Ищете аудит сайта по стандарту ADA Title II / WCAG 2.1 AA для муниципалитетов или коммерческих порталов? Перейдите в сканер доступности AIfaFocus.
AIfa Cognitive Runtime (ACR)
Биоинспирированный когнитивный рантайм для автономных программных агентов, архитектурно укорененный в полном коннектоме Drosophila melanogaster (FlyWire v783; 139 255 нейронов, 54.5 млн синапсов). 5 вычислительных биологических мотивов реализованы на CPU (Python/NumPy), без GPU; каждое число на странице получено открытым скриптом.
Эталонный субстрат: FlyWire FAFB v783 — 139 255 нейронов, 54.5 млн синапсов. Двухрежимная архитектура: Faithful Connectome Mode (топологическая валидация, граф связей и криптографический хеш SHA-256) · Distilled ACR Mode (алгоритмы для программных агентов на CPU; коннектом используется для статистики графа).
Матрица абляции — настоящий замер (360 эпизодов на конфигурацию, 23.09.2026)
| Агент / конфигурация | Помехи | Успех задач | Шагов при успехе | Ошибочные клики | Потеря цели / клик | Решение P50 |
|---|---|---|---|---|---|---|
| Naive agent (goal falls out of a 4-message window) | 35% | 0.3% ± 1.5 | 10.0 | 98.6% | 0.000 | 0.074 ms |
| Standard agent, goal pinned (system-prompt style) | 35% | 5.8% ± 3.8 | 5.71 | 97.9% | 0.000 | 0.076 ms |
| + APL novelty gate only | 35% | 4.2% ± 4.2 | 3.27 | 97.7% | 0.000 | 0.076 ms |
| + CANN focus ring only | 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 (as shipped in aifa_sdk) | 35% | 1.4% ± 3.1 | 6.20 | 99.2% | 0.001 | 0.181 ms |
| Standard agent + visited-link memory only | 35% | 95.0% ± 5.5 | 6.16 | 53.8% | 0.000 | 0.218 ms |
| + APL + CANN + CX fixed (visited-link repulsion) | 35% | 94.7% ± 5.5 | 6.23 | 54.5% | 0.000 | 0.427 ms |
| Full ACR (fixed CX) + bilateral verifier | 35% | 93.6% ± 4.1 | 6.07 | 54.1% | 0.000 | 0.680 ms |
* Синтетические сайты с фиксированным зерном (12 задач × 30 зёрен), сравнение текстов по совпадению слов. Помехи 35%, дубли cookie-сообщений, приманки и ссылки-петли одинаковы для всех агентов. Ни один исход не задан вероятностью: решает код. Скрипт: bench/acr_agent_real_benchmark.py. Вывод: весь выигрыш даёт память посещённых ссылок — её нет в CX как он есть в коде; обычный агент с этой памятью показывает тот же результат, что и ACR.
Измеренные задержки (CPU Intel i7-14700, Python/NumPy)
N = 512, замер 21.09.2026 на движке aifa_sdk.
P50, 2 000 проб, замер 21.09.2026.
P50; защиты от повторов в коде нет (см. карточку 03).
P50 FlyHash, 23.09.2026. Точный перебор FAISS — 8,8 мс.
Скрипт работает на любом ноутбуке без GPU. Исходный код — в репозитории aifa-biobench и на странице /digital: aifa-biobench · /digital
Что работает и насколько: четыре настоящих замера
1. Дуэль методов поиска (N = 25 000, D = 512)
100 запросов, seed 42Прямая дуэль с классической бинаризацией. У FlyHash в 85 раз меньше ненулевых весов проекции (2048×6 против 2048×512), но по точности он проигрывает: 18,9% против 80,5% у Sign-LSH при той же задержке.
| Метод | Recall@10 | NDCG@10 | P50 | Веса проекции |
|---|---|---|---|---|
| AIfa FlyHash | 18.90% | 0.3188 | 35.46 ms | 12,288 (в 85 раз легче) |
| 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. Перебор числа входов-«когтей» (d от 2 до 16)
проверка гипотезыПроверка гипотезы «d = 6 у мухи — оптимум». Замер: при d = 6 — 19,8%, при d = 7 уже 23,3%, наибольшая точность — 24,9% при d = 16. На этой задаче d = 6 не оптимум.
