Suchen Sie eine Prüfung einer Website nach ADA Title II / WCAG 2.1 AA für Kommunen oder kommerzielle Portale? Gehen Sie zum Barrierefreiheits-Scanner AIfaFocus.
AIfa Cognitive Runtime (ACR)
Eine im Konnektom verankerte kognitive Laufzeitumgebung für autonome Software-Agenten, abgeleitet aus dem Gesamthirn-Konnektom FlyWire v783 der Drosophila (139.255 Neuronen, 54,5 Mio. Synapsen). Fünf biologische Rechenmotive, umgesetzt auf CPU (Python/NumPy), keine GPU; jede Zahl auf dieser Seite stammt aus einem offenen Skript.
Referenzsubstrat: FlyWire FAFB v783 — 139.255 Neuronen, 54,5 Mio. Synapsen. Architektur mit zwei Modi: Faithful Connectome Mode (topologische Integrität, Synapsengraphen & SHA-256-Hash) · Distilled ACR Mode (CPU-Algorithmen für Software-Agenten; das Konnektom dient für Graphstatistiken).
Ablationsmatrix — echte Messung (360 Episoden pro Konfiguration, 23.09.2026)
| Agent / Konfiguration | Ablenker | Aufgabenerfolg | Schritte bei Lösung | Falsche Klicks | Ziel verloren / Klick | Entscheidung P50 |
|---|---|---|---|---|---|---|
| Naiver Agent (Ziel fällt aus einem Fenster von 4 Nachrichten heraus) | 35% | 0.3% ± 1.5 | 10.0 | 98.6% | 0.000 | 0.074 ms |
| Standardagent, Ziel festgehalten (wie im System-Prompt) | 35% | 5.8% ± 3.8 | 5.71 | 97.9% | 0.000 | 0.076 ms |
| + nur APL-Neuheitsfilter | 35% | 4.2% ± 4.2 | 3.27 | 97.7% | 0.000 | 0.076 ms |
| + nur CANN-Fokusring | 35% | 5.6% ± 3.9 | 5.45 | 97.9% | 0.025 | 0.097 ms |
| + APL + CANN | 35% | 1.4% ± 3.1 | 6.20 | 99.2% | 0.001 | 0.100 ms |
| + APL + CANN + CX (wie in aifa_sdk ausgeliefert) | 35% | 1.4% ± 3.1 | 6.20 | 99.2% | 0.001 | 0.181 ms |
| Standardagent + nur Gedächtnis für besuchte Links | 35% | 95.0% ± 5.5 | 6.16 | 53.8% | 0.000 | 0.218 ms |
| + APL + CANN + CX korrigiert (Abstoßung von besuchten Links) | 35% | 94.7% ± 5.5 | 6.23 | 54.5% | 0.000 | 0.427 ms |
| Volles ACR (korrigiertes CX) + bilateraler Prüfer | 35% | 93.6% ± 4.1 | 6.07 | 54.1% | 0.000 | 0.680 ms |
* Synthetische Websites mit festem Seed (12 Aufgaben × 30 Seeds), lexikalische Embeddings über Wortüberlappung. 35 % ablenkende Nachrichten, doppelte Cookie-Banner, Köder und Schleifenlinks — für jeden Agenten identisch. Kein Ergebnis wird aus einer festen Wahrscheinlichkeit gezogen: Der Code entscheidet. Skript: bench/acr_agent_real_benchmark.py. Befund: Der gesamte Gewinn stammt aus dem Gedächtnis für besuchte Links, das dem ausgelieferten CX-Modul fehlt; ein Standardagent mit nur diesem Gedächtnis erreicht ACR.
Gemessene Latenzen (CPU Intel i7-14700, Python/NumPy)
N = 512, gemessen am 21.09.2026 auf der Engine aifa_sdk.
P50, 2.000 Versuche, gemessen am 21.09.2026.
P50; der Code hat keine Schleifenvermeidung (siehe Karte 03).
FlyHash P50, 23.09.2026. Exaktes FAISS: 8,8 ms.
