MagicBrain Platform

Универсальная платформа для гетерогенных и гибридных нейросетевых архитектур

Changelog | Platform Vision | Formal Proofs | API Docs | Licensing

---

О проекте

MagicBrain — исследовательская платформа спайковых нейронных сетей (SNN) уровня MAGIC Level 2 (MetaBrain). Архитектура сети задаётся компактной геномной строкой и выращивается процессом развития, а не собирается вручную; поверх этого работает оркестрация разнородных моделей (SNN, DNN, Transformer, CNN, RNN) в едином рантайме.

Ключевые компоненты

• TextBrain (SNN) — спайковая нейронная сеть с разреженной активацией (~5%), дофамин-модулируемым обучением по Хеббу и гомеостатической адаптацией порогов
• Genome System — DNA-кодирование гиперпараметров: base-4 строка (24-72+ символа) детерминированно задаёт всю архитектуру
• NeuroGenesis Engine — 9 модулей: датасет → геном → 3D-морфогенез → обучение → реконструкция
• Digital Twins — NeuralDigitalTwin: освоение тем, адаптация сложности, прогноз когнитивного состояния студента
• Platform Framework — оркестрация 5 типов моделей (SNN, DNN, Transformer, CNN, RNN), 7 стратегий выполнения
• Formal Verification — 21 теорема в Lean4 для Hopfield-динамики (0 sorry, 0 ошибок)

---

Установка

pip install magicbrain               # только SNN + NumPy
pip install magicbrain[torch]        # + PyTorch (DNN, CNN, RNN, Hybrid)
pip install magicbrain[transformers] # + Hugging Face
pip install magicbrain[balansis]     # + ACT-компенсированная арифметика
pip install magicbrain[platform]     # полная платформа
pip install magicbrain[all]          # всё, включая JAX и dev-инструменты

Разработка

git clone https://github.com/StudyLabPro/MagicBrain.git
cd MagicBrain
pip install -e ".[dev]"
pytest

REST API

uvicorn api.app.api.main:app --host 0.0.0.0 --port 8004
# Swagger: http://localhost:8004/docs

---

Быстрый старт

SNN через геном

from magicbrain import TextBrain
from magicbrain.tasks.text_task import train_loop
from magicbrain.sampling import sample_text

genome = "30121033102301230112332100123"
brain = TextBrain(genome, vocab_size=50)
train_loop(brain, text="Your training text", steps=10000)
generated = sample_text(brain, seed="Hello", n_tokens=100, temperature=0.8)

Hybrid Pipeline

from magicbrain.platform import ModelOrchestrator, ExecutionStrategy
from magicbrain.models.snn import SNNTextModel
from magicbrain.models.dnn import DNNModel
import torch.nn as nn

snn = SNNTextModel(genome="30121033102301230112332100123", vocab_size=50)
dnn = DNNModel(nn.Linear(384, 10))

orch = ModelOrchestrator()
orch.add_model(snn, model_id="encoder")
orch.add_model(dnn, model_id="decoder")
orch.connect("encoder", "decoder")
result = orch.execute(input_data, strategy=ExecutionStrategy.SEQUENTIAL)

HybridBuilder (fluent API)

from magicbrain.hybrid import HybridBuilder

hybrid = (HybridBuilder()
    .add("encoder", snn_model)
    .add("transformer", bert_model)
    .add("decoder", dnn_model)
    .connect("encoder", "transformer")
    .connect("transformer", "decoder")
    .build("complex_hybrid"))

output = hybrid.forward(input_data)

NeuroGenesis

from magicbrain.neurogenesis.compiler import GenomeCompiler
from magicbrain.neurogenesis.pipeline import NeurogenesisPipeline

compiler = GenomeCompiler(strategy="hybrid")
genome = compiler.compile(dataset="path/to/text.txt")

pipeline = NeurogenesisPipeline()
result = pipeline.run(dataset, genome_v2=True)
# result: обученный мозг + метрики реконструкции

