Predictive Memory Architecture (PMA): die 6 Komponenten der zweiten Welle

Ergänzt am 11. Oktober 2026. Die sechs PMA-Komponenten sind im Paper beschrieben und liefen im Produktivsystem ZenAI; Teil der quelloffenen Pakete sind sie nicht. Unsere Korrektur-Notiz vom 18. September 2026 berichtigt die Stress-Ablation: Unter Stress erreichen in der Simulation 10 von 15 Komponenten das gedruckte Kriterium, neun mit einem Verlust und PriorityMap mit einem Gewinn. Den Satz, Rollback existiere in keinem konkurrierenden System, haben wir gestrichen; dafür fehlte ein geprüfter Vergleich. Gestrichen ist auch die Angabe zur TripleCopy-Stärke nach 30 Tagen samt Übergangszeiten; sie rechnete aus den gedruckten Formeln nicht nach.

Im März 2026 hatten wir 9 fundamentale Algorithmen — vmPFC-FSRS, Two-Factor Synaptic, Sim-Selection Sleep, Bayesian Confidence, und fünf weitere. Sie strukturierten was gespeichert wird, wo, und mit welcher Importance.

Was sie nicht regelten: wann eine Erinnerung labil wird, welche Update-Strategie ein Retrieval auslöst, wie das System unter Bias-Druck reagiert, und welche Erinnerung gerade Schutz vor Überschreibung verdient.

Das ist die Aufgabe der Predictive Memory Architecture (PMA) — eine zweite Welle aus sechs Komponenten, die im ZenBrain-Paper formal beschrieben sind. Sie sitzen auf den 9 fundamentalen Algorithmen drauf und regieren den Lebenszyklus des Speichers über die Zeit.

Hier ist eine kompakte Erklärung der sechs.

1. NeuromodulatorEngine — vier Kanäle, Tonus + Phasik

Das Gehirn hat keine globale Lernrate. Es hat eine ganze Werkzeugkiste an Neuromodulatoren, die je nach Situation an verschiedenen Stellen unterschiedlich wirken. Die NeuromodulatorEngine bildet vier davon nach:

• Dopamin (DA) — VTA, Exploration und Novelty-Bias
• Norepinephrin (NE) — Locus Coeruleus, Lernrate und Aufmerksamkeit auf Prediction-Error
• Serotonin (5-HT) — Raphe, Konsolidierungs-Geduld
• Acetylcholin (ACh) — Basal Forebrain, Attention-Ratio zwischen alter und neuer Information

Jeder Kanal hat einen tonischen Baseline (b = 0,5) mit homeostatischer Drift (τ_decay = 0,95) und phasische Bursts auf Events (5-Minuten-Halbwertszeit). DA und 5-HT sind durch eine Opposition Coupling (−0,3) verbunden — eine Realisierung der Serotonin-Dopamin-Balance, die im Reward-Processing gut belegt ist.

Die Engine outputs vier Modulations-Parameter, die andere PMA-Komponenten konsumieren: Lernrate (NE-getrieben), Exploration-Bias (DA-getrieben), Konsolidierungs-Geduld (5-HT-getrieben), Attention-Ratio (ACh-getrieben).

In den Paper-Experimenten produziert die Engine über 1 000 simulierte Events einen mittleren tonischen Drift von 0,469 (6,2 % vom Baseline) — die homeostatische Stabilität ist also gewährleistet — und eine DA/5-HT-Korrelation von −0,130 (p < 0,01), die das Opposition-Coupling validiert.

2. ReconsolidationEngine — vier Update-Modi statt eines

Die klassische Sicht auf Memory: einmal gespeichert, dann gelesen, dann eventuell neu geschrieben. Die Neuroscience-Realität ist subtiler. Wenn eine Erinnerung abgerufen wird, wird sie für etwa 10 Minuten labil — sie kann modifiziert oder gelöscht werden — und reorganisiert sich danach in einer eventuell veränderten Form. Das nennt man Reconsolidation (Nader 2000, Schiller 2010).

Die ReconsolidationEngine implementiert das mit vier Modi, gegated durch die effektive Prediction-Error PE_eff:

mode(PE_eff) =
    confirmed         if PE_eff < 0,1
    selective_edit    if 0,1 ≤ PE_eff < 0,3
    integration       if 0,3 ≤ PE_eff < 0,7
    new_episode       if PE_eff ≥ 0,7

Die effektive PE wird neuromodulatorisch gegated: PE_eff = PE_raw · (1 + 0,3·NE − 0,2·5HT). Hohe NE (Stress, Aufmerksamkeit) verstärkt PE; hohe 5-HT (Geduld, Stabilität) dämpft sie.

