Skip to content

SOURCES.md

Latest commit

 

History

History
338 lines (263 loc) · 22.8 KB

SOURCES.md

File metadata and controls

338 lines (263 loc) · 22.8 KB
Raw

QEC-Engine (AdaptiveRG-QEC) — SOURCES & Provenance (2026-06-02)

Projekt: AdaptiveRG-QEC Engine — Adaptive Renormalization-Group + Quantum-Error-Correction Simulation Engine. Coworker-Research Säule 3 (Physik/Methodik). Typ: Spec/Theorie-Repo + Phase-1-MVP-Code (seit PR#4, 2026-06-18; src/adaptiverg_qec/, Diagnostik-/Verifikations-Harness). Ursprünglich Spec-only (kein .py); Code-Lineage im Append unten.

Kanonische Quellen (gestaged in spec/)

Datei Drive-Ort Drive-ID Größe
AdaptiveRG_QEC_Engine_Spec_v1_0_hardened.pdf 0Hex HQST U2\ 1OE5Yr9VXz1eXNTbdYdiKeS5WJ7Uup9pw 26287 B
AdaptiveRG-QEC_ProofBlock_v1.1_KernelSpec_v1.2.docx 0Hex HQST U2\ 1JaE9LG5cK7FB-rPjvOHPBKS-0gvZC488 21088 B

Inhalt (verifiziert via Drive-Read)

  • Spec v1.0 (gehärtet): augmentierter Zustand, Foster-Lyapunov-Drift (Meyn&Tweedie), Petite-Set/ Minorization, Diminishing-Adaptation + Containment (Roberts&Rosenthal 2007), SNIS-Sampling-Bounds, Unified Stability–RG Convergence Theorem. Korrekturen inline [KORREKTUR]/[LÜCKE]/[OK].
  • ProofBlock v1.1 + KernelSpec v1.2: Beweisskizzen P1 (Ergodizität A-Kern), P2 (RG-Fixpunkt-Konsistenz), CLT unter Andrieu&Moulines. Lit.: Roberts&Rosenthal, Fort/Moulines/Priouret, Vehtari, Dennis/Kitaev/Landahl/Preskill. → Korrekturen: spec/AdaptiveRG-QEC_ProofBlock_v1.3_corrections.md (Errata-Companion, s. Lineage-Append unten).

Ehrliche Einordnung (Eval-Strategie §3 Status-Sättigung)

Substanzielle, gehärtete Theorie — aber Implementierung fehlt. Ein Repo ist nur als Spec-/Theorie-Repo sinnvoll (kein src/tests). Die 5-Phasen-Roadmap im Spec → docs/ROADMAP.md als offene Implementierungs-Phasen.

Offen vor Repo-Init

  • PDF/DOCX → Markdown konvertieren (für git-diff-bare Specs in spec/).
  • docs/ROADMAP.md aus der 5-Phasen-Roadmap extrahieren.
  • Entscheid Marco: Spec-Repo jetzt, oder warten bis Implementierung beginnt.

Vero | 2026-06-02 | QEC SOURCES | Spec-verifiziert via Drive, Code fehlt (ehrlich)

Lineage-Append (append-only, AGENTS.md §SHA-First) — 2026-06-18

Phase-1-MVP gestartet (Branch claude/phase1-mcmc-mcrg, Agent: Claude/Codie)

Übergang Spec-Repo → Code-Repo. MVP implementiert A-Kernel (adaptiver MCMC + Foster-Lyapunov-Guard) und minimalen C-Kernel (1D-Ising-Decimation-RG + Jacobian). MVP-Instanz: 1D-Repetition-Code-Ring, explizit dokumentiert in src/adaptiverg_qec/mvp_instance.py (als MVP-Wahl gekennzeichnet, nicht volle Spec).

