QUE_ES_MATERIA_HSAQ.md

# M.A.T.E.R.I.A. y HSAQ — ¿Qué es y qué NO es?

Documento de referencia (v2.0, 2026). Alineado con la charla del autor en el
**I Congreso IA-LATAM 2026** y su whitepaper oficial.

> 🎬 https://www.youtube.com/watch?v=azJURypb3xo · 📄 https://comunidadialatam.org/blog/materia-hsaq-ciberseguridad

---

## M.A.T.E.R.I.A.

### Qué es ✅

**M.A.T.E.R.I.A.** (*Multi-Agentic Toroidal Engine for Recursive Intelligent
Analysis*) es una **arquitectura**, no un modelo.

- Un **HUB** central en el centro de un toroide que orquesta el sistema.
- Un **anillo de ranuras** donde se montan agentes especializados (audio, voz,
  imagen, video, LLM, SSM, módulos personalizados…), sin límite fijo.
- **Contexto compartido y persistente** entre todos los agentes (el "análisis
  recursivo inteligente").
- Arquitectura **anidable**: cada ranura puede contener otro M.A.T.E.R.I.A.
  completo → sistemas de sistemas.

La inteligencia emerge de la **cooperación de agentes sobre contexto
compartido**, no de un monolito cada vez más grande.

### Qué NO es ❌

- **NO es un modelo único monolítico.** No es "otro LLM gigante".
- **NO es la suma de los modelos que contiene.** El valor está en la orquestación
  y el contexto compartido, no en un solo checkpoint.
- **M.A.T.E.R.I.A. V4** (el modelo de 140.9M parámetros, JEPA-First/SCA) es un
  **prototipo construido dentro de esta filosofía**, no la definición de MATERIA.
- **NO requiere un hardware específico**: la ranura del HUB acepta cualquier
  modelo, y las ranuras son configurables.

---

## HSAQ

### Qué es ✅

**HSAQ** (*Hyper Sparse Adaptive Quantization*) es un mecanismo de
**cuantización y poda adaptativa por activaciones**.

- **Umbral dinámico** por lote (`kthvalue`): silencia las activaciones
  inactivas de cada batch.
- **Máscaras aprendibles**: el modelo *aprende cuándo cortar y cuándo no*
  (poda sináptica, como el cerebro).
- **Gradiente STE** (Straight-Through Estimator): el gradiente atraviesa la
  máscara; la poda es entrenable/autorregulada.
- **Optimización de VRAM**: SGD Nesterov con máscaras adaptativas, 4 bytes por
  parámetro (vs 8 de AdamW). Entrenamiento 1.33B: **24.8 → 10.07 GB VRAM (−59.4%)**.
- **Sin calibración**: no requiere datasets externos ni pasos post-entrenamiento.
- **Hardware-agnostic**: solo operaciones de torch (CPU/GPU/TPU).

### Qué NO es ❌

- **NO es cuantización de pesos.** No es INT8, no es INT4, no es GPTQ, AWQ ni
  bitsandbytes.
- **NO opera sobre pesos**: opera exclusivamente sobre **activaciones**
  (las reduce a `{0, valor}` con una máscara binaria).
- **NO es un optimizador clásico** tipo AdamW con momentos; es un
  regularizador/podador adaptativo que sustituye el gasto de memoria del
  optimizer.
- **NO requiere calibración** (a diferencia de GPTQ/AWQ/TurboQuant).

---

## HSAQ v2 — extensión experimental (apartado)

> ⚠️ **No confundir con HSAQ core.** HSAQ v2 es una **extensión experimental**
> del paper de M.A.T.E.R.I.A. V4, **separada** de la definición de HSAQ.

**Qué es** ✅: extiende HSAQ añadiendo **cuantización real de pesos**
(INT8/INT4 mixto), además de la máscara de activaciones; QAT-style (entrenable),
con propiedad extra de protección contra ataques de canal lateral
(side-channel) por oscurecimiento del acceso a memoria.

**Qué NO es** ❌: no es la definición core de HSAQ; es una línea de
investigación aparte (ver paper M.A.T.E.R.I.A. V4, §2.4 y §6).

| | HSAQ (core) | HSAQ v2 (experimental) |
|---|---|---|
| Máscara de activaciones | ✅ | ✅ |
| Cuantización de pesos INT8/INT4 | ❌ | ✅ |
| Definido en la charla IA-LATAM | ✅ | ❌ (solo paper) |
| Estado | Estándar v1.0 | Extensión experimental |

---

## Referencias

- Charla: https://www.youtube.com/watch?v=azJURypb3xo
- Whitepaper: https://comunidadialatam.org/blog/materia-hsaq-ciberseguridad
- Estándar HSAQ: `HSAQ_STANDARD.md`
- Paper M.A.T.E.R.I.A. V4: `PAPER_CIENTIFICO_MATERIA_V4.md`

## Créditos

**Jesús Antonio Zárate Hernández** (MethodWhite, Chile). M.A.T.E.R.I.A. Research © 2026.

Si te sirve, invítame un café ☕ → **https://buymeacoffee.com/methodwhite**