OdyssNet: Zamansal Devrim

OdyssNet, Zaman'ın nihai Gizli Katman olduğunun kanıtıdır.

Geleneksel Derin Öğrenme, karmaşıklığı çözmek için Uzamsal Derinliğe (üst üste yığılan katmanlar) dayanır. OdyssNet bu ortodoksiyi reddeder: Zamansal Derinlik (zaman içinde evrimleşen kaos) çok daha verimli bir alternatiftir.

Sıfır-Gizli Atılım

1969'da Minsky & Papert, gizli katmanı olmayan bir sinir ağının XOR gibi doğrusal olmayan problemleri çözemeyeceğini kanıtladı. OdyssNet bu sınırı aştı.

Ağı bir Eğitilebilir Dinamik Sistem olarak ele alarak OdyssNet, 0 Gizli Katman ile doğrusal olmayan problemleri (XOR, MNIST) çözüyor. Uzamsal nöronların yerini zamansal düşünme adımları alıyor.

OdyssNet verimliliğini Uzay-Zaman Takası (Space-Time Trade-off) ile sağlar. Derinlik oluşturmak için binlerce yeni nöron eklemek (Uzay) yerine, mevcut nöronları daha fazla adım boyunca çalıştırır (Zaman). Tek bir fiziksel matris zamansal adımlarda yeniden kullanılır ve onlarca katmana eşdeğer hesaplamayı mikroskobik bir parametrik ayak izine sıkıştırır. Bu, zekanın statik bir yapı değil, dinamik bir süreç olduğunu kanıtlar.

DÜNYA REKORU: Parametrik Zeka Yoğunluğu

OdyssNet, MNIST üzerinde 634 parametre ile %89.89 doğruluk elde ediyor. Parametre başına %0.14 doğruluk, bir kartvizite sığacak kadar küçük bir modelde.

TLDR

OdyssNet, uzamsal derinlik yerine zamansal derinlik kullanır: katman yığmak yerine tek bir dinamik çekirdek birden fazla adım "düşünür".
Çekirdeğin kendi durum geçmişi üzerinde isteğe bağlı çok başlı dikkat (gerçek bir KV önbelleğiyle birlikte) katmanlar arasına değil zaman eksenine bağlanır. Varsayılan olarak kapalıdır.
Sıfır gizli katman ile XOR ve MNIST gibi doğrusal olmayan görevleri eğitilebilir dinamiklerle çözer.
634 parametre ile %89.89 MNIST doğruluğu, 4,669 parametre ile 7x7 MNIST'te %96.05 elde eder.
Bir kovan olarak koşar. Sekiz beden aynı çekirdeği koşuyor ve birbirine hiç değmiyor (ayrı durumlar, ayrı önbellekler, ayrı forward geçişleri), tek bir havuzlanmış Hebbian izi paylaşıyorlar. Her bedene her bölümde yeniden çizilen bir halkanın tek bir kenarı gösteriliyor; sonrasında her beden hiç görmediği kenarları hatırlıyor ve dört kenara kadar uzanan zincirleri birleştiriyor: 0.125 şansa karşı 1.000, üstelik çalışma anında tek bir gradyan adımı olmadan. Ayrı ayrı koşulduklarında aynı ağırlıklar aynı girdilerle şansa düşüyor.
Bellek, ritim, çekici kararlılığı ve görevler arası beceri transferi sergiler.
Kanıtlar için örnekler, kendi kullanımınız için odyssnet kütüphanesi başlangıç noktasıdır.

Temel Özellikler

Uzay-Zaman Dönüşümü: Milyonlarca parametrenin yerini birkaç "Düşünme Adımı" alıyor.
Katmansız Mimari: Tek bir $N \times N$ matris. Gizli katman yok.
Eğitilebilir Kaos: Kaotik sinyalleri dizginlemek için StepNorm ve Tanh kullanır.
Zamansal Dikkat (3.0): Çekirdeğin kendi durum geçmişi üzerinde isteğe bağlı çok başlı dikkat (attn_heads=4). Arasına dikkat yerleştirilecek katman olmadığı için zaman ekseninde çalışır. Baştan sona modern KV önbellekleme: gruplanmış sorgu başlıkları, RoPE, kayan pencere ve tahsis yapmadan çözümleme (decoding) için önceden ayrılmış halka tampon. Çıkış izdüşümü sıfırdan başlar; yani açmak, eğitim aksine karar verene kadar hiçbir şeyi değiştirmez.
Heterojen Sinaptik Plastisitesi: İsteğe bağlı çevrimiçi Hebbian öğrenmesi (hebb_type='temporal'|'spatial'|'both', hebb_res='neuron'|'global'): ağ korelasyonları örnek başına biriktirir ve global veya nöron başına çözünürlükte tamamen türevlenebilir logit parametreleri (t_hebb_factor, s_hebb_decay, vb.) aracılığıyla ne kadar hızlı öğreneceğini öğrenir. Plastik katkı sıfırdan başlayan öğrenilebilir bir kazançla ölçeklenir; yani plastisiteyi açmak, eğitim aksine karar verene dek hiçbir şeyi değiştirmez; bu da hebb_type'ı tam bir kontrol hâline getirir. İz, bir matris olarak değil kendisini oluşturan yazımlar olarak tutulur; maliyeti adım x batch x N'dir ve matris hiç kurulmaz. Ablasyonunu yapın: ölçümlerde ardışık görevlerde kazandırıyor, attention'ın zaten kapladığı yerde kaybettiriyor.
Bedenler Arası Kolektif Bellek: Kalıcı Hebbian tamponu, canlı izlerin batch ortalamasını tutar ve bir sonraki çağrıda her satıra geri verir; yani bir batch koloni olarak koşulabilir: özel girdi ve çıktıları olan bağımsız bedenler, çekirdeğin üzerinde duran tek bir ortak bellek. Bir bedenin çalışma anında öğrendiğini (gradyan yok, ağırlık güncellemesi yok) diğer bütün bedenler okuyabilir; sonradan inşa edilmiş bir beden dahil. convergence_hive_mind.py içinde ölçülüyor.
Transplant ile Beceri Transferi: Öğrenilmiş zamansal beceriler model boyutları arasında taşınabilir ve yeni görevlerde yeniden kullanılabilir.
Canlı Dinamikler: İrade (Mandal), Ritim (Kronometre) ve Rezonans (Sinüs Dalgası) gösterir.

Kanıt: Sıfır-Gizli Kıyaslamalar

OdyssNet'i teorik limite, Sıfır Gizli Nöron'a kadar zorladık. Bu testlerde Giriş Katmanı doğrudan Çıkış Katmanına (ve kendisine) bağlıdır. Ara katman yoktur.