| Число когтей (d) | Recall@10 | P50 | Статус |
|---|---|---|---|
| d = 2 | 13.80% | 29.35 ms | исходный |
| d = 6 | 19.80% | 29.98 ms | значение у мухи |
| d = 7 | 23.30% | 28.37 ms | выше |
| d = 16 | 24.90% | 30.21 ms | максимум (в 2,7 раза больше весов) |
3. Испытание агента — настоящие движки
360 эпизодов на агентаЗаменяет прежний скрипт, в котором исход был вписан вероятностями (22,47% → 94,58%). Настоящие движки aifa_sdk, синтетические сайты, помехи 35%. Итог: выигрыш даёт память посещённых ссылок, остальные механизмы ACR здесь заметного вклада не дают.
| Агент | Успех задач | Ошибочные клики |
|---|---|---|
| Обычный, цель закреплена | 5.8% ± 3.8 | 97.9% |
| ACR: APL + CANN + CX как в коде | 1.4% ± 3.1 | 99.2% |
| ACR с исправленным CX | 94.7% ± 5.5 | 54.5% |
| Полный ACR + арбитр | 93.6% ± 4.1 | 54.1% |
| Обычный + память посещённых | 95.0% ± 5.5 | 53.8% |
4. Устойчивость к отказам — настоящее выключение
5 зёренЗаменяет прежнюю кривую, заданную формулой («в 3,21 раза устойчивее»). Разряды кода и нейроны кольца выключаются по-настоящему. FlyHash теряет точность сильнее Sign-LSH; кольцо CANN теряет точность при гибели нейронов.
| Выключено | FlyHash R@10 | Sign-LSH R@10 | CANN, ошибка без входа |
|---|---|---|---|
| 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° |
- Набор биоинспирированных алгоритмов (разреженная проекция, фильтр новизны APL, кольцевой аттрактор CANN, навигация CX, двусторонний арбитр) на Python/NumPy в пакете aifa_sdk.
- Часть механизмов работает так, как описано (разреженность APL, удержание цели CANN без помех); часть — нет (защита CX от повторов, сборка WASM, проверка взаимоблокировок).
- Все числа на этой странице получены скриптами репозитория aifa-biobench; файлы результатов открыты.
- Не симуляция мозга мухи и не утверждение о биологической эквивалентности.
- Алгоритмы используют случайные связи, а не веса FlyWire; коннектом FlyWire v783 используется только для статистики графа (C, L, KS).
- Прогона «58 мкс на полный контур» и «~122 мс на живом DOM» не существует — такие числа убраны.
Ни одна заявляемая метрика не приводится без указания класса доказательности
Биологический концепт
Асимптотика / формулы
Симулятор / партиционер
Воспроизводимый тест CPU
Аппаратный стенд
Промышленный кластер
Архитектурный стек коннектома TOP-10 (Ядро L0–L4 — кандидаты в прод · 06–10 Исследовательские прототипы)
Базовый когнитивный контур L0–L4 и экспериментальные исследовательские прототипы 06–10 с классификацией уровней доказательности E0–E5
FlyHash v783 Connectome Memory (Ассоциативная память)
По мотивам грибовидного тела мухи (клетки Кеньона, ~6 входов-«когтей»). Веса проекции случайные разреженные — данные FlyWire в этот механизм не загружаются.
APL Sensory Novelty Gate (Сенсорный фильтр новизны)
Гигантский ГАМК-ергический нейрон APL (Anterior Paired Lateral), обеспечивающий глобальное торможение обратной связи.
Central Complex CX Steering Navigation (Векторная навигация)
Веерообразное тело (FB) и протоцеребральный мост (PB) Центрального Комплекса.
CANN Focus Ring Attractor (Кольцевой аттрактор фокуса)
Кольцевая нейронная колонка Эллипсоидного Тела (EB, 64 нейрона) с динамикой непрерывного аттрактора.
Bilateral Cross-Inhibition Verifier (Двуполушарный арбитр)
Латеральное перекрестное торможение между парными полушариями коннектома.
Модель энергоэффективности (LIF Engine / Neuromorphic Energy)
Биофизическая модель метаболизма нейронов Drosophila melanogaster в рамках расчетной модели спайковых событий (1 пДж/спайк vs 1–3 пДж/FLOP GPU FP16). Разреженность связей (Connectivity Sparsity): 85.0% структурных нулей матрицы. Разреженность активности (Activity Sparsity): 96.86% молчащих нейронов в ходе бенчмарка. Физические замеры по розетке (RAPL / ваттметр) запланированы на этапе аппаратного стенда.