Kanonische Spec-Inputs (SHA-256, verifiziert 2026-06-18 — unverändert seit Repo-Init):

Datei SHA-256
spec/AdaptiveRG_QEC_Engine_Spec_v1_0_hardened.pdf c074af559db92fc86860aa31b9c41f195b2206e9c8d75432c99c8f098195104d
spec/AdaptiveRG-QEC_ProofBlock_v1.1_KernelSpec_v1.2.docx c45d806f06b26d3d3b19e2d34466abae21d6cb695f0cbd1963635e9126959d5c

Externe Referenz-Quellen (Positionierung / SOTA-Kontext, in README zitiert):

  • Bravyi, Suchara & Vargo (2014), Efficient algorithms for maximum likelihood decoding in the surface code, Phys. Rev. A 90, 032326 — Tensor-Network/MPS = SOTA für Präzisions-Thresholds (kontextualisiert den inkrementellen Charakter des MCMC+MCRG-Ansatzes).
  • Duclos-Cianci & Poulin (2010), Fast Decoders for Topological Quantum Codes, PRL 104, 050504 — der RG-Decoder; hier ABGEGRENZT: "Adaptive RG-QEC" meint Threshold-via-kritische-Exponenten, NICHT diesen Decoder.
  • Spec-interne Literatur (verbindlich): Roberts & Rosenthal (2007), Meyn & Tweedie (2009), Andrieu & Moulines (2006), Vehtari et al. (2021), Lyness & Moler (1967, Complex-Step).

Code-Provenienz: Alle src/+tests/-Dateien neu erstellt 2026-06-18 (kein importierter Fremdcode). Gate-Log-Evidenz: results/selftest.json (12/12 [PASS]; SHA-256 lauf-spezifisch, daher nicht gepinnt — Reproduktion via adaptiverg-qec selftest).

Codie | 2026-06-18 | Phase-1-MVP-Append | Reality-Anchor: dev/Prototyp-Reife, nicht selbst-zertifiziert

Lineage-Append (append-only) — 2026-06-18 — Phase-3a

Phase-3a: korrelierter A-Kernel als Sample-Quelle + autokorrelations-bewusste Fehler

Branch claude/phase3a-akernel-autocorr (Agent: Claude/Codie).

Punkt-2-Richtung des Marco-Entscheids: T̂ = ⟨S'S⟩_c/⟨S'S'⟩_c jetzt aus dem korrelierten adaptiven A-Kernel-MCMC (Phase-2 nutzte einen exakten i.i.d.-Sampler), mit korrekten autokorrelations-bewussten Fehlerbalken statt naiver i.i.d.-Balken. NEU: src/adaptiverg_qec/autocorr.py. KEINE neuen Runtime-Deps (alles numpy; scipy unverändert). Multi-Operator-Swendsen-MATRIX = Phase-3b (separat, offen).

Methoden-Referenzen (validiert, NICHT als Dependency):

  • U. Wolff, Monte Carlo errors with less errors, Comput. Phys. Commun. 156 (2004) 143, arXiv:hep-lat/0306017 — Γ-Methode (τ_int = ½ + Σρ), automatic windowing via g-Funktion (S≈1.5), σ² = 2·τ_int·Var/N.
  • pyerrors, arXiv:2209.14371 — unabhängige Methoden-Referenz (Γ-Methode/Autokorrelation), nur Referenz.
  • Wiener-Khinchin-Theorem — FFT-basierte Autokorrelationsfunktion (O(N log N)).

Validierungs-Orakel (unabhängig):

  • AR(1)-Prozess mit geschlossener Autokorrelation ρ(t)=φ^t → τ_int = ½ + φ/(1−φ) (Gate G13, rel. Fehler <3%).
  • Γ-Methode == Binning-Plateau (rigorose Cross-Validierung, Gate G14, Übereinstimmung ±2%).
  • T̂(A-Kernel) trifft tanh(2K) innerhalb σ_korr für K≤0.7 (Gate G15); N_eff<N + σ_korr>σ_iid (Gate G16).

Gemessene Zahlen (Evidenz results/phase3a-akernel-autocorr.json, L=64, N=18000): τ_int wächst 0.65→2.81 mit K∈{0.3..0.9}; Fehler-Inflation 1.006→1.129; N_eff 13745→3198 (< N durchgehend).