Läuft auf jedem Laptop ohne GPU. Der Quellcode liegt im Repository aifa-biobench und auf der Seite /digital: aifa-biobench · /digital
Was funktioniert und wie gut: vier echte Messungen
1. Duell des binären Abrufs (N = 25.000, D = 512)
100 Anfragen, Seed 42Ein direktes Duell mit klassischer Binarisierung. FlyHash nutzt 85× weniger von null verschiedene Projektionsgewichte (2048×6 gegenüber 2048×512), verliert aber bei der Genauigkeit: 18,9 % gegenüber 80,5 % für Sign-LSH bei gleicher Latenz.
| Methode | Recall@10 | NDCG@10 | P50 | Projektionsgewichte |
|---|---|---|---|---|
| AIfa FlyHash | 18.90% | 0.3188 | 35.46 ms | 12,288 (85× leichter) |
| Sign-LSH (BQ 1-bit) | 80.50% | 0.8715 | 36.77 ms | 1,048,576 |
| Multi-table LSH | 0.10% | 0.0022 | 0.045 ms | — |
2. Sweep der Zahl der Eingangs-„Klauen“ (d von 2 bis 16)
HypothesentestGeprüft wird „das d = 6 der Fliege ist optimal“. Gemessen: 19,8 % bei d = 6, schon 23,3 % bei d = 7, der höchste Recall ist 24,9 % bei d = 16. Bei dieser Aufgabe ist d = 6 nicht das Optimum.
| Zahl der Klauen (d) | Recall@10 | P50 | Status |
|---|---|---|---|
| d = 2 | 13.80% | 29.35 ms | Basis |
| d = 6 | 19.80% | 29.98 ms | Wert der Fliege |
| d = 7 | 23.30% | 28.37 ms | höher |
| d = 16 | 24.90% | 30.21 ms | am höchsten (2,7× mehr Gewichte) |
3. Agenten-Benchmark — echte Engines
360 Episoden pro AgentErsetzt das alte Skript, dessen Ergebnis durch feste Wahrscheinlichkeiten vorgegeben war (22,47 % → 94,58 %). Echte aifa_sdk-Engines, synthetische Websites, 35 % Ablenker. Ergebnis: Der Gewinn stammt aus dem Gedächtnis für besuchte Links; die übrigen Mechanismen von ACR bringen hier keinen messbaren Nutzen.
| Agent | Aufgabenerfolg | Falsche Klicks |
|---|---|---|
| Standard, Ziel festgehalten | 5.8% ± 3.8 | 97.9% |
| ACR: APL + CANN + CX wie ausgeliefert | 1.4% ± 3.1 | 99.2% |
| ACR mit korrigiertem CX | 94.7% ± 5.5 | 54.5% |
| Volles ACR + Prüfer | 93.6% ± 4.1 | 54.1% |
| Standard + Gedächtnis für Besuchtes | 95.0% ± 5.5 | 53.8% |
4. Robustheit — echter Dropout
5 SeedsErsetzt die alte, per Formel erzeugte Kurve („3,21× robuster“). Codebits und Ringneuronen werden tatsächlich abgeschaltet. FlyHash verliert mehr Genauigkeit als Sign-LSH; der CANN-Ring verliert an Präzision, wenn Neuronen ausfallen.
| Abgeschaltet | FlyHash R@10 | Sign-LSH R@10 | CANN-Leerlauffehler |
|---|---|---|---|
| 0% | 58.9% | 86.1% | 0.13° |
| 10% | 52.3% | 84.5% | 7.0° |
| 30% | 39.6% | 82.2% | 15.2° |
| 50% | 25.4% | 78.2% | 14.6° |
- Eine Sammlung bioinspirierter Algorithmen (dünnbesetzte Projektion, APL-Neuheits-Gate, CANN-Ringattraktor, CX-Steuerung, bilateraler Prüfer) in Python/NumPy im Paket aifa_sdk.
- Manche Mechanismen funktionieren wie beschrieben (APL-Sparsität, CANN-Zielhaltung ohne Ablenker); manche nicht (CX-Schleifenvermeidung, der WASM-Build, die Deadlock-Prüfung).
- Jede Zahl auf dieser Seite stammt aus Skripten im Repository aifa-biobench; die Ergebnisdateien sind offen.
- Keine Simulation eines Fliegengehirns und keine Behauptung biologischer Gleichwertigkeit.
- Die Algorithmen nutzen zufällige Verbindungen, keine FlyWire-Gewichte; das Konnektom FlyWire v783 dient nur für Graphstatistiken (C, L, KS).
- Einen Lauf „58 μs Gesamtschleife“ oder „~122 ms live DOM“ gibt es nicht — diese Zahlen wurden entfernt.