AIfa BioMatch Score (Метрика BioMatch v1.0)
Метрологический профиль коннектома Drosophila melanogaster (FlyWire v783: 139 255 нейронов, 54.5M синапсов, ~2.7M пороговых ребер графа; Nature, Schlegel et al. 2024). Оценка топологического изоморфизма искусственных сетей памяти относительно биологического эталона.
Клиентский поиск WASM (Браузерный микробенчмарк)
Клиентский поиск в браузере: обычный JavaScript (TypedArrays, 7,1 КБ), обратный индекс и сходство Жаккара. WebAssembly и SIMD не используются.
Прототип нейроморфного компилятора графов (Loihi 2 / SynSense Exporter)
Программный прототип: переводит граф связей в таблицу маршрутизации событий (AER) и квантует веса в INT8. Разбиение по ядрам — простыми последовательными блоками, без Metis и без минимизации разрезов; 78 нейропилей в коде не используются. Проверка «нет взаимоблокировок» была константой True. Телеметрия на платах Loihi 2 не проводилась.
Индекс симбиоза Человек-ИИ (Математическая метрика Φ_sym)
Формализованная скалярная модель оценки согласованности оператора и агента на базе коннектомных принципов гетеросинаптической пластичности. Для гарантированного исключения отрицательных значений формула использует строго ограниченную экспоненту: Φ_sym = exp(-lambda * D_KL(P_intent || P_action)) * Alignment * Trust. Формализация P_intent определена; эмпирическое исследование критериальной валидности с операторами запланировано.
Поиск, агент и устойчивость — измерены раздельно
Запуск: python bench/aifa_biobench.py · python bench/acr_agent_real_benchmark.py · python bench/robustness_real.pyПоиск по 50 000 векторов (1024)
Сравнение с точным перебором L2.
Навигация по синтетическим сайтам
9 агентов × 360 эпизодов, помехи 35%.
Выключение разрядов и нейронов
5 зёрен, 20 000 векторов, 512 разрядов.
Полный стек 30 коннектомных инноваций
Исчерпывающий научно-инженерный каталог технологий на базе коннектома FlyWire v783 с биологическим базисом, математической моделью и архитектурой внедрения
Мушиный LSH-поиск по памяти (FlyHash Memory Engine)
По мотивам грибовидного тела мухи. По данным литературы: ~783 проекционных нейрона передают запах ~2 000–2 500 клеткам Кеньона, каждая клетка получает ~6–8 случайных входов, нейрон APL тормозит всех, и активными остаются ~5% клеток. Отсюда идея: случайная разреженная проекция в большое пространство плюс «победитель забирает всё» даёт бинарный хеш, устойчивый к шуму. В нашей реализации проекция 1024 → 2048 единиц со случайными весами (данные FlyWire не загружаются), активны 30% единиц, кандидаты отбираются по расстоянию Хэмминга и доранжируются точно.
Нейрон новизны APL для вечной памяти диалога и краулера (Novelty Detector)
По мотивам нейрона APL мухи: по данным литературы, один крупный тормозный нейрон в каждом полушарии собирает активность клеток Кеньона и гасит её, если стимул похож на уже виденный. В нашей реализации это детектор повторов: новый вектор сравнивается с буфером ранее виденных, и если сходство выше порога, запись считается дублем. Замер 21.09.2026 (bench/novelty_detector.py): буфер 5 000, 4 000 проверок (2 000 новых + 2 000 дублей), точность 100% на этом синтетическом тесте, P50 1 069 мкс, P95 2 092 мкс. Прежние «3,4 мкс» не подтвердились.
Центральный комплекс (CX) — Векторный компас вместо слепого Tab (Compass Navigation)
По мотивам центрального комплекса мухи: по данным литературы, кольцо нейронов эллипсоидного тела хранит текущее направление, а веерообразное тело сравнивает его с целевым и выдаёт команду поворота. В нашей реализации это выбор следующего элемента страницы по вектору к цели вместо перебора клавишей Tab.
