Larkos 0.3 출시: GAT 뉴런 추론, 시간적 인코더(Temporal Encoder), 리팩토링된 퓨전 헤드(Fusion Head)

Larkos 0.3: GAT 뉴런 추론, 시간적 인코더 (Temporal Encoder), 리팩토링된 퓨전 헤드 (Refactored Fusion Head)

핵심 아키텍처 변경 사항:

_NeuronGraphReasoner 추가: 라이브 뉴런 그래프(Live neuron graph) 상의 2계층 GAT (Graph Attention Network)를 통해 뉴런별 토큰 임베딩 (MAX_NEURONS x FUSE_GRAPH_DMODEL)을 생성합니다.
노드 특징(Node features)에는 상태(State), 출력(Output), 레이어 원-핫(Layer one-hot), 연결 차수(Connection degree), 상태 속도(State velocity), 출력 크기(Output magnitude), 평균 엣지 가중치(Mean edge weight)가 포함됩니다 (D_NODE=8).
뉴런별로 학습된 임베딩은 대칭적인 노드(Symmetric nodes)에 대해 구별되는 토큰을 보장합니다.
_GATLayer 추가: 엣지 가중치로 변조된 점수 (tanh-squashed gain), 밀집된 [N,N] 인접성 마스크 (Dense adjacency mask), 그리고 셀프 루프 (Self-loops)를 갖춘 수동 구현된 멀티 헤드 GAT (Multi-head GAT)입니다.
_TemporalAttentionEncoder 추가: 윈도우 프레임의 단순 결합(Flat concatenation)을 대체하여, 학습된 위치 임베딩 (Learned positional embedding)과 함께 [TEMPORAL_WINDOW, FOURIER_OUT_DIM] 입력 이력(Input history)에 대한 2계층 트랜스포머 (Transformer)를 적용합니다.
_FusionTransformerHead 리팩토링: MAX_NEURONS+3 토큰 시퀀스 (GAT 토큰 + band_q + band_m + driver)에 대해 어텐션 (Attends)을 수행합니다. 토큰 유형 임베딩 (4가지 유형)이 토큰의 종류를 구분합니다. 평균 풀링 (Mean-pool)을 학습된 쿼리 어텐션 풀링 (Learned-query attention pool, 단일 쿼리, 시퀀스에 대한 소프트맥스)으로 교체했습니다. 헤드 용량 증가: 3개 레이어, d_model=64, dim_ff=128.

C-side 퓨전 (fusion_mechanism.c):

BAND_N 및 neuron_flat 프로젝션 파이프라인을 제거했습니다. 이제 뉴런 추론은 Python 측의 GAT에 의해 엔드 투 엔드 (End-to-end)로 처리됩니다.
BAND_Q=32, BAND_M=32, FUSION_DIM=BAND_Q+BAND_M=64.
MEM_TOP_K: 8→32, MAX_MEM_ENTRIES: 300→1200.

훈련 루프 (Training loop):

캐시 동결(Freeze cache) 범위가 드라이버 임베딩 (_cached_driver) 및 GAT 입력 (_cached_graph_inputs)까지 확장되었습니다. 타겟 갱신(target refresh) 시 세 개의 캐시가 모두 함께 무효화됩니다. GAT는 매 단계마다 그래프 내에서 forward_from_inputs를 실행합니다 (고정된 입력(pinned inputs), 라이브 그래디언트(live gradient)).

시간적 인코더 (Temporal encoder) 그래프를 통한 이중 역전파 (double-backward)를 방지하기 위해, MAML 내부 루프(inner loop) 이전에 x_temporal을 분리(detached)합니다.

graph_reasoner와 temporal_encoder가 옵티마이저(optimizer) 및 체크포인트(checkpoint)에 추가되었습니다.

검증기(Verifier)는 이미 소비된 오토그래드(autograd) 그래프를 재사용하는 것을 방지하기 위해 캐시된 원시 시퀀스(raw sequence)에서 temporal_encoder를 다시 실행합니다.

학습률 (LR) 민감도 체크는 고정된 절대 델타(absolute delta) 대신 상대적 임계값 (현재 손실의 15%)을 사용합니다.

Runner:

_advance_backend() 추가: 매 step() 이전에 C-side의 결정(decision)/컨텍스트(context)/뉴런(neuron)/어트랙터(attractor)/정동(affective) 업데이트를 실행하여, 다단계 추론(multi-step inference)이 진화하는 상태를 반영할 수 있도록 합니다.

alpha 및 mem_weight_ratio는 기본적으로 라이브 백엔드 컨텍스트(live backend context)로부터 유도되며, 이는 훈련 루프의 에포크당(per-epoch) 유도 방식과 일치합니다.

시간적 인코더 (Temporal encoder)와 그래프 리즈너 (graph reasoner)가 순전파 경로(forward path)에 포함되었습니다.

Checkpoint:

graph_reasoner와 temporal_encoder를 저장 및 로드합니다 (0.3 이전 체크포인트와의 하위 호환성을 위해 strict=False 적용).

FUSION_DIM과 fused_cog_norm 차원 불일치 감지 시, 새로운 초기화(fresh init)로 안전하게 폴백(fallback)합니다.

cached_driver가 cached_fused_cog와 함께 영구 저장(persisted)됩니다.

https://github.com/Okerew/larkos_models