Keine Hauptkennzahl wird ohne ihre Evidenzklasse dargestellt
Biologische Hypothese
Analytische Komplexität
Simulator / Partitionierer
Reproduzierbarer CPU-Test
Unabhängige Hardware
Produktionscluster
TOP-10 des umgesetzten Konnektom-Stacks (L0–L4 Kandidaten für den Produktionskern · 06–10 Forschungsprototypen)
Kognitive Kern-Pipeline L0–L4 und experimentelle Forschungsprototypen 06–10, eingeordnet nach den Evidenzstufen E0–E5
FlyHash v783 Connectome Memory
Inspiriert vom Pilzkörper der Fliege (Kenyon-Zellen, ~6 Eingangs-„Klauen“). Die Projektionsgewichte sind zufällig und dünnbesetzt — FlyWire-Daten werden in diesen Mechanismus nicht geladen.
APL Sensory Novelty Gate
Riesiges GABAerges APL-Neuron (Anterior Paired Lateral), das eine globale Rückkopplungshemmung ausübt.
Central Complex CX Steering Navigation
Fächerförmiger Körper (FB) und Protozerebrale Brücke (PB) des Zentralkomplexes.
CANN Focus Ring Attractor
Ringneuronen des Ellipsoidkörpers (64 Neuronen) mit Dynamik eines kontinuierlichen Attraktors.
Bilateraler Prüfer mit Kreuzhemmung
Arbitrierung durch laterale Kreuzhemmung zwischen symmetrischen Gehirnhälften.
Neuromorphes Energiemodell (LIF-Engine)
Biophysikalisches Energiemodell auf Grundlage der ereignisgesteuerten Dynamik der Drosophila unter einer angegebenen Annahme zu den Ereigniskosten (1 pJ/Spike gegenüber 1–3 pJ/FLOP auf GPU FP16). Aufschlüsselung der Sparsität: Verbindungssparsität = 85,0 % strukturelle Nullen; Aktivitätssparsität = 96,86 % ruhende Neuronen während des Benchmarks. Physische Hardwaretests mit RAPL/Wattmeter in Echtzeit stehen auf der Roadmap.
AIfa BioMatch Score (BioMatch v1.0)
Metrologisches Profil des Konnektoms von Drosophila melanogaster (FlyWire v783: 139.255 Neuronen, 54,5 Mio. Synapsen, ~2,7 Mio. Graphkanten nach Schwellenwert; Nature, Schlegel et al. 2024). Bewertet die topologische Isomorphie künstlicher Gedächtnisgraphen gegenüber der biologischen Referenz.
WASM-Suche im Browser (Client-Mikrobenchmark)
Clientseitige Suche im Browser: reines JavaScript (TypedArrays, 7,1 KB), invertierter Index mit Jaccard-Ähnlichkeit. Weder WebAssembly noch SIMD werden verwendet.
Prototyp eines neuromorphen Graphcompilers (Exporter für Loihi 2 / SynSense)
Software-Prototyp: wandelt einen Verbindungsgraphen in eine Routingtabelle nach Address-Event-Darstellung (AER) um und quantisiert Gewichte auf INT8. Die Partitionierung auf Kerne erfolgt in einfachen aufeinanderfolgenden Blöcken — kein Metis, kein Min-Cut; die 78 Neuropile werden im Code nicht verwendet. Die Prüfung „deadlock-frei“ war eine Konstante True. Telemetrie auf einem Loihi-2-Board wurde nicht durchgeführt.
Index der Symbiose von Mensch und KI (mathematische Kennzahl Φ_sym)
Formalisiertes skalares Modell zur Bewertung der Abstimmung zwischen Bediener und Agent, abgeleitet aus Prinzipien der heterosynaptischen Plastizität im Konnektom. Um negative Divergenzwerte strikt auszuschließen, wird eine beschränkte Exponentialtransformation verwendet: Φ_sym = exp(-lambda * D_KL(P_intent || P_action)) * Alignment * Trust. Die Formalisierung von P_intent steht; eine empirische Studie zur Kriteriumsvalidität mit menschlichen Bedienern steht noch aus.
Abruf, Agent und Robustheit — getrennt gemessen
Ausführen: python bench/aifa_biobench.py · python bench/acr_agent_real_benchmark.py · python bench/robustness_real.pySuche über 50.000 Vektoren (1024d)
Verglichen mit exakter L2-Brute-Force.