Заверенная криптографическая копия коннектома в реестре (Proof of Connectome)
Коннектом FlyWire v783 (Zenodo 10.5281/zenodo.10676866, CC BY 4.0). Замер 23.09.2026 по файлам релиза (bench/connectome_real_metrics.py): 139 255 нейронов, 54 492 922 синапса, 15 091 983 связанные пары, 2 700 513 пар от 5 синапсов; медиаторы в данных — ацетилхолин, ГАМК, глутамат, октопамин, серотонин, дофамин. Прежнее «3 869 878 связей» не подтвердилось. Отпечатки файлов — md5 от Zenodo (f48f972d… и e0e6c197…). Дерево Меркла в bench/proof_of_connectome.py построено на синтетических записях с тем же числом нейронов: сборка 1,23 с, проверка поддерева 1,6 мс, подмена листа замечена в 20 из 20 попыток.
Коннектомика на наш граф (AIfa Memory Graph Connectomics)
Идея: смотреть на граф знаний так же, как нейробиологи смотрят на коннектом, — степени узлов, кластеры, хабы, короткие пути. Настоящий коннектом FlyWire v783 (замер 23.09.2026, 2 700 513 пар от 5 синапсов): коэффициент кластеризации C = 0,160, средняя длина пути L = 4,03. Прежние «C = 0,34» и «2,3% хабов» не подтвердились. В нашей реализации узлы — организации, домены, телефоны и технологии, рёбра — связи между ними.
Довод об энергии: расчетная экономия 99.73% по модели событий LIF (Neuromorphic Energy)
По данным литературы, мозг мухи тратит порядка 10 микроватт, а в каждый момент активна малая доля нейронов. Идея модели: считать энергию по числу событий (спайков), а не по числу всех умножений, как у плотной нейросети. Это расчётная модель, а не замер: ваттметр и счётчики RAPL не использовались.
AIfa BioMatch Score (Метрика BioMatch v1.0)
Архитектурный прототип: Метрологический профиль коннектома Drosophila melanogaster (FlyWire v783: 139 255 нейронов, 54.5M синапсов, ~2.7M пороговых ребер графа; Nature, Schlegel et al. 2024). Оценка топологического изоморфизма искусственных сетей памяти относительно биологического эталона.
Клиентский поиск в браузере (Browser Client-Side Search)
Архитектурный прототип: клиентский движок ассоциативного поиска для браузера (public/aifa_connectome_web.js). 21.09.2026: карточка заявляла 'компактный бинарный модуль WebAssembly (Wasm SIMD128, 126.7 КБ)' и 'клиентское сканирование popcount с SIMD128'. ПРЯМАЯ ПРОВЕРКА ФАЙЛА показала: это ЧИСТЫЙ JavaScript, ноль байт WebAssembly, ноль SIMD-инструкций — собственный комментарий в самом файле честно пишет 'pure JavaScript / TypedArrays', а карточка этому противоречила. Реальный размер файла 7 121 байт, а не заявленные 126 700 (расхождение в 17.79 раза). Реальный алгоритм — обратный индекс (posting lists) с активацией Kenyon Cell и подсчётом Jaccard-сходства, а не popcount по битовым хешам.
Прототип нейроморфного компилятора графов (Loihi 2 / SynSense Exporter)
Архитектурный прототип: Программный транслятор графа связей коннектома в асинхронную модель маршрутизации адресов событий (AER - Address Event Representation). Декомпозиция 78 нейропилей через Metis, INT8 квантование, симуляция NoC-маршрутизации. 21.09.2026: заявление '0 взаимных блокировок (deadlocks) в 1000 прогонах' проверено — исходный движок (aifa-biobench/aifa_sdk/neuromorphic_compiler.py) возвращает поле is_deadlock_free как ЖЁСТКУЮ КОНСТАНТУ True, а не измерение: движок вообще не ищет дедлоки. Заявление было непроверяемым по построению. Написана честная замена (bench/neuromorphic_compiler_run.py) — поиск цикла в графе межъядерных зависимостей NoC-трафика на 1000 синтетических графах: 1000 из 1000 прогонов дали циклическую зависимость (ожидаемо для плотных случайных графов), что НЕ доказывает реальные дедлоки на аппаратуре (зависит от виртуальных каналов роутера), но честно показывает, что прежнее число 0/1000 нельзя было получить этим кодом.
