Track A

Memory-Architekturen für autonome KI-Systeme

„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

Warum diese Forschung

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

Sieben Schichten, neun Algorithmen, ein Koordinator

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.

↑↓1Working2Short-Term3Episodic4Semantic5Procedural6Core7Cross-Context
Die sieben Memory-Schichten der ZenBrain-Architektur, orchestriert durch einen MemoryCoordinator.

Empirisches Ergebnis

Was die Architektur in der Evaluation zeigt

3 · 6 · 0halten gegen A-Mem · ohne signifikanten Unterschied gegen Letta und Mem0 · Niederlagen
91,3 %der Genauigkeit eines Vergleichsarms, der die ganze Historie liest, mit 1/109,7 von dessen Eingabe-Tokens im Antwortschritt
3 Judgesversionsgleich, Bonferroni-korrigiert

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).

Vollständige Resultate und Methodik

Kernkomponenten

Die Architektur im Überblick

7 Memory-Layer

Working, Short-Term, Episodic, Semantic, Procedural, Core und Cross-Context Memory — jede Schicht mit eigener Zeitskala, Persistenz und Konsolidierungslogik.

MemoryCoordinator

Eine API für die Schichten: store(), recall(), consolidate(), decay(), getReviewQueue(). Beim Speichern wählt das Routing die Schicht nach Inhalt, emotionalem Gewicht und Konfidenz.

Spaced Repetition nach FSRS-Art

Free Spaced Repetition Scheduler — vmPFC-gekoppelte Variante mit Prediction-Error-Update. Fakten werden zu optimalen Zeitpunkten wiederholt, nicht starr.

Sleep Consolidation

Offline Memory-Replay als methodischer Kernbaustein. Selektion wichtiger Erinnerungen für Verstärkung; gerichtetes Pruning schwacher Assoziationen.

Two-Factor Synaptic Model

Konsolidierung wird durch zwei Faktoren gesteuert — Häufigkeit der Co-Aktivierung und neuromodulatorisches Signal. Reproduziert experimentelle Befunde aus der Synaptic-Tagging-Literatur.

Predictive Memory Architecture

Sechs Komponenten — NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, MetacognitiveMonitor — modellieren prädiktive Gedächtnisbildung mit Bias-Erkennung.

Mitwirken

Kooperation in dieser Forschung

Anfragen aus Hochschulen, Forschungsverbünden oder Förderprogrammen zu Replikationsstudien, Konsortial-Anträgen oder methodischen Diskussionen sind ausdrücklich willkommen.

research@zensation.ai