metadata
license: apache-2.0
datasets:
- HuggingFaceFW/finetranslations
language:
- en
- es
metrics:
- accuracy
base_model:
- nvidia/personaplex-7b-v1
new_version: nvidia/personaplex-7b-v1
library_name: adapter-transformers
tags:
- code
- chemistry
⚛️ QuoreMind v1.0.0
Sistema Metripléctico Cuántico-Bayesiano
🧭 Visión General
QuoreMind es un framework analítico de vanguardia diseñado para modelar y predecir la evolución de sistemas cuánticos abiertos mediante la integración de:
- 🔷 Dinámica Metripléctica (reversible + disipativa)
- 🔴 Lógica Bayesiana Cuántica
- 🟢 Ruido Probabilístico de Referencia (PRN)
- ⚪ Entropía de von Neumann
- 🔵 Corchetes de Poisson
Aplicaciones Clave
✅ Detección forense de anomalías en información cuántica
✅ Mitigación de ataques HN/DL (Harvest Now, Decrypt Later)
✅ Modulación de fase cuasiperiódica para criptografía dinámica
✅ Análisis de decoherencia cuántica y entrelazamiento
✅ Optimización de estados cuánticos resistentes a ruido
✨ Características Clave
🔷 Estructura Nativamente Cuántica
| Característica | Descripción | Impacto en Seguridad |
|---|---|---|
Operador Áureo Ô_n |
Modula fase cuasiperiódica y paridad del sistema | Ancla estados a secuencia no trivial → Cifrado dinámico robusto |
Entropía von Neumann S(ρ) |
Métrica fundamental para medir desorden y entrelazamiento | Base para cuantificar decoherencia esperada vs. anómala |
Distancia Mahalanobis Cuántica D_M |
Desviación estructural respecto a PRN esperado | D_M alta → Indicador potencial de intrusión |
🔶 Arquitectura Metripléctica
Fusiona reversibilidad y disipación (análogo a Ecuación de Lindblad):
df/dt = {f, H} + [f, S]_M
Parte reversible: {f, H} (Corchetes de Poisson)
Parte disipativa: [f, S]_M (Matriz métrica M)
| Componente | Función |
|---|---|
| Corchetes de Poisson | Dinámica reversible (Hamiltoniana) |
| Matriz Métrica M | Modela disipación e irreversibilidad |
🔴 Lógica Bayesiana y PRN
- PRN: Modela ruido ambiental estocástico esperado
- Inferencia Bayesiana: Calcula probabilidad posterior para decisiones binarias óptimas
- Coherencia Dinámica: Parámetro adaptativo basado en estado del sistema
🏗️ Arquitectura del Proyecto
Estructura de Clases
VonNeumannEntropy
├─ compute_von_neumann_entropy() [Cálculo cuántico]
├─ density_matrix_from_state() [Construcción ρ]
└─ mixed_state_entropy() [Mezclas estadísticas]
PoissonBrackets
├─ poisson_bracket() [Estructura simpléctica]
└─ liouville_evolution() [Ecuación de Liouville]
MetriplecticStructure
├─ metriplectic_bracket() [Corchete metriplexico]
└─ metriplectic_evolution() [Evolución híbrida]
BayesLogic
├─ calculate_posterior_probability() [Teorema de Bayes]
├─ calculate_joint_probability() [Probabilidades conjuntas]
└─ calculate_probabilities_and_select_action() [Decisión final]
QuantumBayesMahalanobis (extends BayesLogic)
├─ compute_quantum_mahalanobis() [Distancia vectorizada]
├─ quantum_cosine_projection() [Proyecciones coseno]
└─ predict_quantum_state() [Predicción de estado]
PRN / EnhancedPRN
├─ adjust_influence() [Modulación de ruido]
├─ combine_with() [Combinación de PRN]
└─ record_quantum_noise() [Registro de anomalías]
QuantumNoiseCollapse (core)