Navigation auf synthetischen Websites
9 Agenten × 360 Episoden, 35 % Ablenker.
Abschalten von Bits und Neuronen
5 Seeds, 20.000 Vektoren, 512 Bits.
Der vollständige Katalog der 30 Konnektom-Innovationen
ACR-Forschungskatalog zum Konnektom, abgeleitet aus FlyWire v783, mit biologischer Grundlage, mathematischen Modellen und Einsatzzielen
Konnektom-Innovation 1
Inspiriert vom Pilzkörper der Fliege. Aus der Literatur: ~783 Projektionsneuronen leiten Geruchssignale an ~2.000–2.500 Kenyon-Zellen weiter, jede Zelle erhält ~6–8 zufällige Eingänge, das APL-Neuron hemmt sie alle, und ~5 % der Zellen bleiben aktiv. Die Idee: Eine zufällige dünnbesetzte Projektion in einen großen Raum plus Winner-Take-All ergibt einen rauschtoleranten binären Hash. Unsere Umsetzung projiziert 1024 → 2048 Einheiten mit zufälligen Gewichten (FlyWire-Daten werden nicht geladen), hält 30 % der Einheiten aktiv, erstellt eine Vorauswahl nach Hamming-Distanz und ordnet exakt neu.
Konnektom-Innovation 2
Inspiriert vom APL-Neuron der Fliege: Laut Literatur sammelt ein großes hemmendes Neuron pro Hemisphäre die Aktivität der Kenyon-Zellen und dämpft sie, wenn ein Reiz einem bereits gesehenen ähnelt. Unsere Umsetzung ist ein Duplikatdetektor: Ein neuer Vektor wird mit einem Puffer bereits gesehener verglichen und gilt oberhalb einer Ähnlichkeitsschwelle als Duplikat. Gemessen am 21.09.2026 (bench/novelty_detector.py): Puffer 5.000, 4.000 Prüfungen (2.000 neue + 2.000 Duplikate), 100 % Genauigkeit in diesem synthetischen Test, P50 1.069 μs, P95 2.092 μs. Die frühere Angabe „3,4 μs“ wurde nicht bestätigt.
Konnektom-Innovation 3
Inspiriert vom Zentralkomplex der Fliege: Laut Literatur hält ein Ring aus Neuronen des Ellipsoidkörpers die aktuelle Ausrichtung, und der fächerförmige Körper vergleicht sie mit dem Ziel und gibt einen Drehbefehl aus. Unsere Umsetzung wählt das nächste Seitenelement über den Vektor zum Ziel, statt mit der Tab-Taste weiterzuschalten.
Konnektom-Innovation 4
Konnektom FlyWire v783 (Zenodo 10.5281/zenodo.10676866, CC BY 4.0). Gemessen am 23.09.2026 aus den Release-Dateien (bench/connectome_real_metrics.py): 139.255 Neuronen, 54.492.922 Synapsen, 15.091.983 verbundene Paare, 2.700.513 Paare mit ≥5 Synapsen; Transmitter in den Daten: Acetylcholin, GABA, Glutamat, Octopamin, Serotonin, Dopamin. Die frühere Angabe „3.869.878 Verbindungen“ wurde nicht bestätigt. Dateifingerabdrücke: Zenodo-md5 (f48f972d… und e0e6c197…). Der Merkle-Baum in bench/proof_of_connectome.py ist auf synthetischen Einträgen mit derselben Neuronenzahl aufgebaut: Aufbau 1,23 s, Prüfung eines Teilbaums 1,6 ms, ein gefälschtes Blatt wurde in 20 von 20 Versuchen erkannt.
Konnektom-Innovation 5
Die Idee: einen Wissensgraphen so betrachten, wie Neurowissenschaftler ein Konnektom betrachten — Knotengrade, Cluster, Hubs, kurze Pfade. Das echte Konnektom FlyWire v783 (gemessen am 23.09.2026, 2.700.513 Paare mit ≥5 Synapsen): Clusterkoeffizient C = 0,160, mittlere Pfadlänge L = 4,03. Die früheren Angaben „C = 0,34“ und „2,3 % Hubs“ wurden nicht bestätigt. In unserer Umsetzung sind die Knoten Organisationen, Domains, Telefonnummern und Technologien, und die Kanten sind Verbindungen zwischen ihnen.
Konnektom-Innovation 6
Laut Literatur verbraucht ein Fliegengehirn in der Größenordnung von 10 Mikrowatt, und zu jedem Zeitpunkt ist nur ein kleiner Teil der Neuronen aktiv. Die Idee des Modells: Energie nach der Zahl der Ereignisse (Spikes) zu zählen statt nach allen Multiplikationen wie in einem dichten neuronalen Netz. Das ist ein berechnetes Modell, keine Messung: Weder ein Wattmeter noch RAPL-Zähler wurden verwendet.
