quantum-anomaly-detect (Szenarioart)

Szenarioart der Engine v0.40.0, Familie Inertial-, Fusions- und Quantensensoren. Beratend: Analyseausgabe eines Forschungs- und Entwicklungswerkzeugs, keine typzugelassene Navigationsausrüstung und kein Dienst für die Sicherheit von Menschenleben. Jede Bezeichnung hier stammt von der Engine oder der Verifikationsmatrix; eine Art ist MODELLED, sofern die Matrix nichts anderes sagt (wie eine Bezeichnung verdient wird: der Abschnitt Evidence der README).

Was es tut#

MODELLED Fehler-/Anomalieerkennung für Quanten-PNT-Systeme: ein gekennzeichneter Fehlerkatalog (Uhr: Frequenzsprung/Drift/Lock-Verlust; Sensor: Bias-Sprung/Ausfall), eine ROC-AUC der Erkennungsstatistik (mit einem Bootstrap-Konfidenzintervall aus der extern validierten eval_stats) und ein minimal erkennbarer Fehler bei fester Fehlalarmrate, wobei der quantenuhrgestützte Monitor (geringeres Rauschen) kleinere Fehler erkennt — als ehrliche TradeEvidence + Repräsentativität. Gaußsches Modell der Erkennungsstatistik (AUC = Phi(mu/(sigma*sqrt2))); modelliert die Klasse, illustrative Parameter aus öffentlichen Quellen, kein TRL/Flug/Zertifizierung.

Ein Lauf von scenarios/quantum-anomaly-detect.toml fasst sich zusammen als: quantum-anomaly-detect | AUC Quanten 0,9908 gegen klassisch 0,7603 | minimal erkennbarer Fehler Quanten 1,312 gegen klassisch 4,372 | 5 Fehlerklassen | Trade Quanten gewinnt 2/2 | MODELLED

Eingaben#

Aus dem Schema (kshana kinds --json):

• Pflichtfelder: keine
• Optionale Felder: fault_mu, quantum_sigma, classical_sigma, pfa, pd, samples, seed

Das Beispiel scenarios/quantum-anomaly-detect.toml setzt unter anderem:

Ausführen#

kshana scenarios/quantum-anomaly-detect.toml

Was es liefert#

Die skalaren Ergebnisse dieses Laufs, mit den Einheiten, die die Engine angibt:

Nachweise#

Keine Matrixzeile nennt diesen Typ beim Namen; die Kennzeichnung seines Ergebnisses stammt von der Engine selbst, siehe oben.

Die Zeilen, die der Lauf selbst ausgeübt hat, mit der unabhängigen Referenz, die die Matrix jeder gibt (die öffentlichen Quellen sind dort genannt):