Digital Twins

from magicbrain.integration.neural_digital_twin import NeuralDigitalTwin

twin = NeuralDigitalTwin(student_id="student_42", learning_style="visual")
twin.learn_topic(topic_id="algebra_linear", steps=200, difficulty=0.6)
mastery = twin.get_mastery(topic_id="algebra_linear")
state = twin.get_cognitive_state()  # attention, confusion, fatigue

---

Структура модулей

Ядро SNN

Модуль	Назначение
brain.py	TextBrain: sparse top-k, dual weights (slow/fast), dopamine, axonal delays
genome.py	Геномное кодирование, decode_genome()
sampling.py	Генерация текста (temperature, top-k, top-p)
graph.py	3D граф нейронов с аксональными задержками (1-5 шагов)
io.py	Сохранение/загрузка моделей (.npz)

NeuroGenesis Engine (neurogenesis/)

Модуль	Назначение
compiler.py	GenomeCompiler: датасет → геном (hash / statistical / hybrid)
energy.py	Hopfield energy: E(s) = -1/2 s'Ws - theta's + lambda
attractor_dynamics.py	Динамика к аттракторам, поиск бассейнов притяжения
cppn.py	CPPN: координаты → веса (8 базисных функций: sin, cos, gaussian, ...)
development.py	3D морфогенез + синаптогенез + созревание ткани
pattern_memory.py	Ассоциативная память Хопфилда (Storkey rule, ~0.14N паттернов)
reconstruction.py	4 режима: autoregressive, attractor, cue-based, generation
genome_v2.py	Расширенный формат 72+: Topology + CPPN + Attractor + Patterns
pipeline.py	E2E пайплайн: датасет → компиляция → развитие → обучение → оценка

Platform Framework (platform/)

Компонент	Назначение
ModelInterface	Универсальная абстракция: SNN, DNN, CNN, RNN, Transformer, Hybrid, Ensemble
ModelOrchestrator	7 стратегий: Sequential, Parallel, Pipeline, Hierarchical, Feedback, Cascaded, MoE
ModelRegistry	Версионирование, метаданные, dependency tracking
MessageBus	Маршрутизация между моделями с автоматической конвертацией типов
TypeConverters	Spikes <-> Dense <-> Embeddings <-> Logits

Digital Twins (integration/)

Модуль	Назначение
neural_digital_twin.py	NeuralDigitalTwin: геном из student_id, 4 стиля, forgetting dynamics
redis_twin_store.py	Redis-персистентность состояния двойников
knowledgebase_client.py	HTTP-клиент для синхронизации с KnowledgeBaseAI
act_backend.py	Интеграция с Balansis (ACT-компенсированная арифметика весов)

Дополнительные модули

Каталог	Содержание
evolution/	SimpleGA (tournament selection), GenomeMutator (6 операторов), FitnessEvaluator
diagnostics/	LiveMonitor, NeuronalDynamics, PlasticityTracker, SynapticMetrics
learning_rules/	STDP, STDPBrain
backends/	NumPy (default), JAX (optional)
hybrid/	HybridArchitecture, HybridBuilder, SNN+DNN/Transformer/CNN, SpikingAttention
architectures/	HierarchicalBrain (multi-layer SNN)
training/	Coordinator, Checkpointing, DataPartitioner, Worker
zoo/	Model Zoo — управление предобученными моделями

---

REST API

FastAPI-микросервис, порт 8004 в экосистеме.

Группа	Основные эндпоинты
/api/v1/models	CRUD моделей, запуск обучения, генерация, forward pass
/api/v1/training	Фоновые задачи обучения, статус и результат
/api/v1/inference	Forward pass, text sampling
/api/v1/diagnostics	Метрики мозга, текущее состояние активации
/api/v1/evolution	Запуск генетической оптимизации генома
/api/v1/twins	CRUD двойников; learn, mastery, cognitive-state, interaction, predict
/api/v1/auto-evolution	Автоматическая оптимизация без ручного задания fitness

---

Формальная верификация (Lean4)