AIfa BioMatch Score (BioMatch v1.0)
Architekturprototyp: Metrologisches Profil des Konnektoms von Drosophila melanogaster (FlyWire v783: 139.255 Neuronen, 54,5 Mio. Synapsen, ~2,7 Mio. Graphkanten nach Schwellenwert; Nature, Schlegel et al. 2024). Bewertet die topologische Isomorphie künstlicher Gedächtnisgraphen gegenüber der biologischen Referenz.
Clientseitige Suche im Browser
Architekturprototyp: clientseitige assoziative Suchmaschine (public/aifa_connectome_web.js). 21.09.2026: Die Karte behauptete zuvor „kompaktes WebAssembly-Binary (Wasm SIMD128, 126,7 KB)“. Die DIREKTE PRÜFUNG DER DATEI ergab: reines JavaScript, null WASM-Bytes, null SIMD-Befehle — der eigene Kommentar der Datei sagt ehrlich „pure JavaScript / TypedArrays“. Die tatsächliche Dateigröße beträgt 7.121 Byte, nicht 126.700 (Abweichung 17,79×). Der echte Algorithmus ist ein invertierter Posting-List-Index mit Kenyon-Zell-Aktivierung und Jaccard-Ähnlichkeit, kein Popcount über bitgepackte Hashes.
Prototyp eines neuromorphen Graphcompilers (Exporter für Loihi 2 / SynSense)
Architekturprototyp: Software-Prototyp, der synaptische Graphen des Konnektoms in eine asynchrone Address-Event-Darstellung (AER) überführt. Metis-basierte Graphpartitionierung über 78 Neuropile, INT8-Quantisierung der Synapsen und Simulation von Wormhole-Routing. 21.09.2026: Die Behauptung „0 Deadlocks in 1.000 Versuchen“ wurde geprüft — die zugrunde liegende Engine liefert is_deadlock_free als FEST EINPROGRAMMIERTE Konstante True, nie gemessen. Die Behauptung war konstruktionsbedingt nicht überprüfbar. Ein ehrlicher Ersatz (bench/neuromorphic_compiler_run.py) sucht in 1.000 synthetischen Graphen nach Zyklen im Abhängigkeitsgraphen des NoC zwischen den Kernen: 1.000/1.000 Läufe fanden eine zyklische Abhängigkeit (erwartbar bei dichten Zufallsgraphen), was KEINE realen Hardware-Deadlocks beweist, aber ehrlich zeigt, dass die ursprüngliche Zahl 0/1000 nie berechenbar war.
Index der Symbiose von Mensch und KI (mathematische Kennzahl Φ_sym)
Architekturprototyp: Formalisiertes skalares Modell zur Bewertung der Abstimmung zwischen Bediener und Agent, abgeleitet aus Prinzipien der heterosynaptischen Plastizität im Konnektom. Phi_sym = exp(-lambda * D_KL(P_intent || P_action)) * Alignment * Trust. 21.09.2026: Die Variablen Alignment und Trust wurden auf dieser Karte nie numerisch definiert. Gefunden wurde eine bereits vorhandene Engine (aifa-biobench/aifa_sdk/symbiosis_index.py), die eine ANDERE, vollständig definierte Formel mit 4 Faktoren umsetzt. Ehrlich ausgeführt (bench/symbiosis_index_run.py) über 1.000 synthetische Interaktionsrunden — mittleres Phi=0,1547, P50=0,0974, Latenz pro Runde 49,7–54,7 μs (nicht 39,7 μs, aber dieselbe Größenordnung). Das ist ein ehrlicher synthetischer Test, keine empirische Studie mit echten Bedienern.
Konnektom-Innovation 11
Gemessen am 23.09.2026 auf dem echten Konnektom FlyWire v783 (bench/connectome_topology_extra.py; 134.181 verbundene Neuronen, 2.511.789 Paare mit ≥5 Synapsen): Clustering C = 0,155, mittlerer Pfad L = 4,02. Ein Zufallsgraph gleicher Größe, auf dieselbe Weise gemessen, hat C = 0,00029 und L = 3,65. Small-World-Index σ = (C/C_rand)/(L/L_rand) = 490 — das Fliegengehirn ist stark geclustert mit kurzen Pfaden. Die früheren Zahlen der Karte (C = 0,284, L = 3,82, σ = 8,42 oder 79,81) wurden nicht bestätigt. Für einen synthetischen Gedächtnisgraphen (500 Knoten, p = 0,08) ergab der Lauf vom 21.09.2026 σ = 19,7, nicht die behaupteten 7,15.