• VALIDATED Analytische binormale ROC-AUC = Φ(μ/(σ√2)) und der minimal erkennbare Fehler σ·(Φ⁻¹(1−P_fa)+Φ⁻¹(P_d)), die den Quantenfehler- und Anomaliedetektoren zugrunde liegen. Unabhängige Referenz (ExternalDataset): scipy 1,17 (Cephes ndtr/ndtri) + scikit-learn roc_auc_score (Pedregosa et al., JMLR 2011), beide BSD-3-Clause — unabhängige Bibliotheken, die dieselben eindeutig definierten Gauß-Schwanz-/AUC-Größen berechnen, abgeglichen bis zum A&S-erf-Boden (~7e-8). Der darauf aufbauende Quanten-gegen-klassisch-Vorteil bleibt MODELLED
• MODELLED Deterministisch, szenario-gehasht, SBOM- und plattformübergreifende Golden-Gates. Unabhängige Referenz (ExternalDataset): SBOM-Übereinstimmung mit dem offiziellen CycloneDX-1,5-JSON-Schema (+ gültige SPDX-Kennungen) — ein externer veröffentlichter Standard, null Validierungsfehler über den gesamten Abhängigkeitsgraphen; der Teil FoM-Determinismus / Byte-Reproduzierbarkeit bleibt eine festgelegte Selbstkonsistenzprüfung, daher bleibt die Zeile MODELLED
• PARTNER Nicht geliefert — nur Leistungsmodelle; Kaltatom-/Uhren-Hardware gehört einem Partner. Orakel (NoneKind): keine: eine Disziplin im Besitz eines Partners, bewusst ohne Modul und ohne Test
• MODELLED Ein reproduzierbares TradeEvidence-Objekt (fester Rahmen: Szenario+Seed+Engine; gemeinsame Quanten-gegen-klassisch-Werte pro FoM mit polaritätsrichtigem Nutzen, optional 95%. Unabhängige Referenz (InternalConsistency): Identitäten für Nutzen/Gewinner in geschlossener Form + getreue Verpackung des bestehenden quantum_trade::TradeResult; die Ehrlichkeit ist an das Repräsentativitätsregister und die Verifikationslabels gebunden
• MODELLED Gekennzeichneter Quantenfehlerkatalog (Uhr: Frequenzsprung/Drift/Lock-Verlust; Sensor: Bias-Sprung/Ausfall), eine ROC-AUC der Erkennungsstatistik mit einem Bootstrap-Konfidenzintervall und ein minimal. Unabhängige Referenz (InternalConsistency): Gaußsche AUC in geschlossener Form = Phi(mu/(sigma*sqrt2)), gegengeprüft gegen die extern validierte eval_stats::bootstrap_auc_ci (gegen scikit-learn) + analytische Erkennungsschwellen

Einschränkungen#

Was der eigene Bericht des Laufs als nicht modelliert oder nicht validiert nennt:

• MODELLED Fehler-/Anomalieerkennung für Quanten-PNT-Systeme: ein gekennzeichneter Fehlerkatalog (Uhr: Frequenzsprung/Drift/Lock-Verlust; Sensor: Bias-Sprung/Ausfall), eine ROC-AUC der Erkennungsstatistik (mit einem Bootstrap-Konfidenzintervall aus der extern validierten eval_stats) und ein minimal erkennbarer Fehler bei fester Fehlalarmrate, wobei der quantenuhrgestützte Monitor (geringeres Rauschen) kleinere Fehler erkennt — als ehrliche TradeEvidence + repräsentativ (Szenarioarten-Katalog (kshana kinds --json))
• Fehler-/Anomalieerkennung für Quanten-PNT-Systeme — gekennzeichneter Fehlerkatalog + ROC-AUC + minimal erkennbarer Fehler, quantenuhrgestützter gegen klassischen Monitor. MODELLED; illustrative Parameter aus öffentlichen Quellen; modelliert die Klasse, keine TRL-/Flugaussage. (Kommentar der Szenariodatei, Zeilen 1 bis 3)
• Reproduzierbarkeit und Software-Assurance ist MODELLED, nicht validiert: Eine Teilbehauptung ist extern geprüft, aber die gesamte Fähigkeit setzt sich aus modellierten Teilen zusammen, daher bleibt die Fähigkeit modelliert. (Verifikationsmatrix (docs/MODELLED-RATIONALE.md))
• Quanten-gegen-klassisch-Trade-Evidenz (gemeinsame Form) ist MODELLED, nicht validiert: geprüft gegen ihre eigene geschlossene / analytische Identität — fängt Übertragungs- und Koeffizientenfehler ab, ist aber keine externe unabhängige Referenz. (Verifikationsmatrix (docs/MODELLED-RATIONALE.md))
• Fehler-/Anomalieerkennung für Quanten-PNT-Systeme ist MODELLED, nicht validiert: geprüft gegen ihre eigene geschlossene / analytische Identität — fängt Übertragungs- und Koeffizientenfehler ab, ist aber keine externe unabhängige Referenz. (Verifikationsmatrix (docs/MODELLED-RATIONALE.md))

Siehe auch#

• Familienseite: Inertial-, Fusions- und Quantensensoren
• Alle Arten: KINDS.md
• Themenseite: QUANTUM-MODELS.md