enn-project

Алгоритм нейронной сети с динамической топологией

Emergent Neural Network (ENN) - это научно обоснованный алгоритм нейронной сети, объединяющий динамическую топологию, энергобюджет и формальные методы анализа.

🎯 Ключевые особенности

Научная новизна:

1. Динамическая топология - сеть сама определяет оптимальную структуру
2. Энергобюджет - формализованное управление ресурсами
3. Теоретический анализ - условия сходимости и стабильности
4. Формальная каузальность - Granger Causality, SCM, do-calculus
5. Модульная архитектура - специализированные модули для разных применений

📁 Структура проекта

SVG ↗

🚀 Быстрый старт

Базовое использование

from core import EmergentNeuralNetwork
import torch

# Создание сети
enn = EmergentNeuralNetwork(
    input_size=10,
    output_size=1,
    initial_hidden=5,
    max_neurons=100
)

# Обучение
x = torch.randn(100, 10)
y = torch.randn(100, 1)

for i in range(100):
    enn.learn(x[i:i+1], y[i:i+1], reward=1.0)

# Использование
predictions = enn.forward(x)

Специализированные модули

Автономные агенты

from modules import AutonomousAgentENN

agent = AutonomousAgentENN(input_size=8, output_size=2)
agent.learn_online(observation, action, reward)

Continual Learning

from modules import ContinualLearningENN

cl_enn = ContinualLearningENN(input_size=10, output_size=1)
cl_enn.learn_task(task_id=0, x, y, importance=1.0)
cl_enn.learn_task(task_id=1, x2, y2, importance=1.0)

Ресурсно-ограниченные системы

from modules import ResourceConstrainedENN

rc_enn = ResourceConstrainedENN(
    input_size=5,
    output_size=1,
    max_energy_per_step=1.0,
    max_neurons=50
)
rc_enn.adapt_to_resources(available_energy=10.0, available_memory=30)

🔬 Научные компоненты

Теоретический анализ

from core import StabilityAnalyzer

analyzer = StabilityAnalyzer()
report = analyzer.get_stability_report(weights, energy_history, neuron_counts, max_neurons)

Причинно-следственная логика

from core import CausalityAnalyzer

causality = CausalityAnalyzer()
causal_graph = causality.build_causal_graph(activations_history)

📊 Бенчмарки

Сравнение с базовыми моделями

from benchmarks import compare_with_baselines

results = compare_with_baselines(
    dataset_name="synthetic",
    train_data=(X_train, y_train),
    test_data=(X_test, y_test),
    epochs=100
)

Тесты робастности

from benchmarks import RobustnessTester

tester = RobustnessTester()
tester.test_noise_robustness(model, x, y)
tester.test_catastrophic_forgetting(model, task1_data, task2_data)
report = tester.generate_report()

📚 Документация

• BREAKTHROUGH_PAPER.md - Полная научная статья
• core/ - Документация ядра
• modules/ - Документация модулей
• benchmarks/ - Документация бенчмарков

🎯 Области применения

1. Автономные агенты - адаптация к новым условиям
2. Continual Learning - обучение на последовательности задач
3. Ресурсно-ограниченные системы - мобильные устройства, IoT
4. Научные исследования - изучение эмерджентных свойств

📝 Установка

pip install -r requirements.txt

Source · AGPL-3.0