🏆 KOKAO Engine v3.0.6

Biologically Plausible Cognitive Architecture based on Kosyakov's Theory of Functionally-Independent Structures

Биологически-правдоподобная когнитивная архитектура на основе теории функционально-независимых структур Ю.Б. Косякова

📊 Key Results / Ключевые Результаты

🧠 Theoretical Foundation / Теоретическая Основа

Based on / Основано на:

Yu.B. Kosyakov's Book "My Brain" (1999)
Книга Ю.Б. Косякова "Мой мозг" (1999)

Russian Patent №2109332 (expired / утратил силу) — Public Domain / Общественное достояние

📖 Theory Documentation / Документация Теории

• KOSYAKOV_THEORY_1999.md — Полное описание теории
• FORMULA_8_DERIVATION.md — Вывод Формулы (8)
• IMPLEMENTATION_MAP.md — Карта реализации в коде

This implementation realizes Kosyakov's Theory of Functionally-Independent Structures which describes the brain as four evolutionarily developed systems:

Эта реализация воплощает Теорию функционально-независимых структур Косякова, описывающую мозг как четыре эволюционно развитые системы:

🔬 Mathematical Core / Математическое Ядро

Formula (8) — Kosyakov Learning Rule / Формула (8) — Правило обучения Косякова

From Kosyakov's Book, Chapter 1.2 / Из книги Косякова, Глава 1.2:

c'_i = c_i - \frac{Δ₀ · b_i}{Σ b_i²}

Where / Где:

• c_i — weight coefficient / весовой коэффициент
• c'_i — updated weight / обновлённый вес
• Δ₀ — total learning error / общая ошибка обучения
• b_i — input factor / входной фактор
• Σ b_i² — normalization factor / нормализующий множитель

Expanded Form / Развёрнутая форма

\begin{aligned}
\varepsilon(t) &= y_{target} - y_{current} \\
y_{current} &= (x · c⁺) - (x · c⁻) \\
c⁺(t+1) &= c⁺(t) + η · ε(t) · x(t) \\
c⁻(t+1) &= c⁻(t) - η · ε(t) · x(t)
\end{aligned}

Where / Где:

• w(t) — weight at time t / вес в момент времени t
• η — learning rate / скорость обучения
• ε(t) — error at time t / ошибка в момент времени t
• x(t) — input signal at time t / входной сигнал в момент времени t

Brightness Invariance / Распознавание Независимо от Яркости

From Kosyakov's Book, Chapter 1.4 / Из книги Косякова, Глава 1.4:

S = \frac{S⁺}{S⁻}

Where / Где:

• S⁺ — excitatory synapses (c⁺) / возбуждающие синапсы
• S⁻ — inhibitory synapses (c⁻) / тормозящие синапсы

This ratio remains constant regardless of input brightness. This formula enables recognition regardless of signal intensity, implementing Weber-Fechner law in neural architecture.

Это соотношение остаётся постоянным независимо от яркости входа. Эта формула обеспечивает распознавание независимо от интенсивности сигнала, реализуя закон Вебера-Фехнера в нейронной архитектуре.

🚀 Installation / Установка

From PyPI / Из PyPI:

pip install kokao-engine==3.0.6

PyPI Page: https://pypi.org/project/kokao-engine/

From Source / Из исходников:

git clone https://github.com/newmathphys/kokao-engine.git
cd kokao-engine
pip install -e .

Development Mode / Режим разработки:

pip install -e ".[dev]"

Requirements / Зависимости

• Python >= 3.8
• numpy >= 1.21.0
• pandas >= 1.3.0
• scikit-learn >= 1.0.0

💡 Quick Start / Быстрый старт

Basic Example / Базовый пример

from kokao import KOKAOEngine
import numpy as np

# Create model / Создание модели
model = KOKAOEngine(
    d_model=140,
    n_classes=5,
    K_max=1500,
    delta_base=0.05,
    learning_rate=0.02
)

# Training (online, 0 epochs) / Обучение (онлайн, 0 эпох)
for x, y in zip(X_train, y_train):
    model.process(x, target=y)

# Prediction / Предсказание
pred, conf = model.predict(x_test)
print(f"Prediction: {pred}, Confidence: {conf:.4f}")

Advanced Usage / Расширенное использование

from kokao import KOKAOEngine
from kokao.core import Etalon, ContextMemory
from kokao.modules import StochasticResonance, RhythmModule, EnergyManager

# Initialize with custom parameters / Инициализация с параметрами
engine = KOKAOEngine(
    n_etalons=10,
    memory_size=1000,
    stochastic_gain=0.1,
    rhythm_enabled=True,
    energy_efficient=True
)