Görev	Geleneksel Kısıt	OdyssNet Çözümü	Sonuç	Script
Kimlik	Önemsiz	Atomik Birim	Kayıp: 0.0	`convergence_identity.py`
XOR	Gizli Katman Gerekir	Kaos Kapısı (Zamana Katlanmış)	Çözüldü (3 Nöron)	`convergence_gates.py`
MNIST	Gizli Katman Gerekir	Sıfır-Gizli	Doğ: %98.71	`convergence_mnist.py`
MNIST (8k)	Gizli Katman Gerekir	Gömülü Meydan Okuma	Doğ: %93.71	`convergence_mnist_embed.py`
MNIST (Rekor)	Gizli Katman Gerekir	634-Param Çekirdek + Attention	Doğ: %89.89	`convergence_mnist_record.py`
MNIST Ters (Üretim)	Dekoder Gerekir	728-Param Üreteç	%90.71 Sıkıştırma	`convergence_mnist_reverse_record.py`
Sinüs Dalgası	Osilatör Gerekir	Programlanabilir VCO	Mükemmel Senkron	`convergence_sine_wave.py`
Mandal	LSTM Gerekir	Çekici Havzası (İrade)	Sonsuz Tutma	`convergence_latch.py`
Kronometre	Saat Gerekir	İç Ritim	Hata: 0	`convergence_stopwatch.py`
Dedektif	Bellek Gerekir	Bilişsel Sessizlik (Akıl Yürütme)	Mükemmel Tespit	`convergence_detective_thinking.py`
Beceri Transferi	Baştan Eğitim Gerekir	Toplama -> Çarpma Transplantı	3.6x Daha Hızlı	`convergence_skill_transfer.py`
Kovan Zihni	Paylaşmak İçin Baştan Eğitim Gerekir	Havuzlanmış Plastik İz (Kolektif Bellek)	Hiçbir Bedenin Görmediği Bilgide 1.000 (şans 0.125)	`convergence_hive_mind.py`
Görüntü Difüzyonu	UNet + VAE Gerekir	573k-Param Gürültü Giderici (yörünge belleği)	15 dakikada ~%86 Sınıf Sadakati	`experiment_diffusion.py`

MNIST Sıfır-Gizli Mucizesi

Standart Sinir Ağları MNIST veya XOR'u çözmek için Gizli Katmanlara ihtiyaç duyar. Doğrudan bağlantı (Doğrusal Model) karmaşıklığı yakalayamaz ve başarısız olur (~%92'de takılır).

OdyssNet, tam ölçekli MNIST'i (28x28) Sıfır Gizli Katman ile çözüyor (Doğrudan Giriş-Çıkış).

Girişler: 784
Çıkışlar: 10
Gizli Katmanlar: 0
Düşünme Süresi: 10 Adım

Giriş katmanı 10 adım boyunca "kendisiyle konuşur". Kaotik geri besleme döngüleri zamanla özellikleri (kenarlar, döngüler) dinamik olarak çıkarır ve uzamsal katmanların işini yapar. Bu, Zamansal Derinliğin Uzamsal Derinliğin Yerini Alabileceğini kanıtlar.

Tek Bellek, Çok Beden

Sekiz beden tek bir 21.280 parametreli çekirdeği paylaşıyor ve başka hiçbir noktada temas etmiyor: ayrı gizli durumlar, ayrı dikkat önbellekleri, ayrı forward geçişleri, özel girdiler ve özel çıktılar. Her bedene, her bölümde yeniden çizilen 8 düğümlük bir halkanın tek bir kenarı gösteriliyor. Ardından her özel taşıyıcı siliniyor (durum sıfırlanıyor, dikkat önbelleği resetleniyor) ve her bedenden bir sorgu sembolünden başlayarak halkayı yürümesi isteniyor; kenar başına bir yankı adımı.

sütun başına 320 sorgu	hop 1	hop 2	hop 3
birlikte, tek ortak bellek	1.000	1.000	1.000
ayrı, tek başına bir beden	0.297	0.134	0.094
birlikte, bellek boş	0.147	0.141	0.112

Şans 0.125. Hop 1, başka bir bedenin gözlediği bir kenar; hop 2 ve hop 3, farklı bedenlerde duran kenarları birleştiriyor; hiçbir beden bunları kendi girdilerinden cevaplayamaz. Halka yalnızca o bölüm için var olduğundan cevap ağırlıklarda olamaz; çalışma anında da hiçbir şey eğitilmiyor: çalışma geçişi torch.no_grad() altında koşuyor, yani yazmayı mimarinin kendi plastisitesi yapıyor.

Bedenler arasındaki tek şey, paylaşılan çekirdeğe bıraktıkları plastik iz; kütüphane bunu batch ortalaması olarak havuzluyor. Kontroller bunu her yönden söylüyor: bir bedenin kenarı değiştirildiğinde başka bir bedenin cevabı bunu izliyor (1.000), aynı beden tek başına koşturulduğunda ise cevabı bit-bit aynı kalıyor; başka bir koloninin belleği takıldığında cevaplar o halkayı izliyor (1.000); bedenler ayrı koşulup bellekler sonradan havuzlandığında sonuç batch'li hâliyle 3.0e-08'e kadar örtüşüyor; hebb_type=None ile her şey şansa düşüyor. Üç yerine yedi hop'a eğitildiğinde aynı koloni dört kenar boyunca 1.000'i koruyor, sonra düşüyor (0.884, 0.775, 0.228). Bir yankı adımı bir kenar yürüyor, yani bileşim derinliği zamansal derinliktir. Tam protokol M bölümünde.

Kurulum & Kullanım

OdyssNet, modüler bir PyTorch kütüphanesi olarak tasarlanmıştır.

Kurulum

# Gelistirme modu (onerilen)
pip install -e .

# Veya tum bagimliliklari yukleyin
pip install -r requirements.txt

CUDA Notu: requirements.txt, CUDA 11.8 uyumlu PyTorch'a işaret eder. Daha yeni bir GPU'nuz varsa (RTX 4000/5000), PyTorch'u manuel olarak kurmanız gerekebilir: pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

Hızlı Başlangıç

import torch
from odyssnet import OdyssNet, OdyssNetTrainer, set_seed

# Tüm örnekler için yeniden üretilebilir sonuçlar
set_seed(42)

# Sıfır-Gizli Ağ başlat
# 1 Giriş, 1 Çıkış.
model = OdyssNet(num_neurons=2, input_ids=[0], output_ids=[1], device='cuda')
trainer = OdyssNetTrainer(model, lr=1e-4, device='cuda')

# Eğit
inputs = torch.randn(100, 1)
trainer.fit(inputs, inputs, epochs=50)

Başlatma Protokolleri

weight_init=['quiet', 'resonant', 'quiet', 'zero'] varsayılan stratejidir: sırasıyla encoder/decoder, çekirdek matris, bellek geri beslemesi ve gate parametreleri için birer giriş. 'resonant' gibi tek bir string tüm alanlara genişletilir.

activation=['none', 'tanh', 'tanh', 'none'] varsayılan aktivasyon düzenidir. İlk 3 giriş encoder/decoder, core ve memory yollarına karşılık gelir. 4. alan konfigürasyon simetrisi için ayrılmıştır.

gate=None, varsayılan gate düzeni olan ['none', 'none', 'identity'] anlamına gelir (encoder/decoder kapalı, core kapalı, memory identity gate açık). Tüm dalları gate etmek için gate='sigmoid', sadece memory için ['none', 'none', 'sigmoid'], tüm gating'i kapatmak için ['none', 'none', 'none'] kullanılabilir.