Code-Provenienz: autocorr.py + tests/test_autocorr.py neu erstellt 2026-06-18; a_kernel.py/mcrg.py/ cli.py erweitert (record_configs, swendsen_T_from_chain, Gates G13–G18). Kein importierter Fremdcode.

Codie | 2026-06-18 | Phase-3a-Append | Reality-Anchor: dev/Prototyp, Equalita-L1 ausstehend, nicht selbst-zertifiziert

Lineage-Append (append-only) — 2026-06-18 — Phase-3b

Phase-3b: Multi-Operator-Swendsen-MATRIX auf 2D-Ising

Branch claude/phase3b-swendsen-matrix (Agent: Claude/Codie).

Punkt-1-Richtung des Marco-Entscheids (nach Punkt-2 = Phase-3a): Verallgemeinerung des SKALAREN Swendsen- Schätzers (eine Kopplung) auf die volle linearisierte RG-MATRIX T_ab = dK′_a/dK_b. Erfordert ein Modell mit nicht-trivialem Fixpunkt → 2D-Ising (Quadratgitter, T_c = 2/ln(1+√2) ≈ 2.269, anders als 1D T_c=0). NEU: src/adaptiverg_qec/ising2d.py + src/adaptiverg_qec/mcrg_matrix.py. KEINE neuen Runtime-Deps (numpy).

Methoden-Referenzen (validiert, NICHT als Dependency):

  • R. H. Swendsen, Monte Carlo Renormalization Group, Phys. Rev. Lett. 42 (1979) 859 — linearisierte RG-Matrix aus connected correlations: A_ab=⟨S′_a S_b⟩_c, B_ac=⟨S′_a S′_c⟩_c, T = A·B⁻¹.
  • L. Onsager, Phys. Rev. 65 (1944) 117 — exakte 2D-Lösung: T_c, y_t = 1/ν = 1, y_h = 2−η/2 = 15/8.
  • L. P. Kadanoff, Physics 2 (1966) 263 — Block-Spin / Majority-Rule-Blocking.

Onsager-Orakel selbst web-verifiziert (dieser Lauf): y_t = 1/ν = 1 (ν=1), y_h = 2−η/2 = 15/8 = 1.875 (η=1/4), T_c ≈ 2.269 — quergeprüft gegen mehrere RG-/Lehrbuch-Quellen vor der Validierung.

Validierungs-Orakel (unabhängig):

  • 2D-Metropolis-Energie vs exakte L=4-Enumeration (2^16 Zustände, gleiche Bond-Konvention), |err|<0.005 (G19).
  • A,B connected-corr-Matrizen symmetrisch + PSD + gut konditioniert (cond(B)≈87) (G20).
  • T = A·B⁻¹ linear-solve-Konsistenz: Residuum max|T·B−A| ≈ 2e-13 ~ Maschinen-eps (G21).
  • y_t aus den Eigenwerten vs Onsager y_t=1 (G22); Reproduzierbarkeit per Seed (G23).

Gemessene Zahlen (Evidenz results/phase3b-swendsen-matrix.json, L=16, N_op=2, K=K_c, 3 Seeds): y_t = 0.965 ± 0.009 (multi-seed), |err|≈0.035 vs Orakel 1.0; λ_max≈1.95; τ_int(max)≈4.3.

EHRLICHE SCOPE-GRENZE (kein Über-Claim): Single-Spin-Metropolis nahe T_c hat kritisches Slowing-Down; kleines L + 1 RG-Stufe → y_t nur GROB (Plausibilitäts-Niveau, KEIN Frontier-Wert). Cluster-Algorithmus (Wolff/Swendsen-Wang) + mehrere RG-Iterationen = Phase-4. y_h (ungerader Sektor) nicht implementiert.

Code-Provenienz: ising2d.py + mcrg_matrix.py + tests/test_ising2d.py + tests/test_mcrg_matrix.py neu erstellt 2026-06-18; cli.py erweitert (Gates G19–G23 + Phase-3b-Edge-Cases in G8). Kein importierter Fremdcode.