Индекс симбиоза Человек-ИИ (Математическая метрика Φ_sym)
Архитектурный прототип: Формализованная скалярная модель оценки согласованности оператора и агента на базе коннектомных принципов гетеросинаптической пластичности. Для гарантированного исключения отрицательных значений формула использует строго ограниченную экспоненту: Phi_sym = exp(-lambda * D_KL(P_intent || P_action)) * Alignment * Trust. 21.09.2026: переменные Alignment и Trust никогда не были определены числом на карточке. Найден уже существующий движок (aifa-biobench/aifa_sdk/symbiosis_index.py), реализующий ДРУГУЮ, полностью определённую формулу из 4 множителей: intent_alignment * latency_decay * accuracy_factor * h_synergy. Честно прогнан (bench/symbiosis_index_run.py) на 1000 синтетических ходах взаимодействия — mean Phi=0.1547, P50=0.0974, задержка на ход 49.7-54.7 мкс (не 39.7 мкс, но того же порядка). Это честный синтетический тест, не эмпирическое исследование с живыми операторами.
Топологический изоморфизм сетей Small-World (Карта мозга как карта памяти)
Замер 23.09.2026 на настоящем коннектоме FlyWire v783 (bench/connectome_topology_extra.py; 134 181 нейрон со связями, 2 511 789 пар от 5 синапсов): кластеризация C = 0,155, средний путь L = 4,02. У случайного графа того же размера, посчитанного тем же способом, C = 0,00029, L = 3,65. Индекс малого мира σ = (C/C_rand)/(L/L_rand) = 490 — мозг мухи сильно кластеризован при коротких путях. Прежние числа карточки (C = 0,284, L = 3,82, σ = 8,42 или 79,81) не подтвердились. Для синтетического графа памяти (500 узлов, p = 0,08) прогон 21.09.2026 дал σ = 19,7, а не заявленные 7,15.
Виртуальная абляция и живучесть топологии (Удаление узлов / Chaos Engineering)
Замер 23.09.2026 на настоящем коннектоме FlyWire v783 (bench/connectome_topology_extra.py, 134 181 нейрон со связями): ⟨k²⟩/⟨k⟩ = 190,9, отсюда порог распада при случайных отказах f_c = 1 − 1/(⟨k²⟩/⟨k⟩ − 1) = 0,995. Прямой опыт: после удаления 30% случайных нейронов в самой большой связной части остаются 68,5% всех нейронов графа, после удаления 30% самых связанных — 57,5%; при 50% — 48,1% и 28,0%. Прежние «⟨k²⟩/⟨k⟩ ≈ 42,6, f_c ≈ 0,976» не подтвердились.
Строковые эвристики против нейросетевого перегрева (Обоняние вместо Олламы)
По мотивам обоняния мухи: по данным литературы, первичное решение «опасно / съедобно» принимают жёстко заданные рецепторы, без долгих вычислений. Идея для ИТ: простые случаи — домен, заголовок, текст ошибки — разбирать быстрым сопоставлением с образцами, а тяжёлую модель звать только там, где образцы не решают. Прежние числа про нагрев сервера, задержки модели и «12–18% галлюцинаций» не измерялись и сняты.
16-нейронный кольцевой аттрактор фазы диалога (Кольцо для памяти диалога)
По мотивам эллипсоидного тела мухи: по данным литературы, кольцо нейронов-«компасов» держит «холм» активности, который поворачивается вместе с мухой и сохраняет направление. Идея: хранить текущую фазу диалога в таком кольце. В нашей реализации — кольцевой аттрактор (уравнение Амари, веса «мексиканская шляпа»); прогон сделан на 16 нейронах, как на карточке (в движке по умолчанию 64).
Атлас нейромедиаторов и синаптический баланс возбуждения/торможения
Коннектом FlyWire размечен предсказанным медиатором для каждой связи. Замер 23.09.2026 по данным релиза (bench/connectome_transmitters.py, 54,46 млн синапсов с предсказанием), доля синапсов по наиболее вероятному медиатору: ацетилхолин 55,8%, ГАМК 23,3%, глутамат 17,8%, дофамин 1,4%, серотонин 1,2%, октопамин 0,6%. Прежние доли на карточке (ацетилхолин ~45%, дофамин ~5%, серотонин и октопамин по ~3%) не подтвердились. Идея модели: возбуждение и торможение уравновешиваются, и сеть держит заданный уровень активности.
Редкое важнее частого: селективное взвешивание признаков (Биологический IDF и прунинг)
По мотивам сенсорной адаптации мухи: по данным литературы, постоянный фон перестаёт восприниматься, а редкий важный сигнал усиливается. Идея: давать редким признакам больший вес, а частые связи прореживать. Формула: w(f) = log(1 + N/df) · (1 − e^(−λ·Δt)), порог прореживания — 5% от наибольшего веса.