Konnektom-Innovation 12
Gemessen am 23.09.2026 auf dem echten Konnektom FlyWire v783 (bench/connectome_topology_extra.py, 134.181 verbundene Neuronen): ⟨k²⟩/⟨k⟩ = 190,9, daraus die Zusammenbruchsschwelle bei zufälligen Ausfällen f_c = 1 − 1/(⟨k²⟩/⟨k⟩ − 1) = 0,995. Direkter Test: Nach dem zufälligen Entfernen von 30 % der Neuronen hält der größte zusammenhängende Teil noch 68,5 % aller Neuronen des Graphen; nach dem Entfernen der 30 % am stärksten verbundenen — 57,5 %; bei 50 % — 48,1 % und 28,0 %. Die frühere Angabe „⟨k²⟩/⟨k⟩ ≈ 42,6, f_c ≈ 0,976“ wurde nicht bestätigt.
Konnektom-Innovation 13
Inspiriert vom Geruchssinn der Fliege: Laut Literatur fällt die erste Entscheidung „gefährlich / essbar“ über fest verdrahtete Rezeptoren, ohne lange Berechnung. Die IT-Idee: einfache Fälle — eine Domain, einen Titel, einen Fehlertext — über schnellen Musterabgleich behandeln und ein schweres Modell nur dort aufrufen, wo die Muster nicht entscheiden. Frühere Angaben zu Serverwärme, Modelllatenz und „12–18 % Halluzinationen“ wurden nicht gemessen und zurückgezogen.
Konnektom-Innovation 14
Inspiriert vom Ellipsoidkörper der Fliege: Laut Literatur hält ein Ring aus „Kompass“-Neuronen einen Aktivitätsbuckel, der sich mit der Fliege dreht und die Richtung hält. Die Idee: die aktuelle Phase eines Dialogs in einem solchen Ring halten. Unsere Umsetzung ist ein Ringattraktor (Amari-Gleichung, „Mexikanerhut“-Gewichte); der Lauf nutzte 16 Neuronen, wie auf der Karte angegeben (Standard der Engine sind 64).
Konnektom-Innovation 15
Das FlyWire-Konnektom kennzeichnet jede Verbindung mit einem vorhergesagten Transmitter. Gemessen am 23.09.2026 aus den Release-Daten (bench/connectome_transmitters.py, 54,46 Mio. Synapsen mit Vorhersage), Anteil der Synapsen nach wahrscheinlichstem Transmitter: Acetylcholin 55,8 %, GABA 23,3 %, Glutamat 17,8 %, Dopamin 1,4 %, Serotonin 1,2 %, Octopamin 0,6 %. Die früheren Anteile auf der Karte (Acetylcholin ~45 %, Dopamin ~5 %, Serotonin und Octopamin je ~3 %) wurden nicht bestätigt. Die Idee des Modells: Erregung und Hemmung halten sich die Waage, sodass das Netz ein gesetztes Aktivitätsniveau hält.
Konnektom-Innovation 16
Inspiriert von der sensorischen Anpassung der Fliege: Laut Literatur wird ein konstanter Hintergrund nicht mehr wahrgenommen, während ein seltenes wichtiges Signal verstärkt wird. Die Idee: seltenen Merkmalen mehr Gewicht geben und häufige Verbindungen beschneiden. Formel: w(f) = log(1 + N/df) · (1 − e^(−λ·Δt)), Schnittschwelle 5 % des größten Gewichts.
Konnektom-Innovation 17
Die Idee: die Architektur eines KI-Systems so streng beschreiben, wie FlyWire ein Gehirn beschreibt — jedes Element hat eine ID und einen Typ, jede Verbindung einen Typ und ein Gewicht. Das Format CADF: S = ⟨V, E, T, W⟩, wobei der Verbindungstyp T ∈ {Sync, Async, Inhibitory, Modulatory} und das Gewicht W > 0.
Konnektom-Innovation 18
Die Idee: So wie FlyWire allen ein offenes Referenzgehirn gab, kann ein offener Satz von Messungen der Barrierefreiheit von Websites Forschenden eine gemeinsame Referenz geben. Unser Satz ist ein Tastatur-Crawl von US-Websites: welche von acht typischen Seiten sich öffnen und per Tastatur bedienen lassen.
Konnektom-Innovation 19
Laut Literatur (Caron et al., Nature 2013; Litwin-Kumar et al., Neuron 2017) erhält eine Kenyon-Zelle der Fliege Eingänge von etwa 6–8 Projektionsneuronen, eine Zahl, die als nahezu optimal für die Unterscheidung von Gerüchen gilt. Wir haben das an unseren eigenen Aufgaben geprüft.