Codie | 2026-06-18 | Phase-3b-Append | Reality-Anchor: dev/Prototyp, Equalita-L1 ausstehend, nicht selbst-zertifiziert

Lineage-Append (append-only) — 2026-06-18 — Phase-4

Phase-4: Wolff-Single-Cluster + Multi-RG-Iteration + ungerader Sektor (y_h)

Branch claude/phase4-wolff-multirg (Agent: Claude/Codie).

Adressiert die DREI Präzisions-Schwächen, die ein unabhängiges Cross-Family-Review (OpenAI gpt-4o, Verdikt GOOD) an Phase-3b bestätigt hat: (1) Single-Spin-Metropolis → kritisches Slowing-Down; (2) nur 1 RG-Iteration; (3) Operatorbasis zu klein / kein ungerader Sektor. NEU: src/adaptiverg_qec/wolff2d.py + src/adaptiverg_qec/mcrg_multirg.py. KEINE neuen Runtime-Deps (numpy; scipy unverändert).

Methoden-Referenzen (validiert, NICHT als Dependency):

  • U. Wolff, Collective Monte Carlo Updating for Spin Systems, Phys. Rev. Lett. 62 (1989) 361 — Single-Cluster-Algorithmus, P_add = 1−e^{−2K}.
  • R. H. Swendsen, J.-S. Wang, Phys. Rev. Lett. 58 (1987) 86 — Multi-Cluster (Verwandtschaft).
  • R. H. Swendsen, Phys. Rev. Lett. 42 (1979) 859 — MCRG mit MEHREREN iterierten Blocking-Stufen (irrelevante Operatoren kontrahieren heraus → Konvergenz zum Fixpunkt).
  • L. Onsager, Phys. Rev. 65 (1944) 117 — exakte 2D-Exponenten.

Web-verifiziert (dieser Lauf): P_add = 1−e^{−2βJ} + dynamischer Exponent z ≈ 0.25 (Wolff/Swendsen-Wang vs z ≈ 2 Single-Spin); y_t = 1/ν = 1 (ν=1), y_h = d − β/ν = 2 − (1/8)/1 = 15/8 = 1.875 (β=1/8) — quergeprüft gegen mehrere RG-/Cluster-/Lehrbuch-Quellen vor der Validierung.

Validierungs-Orakel (unabhängig):

  • Wolff-Energie vs exakte L=4-Enumeration (2^16 Zustände, gleiche Bond-Konvention), |err|<0.008 (G24).
  • Cluster-Größen-Fraktion wächst monoton mit K (0.011 → 0.55 → 0.98) — P_add-Korrektheits-Indiz (G25).
  • τ_int(Wolff) < τ_int(Metropolis) bei K_c, |m|-Reihe (G26) — Kern-Beleg, dass das Slowing-Down geschlagen wird.
  • y_t über iterierte RG-Stufen → Konvergenz zum Onsager-Wert, besser als Phase-3b (G27).
  • y_h aus der ungeraden Swendsen-Matrix, bester Iterationswert (Minimum über Iterationen, proximity-selektiert; NICHT die tiefste Stufe) vs Onsager 15/8 (G28); Reproduzierbarkeit (G29).

Gemessene Zahlen (Evidenz results/phase4-wolff-multirg.json, L=32, K=K_c, 3 Seeds):

  • y_t (gerader Sektor) über Iterationen L=32→16→8: typ. [0.93–0.95, 1.00, 0.98–1.02] → bester |y_t−1| ≈ 0.006 (Mittel 3 Seeds) vs Phase-3b 0.035.
  • y_h (ungerader Sektor) über Iterationen: [1.881, 1.873, 1.871–1.875] → bester |y_h−15/8| ≈ 0.002 (Mittel 3 Seeds), σ_jk ≈ 0.001.
  • τ_int(|m|): Wolff ≈ 2.2–2.8, Metropolis ≈ 27–46 → Verhältnis ×12–16 (Slowing-Down klar geschlagen).

