@furongjun1999/dsh-memory 0.4.7 → 0.4.9

package/docs//345/255/230/347/256/227/344/270/200/344/275/223/347/245/236/347/273/217/347/275/221/347/273/234/346/236/266/346/236/204_/346/200/273/347/272/262/344/270/216/344/272/244/346/216/245_20260916.md

@@ -0,0 +1,109 @@
+# 存算一体神经网络架构 · 总纲与交接文档
+
+> 交接方：ZCode 端 · 接收方：后续接手端（CodeBuddy / 未来会话）
+> 建档时间：2026-09-16 · 依据：荣指令「整理完整的存算一体神经网络架构文档，放入大脑仓库，作为后续交接文档」
+> 资产位置：**`AEIS/aeis/`（身体库，测试与使用地）**——hex_cnn/hex_hier/hex_query/hex_search/hex_ortho/hex_composite/hex_recon 全系；**`protocol-compiler/`（中文编译器仓，保留地）**——hex_nn Rust 后端与训练管线
+> 理论真源：智能论第五篇（上下文=存算一体认知图）· 荣反传语义（2026-09-06 定义）· 白箱智能系列
+> 外部对照：Nature《Neuromorphic computing at scale》（637:801-812, 2025-01，灵枢 node_a96be666）
+
+---
+
+## 0. 一句话总纲
+
+**蜂窝网格上的自研 CNN × 并行条件路由 × 递归四态搜索，以信息差递归分配替代反向传播，以存算一体认知图为上下文容器**——一条不依赖 GPU/链式法则/黑箱框架的白箱视觉与认知计算路线。识别的本质是查询（荣 2026-09-08），存储即计算（第五篇定论），参数是简单关系量、语义是关系组合结构（荣神经元模型）。
+
+## 1. 理论基础（四条公理级裁定）
+
+1. **反传语义（荣定义）**：训练=**信息差递归分配** + **死区门控**（超死区的信息差才传播）+ **递归收敛**。禁链式法则 BP——梯度不存在，存在的是"哪里还有信息没榨出来"。
+2. **白箱原则**：核参数可学习，但结构/损失/梯度/路由全程可审计；每一步数值有出处（有限差分可复算），黑箱组件零容忍。
+3. **连接主义范式（荣 2026-09-08 战略指令）**：从拟合到激活——四层关系架构 L0 差分链（100%）→ L1 区域（84.5%）→ L2 物体 → L3 大域；训练集缩小=构型覆盖率问题。
+4. **存算一体认知图（第五篇定论）**：上下文不是检索结果缓存，而是**存算一体**——认知图节点既是存储（md 认知图）又是计算单元（路由/资格裁决/查询式激活）。
+
+## 2. 架构总览
+
+```
+输入图像 → HexGrid 蜂窝网格化（48/64 列晶格）
+    → hex_conv 蜂窝卷积（核库：smooth/edge/可学习核）      [L0 特征层]
+    → 并行条件路由（特征前端=CNN，语义判定层=路由）          [L1 区域层]
+    → 递归四态搜索（大域→子域并行细分，条件剪枝+死区终止）    [L2 物体层]
+    → 层级合成（组合卡→场景质心）+ 复合体会意                [L3 大域层]
+    → 查询式识别（ConnectionLibrary 连接相似性+条件判断）
+上下文/知识 ←→ 存算一体认知图（md_cg，条件化+信任化 IR）
+```
+
+三大机制贯穿全层：**正交残差金字塔**（语义方向逐层 Gram-Schmidt 剥离+信息差自适应深度，hex_ortho；与 VCP ResidualPyramid 两处独立来源同构）；**误差驱动生长**（结构随信息差生长，非预设固定）；**四态资格裁决**（ACCEPT/REJECT/DEFER/BLINDSPOT 通用于节点、路由、搜索剪枝）。
+
+## 3. 组件清单（hex 系列 · AEIS/aeis/）
+
+| 组件 | 职责 | 关键结构 | 里程碑数据 |
+|---|---|---|---|
+| **hex_cnn.py** (16KB) | 蜂窝 CNN 基座：网格化/蜂窝卷积/核库 | `HexGrid`/`hex_conv`/`kernel_smooth/edge` | 25/25 验收；传感器层原生架构 |
+| **hex_hier.py** (17KB) | 层级化 HexNet（M3）：L1 轮廓颜色→L2 物体→L3 组合卡→L4 场景质心 | `HexHierNet`/`train_hier`/`calibrate_hier_cards` | 合成场景 L3 57.3% / L4 42% |
+| **hex_query.py** (7KB) | 查询式识别（M4.16）：连接库相似性+条件判断 | `ConnectionLibrary`/`query_match` | **89.6% @ 9.1ms 稳定**（M4.24） |
+| **hex_search.py** (10KB) | 递归四态搜索（R3）：大域→子域并行细分 | `recursive_search`/`evaluate_node` | 剪枝率过半；64 列 85ms/图 |
+| **hex_ortho.py** (11KB) | 正交残差金字塔+信息差自适应深度 | Gram-Schmidt 剥离/残差能量占比 | 双外部来源同构（VCP） |