Konnektom-Innovation 20
Die Idee: die Ausbreitung von Aktivität durch das Fliegengehirn sichtbar machen — im Terminal und im Browser, mit Klang, der von der Zahl der Spikes gesteuert wird. Projektion der Punkte auf den Bildschirm: [u, v] = R(α, β)·[x, y, z]; Klang: f(t) = f0 + k·Σ s_i(t).
Konnektom-Innovation 21
Inspiriert vom Zentralkomplex der Fliege: Laut Literatur verbinden P-EN- und P-FN-Neuronen den Ellipsoidkörper und die protozerebrale Brücke und helfen, sich einem Ziel zuzuwenden. Die Formel der Karte: V = α·∇Φ_goal − β·Σ Abstoßung von besuchten Knoten. Der Code der Engine (aifa_sdk/cx_steering.py) setzt nur den ersten Teil um — die Anziehung zum Ziel; das Feld der besuchten Knoten ist deklariert, wird aber nie verwendet.
Konnektom-Innovation 22
Inspiriert von der Neuromodulation der Fliege: Laut Literatur schalten Dopamin, Octopamin und Serotonin das Gehirn zwischen Schlaf, ruhigem Wachsein, Nahrungssuche und Flucht um. Die Idee für einen Crawler: Zahl der parallelen Worker und Pausen nach Erfolgen und Fehlern ändern, so wie Modulatoren den Modus des Gehirns ändern.
Konnektom-Innovation 23
Inspiriert vom APL-Neuron: Laut Literatur erhält ein großes hemmendes Neuron pro Hemisphäre Eingänge von allen aktiven Kenyon-Zellen und hemmt sie alle proportional, sodass nur wenige aktiv bleiben. Die Formel der Karte: A = ReLU(X − quantile(1−k)), danach Normierung durch die Summe.
Konnektom-Innovation 24
Das C1-FFL-Motiv (Alon, 2007): Knoten X schaltet Y ein, und der Ausgang Z feuert nur, wenn sowohl X als auch Y aktiv sind (logisches UND). Ein kurzer Impuls hat keine Zeit, durch Y zu laufen, und erlischt; ein langes Signal kommt durch. Wie stark dieses Motiv gerade in FlyWire v783 angereichert ist, haben wir nicht geprüft.
Konnektom-Innovation 25
Laut Literatur erkennen die T4- und T5-Neuronen des Sehsystems der Fliege die Bewegung heller und dunkler Kanten nach dem Hassenstein-Reichardt-Modell: Das Signal eines Fotorezeptors wird verzögert und mit dem seines Nachbarn multipliziert. Die Idee: gefährliches Flackern und aufdringliche Animation auf einer Seite auf dieselbe Weise zu erkennen. Die frühere Angabe „eine Million Mal effizienter als Grafikkarten“ ist keine Messung und wurde zurückgezogen.
Konnektom-Innovation 26
Ein k-Kern ist der größte Teilgraph, in dem jeder Knoten darin mindestens k Nachbarn hat; er wird durch wiederholtes Entfernen von Knoten mit Grad unter k gefunden. Gemessen am 23.09.2026 auf dem echten Konnektom FlyWire v783 (bench/connectome_topology_extra.py, Paare mit ≥5 Synapsen): k_max = 57, mit 258 Neuronen im innersten Kern. Die frühere Angabe „k_max = 78, 1.420 Neuronen“ wurde nicht bestätigt.
Konnektom-Innovation 27
Laut Literatur (Turrigiano, 1998) skaliert ein Neuron alle seine Eingangssynapsen so, dass ihre Gesamtstärke konstant bleibt — sonst treibt Hebb’sches Lernen es in die Sättigung. Die Idee: das „Volumen“ des Gedächtnisses auf dieselbe Weise konstant halten und schwache, ungenutzte Verbindungen entfernen.
Konnektom-Innovation 28
Die Idee: einen echten Gehirngraphen als Test für Graphdatenbanken verwenden, weil synthetische Graphen seine Struktur nicht nachbilden. Gemessen am 23.09.2026 auf dem echten Graphen FlyWire v783: 139.255 Neuronen, 15.091.983 verbundene Paare, 54.492.922 Synapsen; bei einer Schwelle von ≥5 Synapsen — 134.181 Neuronen und 2.511.789 Kanten. Die früheren Angaben „3.869.878 Verbindungen“ und „3,87 Mio. Kanten“ wurden nicht bestätigt.