Selbst gefundene + behobene Bugs (Silent-Failure-Gate, IM BAU): (a) erste O_2-Wahl s_i·Σnb war ein PRODUKT von ZWEI Spins → gerade, nicht ungerade (von test_odd_operators_antisymmetric gefangen); korrigiert auf echtes 3-Spin-L-Cluster s_ij·s_{i,j+1}·s_{i+1,j} (ungerade). (b) block_chain erzeugte ein degeneriertes 2×2-Gitter; auf kleinste Kante 4 begrenzt.

EHRLICHE SCOPE-GRENZE (kein Über-Claim): Wolff verbessert die STATISTIK (kleinere τ_int → mehr effektiv unabhängige Samples) und Multi-RG kontrahiert irrelevante Operatoren — beide Sektoren konvergieren sichtbar zum Onsager-Fixpunkt. ABER: eine Rest-finite-Size-Systematik bleibt (kleines L, endliche Iterationszahl); dies ist keine volle L→∞-FSS-Extrapolation und kein Frontier-Hochpräzisionswert. Die Gate-Toleranzen (|y_t−1|<0.035, |y_h−15/8|<0.05) sind systematik-begründet, kein Cherry-Pick; alle Iterations-Werte werden im Log mitgeführt.

Code-Provenienz: wolff2d.py + mcrg_multirg.py + tests/test_wolff2d.py + tests/test_mcrg_multirg.py neu erstellt 2026-06-18; cli.py erweitert (Gates G24–G29 + Phase-4-Edge-Cases in G8). Kein importierter Fremdcode.

Codie | 2026-06-18 | Phase-4-Append | Reality-Anchor: dev/Prototyp, Equalita-L1 ausstehend, nicht selbst-zertifiziert

Lineage-Append (append-only) — 2026-06-19 — QEC-Inkrement 3 (MWPM via Stim+PyMatching)

Inkr.3: ECHTES MWPM-Decoding hinter optional-dependency-Gate

Branch claude/qec-inkr3 (Agent: Claude/Codie).

Schliesst die in der QEC-Diagnostik-Roadmap als Inkr.3 definierte Luecke: ein ECHTER Decoder (nicht das exakt-orakelbare Repetition-Modell, nicht der hand-gerollte, in Inkr.2 verworfene Prototyp). KEIN Eigen-Decoder — etablierte Bibliotheken hinter pip install ".[surface]": stim (Sampling/Schaltkreis) + pymatching 2 (Minimum-Weight-Perfect-Matching). NICHT als Kern-Dependency; ohne das Extra SKIPPEN die Tests (verifiziert: dev-only-venv 3 passed/30 skipped/exit 0).

Decoder/Methoden-Referenzen (als optionale Dependency genutzt):

  • O. Higgott, C. Gidney, Sparse Blossom: correcting a million errors per core second with minimum-weight matching (PyMatching 2), arXiv:2303.15933 — verwendeter MWPM-Decoder.
  • C. Gidney, Stim: a fast stabilizer circuit simulator, Quantum 5, 497 (2021) — Sampling.

Publizierte Threshold-Orakel (web-recherchiert dieser Lauf, mehrere Quellen):

  • MWPM-Threshold ≈ 0.103 (code-capacity, independent X/Z, = Nulltemperatur-Uebergang des 2D-Random-Bond-Ising-Modells): E. Dennis, A. Kitaev, A. Landahl, J. Preskill, Topological quantum memory, J. Math. Phys. 43, 4452 (2002). [errorcorrectionzoo.org/c/toric]
  • Optimaler/ML-Threshold ≈ 0.1094 (Nishimori-Punkt des 2D-RBIM, finite-T) — zur Einordnung, NICHT als Orakel; MWPM ist near-optimal aber sub-optimal (10.31% MWPM vs 10.94% ML).
  • Phenomenological-noise MWPM-Threshold ≈ 2.9%: Wang, Harrington & Preskill, Ann. Phys. 303, 31 (2003) — fuer den noch offenen naechsten Schritt notiert.