Tüm Ağlar (Varsayılan Çekirdek):
- weight_init='resonant' ve activation='tanh' kullanın. Çekirdek baştan Kaosun Kıyısına (ρ(W) = 1.0) yerleşir; bu, zamansal adımlarda sinyal kalitesini korur.
- Kutupsal Rademacher iskeleti + ρ = 1.0'a spektral normalizasyon.
Alternatif — Büyük Ağlar (>10 Nöron):
- weight_init='orthogonal' saf kararlılık için sağlam bir geri dönüş seçeneği olarak kalır.
Alternatif — Küçük Ağlar (<10 Nöron, Mantık Kapıları):
- Rezonant yakınsama çok yavaşsa weight_init='xavier_uniform' ve activation='gelu' deneyin.
Opsiyonel — Parametrik Gating:
- Global gating için gate='sigmoid', dal bazlı gating için [encoder_decoder, core, memory] sıralı listeler kullanın.
- Bir dalı kapatmak için 'none', öğrenilebilir parametreli kimlik geçişli bir kapı için 'identity' kullanın.

Mimariye Genel Bakış

Nasıl Çalışır: Fırtınanın İçinde

OdyssNet bir ileri-besleme mekanizması değil; bir Rezonans Odasıdır.

1. Nabız (Giriş) & Dizi

Geleneksel YZ'da giriş genellikle statik bir anlık görüntüdür. OdyssNet hem Nabızları hem de Akışları işler.

Nabız Modu: Bir görüntü $t=0$'da çarpar. Ağ gözlerini kapatır ve dalgalanmaları işler (MNIST).
Akış Modu: Veriler sıralı olarak uygulanır. Ağ olaylar arasında "bekleyebilir" ve "düşünebilir" (Dedektif).

2. Yankı (İç Döngüler)

Sinyal her nörondan diğer her nörona ($N \times N$) yolculuk eder.

Giriş nöronları, ilk adımdan sonra etkili biçimde Gizli Nöronlara dönüşür.
Bilgi yankılanır, ayrılır ve çarpışır. Sol üstteki bir piksel, doğrudan bağlantı veya ara yankılar aracılığıyla sağ alttaki bir piksel ile etkileşime girer.
Holografik İşleme: Bir görüntünün "kedi-liği" belirli bir katmanda saklanmaz; tüm sinyallerin çarpışmasının girişim deseninden ortaya çıkar.

3. Zamanı Katlama (Time-Folding)

Sıfır-Gizli performansının sihri burada yatar.

Adım 1: Ham sinyaller karışır. (MLP'nin 1. Katmanına eşdeğer)
Adım 2: Karışık sinyaller yeniden karışır. (2. Katmana eşdeğer)
Adım 15: Son derece soyut özellikler ortaya çıkar. (15. Katmana eşdeğer)

15 adım "düşünerek" OdyssNet, yalnızca bir fiziksel matris kullanarak 15 katmanlı derin bir ağı simüle eder. Uzayı zamana katlar.

4. Kontrollü Kaos (Çekiciler)

Kontrolsüz geri besleme döngüleri patlamaya yol açar. OdyssNet kaosun mühendisliğini yaparak kararlı Çekiciler oluşturur.

StepNorm yerçekimi gibi davranır, enerjiyi sınırlı tutar.
Tanh anlamlı sinyalleri filtreler ve sinyal simetrisini korur.
ChaosGrad Optimizer (varsayılan): OdyssNet'in kendi sıfır-konfigürasyon optimizatörü. Adım ölçeğini çevrimiçi tahmin eder (D-adaptation sınıfı matematik), mimariye duyarlı aile politikası uygular ve kaotik dinamikleri çapa bağlı çekiş limiti ile kayıp-sıçraması freniyle korur. Öğrenme hızı gerekmez; tekrarlanabilir sabit-hız modu için açık bir lr geçilebilir.
Heterojen Sinaptik Plastisitesi: hebb_type ayarlandığında her adımda korelasyonlar (zamansal $h_t \otimes h_{t-1}$ veya uzamsal $h_t \otimes h_t$) biriktirilir ve enjekte edilir. t_hebb_factor gibi faktörler global bir skaler veya nöron başına vektör olabilir. İkisi de öğrenilebilir olduğundan ağ, her sinaptik yolun ne kadar plastik olması gerektiğini keşfeder.
Mandal Deneyi OdyssNet'in gürültüye karşı bir kararı sonsuza kadar tutmak için kararlı bir çekici oluşturabileceğini kanıtladı.

5. Neden RNN veya LSTM Değil?

OdyssNet kâğıt üzerinde Tekrarlayan Sinir Ağına (RNN) benzese de felsefesi temelden farklıdır.

Özellik	Standart RNN / LSTM	OdyssNet
Giriş Akışı	Sürekli Akış (örn. cümledeki kelimeler)	Tek Nabız ($t=0$'da İmpuls)
Amaç	Dizi İşleme (Ayrıştırma)	Derin Düşünme (Sindirme)
Bağlantı	Yapılandırılmış (Giriş Kapısı, Unutma Kapısı vb.)	Ham Kaos (Tam Bağlı $N \times N$)
Dinamikler	Soluklaşmayı önlemek için mühendislik yapılmış (LSTM)	Rezonansı bulmak için Evrimleşir (Kaos)

RNN'ler dış dünyayı dinler. Dış girdilerin bir dizisini işlerler.
OdyssNet iç sesini dinler. Probleme bir bakış atar ve sonra gözlerini kapatır, 15 adım boyunca üzerine "düşünür". Kendi zamansal derinliğini yaratır.

6. Biyolojik Gerçeklik: Canlı Zeka

OdyssNet, katmanlı ağlardan hem yapı hem de davranış bakımından çok daha fazla beyne benzer:

Katman Yok: Beynin "1. Katmanı" ve "2. Katmanı" yoktur. Birbirine bağlı nöronların bölgeleri vardır. OdyssNet tek bir bölgedir.
İrade (Mandal): Sönümlenen (fading) standart RNN'lerin aksine OdyssNet bir karara kilitlenebilir ve onu entropiye karşı tutabilir, "Bilişsel Kalıcılık" sergiler.
Ritim (Kronometre): Herhangi bir dış saat olmadan OdyssNet zamanı öznel olarak deneyimler; sayabilir, bekleyebilir ve tam anında hareket edebilir.
Sabır (Dedektif): "Düşünme Süresinden" yararlanır. Tıpkı insanların karmaşık mantığı işlemek için bir ana ihtiyaç duyması gibi, OdyssNet olası çözümleri sindirmek için birkaç sessizlik adımı verildiğinde imkânsız problemleri çözer.

