AIMP — Protocolo de Malha de IA

Um protocolo de rede experimental e sem servidor para sincronização resiliente de estado entre agentes autónomos em redes fragmentadas e de baixa largura de banda. Construído sobre Merkle-CRDTs e identidade criptográfica — sem autoridade central, sem DNS global, sempre gravável.

Artigos

#	Versão	Título	Ligação
1	v0.1.0	Protocolo Merkle-CRDT (L1/L2)	ResearchGate
2	v0.2.0	Camada Epistémica (L3)	ResearchGate
3	v0.3.0	Agregação Sensível à Correlação (L3)	ResearchGate
4	v0.4.0	Topologias Semânticas Determinísticas (L3)	ResearchGate

Perfis dos autores: ResearchGate · ResearchHub

Pilha de Protocolos

Camada	Versão	Propósito
L1/L2	v0.1.0	Merkle-DAG CRDT, assinatura Ed25519, transporte Noise Protocol, quórum BFT
L3	v0.2.0	Camada Epistémica: log-odds inteiros, propagação de confiança em duas passagens, reputação resistente a Sybil
L3	v0.3.0	Agregação Sensível à Correlação: desconto geométrico para sensores/LLMs correlacionados
L3	v0.4.0	Topologias Semânticas Determinísticas: geração autónoma de arestas via SimHash de 256 bits

Novidades

v0.4.0 — Topologias Semânticas Determinísticas

A L3 v0.3.0 exigia que as aplicações construíssem manualmente o grafo de conhecimento (arestas Supports/Contradicts). A v0.4.0 elimina este estrangulamento com geração autónoma de arestas:

As afirmações transportam um QuantizedEmbedding([u64; 4]) opcional — um SimHash de 256 bits calculado do lado da aplicação a partir de um modelo de embedding canónico.
Em cada fronteira de época, o protocolo calcula distâncias de Hamming emparelhadas (XOR + popcount, ~1 ns por par) e emite arestas Supports para pares próximos (d <= 30 bits) e arestas Contradicts para pares distantes (d >= 200 bits).
A força da aresta escala linearmente com a distância em pontos base (d=0 → 10000 bps, d=30 → 1000 bps).
Um limite max_k_nearest limita a densidade de arestas a O(N), prevenindo a explosão da propagação de confiança.
embedding_version: u32 isola espaços latentes disjuntos para atualizações de modelo ao nível do protocolo.
As arestas automáticas são materializadas via gossip L2, sobrevivendo ao GC via Holographic Routing.
A zona morta (31-199 bits) órfã as afirmações ambíguas — isolamento epistemologicamente correto.

// Autonomous truth discovery: 10,000 claims → 50 ms scan, O(N) edges
// No floats. No coordination. No central authority.
let edges = auto_edge_generator.generate_edges(&epoch_claims);

v0.3.0 — Agregação de Crenças Sensível à Correlação

A L3 v0.2.0 assume que todas as fontes de evidência são estatisticamente independentes (Naive Bayes). Isto produz hiper-confiança patológica quando sensores fisicamente correlacionados (por exemplo, 100 dispositivos IoT no mesmo telhado) ou agentes semanticamente correlacionados (por exemplo, LLMs afinados no mesmo conjunto de dados) reportam observações concordantes.

A v0.3.0 introduz Desconto de Correlação por Célula de Grelha:

Cada afirmação transporta um CorrelationCell(u64) opcional — uma coordenada discreta para proximidade espacial, semântica ou temporal.
Dentro de cada célula, a evidência é classificada por força e descontada geometricamente: a fonte mais forte retém 100% do peso; cada fonte subsequente recebe discount_bps^rank / 10000^rank (predefinição 30%).
Com 30% de desconto, N sensores correlacionados convergem para ~1,42x a evidência de um único sensor — independentemente de N. A abordagem ingénua produziria uma amplificação de Nx.
O desafio da associatividade do CRDT (o decaimento geométrico é não-associativo entre fusões parciais) é resolvido arquiteturalmente: a redução por época agrupa por (temporal_grid, fingerprint, correlation_cell), garantindo computação atómica sobre o conjunto completo.
~~Afirmações com correlation_cell: None comportam-se de forma idêntica à v0.2.0 (regressão zero).~~ Substituído — ver abaixo.
Toda a aritmética é apenas inteira (i32/i64, pontos base). Sem floats. Pronto para ZK.

Alteração disruptiva na v0.5.0. correlation_cell: None já não significa "independente, peso total". Ocultar o campo era estritamente vantajoso — medido, a ocultação compensava 70,3x em relação à divulgação honesta, pelo que um participante racional nunca declarava uma célula e o desconto acima era trivialmente contornado. A independência deve agora ser substanciada em vez de afirmada: a independência não verificada é limitada, enquanto a independência apoiada por um cluster de embedding distinto continua a acumular com peso total. Ver a secção L3 em Novidades e aimp_node/tests/insider_asymmetry.rs.

// 100 co-located sensors, 70% confidence each:
// v0.2.0 (naive):  100 × 847 = 84,700 milli-log-odds → ~100% (hyper-confident)
// v0.3.0 (30%):    847 × Σ(0.3^i) ≈ 1,207 milli-log-odds → ~77% (realistic)

Arquitetura

aimp_node/          Rust reference implementation (Cargo workspace member)
  src/
    crdt/           Merkle-DAG engine, actor model, arena allocator, quorum consensus
    crypto/         Ed25519 identity, BLAKE3 hashing, zero-trust firewall
    network/        UDP gossip, Noise Protocol XX sessions, per-peer rate limiting
    protocol/       Wire format (MessagePack), typed payload enum
    epistemic.rs    L3 Epistemic Layer (v0.3.0): log-odds, trust propagation, correlation discounting
    semantic_topology.rs  L3 Semantic Topology (v0.4.0): SimHash embeddings, auto-edge generation
    decision_engine.rs  Pluggable deterministic decision engine (trait + rule engine + hot-reload)
    error.rs        Unified AimpError type hierarchy
    dashboard/      Ratatui TUI
    config.rs       Dynamic configuration with validation
    event/          Structured logging + Prometheus metrics (counters + histograms)
  tests/            Integration tests
  benches/          Criterion benchmarks
aimp_testbed/       Python SDK (aimp-client) + CLI tool + chaos testing
deploy/             Systemd service, Firecracker microVM, install script
formal/             TLA+ convergence + quorum safety + belief convergence specification
docs/               Paper 1 (Typst source + PDF)
v0.2.0/             Paper 2: Epistemic Layer (Typst source + PDF)
v0.3.0/             Paper 3: Correlation-Aware Aggregation (Typst source + PDF)

aimp

Mais Populares