Konnektom-Innovation 29
Laut Literatur ist das Fliegengehirn spiegelsymmetrisch, und die Hemisphären tauschen Signale über Kommissuren aus. Die Idee: Zwei unabhängige „Hemisphären“ bewerten eine Antwort, und sie wird nur angenommen, wenn sie übereinstimmen. Im Code (aifa_sdk/bilateral_verifier.py) ist die Übereinstimmung √(s_L·s_R)·(1 − 0,4·|s_L − s_R|) mit einer Schwelle von 0,52 (die Karte gab 0,95 an).
Konnektom-Innovation 30
Laut Literatur bilden Neuronen des Zentralkomplexes der Fliege (E-PG, P-EN, P-FN, Δ7) einen kontinuierlichen Ringattraktor: Der Aktivitätsbuckel kann an jeder Stelle des Rings sitzen und hält ohne äußere Eingabe. Unsere Engine (aifa_sdk/cann_focus.py, 64 Neuronen) setzt das korrekt um: „Mexikanerhut“-Gewichte, Position per Populationsvektor ausgelesen.
Offener Forschungsbenchmark & Lizenzierung des Enterprise-Kerns
Reproduzierbares, quelloffen einsehbares Bewertungsframework unter PolyForm Noncommercial 1.0.0 neben souveräner Binärlizenzierung mit geschlossenem Kern für autonome Robotik, Agenten und physisch getrennte Umgebungen.
AIfa BioBench Suite v3
Vollständige reproduzierbare Testreihe für Konnektom-LSH-Hashing, kontinuierliche CANN-Attraktoren und assoziativen Abruf mit mehreren Agenten.
43,2 ms (P50, 23.09.2026); die Anfrage ist eine verrauschte Kopie eines Datenbankvektors (σ = 0,08), keine unabhängige Suche.
43,9 ms (P50, 23.09.2026); die Anfragen sind vom Index unabhängig — eine repräsentative Suche. Exaktes FAISS: 100 % in 8,8 ms.
- Messreihen: Abruf 50.000 × 1024, Methodenduell, Klauen-Sweep, Agententest auf echten Engines, Dropout-Test, Statistiken des Konnektoms FlyWire v783.
- CPU, keine GPU: läuft auf jedem Computer mit Python und NumPy; die Suche im Browser ist JavaScript (nicht WebAssembly).
- Lizenz PolyForm Noncommercial 1.0.0 (nur nichtkommerzielle Nutzung): freie Nutzung in wissenschaftlichen Veröffentlichungen, Vergleichen und Forschung.
AIfa Cognitive Runtime Core (.aci)
Hochleistungs-Binärlaufzeitkern mit geschlossenem Quellcode für autonome Agenten, Industrierobotik, Luft- und Raumfahrt und souveräne, physisch getrennte Umgebungen.
Suche über 50.000 × 1024 Vektoren auf CPU, gemessen am 23.09.2026.
Lieferung: Linux (.so) / Windows (.dll) / C++-SDK mit Merkle-Prüfung — per Vertrag.
- Individuelle Destillation: Training und Kalibrierung der Projektionsmatrizen für die Domäne des Kunden.
- Kryptografische Prüfung: Dateifingerabdrücke und ein Merkle-Baum mit einem OpenTimestamps-Zeitstempel in Bitcoin.
- Eigene F&E-Zusammenarbeit: ein eigener Lösungsarchitekt, direkter Kontakt zum Chefarchitekten und ein garantiertes SLA.
Rechtsstatus, Urheberrecht & Schutz des geistigen Eigentums
Alleiniger Schöpfer, Autor und Chefarchitekt der Architektur der AIfa Cognitive Runtime (ACR) und aller 30 Konnektom-Innovationen: Maksim Valentinovich Galatin. Alle ausschließlichen Rechte streng vorbehalten.
Abgrenzung des geistigen Eigentums: Das Konnektom-Substrat der Drosophila ist offene Wissenschaft (FlyWire Consortium, Nature 2024, CC-BY-4.0). Unser proprietäres geistiges Eigentum ist die mathematische, CPU-native Destillation der 6-Klauen-Projektion, des k-WTA-APL-Gatings, der Steuerungsnavigation und der Laufzeitverpackung. Das Benchmark-Skript aifa_biobench.py ist offen unter PolyForm Noncommercial 1.0.0. Die kompilierte binäre Laufzeit AIfa Core (.aci) ist streng proprietär unter der CODE Eternal Commercial EULA & als Geschäftsgeheimnis.