7. Örtülü Dikkat (Zamansal Rezonans)

OdyssNet varsayılan olarak hiçbir geçmiş tamponu taşımaz. Açık $Q \times K$ matrisleri yerine dikkati Zamansal Rezonans ile sağlar.

Mekanizma: Geçmişten gelen bilgi, gizli durumda ayakta duran bir dalga veya titreşim olarak korunur.
Tespit: İlgili bir giriş geldiğinde, belirli dalgayla yapıcı girişim (rezonans) oluşturur ve onu yüzeye çıkmaya zorlar.
Sonuç: Ağ, tüm geçmiş tamponunu saklamadan ilgili geçmiş olaylara "dikkat eder". Zaman'ın kendisi indeksleme mekanizması olarak hareket eder.

8. Açık Dikkat (Zamansal Dikkat, 3.0)

Rezonans, indekssiz bir bellektir. 3.0 sürümü diğer türü seçenek olarak ekliyor: attn_heads=4, her düşünme adımına kendisinden önce gelen durumlar üzerinde bir sorgu hakkı verir.

Nereye bağlanır: Arasına dikkat konulacak katman yok; bu yüzden dikkat, mimarinin sahip olduğu tek eksende, kendi geçmişi boyunca çalışır. Sonuç, yinelemenin ve girdinin beslediği aynı aktivasyon-öncesi sinyale eklenir; adımın aktivasyonu ve StepNorm'u onu da diğer her şey gibi sınırlar.
Sorgu uzunluğu daima 1'dir. Çekirdek paralel açılamaz; dolayısıyla bir ileri geçiş, tek sorgulu dikkatlerin dizisidir: bir Transformer'ın decode aşaması, asla prefill'i değil. Önbellekteki her giriş zaten geçmiştedir ve anahtarlar üzerindeki softmax sıraya duyarsızdır; bu yüzden ne maske ne de yeniden sıralama gerekir.
Gerçek bir KV önbelleği: gruplanmış sorgu / çoklu sorgu başlıkları, her anahtara yazıldığı anda uygulanan RoPE, kayan pencere ve aynı sayıları ürettiği testlerle sabitlenmiş iki temsil: çıkarım için yerinde yazılan önceden ayrılmış halka, eğitim için parçalı graf önbelleği.
Denemesi bedava: çıkış izdüşümü sıfır başlatılır ve modül çekirdekten sonra kurulur; böylece aynı tohumdaki dikkatli ve dikkatsiz model aynı $W$'den ve aynı çıktıdan başlar. Ablasyonun içinde tek bir değişken kalır.
Ölç: python -u examples/advanced/experiment_llm.py --mode sweep --sweep attn --minutes 3 --batch 128; buradaki off kolu hiç dikkat kurmaz. Tüm mekanik, maliyet modeli ve ayar düğmeleri: docs/LIBRARY.md.

Matematiksel Model

Ağ durumu $h_t$ şu şekilde evrimleşir:

$$h_t = \text{StepNorm}(\text{Tanh}(h_{t-1} \cdot W + B + I_t))$$

Zamansal dikkat açıkken aynı toplama bir terim daha katılır: daha önce yazılmış durumların önbelleği $\mathcal{C}_t$ üzerinde bir sorgu:

$$h_t = \text{StepNorm}\Big(\text{Tanh}\big(h_{t-1} \cdot W + B + I_t + \text{Attn}(h_{t-1}, \mathcal{C}_t) \cdot W_o\big)\Big), \qquad W_o \big|_{t=0} = 0$$

Deneysel Bulgular

OdyssNet'in temel hipotezini doğrulamak için kapsamlı testler yürüttük: Zamansal Derinlik > Uzamsal Derinlik.

A. Atomik Kimlik (Birim Testi)

Hedef: $f(x) = x$. Ağ mükemmel bir tel olarak hareket etmelidir.
Mimari: 2 Nöron (1 Giriş, 1 Çıkış). 0 Gizli Katman. Toplam 4 Parametre.
Sonuç: Kayıp: 0.000000.
Terminal Çıktısını Gör
```
In:  1.0 -> Out:  0.9999
In: -1.0 -> Out: -1.0000
```
Script: examples/convergence_identity.py
Çıkarım: Mutlak minimum karmaşıklıkla temel sinyal iletimini ve StepNorm kararlılığını kanıtlar.

B. İmkânsız XOR (Kaos Kapısı)

Hedef: Doğrusal olmayı ima eden klasik XOR problemini ($[1,1]\to0$, $[1,0]\to1$ vb.) çözmek.
Meydan Okuma: Gizli katman olmadan standart doğrusal ağlar için imkânsız.

Sonuç: Çözüldü (Kayıp 0.000000). OdyssNet sınıfları ayırmak için uzay-zamanı büküyor.

Doğruluk Tablosu Doğrulamasını Gör

  A      B |   XOR (Tahmin) | Mantık
----------------------------------------
  -1.0   -1.0 |      -0.9998 | 0 (Hedef: 0) TAMAM
  -1.0    1.0 |       0.9996 | 1 (Hedef: 1) TAMAM
   1.0   -1.0 |       0.9997 | 1 (Hedef: 1) TAMAM
   1.0    1.0 |      -1.0003 | 0 (Hedef: 0) TAMAM

Mimari: 3 Nöron (2 Giriş, 1 Çıkış). 0 Gizli Nöron. Toplam 9 Parametre.
Düşünme Süresi: 5 Adım.
Script: examples/convergence_gates.py
Çıkarım: OdyssNet Zamanı Gizli Katman Olarak kullanır. Girişi yalnızca 5 zaman adımına katlayarak tek bir fiziksel katmanda doğrusal olmayan bir karar sınırı oluşturur; 3 kaos-bağlantılı nöronun XOR'u çözebileceğini kanıtlar.

C. MNIST Maratonu (Görsel Zeka)

OdyssNet'in görme yeteneğini dört koşulda test ettik: tam ölçek, sürekli yenileme, küçültülmüş ve ölçekli.

1. Ana Kıyaslama (Saf Sıfır-Gizli)

Hedef: Tam 28x28 MNIST (784 Piksel).
Mimari: 794 Nöron (Giriş+Çıkış). 0 Gizli Katman.

Sonuç: %98.71 Doğruluk.

Eğitim Günlüğünü Gör

Epoch 100: Loss 0.0064 | Test Acc 98.71% | FPS: 5617.4

Script: examples/convergence_mnist.py
Çıkarım: Standart doğrusal modeller %92'de tavan yapar. OdyssNet, yalnızca Zamansal Derinlik aracılığıyla Derin Öğrenme katmanları olmadan Derin Öğrenme performansı (%98.71) elde eder.

