Berichtigt am 3. November 2026. Die Fiedler-Zeile belegt keine bessere Vernetzung: Laut Fassung 9 des Papers ist ihr Anstieg um mindestens 30 % durch Konstruktion festgelegt.
Berichtigt am 11. Oktober 2026. Sleep Consolidation ist in ZenBrain eine Sammlung von Funktionen in
@zensation/algorithms; der MemoryCoordinator ruft sie nicht auf. Berichtigt sind außerdem der Satz über andere Frameworks (Letta Code konsolidiert im Leerlauf als „dreaming“) und „löst alle drei Probleme“: Auf echten Daten zeigte der einzige Lauf einen Verlust an Abrufpräzision.
Das Problem: Gedächtnis ohne Wartung
Alles speichern. Nichts vergessen. Per Ähnlichkeit abrufen.
So arbeiten viele KI-Gedächtnisse in 2026. Manche fügen Aktualitätsgewichtung hinzu, manche Graphstrukturen, manche überschreiben widersprüchliche Fakten. Konsolidierung im Leerlauf verfolgen inzwischen auch andere, etwa Letta Code unter dem Namen „dreaming“. Die Frage dieses Artikels ist, was es heißt, Erinnerungen so zu pflegen, 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.
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 setzt an allen drei Problemen an. In der Simulation des Papers wirkte sie; der einzige Lauf auf echten Daten zeigte dagegen einen Verlust an Abrufpräzision (mehr dazu unten).
Unsere Implementierung
In ZenBrain liegt Sleep Consolidation als Funktionen in @zensation/algorithms, die man selbst aufruft, etwa aus einem Hintergrundjob in der Leerlaufzeit. consolidate() im MemoryCoordinator ruft sie nicht auf; es macht emotional gewichtete Episoden einmal zu Fakten. Die Funktionen implementieren 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 lehnt sich an neurowissenschaftliche Befunde zur Rolle emotionaler Bedeutsamkeit im Schlaf an (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. Schwache Verbindungen aussortieren (pruneWeakConnections)
Verbindungen im Wissensgraphen mit Hebbschem Gewicht unter 0,2 werden aussortiert. Das ist eine Schwellenregel nach dem Vorbild von Tononis synaptischer Homöostase: Schwache, nicht verstärkte Verbindungen werden von den verstärkten getrennt; ob sie gelöscht werden, entscheidet die Anwendung.
Die Funktion gibt sowohl kept- als auch pruned-Arrays zurück — der Prozess ist vollständig auditierbar.
Der vollständige Konsolidierungszyklus
In der Produktion (ZenAI) lief die Engine als BullMQ-Worker:
- Leerlauf prüfen — läuft nur bei Systeminaktivität
- Verteilte Sperre — Redis-basiert, verhindert parallele Ausführung
- Replay-Auswahl — Prioritätsbewertung über alle episodischen Erinnerungen
- Replay simulieren — Stabilitätsverstärkung + Kantenstrengthening
- Schwache Verbindungen beschneiden — Hebbsches Gewicht unter Schwellwert
- Stabile Episodics befördern — in semantischen Langzeitspeicher verschieben
- Widersprüche erkennen — konfligierende Erinnerungen markieren
- 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 Lettas Experimenten erreichten Sleep-Time-Agents vergleichbare Genauigkeit mit 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 einer der neun grundlegenden Algorithmen von ZenBrain; dazu kommt eine 6-teilige Predictive Memory Architecture (PMA) im Produktivsystem. Das quelloffene Paket liefert die Algorithmen in 20 Modulen aus; die beiden mit „(PMA)“ markierten Komponenten unten gehören nicht dazu:
- 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 (mit einer EWC-artigen Strafe,
I_ij = 1/σ²_ijals Ersatz für die Fisher-Information) - 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 wählt Replay-Kandidaten nach einem TAG-Score aus TD-Error, Reward, Novelty und emotionalem Gewicht und verstärkt oder schwächt sie
- TripleCopyMemory (PMA) speichert jedes Ereignis dreifach mit divergenten Verfallszeiten (Fast 4 h, Medium 14 d, Deep 7 d log-Wachstum)
Im Modell des Papers bilden diese zusammen einen Gedächtnislebenszyklus: Kodieren, Verstärken, Konsolidieren, Verfallen, Reviewen, Vergessen. In den quelloffenen Paketen sind es einzelne Funktionen, die man selbst verbindet; der MemoryCoordinator nutzt davon die Wiederholungsplanung nach FSRS-Art und das emotionale Tagging.
Was das Paper zeigt
Ergänzt am 9. Oktober 2026. Die Zahlen dieses Abschnitts stammen aus der Simulation des Papers. Unsere Korrektur-Notiz vom 18. September 2026 hält zwei weitere Befunde fest: Der einzige Lauf der Schlafschleife auf echten Daten zeigte einen signifikanten Verlust an Abrufpräzision. Und unter Stress erreichen in der Simulation 10 von 15 Komponenten das gedruckte Kriterium, neun mit einem Verlust und PriorityMap mit einem Gewinn; die Zahl ist unten berichtigt.
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 (Simulation auf synthetischen Fakten) — Erinnerungen mit Sleep-Cycle haben mehr als ein Drittel mehr Halbwertszeit als ohne
- −47,4 % geschätzter Speicher durch synaptisches Herunterskalieren und das Beschneiden schwacher Kanten, ohne Reinforcement-Learning-Schritt (Simulation auf synthetischen Fakten)
- 24,2 neue assoziative Kanten je Lauf aus sieben Zyklen, erzeugt durch REM-Verschränkung zwischen emotional gewichteten Erinnerungen, die im Replay-Ranking nahe beieinanderliegen (Simulation)
- Fiedler-Wert (algebraische Konnektivität) +30 % nach Sleep — durch Konstruktion festgelegt, kein Befund: Der Sleep-Schritt der Suite multipliziert jede Kante mit 1,3; die Zeile prüft die Spektralrechnung, nicht die Konsolidierung (Fassung 9 des Papers)
Im 15-Komponenten-Ablation-Test ist Sleep der stärkste Einzelbeitrag unter moderaten Bedingungen (ΔQ = −34,4 % wenn entfernt). Unter Stress (60 d, decay=0,25) erweitert sich das Bild: In der Simulation erreichen 10 von 15 Komponenten das gedruckte Kriterium, neun mit einem Verlust — 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