Validierungs-Orakel (unabhaengig, real ausgefuehrt, seed=11):

  • Orakel A — Repetition-Code MWPM (PyMatching aus Paritaets-Pruefmatrix) vs exaktes Binomial-Orakel (Inkr.1). Auf 1D-Matching IST MWPM ML-optimal → muss treffen. d∈{3,5,7} @ p=0.10, 200 000 shots → worst n_sigma = 1.55 (rein statistisch).
  • Orakel B — Rotated-Surface-Code, code-capacity pure-X-flip (X_ERROR(p) nur auf Daten- Qubits, perfekte Messung), MWPM via Stim-DEM. Threshold via Distanz-Kurven-Kreuzung, 60 000 shots/Zelle: (7,9)→0.0952, (9,11)→0.1015, (7,11)→0.0978. best pair (9,11): p_th = 0.1015 vs publiziert 0.103 → abs_err = 0.0015.

EHRLICHE KORREKTHEITS-GRENZE (kein Overclaim, Lehre aus Inkr.2-Fabrikation): validiert gegen 0.103 (MWPM), NICHT gegen 0.1094 (optimal/ML) — ein Schaetzer, der 0.109 „erreicht", waere verdaechtig. Endliche Distanzen → KEINE L→∞-FSS; der Kreuzungs-Schaetzer driftet von unten zum Threshold (sichtbar: (7,9)<(9,11)). Phenomenological noise (~2.9%) und depolarisierendes Rauschen sind NICHT implementiert. Jede genannte Zahl ist aus python -m adaptiverg_qec.surface_decoder → results/qec-surface-mwpm.json regenerierbar (stim 1.16.0, pymatching 2.4.0).

Code-Provenienz: src/adaptiverg_qec/surface_decoder.py + tests/test_surface_decoder.py neu erstellt 2026-06-19; pyproject.toml [surface]-Extra ergaenzt; README + QEC-Roadmap aktualisiert. Kein importierter Fremdcode (stim/pymatching nur als optionale Runtime-Deps).

Codie | 2026-06-19 | Inkr.3-Append | Reality-Anchor: dev/Prototyp, Equalita-L1 ausstehend, nicht selbst-zertifiziert

Lineage-Append (append-only) — 2026-06-19 — Phase-5 (CLT + R-hat + Manifest)

Phase-5: CLT-Varianz sigma^2_g + rank-normalized split-R-hat + Run-Manifest

Branch: claude/qec-phase5-clt-rhat-manifest (Agent: Claude/Codie). Additiv, KEINE neuen Runtime-Deps (nur numpy/scipy). Code: src/adaptiverg_qec/clt.py, rhat.py, manifest.py + tests/test_clt.py, test_rhat.py, test_manifest.py; CLI-Subcommand phase5; Gates G33-G38.

Methoden-Quellen (verbindlich, NICHT als Dependency importiert):

  • CLT-Varianz / long-run variance: MCMC-CLT sqrt(N)(g_bar-E[g]) -> N(0, sigma^2_g), sigma^2_g = Var(g)(1 + 2 sum_t rho_t) = 2 tau_int Var(g). C. J. Geyer, "Practical Markov Chain Monte Carlo", Statist. Sci. 7 (1992) 473.
  • Overlapping Batch Means (unabhaengiger zweiter Schaetzer): J. M. Flegal & G. L. Jones, "Batch means and spectral variance estimators in MCMC", Ann. Statist. 38 (2010) 1034.
  • AR(1)-Orakel (geschlossene Form): sigma^2_g = sigma_eps^2/(1-phi)^2 = Var(x)(1+phi)/(1-phi), Var(x)=sigma_eps^2/(1-phi^2), tau_int=(1+phi)/(2(1-phi)). Standard-long-run-Varianz-Identitaet fuer AR(1) (inefficiency factor (1+phi)/(1-phi)); web-verifiziert.
  • Rank-normalized split-R-hat + bulk/tail-ESS: A. Vehtari, A. Gelman, D. Simpson, B. Carpenter, P.-C. Buerkner, "Rank-normalization, folding, and localization: An improved R-hat for assessing convergence of MCMC", Bayesian Analysis 16(2) (2021) 667-718, doi:10.1214/20-BA1221. Blom-Transform z_i = Phi^-1((r_i-3/8)/(S+1/4)); R-hat = sqrt(((N-1)/N) W + B/N) / sqrt(W); folded-R-hat um Median; Schwellwert R-hat<1.01. ESS via Multichain-Variogramm (BDA3 11.7) + Geyer initial-monotone-sequence. Online-Appendix: avehtari.github.io/rhat_ess/rhat_ess.html.