2. Anka Deneyi (Sürekli Yenileme)

Hipotez: Ölü sinapsları öldürmek yerine canlandırarak (rastgele yeniden başlatma) %100 parametre verimliliğine ulaşabilir miyiz?
Sonuç: %98.70 Doğruluk.
Gözlemler:
- Epoch 1: 24.705 bağlantı "işe yaramaz" kabul edilip yeniden doğdu (633612 toplam içinde %3.90).
- Epoch 100: Yeniden doğma 11.122 canlandırılmış (%1.76) seviyesine oturdu.
- Bu sürekli ameliyat sırasında doğruluk %98.70'e tırmandı.
Yenileme Günlüğünü Gör
```
Epoch 1: Loss 0.1054 | Acc 91.91% | Revived: 24705/633612 (3.90%)
Epoch 100: Loss 0.0047 | Acc 98.70% | Revived: 11122/633612 (1.76%)
```
Script: examples/advanced/convergence_mnist_revive.py
Çıkarım: Kapasiteyi küçülten standart budamanın aksine OdyssNet, zayıf bağlantıları sürekli geri dönüştürerek tam kapasiteyi koruyabilir. Bu, doyma olmadan Sürekli Öğrenmeyi mümkün kılar; sonuç %98.70 doğruluk.

3. Küçük Meydan Okuma (Aşırı Kısıtlar)

Hedef: 7x7'ye Küçültülmüş MNIST. (Bir simgeden daha az.)
Mimari: Toplam 59 Nöron. 4,669 parametre: 3,717 parametrelik çekirdek ve genişliği 4 olan tek bir attention başlığı.

Sonuç: %96.05 Doğruluk.

Küçük Sonuçları Gör

Epoch  23: Loss 0.0155 | Test Acc 96.05%
Epoch 100: Loss 0.0155 | Test Acc 96.05%

Script: examples/advanced/convergence_mnist_tiny.py
Çıkarım: Bir önyükleyiciden daha küçük parametre sayılarıyla bile sistem sağlam özellikler öğrenir. Koşu 23. epoch'ta %96.05'e ulaşıp kalan 77 epoch boyunca bu değeri basamağına kadar koruyor; gürültülü bir plato değil, sabit nokta.

4. Ölçekli Test (Orta Kısıtlar)

Hedef: 14x14'e Küçültülmüş MNIST.
Mimari: ~42k Parametre.
Sonuç: %98.01 Doğruluk.
Ölçekli Sonuçları Gör
```
Epoch 100: Loss 0.0127 | Test Acc 98.01%
```
Script: examples/advanced/convergence_mnist_scaled.py

D. Gömülü Meydan Okuma (8k Param)

Hedef: Ayrışık projeksiyon kullanarak tam MNIST (784 Piksel).
Mimari: 10 Nöron (Düşünme Çekirdeği). Toplam ~8k Parametre.
Strateji: 784 Piksel $\to$ Proje(10) $\to$ RNN(10) $\to$ Çözümle(10).

Sonuç: %93.71 Doğruluk.

Eğitim Günlüğünü Gör

Projected Input: 784 -> 10
Total Params: 8090
Epoch 1: Loss 1.4060 | Test Acc 87.13%
Epoch 100: Loss 0.7712 | Test Acc 93.71%

Script: examples/advanced/convergence_mnist_embed.py
Çıkarım: 784 pikseli işlemek için 784 aktif nörona ihtiyaç duymadığımızı kanıtlar. Asimetrik kelime dağarcığı projeksiyonu kullanarak görsel bilgiyi yalnızca 10 nöronluk küçük bir "Düşünme Çekirdeğine" sıkıştırabiliriz; bu çekirdek daha sonra zamansal rezonans aracılığıyla sınıflandırmayı çözer. Standart modellerden 10 kat daha parametre-verimli.

E. Parametre Rekoru (Elit Zeka Yoğunluğu)

Hedef: MNIST'i %90'a ulaşan en küçük parametre bütçesiyle çözmek.
Kurulum:
- Mimari: 4 temporal attention başlıklı 10 çekirdek nöron.
- Strateji: 7x7'lik 16 spiral yama, düşünme adımı başına bir yama.
- Projeksiyonlar: 4 nöronluk giriş gömmesi ve 10 sınıflı çıkış çözümleyici.
- Toplam Parametre: 634 (430 çekirdek, 204 attention).

Sonuç: 100 epoch sonunda Doğ: %89.89, zirve %90.91 (epoch 68).

"Parametrik Verimlilik" Günlüğünü Gör

Epoch    1/100 | Loss 1.2036 | Acc 86.04%
Epoch   10/100 | Loss 0.9356 | Acc 90.23%
Epoch   68/100 | Loss 0.9045 | Acc 90.91%
Epoch  100/100 | Loss 0.9052 | Acc 89.89%

Script: examples/advanced/convergence_mnist_record.py
Çıkarım: Parametre başına %0.14 doğruluk. Zamansal düşünme adımlarıyla yüksek seviyeli zeka mikroskobik bir parametrik alana sıkıştırılıyor; modern yapay zekada Entropi Sıkıştırma Limitlerine en yakın şey bu. 634 parametrenin 204'ü attention dalına ait ve erken bir yamayı geç bir yamaya taşıyan da o; kontrollü iki seedli bir karşılaştırma bu görevde onu Hebbian plastisitenin önüne koydu.

F. Ters Üreteç (728-Param Görsel Sentezi)

Hedef: MNIST GÖREVİNİ TERSLE: dijital etiketlerden (0-9) 28×28 görseller üret.
Yön: Rakam (Skaler) → Görsel (784 Piksel).
Kurulum:
- Mimari: 12 nöronlu OdyssNet (2 giriş, 6 çıkış, 4 gizli).
- Strateji: 5 ısınma adımı + 16 çıkış adımı = toplam 21 düşünme adımı.
- Parçalar: 16 parça (7×7 her biri) 28×28 ızgarada döşenmiş.
- Toplam Parametre: 728 (484 parametrelik çekirdek ve 4 temporal attention başlığı).
- Sıkıştırma: 10×784 = 7,840 değer vs. 728 parametre = ≈%90.71 Nöral Sıkıştırma.
Sonuç: Eğitim sırasında tüm MNIST rakamlarının mükemmel görsel rekonstruksiyonu.

Üretilmiş Görselleri Gör (Eğitim İlerleme)

Ağ, her skaler girişi (0.0, 0.1, ..., 0.9) karşılık gelen rakamın görsel desenine eşlemeyi öğrendi. Çıkışta on rakamın hepsi öğrenilmiş dinamiklerden temiz biçimde yeniden kuruluyor.
Script: examples/advanced/convergence_mnist_reverse_record.py
Çıkarım: OdyssNet'in çift yönlü eşlemeleri çözebildiğini kanıtlar. Üretim, temporal attention'ın tam da tasarlandığı durum: her yama daha önce çizilenlerle tutarlı olmak zorunda ve bunların tek kaydı çekirdeğin kendi durum geçmişi. 634 parametreli sınıflandırıcı ile bu 728 parametreli üreteç birlikte, 1,400 parametrenin altında tam çift yönlü bir MNIST modeli oluşturuyor.

