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 produktiven Anwendung erprobt.
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.
Fünfzehn Algorithmen — jeder mit peer-reviewed neurowissenschaftlicher Quelle — bilden die Mechanik: FSRS für gerichtetes Spaced Repetition, Hebbsches Lernen für Co-Aktivierung, Ebbinghaus-Vergessenskurve, Bayesian Confidence Propagation, ein Two-Factor Synaptic Model, vmPFC-gekoppeltes Prediction-Error-Update und neun weitere. Sleep Consolidation simuliert offline Memory-Replay.
Empirisches Ergebnis
Aus dem Open-Access-Preprint (arXiv 2604.23878): Benchmark LongMemEval-500, drei unabhängige LLM-Judges (Sonnet 4.5, Opus 4.7, GPT-4o).
Kernkomponenten
Working, Short-Term, Episodic, Semantic, Procedural, Core und Cross-Context Memory — jede Schicht mit eigener Zeitskala, Persistenz und Konsolidierungslogik.
Einheitliche API über alle sieben Layer: store(), recall(), consolidate(), decay(), reviewQueue(). Routing geschieht automatisch nach Salience und Kontext.
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.