+| **hex_composite.py** (5KB) | 复合体会意（M4.3）：部件组合配方卡 | 证据密度效应 | 证据密度 80% vs 43% |
+| **hex_recon.py** (5KB) | 完美复原（M4.24） | — | 复原 100% |
+| hex_train 管线 | 训练（M2 起）：有限差分+死区门控 | — | CIFAR-10 A 17.6%→B 20.8%（预训练增益+3.2%） |
+
+**关键实证里程碑**：单元化 **60% 反超稠密** + 69% 新高（M4.24 荣神经元模型重构）——稀疏单元结构胜稠密，连接主义范式落地；M4.3d/e 归一化对照（expanded 0→28.3→40%）证明**尺度管理是递归的**（幅度通道无界再极化则归零）。
+
+## 4. 反传语义与训练（核心算法）
+
+```
+前向：特征 → 条件路由 → 判定
+反向：信息差 D = |期望激活 − 实际激活|，按层级递归分配
+门控：D < 死区阈值 → 不传播（活动稀疏性的算法形态）
+生长：持续超死区的连接 → 结构生长（新单元/新连接）
+收敛：递归至各层信息差低于死区 → 停止
+执行：有限差分（扰动必须真实进入损失——R1 闭包捕获教训）
+```
+
+与 BP 的本质区别：BP 传播的是**梯度**（链式法则，需全局可微），反传语义分配的是**信息差**（局部可测，白箱可审计）。四个数值坑在案：deadReLU/均值池化/float32/闭包捕获。
+
+## 5. Rust 后端（protocol-compiler 保留地）
+
+| 阶段 | 内容 | 数据 |
+|---|---|---|
+| R1 | hex_nn Rust 后端：plan/执行分离 | 等价 **8.9e-16**，加速 **12.1×**；闭包捕获 bug 教训在案 |
+| R2 | 支路级并行=批量评估-收敛 | 多线程确定性，**3.17×@8 线程**；总加速 **~36×** |
+| R2.1 | loss 内部并行 | 待做 |
+| R3 高分辨率 | 64 列晶格 | 207ms/步、搜索 85ms/图，深度自适应 |
+
+## 6. 存算一体认知图对接
+
+- **上下文=认知图**：查询式识别的 ConnectionLibrary 与认知图节点同构——连接=关系边，条件判断=条件空间卡，资格=四态；
+- **路由/资格复用**：md_cg 的四路检索+judge 四态与 hex_search 的条件剪枝是同一机制在两个域的实现；
+- **数据流**：hex 视觉产物经 vision_evidence 进认知图（vision-protection 管线已验证），认知图知识经查询式反哺识别；
+- **与 MDCG 的边界**：hex 管**感知特征层**（蜂窝/连接/搜索），md_cg 管**知识记忆层**（节点/图/检索）——感知→认知单向沉淀（16 条闭环），认知→感知条件反哺。
+
+## 7. Nature《Neuromorphic computing at scale》对照（2026-09）
+
+**四项同构**：存算一体（in-memory compute↔存算一体认知图+hex_query）/活动稀疏性（activity sparsity↔死区门控）/局部学习超越 BP（↔信息差递归分配）/稀疏胜稠密（↔单元化 60% 反超）。**五维独有**：并行条件路由/递归四态搜索/文字模态反 ViT（汉字子部件嵌套原生数据）/信息差反传语义/白箱信任四态。**三件可吸收**：活动稀疏度量化指标/可塑性-稳定性权衡（Kudithipudi NeurEl 2023）/NeuroBench+NIR 口径对接。**路线判断**：论文的"AlexNet 时刻"赌芯片生态，本架构不赌硬件（纯软件白箱，hardware lottery 免疫）。
+
+## 8. 测试基线与验收（2026-09-05 白箱自举 7 终极项目验收）
+
+- hex_cnn.py **25/25**；白箱自举 7 项目 **686 单元**；管线 **1059 全绿**；
+- 域管线全量测试纪律：改 hex 系列必跑全量，不许局部绿；
+- 递归搜索 R3 5/5；双后端等价 8.9e-16；多线程确定性断言在位。
+
+## 9. 落点纪律与交接边界
+
+| 仓 | 角色 |
+|---|---|
+| `AEIS/aeis/` | **身体库 = 测试与使用地**（hex 系列活代码；存算一体认知图真源同仓 `data/mdcg/`） |
+| `protocol-compiler/` | **中文编译器仓 = 保留地**（hex_nn Rust 后端；荣裁定整体冻结为世界模型测试地点） |
+| `dsh-memory/` | 大脑仓：本档案所在地；认知图引擎（md_cg）与感知层的对接面 |
+
+- **后续方向候选**（待荣裁定）：①活动稀疏度量化（对齐 Nature 指标）②hex 系列与记忆评审/认知图的查询式互通深化③NeuroBench 口径对接④R2.1 loss 内部并行；
+- **红线**：hex 系列改动必须全量回归（1059 基线）；反传语义不得回退为链式法则 BP；白箱组件零黑箱依赖；
+- 理论问询优先查 CommonTrustProtocol 理论仓（智能论第五篇/白箱系列真源）。
+
+## 10. 快速上手
+
+```bash
+# 1. 读本文 §1 四条公理 + §4 反传语义
+# 2. 跑基线：AEIS/aeis/ 下 python -m aeis.hex_cnn（25/25 预期）
+# 3. 查证结构：hex_cnn.py 头部四裁定注释 / hex_search.py 头部荣设计原文
+# 4. 改动前：读 §9 红线；改动后：全量回归 + 灵枢归档（16 条）
+```