Sleep Consolidation: Wenn KI lernt zu träumen

Das Problem: Gedächtnis ohne Wartung

Alles speichern. Nichts vergessen. Per Ähnlichkeit abrufen.

Das ist das Gedächtnismodell jedes großen KI-Frameworks in 2026. Mem0, LangChain, Zep, CrewAI — sie alle behandeln Gedächtnis als stetig wachsendes Archiv. Manche fügen Aktualitätsgewichtung hinzu. Manche verwenden Graphstrukturen. Aber keines pflegt seine Erinnerungen so, wie es ein Gehirn tut.

Menschliches Gedächtnis funktioniert nicht wie eine Datenbank. Jede Nacht, während wir schlafen, führt unser Gehirn einen ausgeklügelten Wartungsprozess durch. Neurowissenschaftler nennen es hippokampales Replay — das Gehirn spielt die Erlebnisse des Tages noch einmal ab, stärkt wichtige Erinnerungen und beschneidet schwache Verbindungen.

Wir haben das für KI gebaut. Nach unserem Kenntnisstand ist ZenBrain das erste Produktionssystem, das neurowissenschaftlich modellierte Sleep Consolidation implementiert.

Was Sleep Consolidation im Gehirn bewirkt

2013 veröffentlichten Stickgold und Walker ein wegweisendes Paper in Nature Neuroscience über schlafabhängige Gedächtnis-Triage. Die Kernerkenntnis: Schlaf ist keine passive Ruhe. Es ist aktive Gedächtnispflege.

Während des Schlafs spielt der Hippokampus kürzliche Erlebnisse noch einmal ab. Aber nicht alle gleichermaßen:

• Emotional bedeutsame Ereignisse bekommen bevorzugtes Replay — das Gehirn weiß, dass der Konflikt mit dem Kollegen wichtiger ist als das Mittagessen
• Häufig abgerufene Erinnerungen werden verstärkt — Wissen, das man regelmäßig nutzt, wird gefestigt
• Schwache Verbindungen zwischen Ideen werden beschnitten (synaptische Herunterskalierung) — halbgeformte Assoziationen, die sich nie verfestigt haben, werden entfernt
• Episodische Erinnerungen werden schrittweise zu dauerhaftem semantischen Wissen verdichtet — „Ich habe X auf der Konferenz am Dienstag gelernt" wird zu „X ist wahr"

Tononis und Cirellis Hypothese der synaptischen Homöostase (2006) fügt einen entscheidenden Baustein hinzu: Während der Wachzeit akkumulieren synaptische Verbindungen beim Lernen. Im Schlaf führt das Gehirn eine Netto-Herunterskalierung durch — es reduziert die gesamte Verbindungsstärke, bewahrt aber die relativen Unterschiede. Ohne das würde das neuronale Netzwerk irgendwann sättigen. Schlaf ist der Garbage Collector des Gehirns.

Warum das für KI wichtig ist

Stell dir einen KI-Assistenten vor, der seit sechs Monaten läuft. Er hat Tausende Erinnerungen angesammelt: Nutzerpräferenzen, Projektdetails, Meeting-Notizen, Forschungsergebnisse, beiläufige Gespräche. Ohne Wartung:

• Retrieval verschlechtert sich. Der Vektorspeicher füllt sich mit Fast-Duplikaten und veralteten Informationen.
• Widersprüche häufen sich. Die Präferenz des Nutzers hat sich vor drei Monaten geändert, aber alte und neue existieren mit gleichem Gewicht.
• Speicher wächst unbegrenzt. Jede Interaktion fügt Daten hinzu, aber nichts wird jemals entfernt oder konsolidiert.

Sleep Consolidation löst alle drei Probleme.

Unsere Implementierung

ZenBrains Sleep-Consolidation-Engine läuft als Hintergrundprozess während der Systemleerlaufzeit. Sie implementiert drei Kernmechanismen aus der neurowissenschaftlichen Literatur:

1. Selektives Replay (selectForReplay)

Nicht alle Erinnerungen verdienen Replay. Wir bewerten jede Erinnerung mit vier gewichteten Faktoren:

priority = normalizedAccessCount * 0.3 + emotionalWeight * 0.3 + recency * 0.2 + instability * 0.2

Aktualität nutzt exponentiellen Abfall: exp(-daysSinceAccess * 0.1). Eine Erinnerung von gestern hat Aktualität ~0,9, eine von vor einem Monat ~0,05. Maximum 20 Erinnerungen pro Zyklus.