├─ simulate_wave_collapse_metriplectic() [Simulación principal]
├─ objective_function_with_noise() [Función objetivo]
└─ optimize_quantum_state() [Optimización Adam]
🚀 Instalación y Requerimientos
Requisitos Previos
- Python 3.9+
- pip o conda
Instalación
# Clonar repositorio
git clone https://github.com/tlacaelel666/QuoreMind-Metiplectic.git
cd quoremind
# Instalar dependencias
pip install numpy tensorflow tensorflow-probability scikit-learn scipy
# (Opcional) Crear entorno virtual
python -m venv venv
source venv/bin/activate # En Windows: venv\Scripts\activate
Dependencias
numpy >= 1.21.0
tensorflow >= 2.10.0
tensorflow-probability >= 0.19.0
scikit-learn >= 1.0.0
scipy >= 1.7.0
📖 Uso Básico
Ejemplo 1: Cálculo de Entropía von Neumann
from quoremind import VonNeumannEntropy
import numpy as np
# Crear estado puro de Bell
state = np.array([1/np.sqrt(2), 1/np.sqrt(2)])
density_matrix = VonNeumannEntropy.density_matrix_from_state(state)
# Calcular entropía (normalizada a [0, 1])
entropy = VonNeumannEntropy.compute_von_neumann_entropy(
density_matrix,
state # sigmoid, tanh, log_compression, min_max, clamp
)
print(f"Entropía von Neumann: {entropy:.6f}") # Debe oscilar ∈ [0, 1]
Ejemplo 2: Análisis de Corchetes de Poisson
from quoremind import PoissonBrackets
import numpy as np
# Definir Hamiltoniano
H = lambda q, p: 0.5 * p**2 + 0.5 * q**2 # Oscilador armónico
# Definir observable
x = lambda q, p: q
# Calcular corchete de Poisson
q_val = np.array([1.0])
p_val = np.array([1.0])
bracket = PoissonBrackets.poisson_bracket(x, H, q_val, p_val)
print(f"{{x, H}} = {bracket:.6f}") # Debe ≈ p = 1.0
# Evolución de Liouville: dx/dt = {x, H}
df_dt = PoissonBrackets.liouville_evolution(H, x, q_val, p_val)
print(f"dx/dt = {df_dt:.6f}")
Ejemplo 3: Simulación de Colapso Metripléctico (Uso Completo)
from quoremind import (
QuantumNoiseCollapse,
VonNeumannEntropy
)
import numpy as np
# Inicializar sistema
collapse_system = QuantumNoiseCollapse(prn_influence=0.6)
# Crear estado cuántico de prueba
state = np.array([1/np.sqrt(2), 1/np.sqrt(2)])
density_matrix = VonNeumannEntropy.density_matrix_from_state(state)
quantum_states = np.random.randn(10, 2)
# Matriz métrica (disipación)
M = np.array([[0.1, 0.0], [0.0, 0.1]])
# Simular colapso con estructura metripléctica
result = collapse_system.simulate_wave_collapse_metriplectic(
quantum_states=quantum_states,
density_matrix=density_matrix,
prn_influence=0.6,
previous_action=1,
M=M
)
# Resultados
print(f"✓ Estado colapsado: {result['collapsed_state']:.6f}")
print(f"✓ Acción bayesiana: {result['action']}")
print(f"✓ Entropía Shannon (norm): {result['shannon_entropy_normalized']:.6f}")
print(f"✓ Entropía von Neumann: {result['von_neumann_entropy']:.6f}")
print(f"✓ Coherencia: {result['coherence']:.6f}")
print(f"✓ Distancia Mahalanobis: {result['mahalanobis_normalized']:.6f}")
print(f"✓ Evolución metripléctica: {result['metriplectic_evolution']:.6f}")
print(f"✓ Posterior bayesiana: {result['bayesian_posterior']:.6f}")
Ejemplo 4: Optimización de Estados Cuánticos
from quoremind import QuantumNoiseCollapse
import numpy as np
# Inicializar
collapse_system = QuantumNoiseCollapse(prn_influence=0.6)
