FlyDoom · MaleCNS · descending layer → Fourier actuator

FlyDoom Fourier

A mosca vê uma arena 3D deformável. O conectoma MaleCNS processa o quadro; 1.314 neurônios descendentes formam um espaço latente de controle: 1.311 canais alimentam até 4.096 atuadores de Fourier, e 3 meta-atuadores controlam translação X/Z e resolução da grid. O usuário controla separadamente o número de atuadores e a resolução física da grid, além da complexidade do target. Current e target têm a mesma transformação X/Z. Eles não competem: ambos podem crescer; o custo científico aparece na carga de controle imposta aos 1.314 DNs. Os três meta-atuadores ficam fora da interpolação de shape e controlam translação X/Z e resolução efetiva da grid dentro do teto definido pelo usuário.

Carregando MaleCNS…

Arena morfológica

azul = ambiente atual · violeta = shape-alvo
CURRENT SURFACE TARGET GHOST HIT ≥ 97% → TARGET RELOCATES
reward Δ precision (exp)
0.000
shape match
0.000
grid mismatch RMS
0.000
h ∇f ∇l κ n s
reward regional
0.000
best
0.000
hits
0
control load
0.19×
grid actuator
0.00
translation
0,0 → 0,0
MaleCNS step
—
Contrato científico do demo. A recorrência é o MaleCNS compactado já usado pelo FlyDoom. A visão egocêntrica, a aferência artificial de erro morfológico espacial e o decoder 1.314 DN → 1.311 latentes de shape + 3 meta-atuadores → N Fourier são artificiais. N é controlável entre 16 e 4.096 nesta demo e pode exceder o número de DNs por interpolação. A resolução física da grid é um parâmetro independente (16×16 a 128×128): grid e atuadores podem crescer simultaneamente. O usuário define o teto da grid; três meta-atuadores descendentes controlam translação X/Z da superfície atual e a resolução efetiva durante a tarefa. O target usa exatamente o mesmo espaço de translação. A razão N / 1.311 é exibida como control load; quando ela cresce, o mesmo espaço descendente precisa coordenar mais graus de liberdade. O shape match é calculado no estado Fourier completo e na translação, com termo de pior modo; não por uma grade esparsa de pontos, impedindo aliasing/reward hacking por picos entre amostras. Cada modo também tem orçamento de amplitude e velocidade que decai com a frequência, além de um orçamento global de energia espectral ajustado ao próprio target para impedir empilhamento de centenas de modos sem tornar o alvo inalcançável. O conectoma fica congelado; o desalinhamento entra como aferência sensorial local multicanal. Em cada uma das 32 regiões a mosca recebe separadamente diferença de altura, inclinação na direção do olhar, inclinação lateral, curvatura, ângulo entre normais e magnitude da inclinação; populações aferentes distintas codificam feature e sinal no mesmo local. O worsening amplifica esse desconforto. Essas estatísticas diferenciais são atualizadas no passo sensorial (~14 Hz), enquanto a dinâmica mecânica continua no frame rate visual, evitando custo excessivo de derivadas em dispositivos móveis. O reward global combina um pequeno backbone linear de progresso com a diferença temporal de uma potencial exponencial de precisão, calibrada para saturar no limiar de HIT. O backbone mantém sinal de aprendizagem quando o shape ainda está longe; a componente exponencial domina perto de 97%, fazendo a mesma melhora de match valer cada vez mais. Uma regressão recebe penalidade simétrica e exponencialmente maior perto do alvo; ficar parado não rende reward. Cada uma das 32 regiões usa o mesmo princípio sobre o erro local, projetado de volta aos modos/latentes que influenciam a região. Só o readout descendente aprende, por uma atualização reward-modulated sobre os DNs individuais. O cruzamento de 97% ainda recebe um bônus único. Ao atingir o limiar, o mesmo target é realocado automaticamente para outra posição aleatória da arena sem resetar a política; isso não implica que a mosca biológica conheça Fourier nem o conceito do alvo.