Die Gewichtung spiegelt neurowissenschaftliche Erkenntnisse wider: Emotionale Bedeutsamkeit und Zugriffshäufigkeit sind die stärksten Prädiktoren dafür, was während des echten Schlafs abgespielt wird (Cairney et al., 2014).

2. Stabilitätsverstärkung (simulateReplay)

Ausgewählte Erinnerungen erhalten einen Stabilitätsmultiplikator von 1,5 (50% Boost). Emotional bedeutsame Erinnerungen (Gewicht > 0,5) erhalten zusätzlich 20% Bonus:

• Eine neutrale Erinnerung mit Stabilität 10 Tage wird zu 15 Tagen
• Eine emotionale Erinnerung mit Stabilität 10 Tage wird zu 18 Tagen

Maximum 365 Tage Stabilität. Verbundene Kanten im Wissensgraphen werden um Faktor 1,1 verstärkt.

3. Synaptische Herunterskalierung (pruneWeakConnections)

Verbindungen im Wissensgraphen mit Hebbschem Gewicht unter 0,2 werden entfernt. Das ist das digitale Äquivalent von Tononis synaptischer Homöostase — schwache, nicht verstärkte Verbindungen werden beseitigt.

Die Funktion gibt sowohl kept- als auch pruned-Arrays zurück — der Prozess ist vollständig auditierbar.

Der vollständige Konsolidierungszyklus

In der Produktion (ZenAI) läuft der Engine als BullMQ-Worker:

1. Leerlauf prüfen — läuft nur bei Systeminaktivität
2. Verteilte Sperre — Redis-basiert, verhindert parallele Ausführung
3. Replay-Auswahl — Prioritätsbewertung über alle episodischen Erinnerungen
4. Replay simulieren — Stabilitätsverstärkung + Kantenstrengthening
5. Schwache Verbindungen beschneiden — Hebbsches Gewicht unter Schwellwert
6. Stabile Episodics befördern — in semantischen Langzeitspeicher verschieben
7. Widersprüche erkennen — konfligierende Erinnerungen markieren
8. Hebbschen Verfall + Bayes'sche Propagation — Kaskadeneffekte durch den Wissensgraphen

Unterschied zu Lettas Sleep-Time Compute

Letta (ehemals MemGPT) führte 2025 „Sleep-Time Compute" ein — eine Dual-Agent-Architektur, bei der ein Hintergrund-LLM Gedächtnisblöcke während der Leerlaufzeit reorganisiert. In Experimenten mit Claude 3.5 Sonnet erreichten Sleep-Time-Agents gleichwertige Genauigkeit mit 45% weniger Tokens.

Unser Ansatz ist grundlegend anders:

| Aspekt | Letta Sleep-Time Compute | ZenBrain Sleep Consolidation | |--------|-------------------------|------------------------------| | Mechanismus | LLM schreibt Gedächtnisblöcke um | Algorithmische Replay-Simulation | | Basiert auf | Engineering-Optimierung | Stickgold & Walker (2013) | | Deterministisch | Nein (LLM-Ausgaben variieren) | Ja (gleiche Eingaben = gleiche Ausgaben) | | Kosten | LLM-Inferenz pro Zyklus | Reine Berechnung (keine LLM-Aufrufe) | | Auditierbar | Schwierig (LLM-Reasoning) | Vollständig (kept/pruned Arrays) |

Keiner der Ansätze ist universell besser. LLM-getriebene Reorganisation kann über Inhalte semantisch nachdenken. Algorithmische Konsolidierung ist deterministisch, reproduzierbar, frei von Inferenzkosten und vollständig auditierbar.