Инструментарий: Lean 4 v4.28.0 + Mathlib v4.28.0

Файл	Содержание
DeltaE.lean	Delta_E <= 0 при обновлении одного нейрона
Convergence.lean	Конечная сходимость: <= 2^n шагов (принцип Дирихле)
Hopfield.lean	Базовые определения: sigma, spin, updateCoord, globalEnergy
SumLemmas.lean	Вспомогательные леммы для скалярных произведений
Glue.lean	globalEnergy_nonincreasing_updateCoord

21 теорема, 0 sorry, 0 ошибок, 0 axioms.

cd formal && lake build

---

Тестирование

pytest                                    # все тесты
pytest --cov=magicbrain --cov-report=html # с покрытием
pytest tests/neurogenesis/ -v             # NeuroGenesis (93 теста)
pytest tests/platform/ -v                 # Platform
pytest tests/integration/ -v              # Integration

Категория	Файлов
Core SNN	6
NeuroGenesis	8 (93 теста)
Platform	5
Hybrid	2
Evolution, Diagnostics, STDP	3
Training	3
Integration	3

34 тестовых файла, 237+ passed, 90%+ coverage.

---

Геномное кодирование

Base-4 строка 24+ символов. Каждая позиция детерминированно задаёт гиперпараметр:

Позиция	Параметр	Диапазон
0-1	N (нейронов)	256-1216
2	K (связность)	8-20
4	lr	5e-4 - 2e-3
5	k_active	4-7% от N
15	p_inhib	10-25%
16	dopamine_gain	0.8-2.0
20	prune_every	800-1400 шагов

Геном по умолчанию: "30121033102301230112332100123"

---

Статистика

Метрика	Значение
Версия	0.8.0 (Lean4 Formal Verification Edition)
Python	3.9, 3.10, 3.11, 3.12
Лицензия	AGPL-3.0-only + Commercial
Python-модулей	88 (magicbrain/) + 16 (api/)
Тестовых файлов	34
Passed тестов	237+
Покрытие	90%+
Lean4 теорем	21 (0 sorry, 0 errors)
Типов моделей	5
Стратегий оркестрации	7
API эндпоинтов	30+
MAGIC Level	2 (MetaBrain)

---

Roadmap

v0.7.2

• Lean4 верификация STDP-правил обучения
• Покрытие тестами до 95%+

v0.8.0 (Q2 2026)

• Joint training гибридных архитектур (SNN <-> DNN градиенты)
• Knowledge distillation из больших моделей в SNN
• Расширенный Model Zoo с предобученными геномами

v1.0.0 (Q4 2026)

• Production inference server
• Distributed training
• Stable public API с гарантиями совместимости

---

Место в MAGIC Ecosystem

Level 4 (MetaKnowledge): KnowledgeBaseAI  <- синхронизация освоения тем
Level 3 (MetaAgent):     xteam-agents     <- когнитивные модели студентов
Level 2 (MetaBrain):     MagicBrain       <- SNN-субстрат и оркестрация моделей (этот проект)
Level 1 (MetaBalansis):  Balansis         <- ACT-компенсированная арифметика
Applied:                 StudyNinja-API   <- circuit breaker -> /health

---

Лицензия и governance

MagicBrain распространяется по дуальной модели:

• LICENSE: AGPL-3.0-only
• COMMERCIAL_LICENSE.md: коммерческие проприетарные условия
• LICENSING.md: выбор open-source или коммерческого маршрута
• CLA.md, CONTRIBUTING.md, SECURITY.md: правила участия и ответственного раскрытия
• PATENTS.md, TRADEMARKS.md, CITATION.cff: IP-boundaries, бренды и цитирование

Патентно-чувствительные материалы по нейрогенезу, fitness/tuning, приватным датасетам, промптам и telemetry не должны публиковаться до прохождения соответствующих gates.

---

Contributing

1. Fork репозиторий
2. Создайте feature branch
3. Добавьте тесты (coverage >= 90% для новых модулей)
4. Откройте Pull Request

Code style: Ruff, type hints обязательны, docstrings в Google style.

---

MagicBrain — биологически правдоподобная память для AGI-систем

MAGIC Level 2: MetaBrain