Validierungs-Orakel (unabhaengig, real ausgefuehrt, regenerierbar):

  • CLT vs AR(1) (Gate G33): phi=0.8, Orakel sigma^2_g=25.0 -> Gamma-Schaetzer 25.26 (rel.Fehler 0.010), OBM 24.49 (0.020). Beide Methoden treffen dasselbe Orakel.
  • Coverage beidseitig (Gate G34): korrektes sigma^2_g -> 95%-CI-Coverage 0.937 (~0.95); ABSICHTLICH falsche iid-Annahme -> 0.490 (UNTERdeckt, verfehlt 0.95). Beide Richtungen Pflicht.
  • R-hat beidseitig (Gates G35/G36): gut gemischte iid-Ketten R-hat=1.0002; A-Kernel M=4 R-hat=1.0009 (converged); Mittel-Drift R-hat=1.62 (bulk faengt); Skalen-Drift R-hat=1.27 (folded=1.27>bulk=1.00 -- Vehtari-Punkt). ESS_bulk(A-Kernel)~5149 (>100/Kette).
  • Manifest beidseitig (Gates G37/G38, SLSA-Custody): run -> Manifest -> from-manifest ergibt byte-identischen result_hash; geaenderter Seed/n_steps -> ANDERER Hash (Manifest treibt den Lauf).

EHRLICHE GRENZE (kein Overclaim): Phase-5-real = CLT-sigma^2_g + R-hat-Multichain + Manifest. WEITERHIN OFFEN: SNIS (chi^2-Varianz-Bound) + Surrogate-Beschleunigung (Phase-4) + Checkpoint/ Lockfile bleiben offen -- NICHT als erledigt deklariert. Jede genannte Zahl ist aus python -m adaptiverg_qec.cli phase5 --json results/phase5-clt-rhat-manifest.json regenerierbar (numpy 2.4.6, scipy 1.17.1, python 3.14.4) bzw. ein publiziertes Literatur-Orakel mit Quelle oben.

Codie | 2026-06-19 | Phase-5-Append | Reality-Anchor: dev/Prototyp, Equalita-L1 + CI ausstehend, nicht selbst-zertifiziert

Lineage-Append (append-only) — 2026-07-02: ProofBlock-Errata-Companion v1.3

Artefakt (repo-authored, KEIN Drive-SoT): spec/AdaptiveRG-QEC_ProofBlock_v1.3_corrections.md. Errata-/Korrektur-Companion zum binären SoT spec/AdaptiveRG-QEC_ProofBlock_v1.1_KernelSpec_v1.2.docx (unverändert). Korrigiert 4 mathematisch defekte Knoten des ProofBlock v1.1:

# Knoten Defekt Korrektur
1 P4.1 n_eff = ESS/(2τ_int) (doppelte Deflation) n_eff = ESS = N/(2τ_int)
2 P3.1 Rate O_P(1/√N_rep) ohne 1/ε_diff, 1/√n O_P(1/(ε_diff·√(n·N_rep))) + O(ε_diff²) + O(n^{−β}/ε_diff)
3 P3.3 Eigenwert-Bound mit sep⁻¹ κ(λ_i)·‖E‖₂ (Kato/GVL §7.2; Bauer–Fike = globale Schranke)
4 P2.1/P2.2 Kugel-Bedingung ⇒ Konvergenz (ignoriert W^u) Guard = W^s(g*) ∩ B(g*, r_lin)

Numerische Orakel (Defekt 3 & 4) — lauffähiger Reproducer + Gate-Log (AGENTS.md WA1):

  • spec/reproducers/proofblock_v13_oracles.py (deterministisch, seed=2026, keine neuen Deps).
  • results/proofblock-v13-oracles.json (Gate-Log; gate_pass prüft κ-Skalierung + sep⁻¹-Verletzung bzw. untuned-Blow-up vs. getunt-O(σ)). Regenerierbar via python spec/reproducers/proofblock_v13_oracles.py.
  • Reifegrad: Spec-Korrektur, L0-Selbst-Precheck; Equalita-Ratifikation offen — nicht selbst-zertifiziert.

