7 Memory-Layer
Working, Short-Term, Episodic, Semantic, Procedural, Core und Cross-Context Memory — jede Schicht mit eigener Zeitskala, Persistenz und Konsolidierungslogik.
Track A
„Wie kann KI sich erinnern, schlussfolgern und über Zeit lernen — ohne dabei Effizienz, Zuverlässigkeit oder methodische Nachvollziehbarkeit zu verlieren?"
Eine siebenschichtige Memory-Architektur, gespeist aus der Neurowissenschaft und in einer eigenen Anwendung im Einsatz.
Motivation
Aktuelle große Sprachmodelle vergessen. Ihre Kontextfenster sind technisch begrenzt, und reine Vector-Stores reichen nicht aus, um die Schichten menschlichen Gedächtnisses — vom flüchtigen Arbeitsgedächtnis bis zum konsolidierten Langzeitwissen — angemessen abzubilden.
Was fehlt, sind Architekturen, die Konsolidierung, gerichtetes Vergessen, Konfidenz-Propagation und prädiktive Gedächtnisbildung explizit modellieren. Diese Forschung antwortet darauf mit einer Architektur, die nicht aus Marketing entstanden ist, sondern aus der Frage, wie ein System auf akademischem Niveau seine eigene Wissensbasis pflegen kann.
Methodischer Ansatz
Die Architektur teilt das Gedächtnis in sieben funktional differenzierte Schichten — vom Working Memory für aktive Aufgaben über Episodic Memory für konkrete Erlebnisse bis zum Cross-Context Memory für schichtenübergreifende Verknüpfungen. Jede Schicht ist über eine einheitliche API ansprechbar; ein MemoryCoordinator orchestriert Speichern, Abrufen, Konsolidieren und Vergessen.
Mechanismen aus der Gedächtnisforschung bilden die Mechanik, darunter Wiederholungsplanung nach FSRS-Art für gerichtetes Spaced Repetition, Hebbsches Lernen für Co-Aktivierung, Ebbinghaus-Vergessenskurve, Bayesian Confidence Propagation, ein Two-Factor Synaptic Model und vmPFC-gekoppeltes Prediction-Error-Update; das Paper zählt neun grundlegende Algorithmen und sechs PMA-Komponenten. Sleep Consolidation simuliert offline Memory-Replay.
Empirisches Ergebnis
Gemessen ist eine Python-Portierung einer Bewertungsklasse aus unserem Test-Harness, nicht das Sieben-Schichten-System; der Aufbau des Gedächtnisses ist bei 1/109,7 nicht gezählt. Aus dem Open-Access-Preprint (arXiv 2604.23878) in der Fassung der Korrektur-Notiz (10.5281/zenodo.22831086): Benchmark LongMemEval-500, drei unabhängige LLM-Judges (Sonnet 4.5, Opus 4.6, GPT-4o).
Kernkomponenten
Working, Short-Term, Episodic, Semantic, Procedural, Core und Cross-Context Memory — jede Schicht mit eigener Zeitskala, Persistenz und Konsolidierungslogik.
Eine API für die Schichten: store(), recall(), consolidate(), decay(), getReviewQueue(). Beim Speichern wählt das Routing die Schicht nach Inhalt, emotionalem Gewicht und Konfidenz.
Free Spaced Repetition Scheduler — vmPFC-gekoppelte Variante mit Prediction-Error-Update. Fakten werden zu optimalen Zeitpunkten wiederholt, nicht starr.
Offline Memory-Replay als methodischer Kernbaustein. Selektion wichtiger Erinnerungen für Verstärkung; gerichtetes Pruning schwacher Assoziationen.
Konsolidierung wird durch zwei Faktoren gesteuert — Häufigkeit der Co-Aktivierung und neuromodulatorisches Signal. Reproduziert experimentelle Befunde aus der Synaptic-Tagging-Literatur.
Sechs Komponenten — NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, MetacognitiveMonitor — modellieren prädiktive Gedächtnisbildung mit Bias-Erkennung.
Mitwirken
Anfragen aus Hochschulen, Forschungsverbünden oder Förderprogrammen zu Replikationsstudien, Konsortial-Anträgen oder methodischen Diskussionen sind ausdrücklich willkommen.
research@zensation.aiMehr aus dieser Forschung
Kern und Anwendungsfelder, auf gemeinsamer ethischer Grundlage.