Связи направления 2 (эффективный ИИ, советская математика) с направлением 1 (BCI, ЭЭГ, медитация)

Черновик 2026-11-09. Всё ниже — наши гипотезы, опирающиеся на найденные источники; экспериментально не проверено.

Навигация: обзор направления 2 · Налимов · советская математика · Smart Engines · weight-space programming · направление 1 · архив

Передний край на стыке (2025–2026)

• ЭЭГ-декодеры на микроконтроллерах в 8 бит: Wang et al., 2020; EEGNet на Arduino — DCIS 2023.
• Безумножительный инференс на CPU: FairyFuse 2026, BMNN (Smart Engines) 2019.
• Сложность ЭЭГ в медитации: обзор Atad, Mediano, Rosas, Berkovich-Ohana, 2025.
• Правка весов без обучения: Takehi et al., 2026.

Проблематика на стыке

1. Достаточная минимальная модель для различения состояний сознания на устройстве — нет работ, сравнивающих 4-бит/BMNN/Tsetlin для медитативных ЭЭГ (не найдено); база — Wang et al. 2020, Granmo 2018, Trusov et al. 2024.
2. Противоречивые данные о сложности ЭЭГ в медитации (LZ ниже vs выше) — Frontiers 2021, Chowdhury et al. 2024, Aftanas & Golocheikine 2002.
3. Формальная модель состояния сознания, связывающая феноменологию и сигнал — кандидат: ρ(μ) Налимова.
4. Персонализация декодеров без переобучения — weight-space programming, task arithmetic 2022.

---

1. Эффективные модели для ЭЭГ прямо на устройстве

• Самодельный ЭЭГ-аппарат = микроконтроллер/смартфон → нужен классификатор состояний на слабом железе.
• Уже показано на западе: Q-EEGNet / «An Accurate EEGNet-based Motor-Imagery BCI for Low-Power Edge Computing» (Wang et al., 2020) — 8-битная EEGNet на ультранизкопотребляющем RISC-V; EEGNet на Arduino Nano 33.
• Российский вклад, который можно добавить: 4/4.6-битные сети на ARM и биполярные морфологические сети без умножений (Smart Engines), автоматы Цетлина → Tsetlin Machine (уже применялись к ЭКГ и в батарейно-независимых сенсорах), табличный инференс по методу четырёх русских.
• Конкретный студенческий проект: EEGNet → 8 бит → 4.6 бит (код SmartEngines/QNN_training_4.6bit) → BMNN → Tsetlin Machine; сравнить точность распознавания «медитация / покой / блуждание ума» и энергию на одном и том же микроконтроллере.

2. Колмогоровская сложность ↔ сложность ЭЭГ в медитации

• Сложность Лемпеля–Зива (LZ) — вычислимая оценка колмогоровской сложности, стандартная мера «разнообразия сигнала» ЭЭГ (Wikipedia).
• Обзор: Atad, Mediano, Rosas, Berkovich-Ohana — «Meditation and complexity: a review and synthesis of evidence», Neuroscience of Consciousness, 2025.
• Результаты разнонаправлены: у опытных медитирующих LZ ниже во время медитации, чем при блуждании ума (Frontiers in Human Neuroscience, 2021); в кейсе джханы — выше (Chowdhury et al., NeuroImage 2024, PDF).
• Российские авторы: Aftanas L. I., Golocheikine S. A. (Новосибирск) — «Non-linear dynamic complexity of the human EEG during meditation», Neuroscience Letters, 2002. Обязательно передать в направление 1.
• Идея: MDL-подход (длина описания сигнала моделью) как более тонкая мера, чем LZ; маленькая предсказательная модель ЭЭГ, чья «ошибка предсказания в битах» = мера сложности состояния («Language Modeling Is Compression», Delétang et al., применённое к ЭЭГ).

3. Налимов: теория сознания ↔ медитативные состояния

• Налимов сам ставил медитационные эксперименты (Realms of the Unconscious, 1982; «Спонтанность сознания», 1989) и описывал Эго как распределение ρ(μ) на семантической шкале, а глубокую медитацию — как ослабление «семантической капсулизации» и рост размерности (а не размытости) распределения.
• Мост к измерениям: если состояние описывается распределением, то его форма (энтропия, число мод, эффективная размерность) — кандидат на нейрокоррелят. Эффективная размерность ЭЭГ/латентного пространства модели — измеримая величина. Гипотеза для проверки на данных из статьи Nature Sci Rep о ЭЭГ при Высшей йога-тантре (см. источники из переписки).
• Налимов работал в лаборатории Колмогорова — естественная связка «вероятностная семантика + колмогоровская сложность» как единый язык для обоих направлений.

4. Некорректные обратные задачи (Тихонов) ↔ локализация источников ЭЭГ

• Восстановление источников активности по скальповой ЭЭГ — классическая некорректная задача; регуляризация Тихонова (minimum-norm) — базовый метод. Та же математика лежит в КТ-работах Smart Engines (М. Чукалина, Д. Николаев).

5. Быстрое преобразование Хафа ↔ спектрограммы ЭЭГ

• FHT находит прямые на изображении за ~n² log n. Спектрограмма — изображение время×частота; линейные дрейфы частоты ритмов (например, при переходах состояний) можно искать FHT-слоем как в HoughNet. Не проверено — идея.

6. Weight-space programming ↔ персонализация ЭЭГ-декодеров

• ЭЭГ у каждого человека своя; обычно декодер дообучают. По посту «Sparks of Weight-Space Programming» LLM хорошо читают/правят сети масштаба 10⁴–10⁵ весов — ровно размер ЭЭГ-классификаторов. Эксперимент: может ли LLM по весам объяснить, что выучил декодер медитации, и поправить его под нового пользователя без градиентов. Плюс model merging (task arithmetic) для объединения декодеров разных людей.

7. Общая рамка «эффективность» для обоих направлений

• Мозг работает на порядках меньшей мощности, чем GPU-кластеры (общеизвестная оценка ~20 Вт; источник в этот обход не открывали). Советская школа — результат на слабом железе. Общий вопрос проекта: какая минимальная вычислительная модель достаточна, чтобы различать состояния сознания? Это одновременно вопрос нейронауки (направление 1) и сжатия моделей (направление 2).