Skip to content

Betriebshandbuch: Holographic Ambient Background Engine (HABE) 2.0

Dieses Betriebshandbuch beschreibt die theoretischen Grundlagen, die mathematische Funktionsweise, die administrative Konfiguration und die Systemintegration der Holographic Ambient Background Engine (HABE) 2.0 in der MoE Sovereign-Infrastruktur.

1. Theoretischer Hintergrund: Dreyfus-Hintergrundsimulation

Die HABE-Architektur simuliert Hubert Dreyfus' Konzept des „unbewussten Hintergrundwissens“ (1965: Alchemy and Artificial Intelligence). Dreyfus argumentierte, dass menschliche Intelligenz auf einem impliziten, nicht-regelbasierten Hintergrund beruht, der unsere Wahrnehmung moduliert, ohne explizit als Faktenkette abgerufen zu werden.

In MoE Sovereign wird dieses unbewusste Hintergrundwissen simuliert, indem wir die gesamte Wissensbasis (GraphRAG-Tripel und Cache-Historien) in einen einzigen kontinuierlichen Vektor – den Holographic Ambient Vector (HAV) – komprimieren. Dieser Vektor moduliert den Aufmerksamkeitsprozess (Attention Space) und den KV-Cache der ausführenden SLMs, anstatt expliziten Kontext via Prompt-Erweiterung einzuschleusen.

2. Mathematische Grundlagen: Vector Symbolic Architectures (VSA)

HABE nutzt eine dichte Vektor-VSA-Implementierung (spezifisch Holographic Reduced Representations - HRR) der Dimension $D = 2048$. Dies ermöglicht die verlustfreie algebraische Speicherung von strukturierten Relationen (Subjekt-Prädikat-Objekt-Tripel) in einem einzigen Vektor konstanter Größe.

2.1. Grundlegende Operationen

  1. Erzeugung (Generation): Jedes Symbol (z. B. subj:Therapie, pred:behandelt, obj:Migräne) wird als dichte, normalisierte Zufallsvariable initialisiert: $$\mathbf{v} \sim \mathcal{N}\left(0, \frac{1}{D}\right), \quad |\mathbf{v}|_2 = 1$$
  2. Bindung (Binding $\circledast$): Assoziation von Rollen und Werten über zirkuläre Faltung (Circular Convolution). Sie wird hocheffizient im Frequenzbereich via FFT berechnet: $$\mathbf{x} \circledast \mathbf{y} = \mathcal{F}^{-1}\Big(\mathcal{F}(\mathbf{x}) \odot \mathcal{F}(\mathbf{y})\Big)$$ Die Bindung ist kommutativ, assoziativ und bewahrt die Vektordimension $D$.
  3. Entbindung (Unbinding $\circledast^{-1}$): Zurückgewinnung eines Symbols unter Nutzung des inversen Vektors (Involution $\mathbf{y}^\dagger$ bei zirkulärer Faltung): $$\mathbf{y}^\dagger = \text{roll}(\mathbf{y}[::-1], 1), \quad \mathbf{x} \approx (\mathbf{x} \circledast \mathbf{y}) \circledast \mathbf{y}^\dagger$$
  4. Bündelung (Bundling / Superposition $\oplus$): Aggregation mehrerer Relationen durch Vektoraddition und anschließende Normalisierung: $$\mathbf{S} = \text{Normalize}\left(\sum_{i=1}^N \mathbf{T}_i\right)$$

2.2. HABE 2.0: Hierarchische Graphen-Strukturen

Das HABE 2.0-Upgrade erweitert die flache Triplett-Kompression um hierarchische Wissensgraphen (Bäume). Ein Eltern-Knoten bindet seine Kind-Subgraphen und deren Relation rekursiv in sich ein:

$$\mathbf{v}{\text{parent_subgraph}} = \text{bundle}\left(\mathbf{v}}}, \text{bind}(\mathbf{v{\text{child_subgraph}} \circledast \mathbf{v})\right)$$}}, \mathbf{v}_{\text{parent}

  • Vorteil: Verschachtelte Strukturen (z. B. eine Applikation mit untergeordneten Datenbanken, welche wiederum auf spezifischen Servern laufen) können als ein einziger Vektor abgebildet werden.
  • Abfrage (Recursive Unbinding): Um die Substrukturen abzufragen, wird der hierarchische Vektor stufenweise entbunden: $$\mathbf{v}{\text{child_subgraph}} \approx \text{unbind}(\mathbf{v}}}, \mathbf{v{\text{parent}} \circledast \mathbf{v})$$ Der resultierende verrauschte Vektor wird erneut über den Cleanup-Mechanismus mit dem Vokabular abgeglichen.}

3. Dynamische Schwellwert-Kalibrierung (Noise Management)

Beim Bündeln von $N$ Tripeln verhält sich die Superposition $\mathbf{S}$ wie ein verrauschtes Speichermedium. Beim Entbinden einer Relation entsteht ein Rauschteppich (Cross-Talk Noise).