Jedes Reconsolidation-Event wird mit dem Original-Snapshot geloggt — Rollback ist möglich, wenn der Update sich später als Fehler erweist. In den Paper-Experimenten erreicht die PE-zu-Update-Mode-Klassifikation ≥ 95 % Genauigkeit, mit korrekter Widerspruchs­erkennung in 100 % der Testfälle (Precision = 1,0).

3. TripleCopyMemory — drei Spuren, drei Zeitkonstanten

Die wahrscheinlich überraschendste Komponente. Statt ein Memory einmal zu speichern, speichert TripleCopyMemory es dreimal — mit unterschiedlichen Decay-Dynamiken:

S_fast(t) = S₀ · e^(−t/τ_f),       τ_f = 4 h
S_med(t)  = 0,8 · S₀ · e^(−t/τ_m), τ_m = 14 d
S_deep(t) = S₀ · log(1 + t/τ_d),   τ_d = 7 d

• Die Fast-Copy liefert lebendigen Direktzugriff, der innerhalb von Stunden verblasst.
• Die Medium-Copy überlebt zwischen Sessions mit standard­exponentiellem Decay.
• Die Deep-Copy wächst logarithmisch — sie kodiert die komprimierte Essenz und wird mit der Zeit stärker.

Die effektive Stärke ist S(t) = max(S_fast, S_med, S_deep). Das produziert eine charakteristische Dominance-Transition: Mit dem Alter einer Erinnerung wechselt die Führung von der schnellen über die mittlere zur tiefen Kopie.

Das matched die Systems-Consolidation-Theorie aus der Neuroscience: Detail-reiche Episoden verblassen, kompri­mierte Gist-Repräsentationen überleben.

4. PriorityMap — vierdimensional, mit Amygdala-Fastpath

Memory ohne Priorisierung wird in Rauschen begraben. Die PriorityMap berechnet einen vier-dimensionalen Score:

P = w_s · s + w_e · |v| + w_r · r + w_g · g

mit Saliency s, emotionaler Valenz v, Reward-Relevanz r, Goal-Alignment g und Default-Gewichten (w_s, w_e, w_r, w_g) = (0,2; 0,25; 0,25; 0,3).

Der entscheidende Mechanismus ist der Amygdala-Fastpath: Bei emotionaler Intensität |v| > 0,6 garantiert das System P ≥ 0,5, unabhängig von den anderen Dimensionen. Das spiegelt die McGaugh-2004-Erkenntnis wider, dass emotional aufgeladene Erinnerungen eine bevorzugte Konsolidierung erhalten — auch wenn sie nicht task-relevant sind.

Die Gewichte werden dynamisch durch den Neuromodulator-Status angepasst: DA verstärkt Saliency, NE verstärkt Emotion, ACh verstärkt Reward, 5-HT verstärkt Goal-Alignment. So können dieselben PriorityMap-Scores in unter­schied­lichen Zuständen verschiedene Werte produzieren, was biologisches Verhalten reproduziert.

Auf einem synthetischen Benchmark mit 50 Items und Ground-Truth-Importance erreicht die PriorityMap NDCG@10 = 0,997 (vs. 0,680 chronologisch, +46,6 %).

5. StabilityProtector — Schutz für reife Erinnerungen

Reconsolidation ist mächtig — aber sie öffnet auch ein Angriffsfenster. Was, wenn jemand mit einer einzigen falschen Aussage eine seit Jahren etablierte Erinnerung überschreiben könnte?

Der StabilityProtector verhindert das durch einen Lock-Score L und einen Rigidity-Faktor ρ:

L      = 0,3 · log₂(1+a) / log₂(11)
       + 0,3 · c
       + 0,2 · min(d/365, 1)
       + 0,2 · is_core
ρ      = 1 + 0,1 · log₂(1+d)
update ⇔ PE ≥ 0,5 + 0,3 · L · ρ

mit Access-Count a, Konfidenz c, Alter in Tagen d, Indikator is_core für Core Memory. Reife Erinnerungen (a groß, c groß, d groß, oder Core-Status) bekommen hohe Lock-Scores und Rigidity-Faktoren — eine Update-Forderung mit niedriger PE wird abgewiesen. Genuine neue Information mit hoher PE durchdringt den Schutz.

