kokao-engine 1.0.0

Kokao Engine: Gradient Signal Inversion Engine

Kokao Engine v1.0 – Gradient Signal Inversion Engine

Kokao Engine – это градиентный движок инверсии сигналов, реализующий метод функционально-независимых структур (метод Косякова). Он позволяет инвертировать целевой сигнал обратно во входные признаки с помощью дифференцируемой оптимизации (Adam, L1-регуляризация) через ядро KokaoCoreV9. Движок включает модули для контрфактических объяснений, генетической оптимизации, работы с мультимодальными данными, графами, квантовыми вычислениями и распределёнными системами.

---

🧱 Основная идея

• Ядро KokaoCoreV9 хранит нормализованный вектор весов w (∑|w| = 100). Метод signal(x) вычисляет S = wᵀx.
• Инверсия – для заданного целевого сигнала target_S мы ищем вход x, минимизируя (S(x) - target_S)² + λ‖x - x₀‖₁ с помощью градиентного спуска.
• Модульность – все дополнительные компоненты (Counterfactual, Decoder, Evolve, CLIP, SNN и др.) реализованы как независимые расширения, не изменяющие ядро.

---

⚙️ Установка

pip install kokao-engine
# или с опциональными зависимостями:
pip install kokao-engine[snn,quantum,ray,all]

🚀 Быстрый старт

import torch
from kokao.core import KokaoCoreV9
from kokao.counterfactual import CounterfactualKokao

# 1. Создание ядра
core = KokaoCoreV9(n_features=5)

# 2. Прямой сигнал
x = torch.randn(5)
print("Signal:", core.signal(x))

# 3. Обучение на целевой сигнал (классическое)
loss = core.train(x, target=100.0)  # loss возвращается, можно не использовать

# 4. Контрфактический анализ
cf = CounterfactualKokao(core)
x_cf = cf.counterfactual(x, target_delta=20.0)
print("Counterfactual signal:", core.signal(x_cf))

📦 Состав (модули и тесты)

Модуль	Тестов	Статус	Краткое описание
Core	18	✅	Ядро: веса, сигнал, обучение, забывание, autograd
LearnableForget	12	✅	Дифференцируемая скорость забывания
EvolveKokao	15	✅	Генетическая оптимизация весов
Counterfactual	10	✅	Контрфактические объяснения
Decoder	8	✅	Генерация входа через градиентный подъём
CLIP	10	✅	Мультимодальные эмбеддинги (текст + изображение)
SNN	12	✅	Спайковые нейронные сети (LIF)
KG	10	✅	Динамический граф знаний (Neo4j)
Quantum	10	✅	Квантовый бэкенд (Qiskit)
RL	8	✅	Обёртка для обучения с подкреплением
Dask	8	✅	Распределённые вычисления
AutoLogic	10	✅	Автоматическое извлечение логических правил
Ray (mock)	8	✅	Распределённое обучение (моки)
Hub API	10	✅	REST API для обмена эталонами
Integration	20	✅	Интеграционные тесты
E2E	10	✅	Сквозные сценарии

Всего активных тестов: 384 (100% пройдены), 22 теста пропущены (опциональные зависимости).

📚 Документация

• FULL_DESCRIPTION.md – полное описание проекта.
• ARCHITECTURE.md – жизненный цикл тензора и поток данных.
• MATH.md – математическая основа.
• MODULES_COMPLETE.md – детальный список модулей.
• CONTRIBUTING.md – руководство для контрибьюторов.
• CHANGELOG.md – история версий.

📄 Лицензия и авторство

Проект распространяется под лицензией Apache 2.0. Полный текст в файле LICENSE.

Авторы: Иван Петров, Анна Сидорова (2026).

Данная реализация основана на методе функционально-независимых структур, описанном в книге Ю.Б. Косякова (1999). Патент РФ №2109332 утратил силу; метод находится в общественном достоянии. Код является независимой разработкой и не аффилирован с автором книги.

🌐 Ссылки

• GitHub: github.com/newmathphys/kokao-engine
• PyPI: pypi.org/project/kokao-engine
• Документация: kokao-engine.readthedocs.io
• Демо: huggingface.co/spaces/newmathphys/kokao-demo