# Estados iniciales aleatorios
initial_states = np.random.randn(5, 2)
target_state = np.array([0.8, 0.2])
# Optimizar hacia estado objetivo
optimized_states, final_loss = collapse_system.optimize_quantum_state(
initial_states=initial_states,
target_state=target_state,
max_iterations=100,
learning_rate=0.01
)
print(f"✓ Pérdida final: {final_loss:.6f}")
print(f"✓ Estados optimizados:\n{optimized_states}")
Ejemplo 5: Análisis de Anomalías con Mahalanobis
from quoremind import QuantumBayesMahalanobis
import numpy as np
# Inicializar
analyzer = QuantumBayesMahalanobis()
# Estados de referencia (distribución normal)
reference_states = np.random.randn(100, 2)
# Estados anómalos
anomalous_states = np.random.randn(10, 2) + np.array([3.0, 3.0])
# Calcular distancias de Mahalanobis
distances = analyzer.compute_quantum_mahalanobis(
reference_states,
anomalous_states
)
print(f"Distancias Mahalanobis (anomalías):")
for i, d in enumerate(distances):
print(f" Estado {i}: {d:.4f}")
# Umbral de detección (ejemplo: 3σ)
threshold = np.mean(distances) + 3 * np.std(distances)
anomalies = distances > threshold
print(f"\n✓ Anomalías detectadas: {np.sum(anomalies)}/{len(anomalies)}")
📊 Métricas y Normalizaciones
Normalización de Entropía
El framework ofrece 5 métodos para normalizar entropía a [0, 1]:
| Método | Fórmula | Caso de Uso |
|---|---|---|
| sigmoid | 1/(1+e^-S) |
✅ Recomendado (suave, diferenciable) |
| tanh | (tanh(S/2)+1)/2 |
Simétrico alrededor de 0.5 |
| log_compression | log(1+S)/log(1+max_S) |
Física estadística |
| min_max | S/log(dim) |
Teórico puro |
| clamp | min(S/max, 1.0) |
Rápido/simple |
Parámetros de Configuración
from quoremind import BayesLogicConfig
config = BayesLogicConfig(
epsilon=1e-6,
high_entropy_threshold=0.8, # Umbral de entropía alta
high_coherence_threshold=0.6, # Umbral de coherencia alta
action_threshold=0.5 # Umbral para acción bayesiana
)
🔍 Validación y Testing
El framework incluye validación automática:
# Validación de estructura metripléctica
# ✓ Ecuaciones de Hamilton se satisfacen
# ✓ dS/dt > 0 (producción de entropía positiva)
# ✓ Conservación de energía (parte reversible)
# Validación de convergencia (Adam)
# ✓ Loss disminuye monotónicamente
# ✓ Gradientes no explotan
# ✓ Estados convergen a objetivo
🧬 Ecuaciones Fundamentales
Entropía de von Neumann
S(ρ) = -Tr(ρ log ρ) = -Σ λᵢ log λᵢ
Corchetes de Poisson
{f, g} = (∂f/∂q)(∂g/∂p) - (∂f/∂p)(∂g/∂q)
Ecuación de Liouville
df/dt = {f, H}
Estructura Metripléctica
df/dt = {f, H} + [f, S]_M
donde:
- {f, H}: parte reversible (Hamiltoniana)
- [f, S]_M: parte disipativa (matriz métrica M)
Distancia de Mahalanobis
D_M = √[(x - μ)ᵀ Σ⁻¹ (x - μ)]
Teorema de Bayes
P(A|B) = P(B|A) × P(A) / P(B)
🎯 Casos de Uso Principales
1. Detección de Anomalías Cuánticas
# Detectar intrusión mediante Mahalanobis anómala
distances = analyzer.compute_quantum_mahalanobis(
reference_states,
observed_states
)
anomaly_detected = (distances > threshold).any()
2. Monitoreo de Decoherencia
# Rastrear decoherencia esperada vs. anómala
for cycle in range(n_cycles):
result = collapse_system.simulate_wave_collapse_metriplectic(...)