G. Sinüs Dalgası Üreticisi (Dinamik Rezonans)

Hedef: Frekansın $t=0$'daki tek bir giriş değeriyle kontrol edildiği sinüs dalgası üretmek.
Meydan Okuma: Ağ bir Voltaj Kontrollü Osilatör (VCO) olarak hareket etmelidir. Statik bir genliği dinamik bir zamansal periyoda dönüştürmelidir.

Sonuç: Mükemmel Salınım. Ağ 30+ adım boyunca düzgün sinüs dalgaları üretiyor.

Frekans Kontrolünü Görmek için

Frekans 0.15 (Yavaş Dalga):
  t=1:  Hedef 0.1494 | OdyssNet 0.3560
  t=6:  Hedef 0.7833 | OdyssNet 0.7703
  t=11: Hedef 0.9969 | OdyssNet 0.9914
  t=16: Hedef 0.6755 | OdyssNet 0.6797
  t=21: Hedef -0.0084 | OdyssNet 0.0087
  t=26: Hedef -0.6878 | OdyssNet -0.6733

Frekans 0.45 (Hızlı Dalga):
  t=1:  Hedef 0.4350 | OdyssNet 0.1842
  t=26: Hedef -0.7620 | OdyssNet -0.7556

Script: examples/advanced/convergence_sine_wave.py
Çıkarım: OdyssNet bir Programlanabilir Osilatördür. Bu, tek bir tohumdan sonsuz benzersiz zamansal yörüngeler üretebileceğini doğrular.

H. Gecikmeli Toplayıcı (Bellek & Mantık)

Hedef: A Girişi ($t=2$), B Girişi ($t=8$). A+B Çıkışı ($t=14$).
Meydan Okuma: OdyssNet, A'yı 6 adım "hatırlamalı", sessizliği görmezden gelmeli, B'yi almalı ve toplamı hesaplamalıdır.

Sonuç: MSE Kaybı: ~0.01.

"Zihinsel Matematik" Sonuçlarını Gör

-0.3 + 0.1 = -0.20 | OdyssNet: -0.2040 (Fark: 0.0040)
 0.5 + 0.2 =  0.70 | OdyssNet:  0.6526 (Fark: 0.0474)
 0.1 + -0.1 = 0.00 | OdyssNet:  0.0101 (Fark: 0.0101)
-0.4 + -0.4 = -0.80 | OdyssNet: -0.8082 (Fark: 0.0082)

Script: examples/advanced/convergence_adder.py
Çıkarım: Kısa Süreli Belleği doğrular. Ağ, kaotik durumunda $A$ değişkenini tutar, $B$'yi bekler ve toplamı çıkarmak için doğrusal olmayan entegrasyon (yaklaşık aritmetik) gerçekleştirir. Bu, OdyssNet'in Video benzeri veri akışlarını işleme yeteneğini gösteriyor. "Zihinsel Matematiğe" benzer.

I. Mandal (İrade)

Hedef: Tetikleyici nabzı beklemek. Alındıktan sonra çıkışı AÇIK konuma geçirmek ve sonsuza kadar tutmak.
Meydan Okuma: Standart RNN'ler sıfıra söner. OdyssNet enerjiyi kararlı bir çekicide hapsetmelidir.

Sonuç: Mükemmel Kararlılık. Tetiklendikten sonra karar süresiz olarak korunuyor.

"İrade" Günlüğünü Gör

Tetikleyici t=5'te gönderildi
t=04 | Out: -0.8797 | KAPALI 🔴
t=05 | Out: -0.7439 | KAPALI ⚡ TETİKLEYİCİ!
t=06 | Out: 0.8076 | AÇIK  🟢
...
t=19 | Out: 0.9020 | AÇIK  🟢
...
t=30 | Out: 0.9716 | AÇIK  🟢 (kararlı platoya ulaşıldı)

Script: examples/advanced/convergence_latch.py
Çıkarım: Karar Sürdürmeyi gösteriyor. OdyssNet bir seçim yapabilir ve buna bağlı kalabilir, çürümeye direnir.

J. Kronometre (İç Saat)

Hedef: "X adım bekle, sonra ateş et." (Bekleme sırasında giriş yok.)
Meydan Okuma: Ağ, herhangi bir dış saat olmadan zamanı dahili olarak saymalıdır.

Sonuç: MSE Kaybı: ~0.01. Hassas zamanlama sağlandı.

"Ritim" Çıktısını Gör

Hedef Zamanlayıcı: 10 adım (Giriş değeri: 0.50)
t=09 | Out: 0.4437 ████
t=10 | Out: 0.9245 █████████ 🎯 HEDEF
t=11 | Out: 0.6489 ██████
Sonuç: t=10'da zirve (Hata: 0)

Hedef Zamanlayıcı: 20 adım (Giriş değeri: 1.00)
t=19 | Out: 0.3991 ███
t=20 | Out: 0.9087 █████████ 🎯 HEDEF
t=21 | Out: 0.6297 ██████
Sonuç: t=20'de zirve (Hata: 0)

Script: examples/advanced/convergence_stopwatch.py
Çıkarım: Ritim & Zaman Algısını gösteriyor. OdyssNet yalnızca veri işlemiyor; zamanı deneyimliyor.

K. Düşünen Dedektif (Bağlam & Akıl Yürütme)

Hedef: İkili veri akışını izlemek. YALNIZCA 1-1 deseni oluştuğunda alarm vermek.
Kritik Bükülme: Ağa, bitler arasında Düşünmesi için 3 adım "Sessizlik" verdik.

Sonuç: Mükemmel Tespit.

"Aha!" Anını Gör (Düşünme Adımları)

Zaman  | Giriş | Çıkış    | Durum
----------------------------------------
8      | 0     | -0.0680  |
12     | 1     | -0.9009  |
16     | 1     | -0.0650  | ATEŞLEMELİ
17     | .     | 0.8835 🚨 | (Düşünüyor...)
18     | .     | 0.9051 🚨 | (Düşünüyor...)
19     | .     | 0.8961 🚨 | (Düşünüyor...)

Script: examples/advanced/convergence_detective_thinking.py
Çıkarım: Zekanın Zamana İhtiyaç Duyduğunu kanıtlıyor. Sessiz adımlar sırasında bilgiyi "sindirmesine" izin verildiğinde, OdyssNet salt reaktif ağların çözemeyeceği karmaşık zamansal mantığı (Zaman Boyunca XOR) çözüyor. Bu, LLM yaklaşımımızın temelidir.