Die breitere Architektur

Sleep Consolidation operiert nicht isoliert. Es ist ein Mechanismus innerhalb von ZenBrains 15-Algorithmen-Suite — 9 foundational im Open-Source-Paket plus eine 6-teilige Predictive Memory Architecture (PMA) im Produktivsystem:

• vmPFC-FSRS plant, wann Erinnerungen Review brauchen — gekoppelt an Prediction-Error-Signale aus dem Knowledge Graph
• Two-Factor Synaptic Model stärkt ko-aktivierte Wissensgraph-Kanten (mathematisch äquivalent zu EWC, I_ij = 1/σ²_ij als Fisher-Information-Proxy)
• Ebbinghaus-Verfall modelliert Vergessen über die Zeit mit personalisierten Kurven
• NeuromodulatorEngine (PMA) moduliert Verfallsraten und Lernrate über DA / NE / 5-HT / ACh-Tonus
• Bayes'sche Konfidenzpropagation aktualisiert Sicherheit über verwandte Fakten
• Simulation-Selection Sleep führt periodische Wartung, Beschneidung und Beförderung durch — TAG-Scoring aus TD-Error, Reward und Novelty
• TripleCopyMemory (PMA) speichert jedes Ereignis dreifach mit divergenten Verfallszeiten (Fast 4 h, Medium 14 d, Deep 7 d log-Wachstum)

Zusammen bilden diese einen vollständigen Gedächtnislebenszyklus: Kodieren, Verstärken, Konsolidieren, Verfallen, Reviewen, Vergessen.

Was das Paper zeigt

Im ZenBrain-Paper haben wir die Sleep-Consolidation kontrolliert gegen einen "Without Sleep"-Baseline gemessen. Stand nach 7 simulierten Tagen mit 350 Fakten, 10 Seeds, gepaarter Wilcoxon-Test:

• +37 % durchschnittliche Stabilität (p < 0,005) — Erinnerungen mit Sleep-Cycle haben mehr als ein Drittel mehr Halbwertszeit als ohne
• −47,4 % Storage — durch RL-getriebenes LTD-Pruning, ohne Qualitätsverlust auf relevanten Fakten
• 24,2 neue assoziative Kanten pro Replay-Zyklus durch Counterfactual-Generierung in der Simulation-Stage (CA3-Analog)
• Fiedler-Wert (algebraische Konnektivität) +30 % nach Sleep — graphtheoretischer Beleg dafür, dass Sleep den Wissensgraph nicht nur dünner, sondern auch besser-vernetzt macht

Im 15-Algorithmen-Ablation-Test ist Sleep der stärkste Einzelbeitrag unter moderaten Bedingungen (ΔQ = −34,4 % wenn entfernt) und einer von zwei "always-critical" Algorithmen (zusammen mit der NeuromodulatorEngine). Unter Stress (60 d, decay=0,25) erweitert sich das Bild: 9 von 15 Algorithmen werden individuell kritisch — Sleep gehört zur Kern-Tier.

Referenzen

• Stickgold, R., & Walker, M. P. (2013). Sleep-dependent memory triage. Nature Neuroscience, 16(2), 139-145.
• Tononi, G., & Cirelli, C. (2006). Sleep function and synaptic homeostasis. Sleep Medicine Reviews, 10(1), 49-62.
• Cairney, S. A., et al. (2014). Complementary roles of slow-wave sleep and rapid eye movement sleep in emotional memory consolidation. Cerebral Cortex, 25(6), 1565-1575.

Ausprobieren

ZenBrains Sleep Consolidation ist Open Source und ohne Abhängigkeiten:

npm install @zensation/algorithms @zensation/core

import { selectForReplay, simulateReplay, pruneWeakConnections } from '@zensation/algorithms/sleep-consolidation';

// Erinnerungen für Replay auswählen
const candidates = selectForReplay(memories, { maxReplaysPerCycle: 20 });

// Hippocampales Replay simulieren (Edges sind Teil der Memory-Objekte)
const result = simulateReplay(candidates, {
  replayStrengthMultiplier: 1.5,
});

// Schwache Verbindungen entfernen (Standard-Schwelle: 0.2)
const { kept, pruned } = pruneWeakConnections(edges);

Quellcode: github.com/zensation-ai/zenbrain Paper: ZenBrain Technical Report