Das ist analog zu NogoA-Rezeptor-Signaling und HDAC3-epigenetischer Regulation: das biologische Gehirn schützt sich aktiv gegen casual rewriting reifer Schaltkreise.

6. MetacognitiveMonitor — wenn das System merkt, dass es schief liegt

Die letzte Komponente überwacht das System selbst. Sie tracked drei Bias-Typen:

• Confirmation Bias — asymmetrische Akzeptanz von positiver vs. negativer Evidenz
• Recency Bias — Übergewichtung kürzlicher Erinnerungen
• Retrieval-Asymmetrie — bestimmte Domänen werden systematisch unter-retrieved

Sie öffnet Novelty-Windows (10 Minuten) nach Hoch-PE-Events (> 0,7), in denen Encoding temporär verstärkt wird — und sie generiert Calibration-Alerts, wenn systematische Biases einen 30-Tage-Schwellwert überschreiten. Effizienz-Tracking über das gleitende 30-Tage-Fenster erzeugte in ZenAI Badges, die in der UI sichtbar wurden — der Feedback-Loop schließt.

In den Paper-Experimenten erreicht die Confirmation-Bias-Detektion Precision = 0,832 und Recall = 0,975 über 50 synthetische Szenarien pro Seed. Urgency-Keyword-Detection produziert 0 False Negatives auf deutschen und englischen Test-Phrasen.

Wie die sechs zusammenarbeiten

Die PMA ist kein Stack von sechs unabhängigen Modulen. Es ist ein gekoppeltes System:

• Die NeuromodulatorEngine liefert die globalen Tonus-Werte, die alle anderen lesen.
• Die ReconsolidationEngine verlässt sich auf die NE-/5-HT-Werte, um PE_eff zu modulieren.
• Die PriorityMap liest dieselben Tonus-Werte, um Gewichte dynamisch zu adjustieren.
• Der StabilityProtector wird strenger, wenn 5-HT hoch ist (mehr Geduld) und großzügiger, wenn NE hoch ist (mehr Lernbereitschaft).
• Der MetacognitiveMonitor beobachtet alle vier und löst Novelty-Windows aus, die Lernrate und Encoding-Stärke kurzzeitig boosten.
• TripleCopyMemory ist die einzige Komponente, die unabhängig läuft — sie ist die Substrat-Schicht, auf der die anderen fünf operieren.

Im Paper-Ablation-Test zeigt sich diese Kopplung empirisch: Unter moderaten Bedingungen (decay = 0,15/Tag, 45 Tage) sind alle 6 PMA-Komponenten kooperativ-redundant (ΔQ ≤ 0,1 % wenn einzeln entfernt). Aber wenn man alle sechs gleichzeitig entfernt — also "Foundational-only" gegen "Full" testet — bricht das System um −67,5 % ein. Die PMA ist eine Resilience-Backbone, kein optionales Add-on.

Unter Stress (60 Tage, decay = 0,25/Tag) wird die Kopplung sichtbar: Ohne NeuromodulatorEngine sinkt die Qualität um 83,0 %, ohne TripleCopyMemory um 93,7 %, während iMAD und MetacogMonitor ihren Beitrag in Ranking-Präzision statt Retention-Rate liefern. Laut Korrektur-Notiz vom 18. September 2026 erreicht unter Stress auch PriorityMap das gedruckte Kriterium, allerdings mit einem Gewinn (10 von 15, neun davon mit Verlust).

Was das praktisch heißt

Die 9 fundamentalen Algorithmen waren Architektur: was speichern, wo, wie strukturieren. Die 6 PMA-Komponenten sind Dynamik: wann labil werden, welcher Update-Modus, wann schützen, wann boost geben.

Beides ist nötig. Eines ohne das andere kollabiert.

Mehr lesen

• Vorgänger-Post: Wie wir Memory in ein AI OS gebaut haben — die 9 Neurowissenschafts-Algorithmen
• Kosten-Verhältnis: 91 % der Genauigkeit bei 1 % der Tokens
• Paper: ZenBrain auf Zenodo
• Code der Algorithmen-Bibliothek: github.com/zensation-ai/zenbrain; die sechs PMA-Komponenten sind im Paper beschrieben und nicht Teil der quelloffenen Pakete.