kokao-engine 2.0.0

Intuitive System based on Kosyakov's Theory: Two-Channel Core (S⁺/S⁻), Cognitive Modules, Inverse Problem

Kokao Engine v2.0

Интуитивная система по методу Косякова. Двухканальное ядро (S⁺/S⁻), когнитивные модули, обратная задача.

Kokao Engine — это фреймворк для создания и исследования интуитивных систем, основанный на теории функционально-независимых структур Ю.Б. Косякова. В версии 2.0 реализовано двухканальное ядро, инвариантное к масштабу входа, и набор когнитивных модулей, соответствующих уровням 2–4 из книги "Мой мозг".

✨ Ключевые особенности v2.0

• Двухканальное ядро (KokaoCore) – сигнал вычисляется как отношение S = S⁺ / S⁻, что обеспечивает инвариантность к "яркости" входного сигнала.
• Обратная задача (InverseProblem) – генерация входного вектора x для достижения целевого сигнала S_target.
• Когнитивные модули (строго по книге):
  • Размытые эталоны и система "Таламус-Кора".
  • Разделение на левое (образы) и правое (действия) полушария.
  • Система целей, удовольствия, депривации и утомляемости.
• Производительность: пакетное обучение (train_batch) даёт ускорение до 800x на GPU.
• Безопасность: встроенная валидация входных данных (SecureKokao).
• Модульность и расширения: лёгкая интеграция с современным ML-стеком (RAG, XAI, LangChain, HuggingFace, ONNX, квантовые вычисления и др.).

⚙️ Установка

pip install kokao-engine

# Для установки с опциональными расширениями:
pip install 'kokao-engine[all]'  # или выборочно, например [rag,xai,langchain]

🚀 Быстрый старт (v2.0)

import torch
from kokao import KokaoCore, CoreConfig, Decoder

# 1. Создание двухканального ядра
config = CoreConfig(input_dim=10)
core = KokaoCore(config)

# 2. Обучение на одном примере
x = torch.randn(10)
loss = core.train(x, target=0.8, mode="gradient")
print(f"Loss: {loss:.4f}")

# 3. Пакетное обучение (быстро!)
X_batch = torch.randn(32, 10)
y_batch = torch.full((32,), 0.8)
batch_loss = core.train_batch(X_batch, y_batch)
print(f"Batch loss: {batch_loss:.4f}")

# 4. Генерация вектора для целевого сигнала
decoder = Decoder(core)
x_gen = decoder.generate(S_target=0.5)
print(f"Generated signal: {core.signal(x_gen):.4f} (target: 0.5)")

📚 Модули

Базовое ядро

• KokaoCore - двухканальное ядро (S⁺/S⁻)
• InverseProblem - обратная задача (генерация x по S)
• Decoder - обёртка для генерации

Когнитивные системы (Главы 2-4)

• IntuitiveEtalonSystem - простейшая эталонная система
• NormalIntuitiveEtalonSystem - нормальная система с полушариями
• SelfPlanningSystem - система с целями и планированием

AI/ML модули

• TimeSeriesPredictor - прогнозирование временных рядов
• KokaoAgent - автономные агенты
• FederatedLearning - федеративное обучение
• KokaoGAN, KokaoVAE - генеративные модели

Продвинутые сети

• KokaoQuantumNetwork - квантовые нейронные сети
• KokaoGNN - графовые нейронные сети
• KokaoSNN - спайковые нейронные сети

Безопасность

• DPSGD - дифференциальная приватность
• HomomorphicKokao - гомоморфное шифрование
• VulnerabilityAuditor - аудит уязвимостей
• PenetrationTester - тестирование на проникновение

Интеграции

• RAGModule - поиск с FAISS
• XAIAnalyzer - объяснимый AI (SHAP/LIME)
• LangChainKokaoAdapter - инструменты для LangChain
• HFModelManager - публикация на HuggingFace Hub

📖 Документация

Полная документация доступна в файлах:

• ARCHITECTURE.md - архитектура проекта
• README.md - основное описание

Примеры использования находятся в папке examples/.

🧪 Тесты

# Запуск всех тестов
python run_all_tests.py

# Или через pytest
pytest tests/ -v

🤝 Участие в разработке

Мы приветствуем вклад сообщества! Пожалуйста:

1. Fork репозиторий
2. Создайте ветку (git checkout -b feature/AmazingFeature)
3. Commit изменения (git commit -m 'Add AmazingFeature')
4. Push в ветку (git push origin feature/AmazingFeature)
5. Откройте Pull Request

📄 Лицензия и авторство

Проект распространяется под лицензией Apache 2.0.

Автор: Виталий Калиновский
Организация: newmathphys

Данная реализация является независимой разработкой на основе идей, изложенных в книге Ю.Б. Косякова "Мой мозг" (1999). Патент РФ №2109332 утратил силу, математический метод находится в общественном достоянии.

📈 Статистика

• 132 теста покрывают все модули
• 32+ модуля реализовано
• 800x ускорение на GPU с батчевым обучением
• INT8/INT4 квантование для edge-устройств