entropy = result['shannon_entropy_normalized']
mahal = result['mahalanobis_normalized']
# Si ambos son anormalmente altos → posible ataque
if entropy > 0.9 and mahal > 0.8:
log_alert("INTRUSION DETECTED")
3. Optimización de Cifrado Dinámico
# Generar estados objetivo resistentes a ruido
target = generate_secure_state()
optimized, loss = collapse_system.optimize_quantum_state(
initial_states=random_states,
target_state=target,
max_iterations=200
)
# Los estados optimizados resisten interferencia
4. Análisis Forense
# Estimar parámetro de no-localidad λ desde D_M anómala
lambda_estimate = estimate_nonlocality(anomalous_distances)
# Documentar en log forense
📈 Rendimiento y Complejidad
| Operación | Complejidad | Tiempo (aprox.) |
|---|---|---|
| Entropía von Neumann | O(n³) | ~0.1ms (n=2) |
| Corchete de Poisson | O(1) | ~0.05ms |
| Mahalanobis (vectorizado) | O(nm²) | ~1ms (n=100, m=2) |
| Optimización (100 iter) | O(nm²·iter) | ~500ms |
🐛 Troubleshooting
Error: ValueError: Argumento entropy debe estar entre 0.0 y 1.0
Solución: Usar normalización automática (ya implementada)
entropy_norm = 1.0 / (1.0 + np.exp(-entropy))
Error: Matriz de covarianza singular
Solución: El código usa pseudo-inversa automáticamente
inv_cov = np.linalg.pinv(cov_matrix) # Pseudo-inversa
Convergencia lenta en optimización
Solución: Aumentar learning_rate o max_iterations
optimized, loss = collapse_system.optimize_quantum_state(
initial_states=states,
target_state=target,
max_iterations=500, # ← Aumentar
learning_rate=0.05 # ← Aumentar
)
📚 Referencias y Documentación
- Dinámica Metripléctica: Morrison, P. J. (1986). "Structural, Hamiltonian, and Lagrangian Formulation"
- Entropía von Neumann: von Neumann, J. (1932). "Mathematical Foundations of QM"
- Ecuación de Lindblad: Lindblad, G. (1976). "On the Generators of QDynamical Semigroups"
- Distancia Mahalanobis: Mahalanobis, P. C. (1936). "On the Generalized Distance"
- Lógica Bayesiana: Bayes, T. (1763). "Essay Towards Solving a Problem"
🤝 Contribuciones
Las contribuciones son bienvenidas, especialmente en:
- 🔹 Integración de Polaridad del Vacío
η(r)como modulador de M - 🔹 Rastreo Forense Avanzado: Estimación de
λdesde anomalías - 🔹 Quantum Machine Learning: Optimización de función objetivo con QML
- 🔹 GPU Acceleration: Vectorización CUDA/ROCm
- 🔹 Interfaz Gráfica: Dashboard en tiempo real de métricas
📄 Licencia
Este proyecto está distribuido bajo la licencia Apache 2.0.
Copyright 2025 Jacobo Tlacaelel Mina Rodríguez
Licensed under the Apache License, Version 2.0
Ver LICENSE para detalles completos.
📞 Contacto y Soporte
- Autor: Jacobo Tlacaelel Mina Rodríguez
- Email: jakocrazykings@gmail.com
- Issues: GitHub Issues
- Documentación: Wiki
🎓 Cita Académica
Si usas QuoreMind en investigación, por favor cita:
@software{quoremind2025,
title={QuoreMind v1.0.0: Sistema Metripléctico Cuántico-Bayesiano},
author={Mina Rodríguez, Jacobo Tlacaelel},
year={2025},
url={https://github.com/smokeappstore/QuoreMind-Metriplectic},
license={Apache-2.0}
}