AIMP — Protocolo de Malla de IA

Un protocolo de red experimental y sin servidor para la sincronización de estado resiliente entre agentes autónomos en redes fragmentadas y de bajo ancho de banda. Construido sobre Merkle-CRDTs e identidad criptográfica — sin autoridad central, sin DNS global, siempre escribible.

Artículos

#	Versión	Título	Enlace
1	v0.1.0	Protocolo Merkle-CRDT (L1/L2)	ResearchGate
2	v0.2.0	Capa Epistémica (L3)	ResearchGate
3	v0.3.0	Agregación Consciente de Correlación (L3)	ResearchGate
4	v0.4.0	Topologías Semánticas Deterministas (L3)	ResearchGate

Perfiles del autor: ResearchGate · ResearchHub

Pila de Protocolo

Capa	Versión	Propósito
L1/L2	v0.1.0	CRDT Merkle-DAG, firma Ed25519, transporte Noise Protocol, quórum BFT
L3	v0.2.0	Capa Epistémica: log-odds enteros, propagación de confianza en dos pasos, reputación resistente a Sybil
L3	v0.3.0	Agregación Consciente de Correlación: descuento geométrico para sensores/LLMs correlacionados
L3	v0.4.0	Topologías Semánticas Deterministas: generación autónoma de aristas mediante SimHash de 256 bits

Novedades

v0.4.0 — Topologías Semánticas Deterministas

L3 v0.3.0 requería que las aplicaciones construyeran manualmente el grafo de conocimiento (aristas de Apoya/Contradice). v0.4.0 elimina este cuello de botella con la generación autónoma de aristas:

Las afirmaciones llevan un QuantizedEmbedding([u64; 4]) opcional — un SimHash de 256 bits calculado del lado de la aplicación a partir de un modelo de embedding canónico.
En cada límite de época, el protocolo calcula distancias de Hamming por pares (XOR + popcount, ~1 ns por par) y emite aristas de Apoya para pares cercanos (d <= 30 bits) y de Contradice para pares lejanos (d >= 200 bits).
La fuerza de la arista escala linealmente con la distancia en puntos base (d=0 → 10000 pb, d=30 → 1000 pb).
Un límite max_k_nearest acota la densidad de aristas a O(N), evitando la explosión de la propagación de confianza.
embedding_version: u32 aísla espacios latentes disjuntos para actualizaciones de modelo a nivel de protocolo.
Las auto-aristas se materializan mediante gossip L2, sobreviviendo al GC mediante Enrutamiento Holográfico.
Zona muerta (31-199 bits) huérfana de afirmaciones ambiguas — aislamiento epistemológicamente correcto.

// Descubrimiento autónomo de verdad: 10,000 afirmaciones → escaneo de 50 ms, aristas O(N)
// Sin flotantes. Sin coordinación. Sin autoridad central.
let edges = auto_edge_generator.generate_edges(&epoch_claims);

v0.3.0 — Agregación de Creencia Consciente de Correlación

L3 v0.2.0 asume que todas las fuentes de evidencia son estadísticamente independientes (Naive Bayes). Esto produce hiperconfianza patológica cuando sensores físicamente correlacionados (ej., 100 dispositivos IoT en el mismo tejado) o agentes semánticamente correlacionados (ej., LLMs ajustados en el mismo conjunto de datos) reportan observaciones concordantes.

v0.3.0 introduce Descuento de Correlación por Celda de Cuadrícula:

Cada afirmación lleva un CorrelationCell(u64) opcional — una coordenada discreta para proximidad espacial, semántica o temporal.
Dentro de cada celda, la evidencia se ordena por fuerza y se descuenta geométricamente: la fuente más fuerte retiene el 100% del peso; cada fuente subsiguiente recibe discount_bps^rank / 10000^rank (por defecto 30%).
Con un descuento del 30%, N sensores correlacionados convergen a ~1.42x la evidencia de un solo sensor — independientemente de N. El enfoque ingenuo produciría amplificación Nx.
El desafío de asociatividad CRDT (la decadencia geométrica no es asociativa a través de fusiones parciales) se resuelve arquitectónicamente: la reducción de época agrupa por (temporal_grid, fingerprint, correlation_cell), garantizando cómputo atómico sobre el conjunto completo.
Las afirmaciones con correlation_cell: None se comportan idénticamente a v0.2.0 (regresión cero).
Toda la aritmética es solo de enteros (i32/i64, puntos base). Sin flotantes. Listo para ZK.

// 100 sensores co-ubicados, 70% de confianza cada uno:
// v0.2.0 (ingenuo):  100 × 847 = 84,700 mili-log-odds → ~100% (hiperconfiado)
// v0.3.0 (30%):    847 × Σ(0.3^i) ≈ 1,207 mili-log-odds → ~77% (realista)

Arquitectura

aimp_node/          Implementación de referencia en Rust (miembro del espacio de trabajo Cargo)
  src/
    crdt/           Motor Merkle-DAG, modelo de actor, asignador de arena, consenso de quórum
    crypto/         Identidad Ed25519, hash BLAKE3, firewall de confianza cero
    network/        Gossip UDP, sesiones Noise Protocol XX, limitación de frecuencia por par
    protocol/       Formato de cable (MessagePack), enumeración de payloads tipados
    epistemic.rs    Capa Epistémica L3 (v0.3.0): log-odds, propagación de confianza, descuento de correlación
    semantic_topology.rs  Topología Semántica L3 (v0.4.0): embeddings SimHash, generación automática de aristas
    decision_engine.rs  Motor de decisión determinista conectable (trait + motor de reglas + recarga en caliente)
    error.rs        Jerarquía unificada de tipos AimpError
    dashboard/      TUI con Ratatui
    config.rs       Configuración dinámica con validación
    event/          Registro estructurado + métricas Prometheus (contadores + histogramas)
  tests/            Pruebas de integración
  benches/         Puntos de referencia Criterion
aimp_testbed/       SDK de Python (aimp-client) + herramienta CLI + pruebas de caos
deploy/             Servicio systemd, microVM Firecracker, script de instalación
formal/             Especificación de convergencia TLA+, seguridad de quórum y convergencia de creencias
docs/               Artículo 1 (fuente Typst + PDF)
v0.2.0/             Artículo 2: Capa Epistémica (fuente Typst + PDF)
v0.3.0/             Artículo 3: Agregación Consciente de Correlación (fuente Typst + PDF)

Ventajas Estratégicas

Característica	AIMP (Merkle-CRDT)	Tradicional (Raft/Paxos)
Topología	Malla P2P / Descentralizado	Líder / Quórum
Disponibilidad	AP (Siempre Escribible)	CP (Requiere Mayoría)
Ordenamiento	Causal (Relojes Vectoriales)	Total (Secuencial)
Integridad	Criptográfico (Merkle-DAG)	Basado en registros
Hardware	Optimizado para Edge/IoT	Grado Centro de Datos

aimp

Más Populares