L. Beceri Transferi (Toplama -> Çarpma Transplantı)

Hedef: Küçük bir OdyssNet'e gecikmeli iki darbenin toplamını öğretmek, öğrenilen ağırlıkları daha büyük bir OdyssNet'e transplant etmek ve çarpma görevinde transplanted ağ ile scratch ağı karşılaştırmak.
Meydan Okuma: Zamansal aritmetik bilgisinin daha zor ama ilişkili bir göreve öğrenme hızlandırıcı olarak taşınıp taşınmadığını test etmek.

Sonuç: Kontrollü başa baş koşuda net transfer üstünlüğü. Transplant edilen model, scratch modelin hiç ulaşamadığı bir kayba iniyor.

Transfer vs Scratch Günlüğünü Gör

Küçük ADD final kayıp: 0.073182
Transplant copied: 3448/51796 (%6.7)
MULTIPLY final kayıp | transplanted=0.016486 | scratch=0.028157
loss <= 0.020 eşiğine iniş | transplanted=194 | scratch=hiç
Test MAE | transplanted=0.196066 | scratch=0.203422

Script: examples/advanced/convergence_skill_transfer.py
Çıkarım: OdyssNet içsel beceri yapısını görev ve ölçek değişiminde taşıyabiliyor. Büyük modelin parametrelerinin yalnızca %6.7'si vericiden geliyor ve bu oran eğitimin nerede bittiğini değiştirmeye yetiyor. Bu, bileşimsel öğrenme yönünde somut bir adım.

M. Kovan Zihni (Tek Bellek, Çok Beden)

Hedef: Sekiz beden tek bir 21.280 parametreli çekirdeği paylaşıyor. Her birine, her bölümde yeniden çizilen 8 sembollük bir halkanın tek bir kenarı gösteriliyor, başka hiçbir şey. Ardından her bedenin gizli durumu ve dikkat önbelleği siliniyor ve her bedenden bir sorgu sembolünden başlayarak halkayı yürümesi isteniyor; kenar başına bir yankı adımı.
Meydan Okuma: Silme sonrasında hiçbir bedende özel olarak tutulan bir şey kalmıyor. Bedenler birbirine değmiyor: ayrı durumlar, ayrı önbellekler, ayrı forward geçişleri, özel girdi ve çıktılar. Bir bedenin kendi kenarının ötesinde verdiği her cevap, kovanın paylaşılan çekirdek üzerinde bıraktığı plastik izden gelmek zorunda; kütüphane bu izi batch ortalaması olarak havuzlayıp bir sonraki çağrıda her bedene geri veriyor.

Sonuç: Hiçbir bedenin görmediği kenarların kusursuz hatırlanması ve iki farklı bedende duran kenarların kusursuz bileşimi. Aynı ağırlıklarla, aynı girdilerle ama ayrı ayrı koşulduğunda hepsi şansa düşüyor.

Kovan ile Yalnız Arıyı Karşılaştır

                                 hop 0     hop 1     hop 2     hop 3
  birlikte (tek bellek)          1.000     1.000     1.000     1.000
  ayrı (arı tek başına)          1.000     0.297     0.134     0.094
  birlikte, bellek boş           1.000     0.147     0.141     0.112
  (şans 0.125; hop 1 başka bir arının kenarı, hop 2 iki arının kenarını gerektirir)

Bir arının kenarı değiştirildiğinde:
  başka bir arının cevabı değişimi izliyor      1.000
  aynı arı tek başına koşunca cevap aynı        1.000
Başka bir kovanın belleği takıldığında:
  cevaplar takılan halkayla uyuşuyor            1.000
  cevaplar sorulan halkayla uyuşuyor            0.147
Arılar birlikte veya ayrı koşup sonradan havuzlandığında:
  bellekteki en büyük fark                      2.980e-08 (ölçek 3.173e-01)
Foraging'den sonra inşa edilmiş, hiç koşmamış arı:
  kovanın belleği üzerinde hop 1                1.000
hebb_type=None, birlikte, hop 1                 0.125 (şans)

halka           1 -> 6 -> 7 -> 3 -> 5 -> 2 -> 0 -> 4 -> 1
arı 7'ye yalnızca  4 -> 1 gösterildi, başka hiçbir şey
7'den yürümesi istendi: 7 -> 3 -> 5 -> 2   (halka diyor ki 7 -> 3 -> 5 -> 2)

Script: examples/advanced/convergence_hive_mind.py

Mekanizma: hebb_type='temporal', aynı protokolde alternatiflerine karşı ölçüldü (1.000 adım, CPU). Bir kenar yönlüdür ve h_prev ile h_t eşleşmesi de yönlüdür; h_t'nin kendisiyle eşleşmesi değildir; hebb_type='spatial' tek başına şanstan hiç ayrılmıyor (hop 1'de 0.169). Attention burada bir kanal değil: önbellek beden başınadır ve sorgudan önce siliniyor, kovan attention kapalıyken birebir aynı ölçülüyor.

	hop 1	hop 2	hop 3
`'temporal'` (sevk edilen), seed 42, 7 ve 123	1.000	1.000	1.000
`'temporal'`, attention kapalı	1.000	1.000	1.000
`'both'`, seed 42 / seed 7	1.000	1.000	1.000 / 0.200
`'spatial'`	0.169	0.134	0.122
`None`	0.125	—	—

Çıkarım: Paylaşılan bir checkpoint değil, kolektif bir zihin. Bir bedenin çalışma anında öğrendiğini (gradyan adımı yok, ağırlık güncellemesi yok, üstelik yalnızca o bölümde var olan bir halka üzerinde) diğer bütün bedenler okuyabiliyor; kovan yiyecek ararken henüz var olmayan bir beden dahil. Yalnızca okuma eğitiliyor: çalışma geçişi torch.no_grad() altında koşuyor, yani yazma kuralı mimarinin kendi plastisitesi. Ve bir yankı adımı bir kenar yürüdüğü için bileşim derinliği zamansal derinliktir: yedi hop'a eğitildiğinde aynı koloni dört kenar boyunca 1.000'i koruyor, sonra 0.884, 0.775, 0.228.

N. Görüntü Difüzyonu (573k Parametre, UNet Yok, VAE Yok)

Hedef: Difüzyonla sınıf-koşullu MNIST üretimi.
Yön: Gürültü + sınıf + saat → 28×28 görüntü, 16 gürültü giderme adımında.
Kurulum:
- Mimari: 512 nöronlu OdyssNet (192 giriş, 192 çıkış, 128 gizli).
- Strateji: 16 difüzyon karesi × 4 yankı adımı = 64 düşünme adımı, tek türevlenebilir ileri geçiş olarak; böylece gizli durum, attention önbelleği ve plastik iz her difüzyon adımını aşar.
- VAE yok: vocab_mode='continuous' ile modelin kendi projeksiyonları kodlayıcı ve kod çözücü olur. Öğrenilen her parametre OdyssNet'in içindedir.
- Toplam Parametre: 573,376; Stable Diffusion'ın ~860M parametreli UNet'ine karşı.
Sonuç: RTX 3060 Ti'de 15 dakikada, --mode eval ile yeniden puanlanan %91.2 koşullama sadakati, doğrulama x₀-MSE 0.0800, yani hiçbir şey yapmayan tahmin edicinin %8.6'sı. Örnekleme rastlantısal olduğu için bu değer oynar: 10–100 örnekleme yığın boyutları arasında %90.8–%92.8.