Схема коннектома как стандарт архитектурной документации (CADF Standard)
Идея: описывать архитектуру ИИ-системы так же строго, как FlyWire описывает мозг — у каждого элемента идентификатор и тип, у каждой связи тип и вес. Формат CADF: S = ⟨V, E, T, W⟩, где тип связи T ∈ {Sync, Async, Inhibitory, Modulatory}, вес W > 0.
Открытый набор верифицированных данных для ученых (ADAB Dataset)
Идея: как FlyWire дал всем один открытый эталон мозга, так открытый набор замеров доступности сайтов может дать исследователям общий эталон. Наш набор — клавиатурный обход сайтов США: какие из восьми типовых страниц открываются и проходятся с клавиатуры.
Мушиный отбор признаков: оптимальная размерность d6
По данным литературы (Caron et al., Nature 2013; Litwin-Kumar et al., Neuron 2017), клетка Кеньона мухи получает входы примерно от 6–8 проекционных нейронов, и это число считают близким к оптимуму для разделения запахов. Мы проверили это на своих задачах.
Живой интерактивный показ работы коннектома (Терминальный live showcase)
Идея: показывать распространение активности по мозгу мухи наглядно — в терминале и в браузере, со звуком, зависящим от числа импульсов. Проекция точек на экран: [u, v] = R(α, β)·[x, y, z]; звук: f(t) = f0 + k·Σ s_i(t).
CX Steering Vector Navigation (Векторная навигация агента в DOM-дереве)
По мотивам центрального комплекса мухи: по данным литературы, нейроны P-EN и P-FN связывают эллипсоидное тело и протоцеребральный мост и помогают поворачивать к цели. Формула карточки: V = α·∇Φ_цель − β·Σ отталкивание от посещённых узлов. В коде движка (aifa_sdk/cx_steering.py) реализована только первая часть — притяжение к цели; поле посещённых узлов объявлено, но не используется.
Нейромодуляторное переключение режимов (Шедулер краулера: сон, бодрствование, форсаж)
По мотивам нейромодуляции мухи: по данным литературы, дофамин, октопамин и серотонин переключают мозг между сном, спокойным бодрствованием, поиском пищи и бегством. Идея для краулера: менять число параллельных воркеров и паузы по успехам и ошибкам, как модуляторы меняют режим.
APL Linear Normalization (Нормализация для LLM-контекста / Ингибирование APL)
По мотивам нейрона APL: по данным литературы, один крупный тормозный нейрон в полушарии получает сигнал от всех активных клеток Кеньона и тормозит их всех пропорционально, так что активными остаются немногие. Формула карточки: A = ReLU(X − квантиль(1−k)), затем нормировка суммой.
Когерентные мотивы прямой связи (FFL для шумоподавления / Feed-Forward Loops)
Мотив C1-FFL (Alon, 2007): узел X включает Y, а выход Z срабатывает, только если активны и X, и Y (логическое «И»). Короткий импульс не успевает пройти через Y и гаснет, длинный сигнал проходит. Насколько этот мотив обогащён именно в FlyWire v783, мы не проверяли.
Детектор движения Рейхардта (EMD T4/T5 для визуальных барьеров / Оптический поток)
По данным литературы, нейроны T4 и T5 зрительной системы мухи определяют движение светлых и тёмных краёв по модели Хассенштейна–Рейхардта: сигнал одного фоторецептора задерживается и перемножается с сигналом соседнего. Идея: тем же способом находить на странице опасное мерцание и навязчивую анимацию. Прежнее «в миллион раз эффективнее видеокарт» — не замер, снято.
K-Core Graph Decomposition (K-Core декомпозиция и отказоустойчивость ядра)
k-ядро — наибольший подграф, где у каждого узла не меньше k соседей внутри подграфа; находится последовательным удалением узлов со степенью меньше k. Замер 23.09.2026 на настоящем коннектоме FlyWire v783 (bench/connectome_topology_extra.py, пары от 5 синапсов): k_max = 57, во внутреннем ядре 258 нейронов. Прежние «k_max = 78, 1 420 нейронов» не подтвердились.
Гомеостатическая пластичность и прунинг памяти (Гомеостатический прунинг)
По данным литературы (Turrigiano, 1998), нейрон масштабирует все свои входные синапсы так, чтобы их суммарная сила оставалась постоянной, — иначе обучение по Хеббу разгоняет его до насыщения. Идея: так же держать «объём» памяти постоянным, а слабые неиспользуемые связи удалять.