Codie | 2026-07-02 | ProofBlock-v1.3-Errata-Append

Lineage-Append (append-only) — 2026-08-09: Phase-6 (SNIS + Surrogate-DA + Checkpoint) + Audit-Härtung

Neue Primärquellen (Phase-6, alle web-etabliert):

  • Christen, J.A. & Fox, C. (2005). "Markov chain Monte Carlo using an approximation." J. Comput. Graph. Stat. 14(4), 795–810. — Delayed-Acceptance-MCMC: zweistufige Akzeptanz (Stufe 1 Surrogat, Stufe 2 exakte Korrektur) erhält detailed balance gegen das exakte Ziel fuer JEDES Surrogat. Basis von surrogate.py.
  • Agapiou, S., Papaspiliopoulos, O., Sanz-Alonso, D., Stuart, A.M. (2017). "Importance Sampling: Intrinsic Dimension and Computational Cost." Statist. Sci. 32(3), 405–431. — MSE-Bound der selbst-normalisierten IS: MSE <= 4*(1+chi^2)/N fuer |g|<=1 (Thm 2.1 / Kap. 2, rho = E_q[(dpi/dq)^2] = 1+chi^2). Basis des chi^2-Varianz-Bound-Gates (G40).
  • Owen, A.B. Monte Carlo theory, methods and examples, Kap. 9 (Importance Sampling) — Delta-Methoden-Varianz/Bias des SNIS-Ratio-Schaetzers (fuehrender O(1/N)-Bias; hier exponential-family-exakt ausgewertet: bias ~ (1+chi^2)(tanh K_t - tanh(2K_t-K_p))/N).
  • Geschlossene chi^2-Form der offenen 1D-Ising-Kette: Z(K) = 2(2 cosh K)^{L-1} (Bond-Faktorisierung) => 1+chi^2 = [cosh(2K_t-K_p) cosh(K_p)/cosh^2(K_t)]^{L-1}; in tests/test_snis.py gegen vollstaendige 2^8-Enumeration verifiziert (KEIN Self-Check).

Phase-6-real: snis.py (G39–G41), surrogate.py (G42–G43), checkpoint.py (G44–G45); Artefakt results/phase6-snis-surrogate-checkpoint.json; Selftest 45/45. Der Append vom 2026-06-19 ("WEITERHIN OFFEN: SNIS + Surrogate + Checkpoint/Lockfile") ist damit abgearbeitet; weiterhin offen: Defensive Mixture, SNIS auf 2D/RBIM-Targets, DA×Adaptation, MMD-Drift.

Audit-Härtung (Korrektheit, gleiche PR): zell-eigene Seeds in QEC-Sweeps (vorher EIN Seed fuer alle (n,p)-Zellen -> rangkorrelierte Kurven), Jeffreys-regularisierte std_err (k=0-Zellen waren unfalsifizierbar, n_sigma=0), mcrg-n_sigma auf SEM (vorher sqrt(8) zu lax), R-hat/ESS bei konstanten Ketten mit verschiedenen Mitteln -> inf/0 statt "converged", RunManifest-Validierung, rg_map-dtype-Fix, G3-Gate non-vakuoes. Betroffene regenerierte Artefakte: results/phase2-swendsen.json, results/qec-diagnostics-rep-code.json, results/qec-fit-diagnostics-rep-code.json, results/qec-surface-mwpm.json, results/selftest.json.

Claude Code | 2026-08-09 | Phase-6-Append | Reality-Anchor: dev/Prototyp, bounded orakel-validiert, nicht selbst-zertifiziert