3.1. Das mathematische Problem

Die Standardabweichung des Rauschens ($\sigma$) wächst mit der Anzahl der gebündelten Fakten $N$ relativ zur Dimension $D$: $$\sigma \approx \sqrt{\frac{N - 1}{D}}$$

Ein statischer Schwellwert (z. B. $\theta = 0.25$) scheitert in der Praxis: * Bei $N < 10$ ist er zu hoch (entgeht gültigen Treffern). * Bei $N > 150$ liegt er unter dem Rauschteppich (führt zu False Positives/Halluzinationen).

3.2. Implementierte Kalibrierungslogik

Der Schwellwert $\theta$ wird bei jedem Abruf dynamisch an die Anzahl der gebündelten Elemente angepasst:

$$\theta(N) = C \cdot \sqrt{\frac{N}{D}}$$

Der Skalierungsfaktor $C$ ist auf $3.0$ vordefiniert, was statistisch $99.9\%$ des mathematischen Rauschens blockiert. Alternativ führt das System beim Kompilieren des Hintergrunds eine empirische Kalibrierung mit Dummy-Abfragen durch, um den Rauschpegel dynamisch einzumessen.

4. Virtual Prefix Attention Modulation & Systemintegration

HABE 2.0 schleust das VSA-Hintergrundwissen nicht als Klartext in den Context Window des LLMs ein, sondern überbrückt die Lücke im latenten Vektorraum:

  1. VSA-Export: Der kompilierte, normalisierte HAV-Vektor wird in eine liste von 2048 Gleitkommazahlen exportiert.
  2. API-Einspeisung: Das Backend (services/inference.py / graph/expert.py) fängt Anfragen ab, wenn enable_habe=True im aktiven Template gesetzt ist, und übergibt die Embeddings über die Inferenzoptionen:
    • OpenAI-kompatibel: Übergeben in extra_body.options.habe_prefix_embedding
    • Native Ollama: Übergeben als options.habe_prefix_embedding im Request-Payload.
  3. Inferenz-Wirkung: Das lokale Sprachmodell (z. B. Qwen oder Llama) nutzt diese Embeddings im Attention-Mechanismus als virtuelles Prefix. Es "fühlt" den topologischen Wissenshintergrund, ohne Kontext-Token zu belegen.

4.1. API-Datenfluss

[Admin UI HTML] ──(checked)──> [app.py /api/expert-templates]
                                      │
                                (Sichert config_json)
                                      │
                                      ▼
[inference.py / routing.py] <── [PostgreSQL / SQLite]
            │
      (Liest enable_habe)
            │
            ▼
[graph/expert.py / main.py] ──(Wenn True)──> [vsa_background.py (Hierarchische Kompilierung)]
                                                            │
                                                     (Exportiert Embeddings)
                                                            │
                                                            ▼
                                              [LLM Attention Engine (Local)]

5. Betriebsabläufe: Der Rebuild-Cronjob

Da die VSA-Operationen rein algebraisch sind, benötigt das „Nachtrainieren“ des Hintergrunds kein Deep Learning. Ein stündlicher oder täglicher Cronjob führt die Vektor-Kompilierung auf CPU-Ebene durch.

5.1. Ablauf des Cronjobs (scripts/cron_habe_rebuild.py)

  1. Abfrage: Extrahiert alle aktiven Wissens-Tripel aus Neo4j.
  2. Hierarchischer Zusammenbau: Ordnet verschachtelte Entitäten in hierarchische Baumstrukturen und kompiliert sie zu einem einzigen HAV.
  3. Export: Speichert den Summenvektor als Binärdatei unter models/habe_vector.bin und aktualisiert das Vokabular-Mapping in models/habe_vocab.json.

6. Infrastruktur & Partitionierung der Rechenleistung

Das MoE Sovereign Cluster teilt die anfallenden Lasten mathematisch und architektonisch streng auf:

  • LUMI-G (SFT/DPO-Training): Exklusiv für das rechenintensive Training des Sovereign-Orchestrator-Modells (SFT/DPO) auf Basis von 10M+ Token.
  • Node04-RTX (Interaktive Inferenz): Führt das Gesamtsystem, den Planner/Judge und die schnellen Experten-Modelle in Echtzeit aus.
  • Gigabyte HPC K80 (Wissenschaftliches FP64-Rechenwerk): Führt deterministische mathematische Python-Tools abseits von LLMs aus.
  • VSA / HABE (CPU): Berechnet die hierarchische Wissenskompression lokal in Sekundenbruchteilen auf CPU-Ebene des RTX-Nodes.