (Juli 2026)Toward Geometric-Topological Memory for AI: A Research Program Companion to QnapsiZ
Theoretische Entwicklung, die implementierte Mechanismen von weiteren Schlüssen trennt. Formuliert offene Hypothesen über homologische Belegung, Structure-Before-Specificity und Manifold-Locality.
PDF herunterladen (Juli 2026)