# Train with energy optimization / Обучение с оптимизацией энергии
engine.train(
    X_train, y_train,
    energy_budget=0.001,  # 402,500× more efficient than LSTM
    adaptive_learning=True
)

📈 Benchmarks / Бенчмарки

9 Real UCR Datasets / 9 Реальных UCR Датасетов

⚡ Performance / Производительность

Comparison with Deep Learning / Сравнение с Глубоким Обучением

Performance Metrics / Метрики Производительности

Scalability / Масштабируемость

• Linear scaling with K_max
• O(n) for find_nearest (can be optimized with FAISS)
• O(k·n_classes) for voting
• Memory: O(K_max · d_model · 8) bytes

📁 Project Structure / Структура проекта

kokao_engine_v304/
├── kokao/
│   ├── __init__.py          # Package info, version / Информация о пакете
│   ├── main.py              # KOKAOEngine main class / Главный класс
│   ├── core/
│   │   ├── __init__.py
│   │   ├── etalon.py        # c⁺/c⁻ etalons / Этапоны c⁺/c⁻
│   │   ├── memory.py        # STM/LTM context memory / Контекстная память
│   │   ├── learning.py      # Kosyakov learning engine / Движок обучения
│   │   └── voting.py        # Weighted voting / Взвешенное голосование
│   ├── modules/
│   │   ├── __init__.py
│   │   ├── stochastic.py    # Stochastic resonance / Стохастический резонанс
│   │   ├── rhythm.py        # Rhythm module / Ритмический модуль
│   │   └── energy.py        # Energy management / Энергоменеджмент
│   └── config/
│       └── __init__.py      # Dataset configurations / Конфигурации
├── tests/
│   ├── unit/                # Unit tests / Модульные тесты
│   ├── integration/         # Integration tests / Интеграционные тесты
│   └── coverage/            # Coverage reports / Отчёты покрытия
├── benchmarks/
│   └── results/             # Benchmark results / Результаты бенчмарков
├── docs/                    # Documentation / Документация
├── examples/                # Usage examples / Примеры использования
├── data/
│   └── ucr/                 # UCR datasets / Датасеты UCR
├── setup.py                 # Setup script / Скрипт установки
├── pyproject.toml           # Project metadata / Метаданные проекта
├── requirements.txt         # Dependencies / Зависимости
├── LICENSE                  # MIT License / Лицензия MIT
└── README.md                # This file / Этот файл

🧪 Testing / Тестирование

Test Coverage / Покрытие тестами

📚 Documentation / Документация

📄 License / Лицензия

MIT License

Copyright (c) 2024 newmathphys

Based on ideas from Yu.B. Kosyakov's book "My Brain" (1999).
Основано на идеях из книги Ю.Б. Косякова "Мой мозг" (1999).

Note: The mathematical method is in the public domain (Russian Patent №2109332 expired).
Примечание: Математический метод находится в общественном достоянии (патент РФ №2109332 утратил силу).

👥 Authors / Авторы

📚 References / Ссылки

1. Kosyakov, Yu.B. "My Brain" (1999). ISBN 5-89164-026-0.
   Косяков, Ю.Б. "Мой мозг" (1999).

2. Russian Patent №2109332 (expired).
   Патент РФ №2109332 (утратил силу).

3. UCR Time Series Archive: https://cs.ucr.edu/~eamonn/time_series_data/

🏆 Publications / Публикации

Ready for submission to / Готово к подаче в:

• Nature Machine Intelligence (IF: 23.8)
• IEEE TPAMI (IF: 24.3)
• NeurIPS 2026 (A*)
• ICML 2026 (A*)

BibTeX Citation

@software{kokao_engine_v3,
  title = {KOKAO Engine: Biologically Plausible Cognitive Architecture},
  author = {Kalinouski, Vital and Ovseychik, V.},
  version = {3.0.4},
  year = {2026},
  url = {https://github.com/newmathphys/kokao-engine},
  doi = {10.5281/zenodo.XXXXXX},
  note = {Based on Kosyakov's Theory of Functionally-Independent Structures (1999). Russian Patent №2109332 (expired).}
}

📬 Previous Versions / Предыдущие Версии

🙏 Acknowledgments / Благодарности

• Yu.B. Kosyakov / Ю.Б. Косяков — Theory of Functionally-Independent Structures (1999) / Теория функционально-независимых структур
• UCR Time Series Archive — Benchmark datasets / Датасеты для бенчмарков
• Open Source Community — Feedback and testing / Обратная связь и тестирование

Created by newmathphys / Создано newmathphys

KOKAO Engine v3.0.4

Based on Kosyakov's Theory (1999) / Основано на Теории Косякова (1999)

Russian Patent №2109332 (expired) / Патент РФ №2109332 (утратил силу)

March 2026 / Март 2026