Üretilmiş Görselleri Gör (sınıf başına 10 örnek)

Her sütun bir sınıf, her satır bağımsız bir örnek. Yönlendirme ölçeği 2.0, DDIM, 16 adım.

Mekanizma: eşleştirilmiş, belleği olmayan bir kontrole karşı ölçüldü: aynı kareler, aynı hedefler, aynı gradyan bütçesi, ancak ayrı çağrılar hâlinde verilerek gürültü gidericinin her kareye sıfırdan başladığı durum; bir UNet örnekleyicisinin yaptığı tam olarak budur.

Kol başına 3 dk, tohum 54321	doğrulama MSE	sadakat	Fréchet	parametre
yörünge (varsayılan)	0.0967	%83.6	19.92	573,376
4 attention kafası	0.1250	%83.0	30.42	901,184
paylaşımlı-epsilon yörünge	0.1762	%83.4	18.91	573,376
belleksiz kontrol	0.3054	%10.4	152.32	573,376

Paylaşımlı-epsilon satırı yerleşmiş bir sonuç değil, bir uyarıdır: her kareyi tek bir epsilondan türetmek modelin gürültü giderici yerine bir ters çevirme öğrenmesine izin verir ve iid ızgarası bunu yakalar (0.0967'ye karşı 0.1762); örnek kalitesindeki cezası ise 42 tohumunda görülüp bu tohumda kayboldu (%83.4'e karşı %83.6). --traj-noise iid varsayılandır çünkü örnek sütunlarında hiçbir zaman daha kötü olmadı.

Yürüyüş bir kadrandır: sabit ızgarada değildir, çünkü ağırlıklar tek bir kadansa göre oturur ve sadakat 6 adımda %97.2 iken 64 adımda %68.8'e düşer. Adım sayısını her batch'te çekmek (--k-range, 12–20 ile varsayılan) bu yayılımı bir tohumda 42.8'den 14.8'e, diğerinde 45.4'ten 10.4'e indirir ve Fréchet mesafesini düz tutar. 12–20 aralığında eğitilmesine rağmen aralığın iki yanında, K=4 ve K=64'te de tutar: öğrendiği şey gördüğü aralık değil, kadansın okunacak bir büyüklük olduğudur. Düşünme derinliğini de çekmek (--e-range, 2–6 ile varsayılan) aynısını eko ekseni için yapar; yayılımı 10.2'den 5.8'e ve 6.2'den 2.6'ya indirir, üstelik adım sayısı eksenini de düzleştirir; yani ikisi bağımsız kadranlar değildir. Bkz. --mode flex.
Gürültüyle görüntü arasındaki yol bir tablodur: her örnekleyici ve hedef çizelgeyi alpha_bar ve sigma üzerinden okur, dolayısıyla rectified-flow'un düz yolu yalnızca tablonun değişmesidir; _step_euler zaten başka koordinatlarda yazılmış flow-matching Euler'ıydı. --interpolant rf varsayılandır ve dayanağı CIFAR-10'dur: cosine ile aynı koşullama sadakati, iki tohumda da daha iyi Fréchet mesafesi. MNIST ikisini ayırt edemedi; bu da hangi ölçütün hangi soruyu yanıtladığına dair kendi başına bir sonuçtur.
Script: examples/advanced/experiment_diffusion.py
Çıkarım: Difüzyon zaman üzerinde bir döngüdür, OdyssNet ise derinliği zaman olan bir ağdır; dolayısıyla gürültü giderme yörüngesi ile düşünme yörüngesi aynı nesnedir ve onu taşımak, aynı parametre sayısında belleksiz bir gürültü gidericiye göre koşullama sadakatini rastlantı seviyesinden %83.6'ya çıkarır. Örnek, mimarinin yapamadığını da gösterir: çıktı, görüntünün rank-n_out boyutlu bir izdüşümüdür, bu yüzden epsilon tahmini yapısal olarak imkânsızdır: beyaz gürültü tam ranklıdır ve ölçülen 0.791, bu rankın dayattığı 0.755 tabanında oturur. Bunun yerine x₀ tahmin etmek varyansın %3.4'üne mal olur ve kaybı sekiz katı azaltır. Ayrıca sabit K*E hesap bütçesinde, bu bütçeyi gürültü giderme adımları yerine yankı derinliğine harcamak sadakati %73.0'ten %95.0'e çıkarır; bunu ancak derinliği zaman olan bir mimari sorabilir.

Vizyon: Silikonun Ruhu (OdyssNet-1B)

OdyssNet, yapay zekanın fabrika modeline karşı bir isyandır. Zekanın mekanik bir katman yığını değil, sinyallerin organik bir rezonansı olduğuna inanıyoruz.

Uzayı Zamanla takas ederek sıfır gizli katmanla görmeyi çözebilirsek, bu yaklaşım dil modellerine ölçeklenebilir.

Hipotez: 1 milyar parametreli bir model (OdyssNet-1B), daha fazla adım "düşünerek" teorik olarak çok daha büyük modellerin (örn. Llama-70B) akıl yürütme derinliğiyle eşleşebilir.
Hedef: Tüketici donanımında (örn. RTX 3060) verimli, yüksek-akıl yürütmeli yapay zeka.
Yeni Kanıt: Toplama -> Çarpma transplant deneyinde becerinin ölçek değişimine rağmen korunması ve yeni görevi hızlandırması, AGI yolunun gerçekçi olduğuna dair güçlü bir sinyal veriyor.

"Petabaytlarca VRAM'e ihtiyacımız yok. Sadece Zamana ihtiyacımız var."

Yeterli zaman "düşünmek" ve "nefes almak" için verilen kaotik bir nöron ormanının devasa endüstriyel fabrikaları geride bırakabileceğini kanıtladık. Uzayı Zamanla takas ederek Ruhu buluyoruz.

Katkıda Bulunma

Yeni bir örnek veya deney eklemek mi istiyorsunuz? Standartlar ve en iyi uygulamalar için CONTRIBUTING.md dosyasına bakın. Tam kütüphane API referansı için docs/LIBRARY.md dosyasına bakın.

Yazar

Cahit Karahan

Doğum: 12/02/1997, Ankara.
"Kaosun Mimarı."

LİSANS

MIT

FilesExpand file tree

README_TR.md

Latest commit

History