Коннектомный бенчмарк графовых систем (DCGB / Drosophila Connectome Graph Benchmark)
Идея: использовать настоящий граф мозга как тест для графовых баз данных, потому что синтетические графы не повторяют его структуру. Замер 23.09.2026 настоящего графа FlyWire v783: 139 255 нейронов, 15 091 983 связанные пары, 54 492 922 синапса; при пороге от 5 синапсов — 134 181 нейрон и 2 511 789 рёбер. Прежние «3 869 878 связей» и «3,87 млн рёбер» не подтвердились.
Билатеральное зеркалирование вердиктов (Билатеральный консенсус полушарий)
По данным литературы, мозг мухи зеркально симметричен, и полушария обмениваются сигналами через комиссуры. Идея: два независимых «полушария» оценивают ответ, и он принимается только при их согласии. В коде (aifa_sdk/bilateral_verifier.py) согласие считается как √(s_л·s_п)·(1 − 0,4·|s_л − s_п|) с порогом 0,52 (на карточке был порог 0,95).
CANN Непрерывный аттрактор диалогового фокуса (Непрерывный аттрактор фокуса)
По данным литературы, нейроны центрального комплекса мухи (E-PG, P-EN, P-FN, Δ7) образуют непрерывный кольцевой аттрактор: «холм» активности может стоять в любой точке кольца и держится без внешнего входа. В нашем движке (aifa_sdk/cann_focus.py, 64 нейрона) это реализовано корректно: веса «мексиканская шляпа», чтение положения по вектору популяции.
Открытый бенчмарк и корпоративное лицензирование
Воспроизводимый открытый бенчмарк для мирового научного сообщества (Apache 2.0) и закрытые суверенные поставки бинарного ядра для автономных софтверных агентов, робототехники и закрытых периметров.
AIfa BioBench Suite v3
Полный набор воспроизводимых тестов для оценки коннектомных LSH-структур, непрерывных аттракторов CANN и мультиагентного ассоциативного поиска.
43,2 мс (P50, 23.09.2026); запрос — зашумлённая копия вектора базы (σ = 0,08), не независимый поиск.
43,9 мс (P50, 23.09.2026); запросы независимы от индекса — представительный поиск. Точный FAISS: 100% за 8,8 мс.
- Наборы замеров: поиск 50 000 × 1024, дуэль методов, перебор «когтей», испытание агента на настоящих движках, тест отказов, статистика коннектома FlyWire v783.
- CPU, без GPU: запуск на любом компьютере с Python и NumPy; поиск в браузере — на JavaScript (не WebAssembly).
- Открытая лицензия Apache 2.0: свободное использование в научных публикациях, сравнениях и исследованиях.
AIfa Cognitive Runtime Core (.aci)
Поставка закрытого высокопроизводительного бинарного ядра для автономных софтверных агентов, промышленной робототехники, банков и закрытых периметров.
Поиск по 50 000 векторов × 1024 на CPU, замер 23.09.2026.
Поставка: Linux (.so) / Windows (.dll) / C++ SDK с аудитом Меркла — по договору.
- Индивидуальная дистилляция: обучение и калибровка проекционных матриц под домен заказчика.
- Криптографический аудит: отпечатки файлов и дерево Меркла с биткоин-штампом OpenTimestamps.
- Совместная разработка: выделенный архитектор решений, прямой контакт с Главным Архитектором и гарантийный SLA.
Правовой статус, авторские права и интеллектуальная собственность
Единоличный Создатель, Автор и Главный Архитектор всей архитектуры AIfa Cognitive Runtime (ACR) и всех 30 технологий коннектома: Максим Валентинович Галатин. Все исключительные права строго защищены.
Разграничение прав: Данные коннектома Drosophila принадлежат открытой науке (FlyWire Consortium, Nature 2024, CC-BY-4.0). Наша интеллектуальная собственность — математическая дистилляция в CPU-рантайм 6-дендритного проецирования и k-WTA APL-ингибирования, алгоритмы навигации и агентный цикл. Скрипт бенчмарка aifa_biobench.py открыт под Apache 2.0. Скомпилированное бинарное ядро AIfa Core (.aci) поставляется по закрытой коммерческой лицензии CODE Eternal (Proprietary EULA & Trade Secret).