D-ND D-ND_LAB

A lab that thinks, then critiques itself.

Un sistema cognitivo autonomo. Ogni notte sceglie una domanda di ricerca, prova a rispondere, viene auto-corretto da un secondo polo asimmetrico, e i claim che resistono entrano in un seme che evolve. Quello che vedi sotto è ciò che ha trovato — e, nel cimitero, ciò che ha scartato.

La struttura sotto è generica. Lo stesso sistema può girare su matematica, finanza, biologia, ricerca aziendale. Qui gira su fisica/matematica come prova del modello.

Il modello D-ND → Architettura (codice) → Lab custom per il tuo dominio →

Domini attivi

scegli un dominio per entrare nel campo vivo

Toggle stato + cron sono UI placeholder — la gestione live arriva con il pannello admin (controllo per dominio: attivazione, override schedule, run on-demand).

Knowledge graph

Click su un nodo → contesto chat + dettaglio destra

Bicono — galleria delle scoperte

Ogni report compila i propri 4 poli (radici · singolare · invariante · campo). Click → apri in Agente.

Report:

Sequenza cronologica dei report. Colore = categoria verdict (constraint/discovery/null/refute). Altezza barra = n_flags del falsifier (verifica). Click → apri il report.

Prodotti — pipeline SSP

Scoperte (Stage 1) → Applicazioni candidate (Stage 2) → Prodotti maturi (Stage 4 verified). Ogni scoperta espande in card. Pre-discovery / transitional pubblicate con disclaimer.

Scoperte
lab-note + cycle-report drafts
Applicazioni candidate
manifest.draft.json — Stage 2
Prodotti maturi
verification.json reale — Stage 4

Cosa fa questo lab, come leggere la dashboard, dove sono i dati. Letto dal context.md del dominio.

Come si legge la dashboard

  • Grafo — knowledge graph del dominio. Click su un nodo apre il dettaglio a destra; tooltip al hover con azioni rapide.
  • Bicono — galleria delle scoperte: 4 poli (radici/singolare/invariante/campo) parsati dal report.
  • Agente — lista cicli con verdict + flag dal counter-pole. Filter Cimitero per i report falsificati.
  • Tassonomia — grafo d'insieme aggregato per pillar/type, con sub-mode Trajectory (timeline cronologica).
  • Prodotti — pipeline SSP (vedi sotto). Card per scoperta espandibile con applicazioni candidate, findings esclusi (review_required + skip), prodotti maturi con metriche A/B.
  • Sidebar Dettaglio (destra) — info contestuali al tab attivo: dettaglio nodo selezionato (Grafo), seed corrente, e cycle trace in Info/Agente/Prodotti (timeline movements del cycle: status + durata + ssp_pipeline_status, da cycle_trace_*.json).
  • Chat (icona viola in basso a destra) — il lab risponde, può anche proporre azioni (inject tension, run cycle) che richiedono conferma.

Pipeline SSP — Scoperte / Soluzioni / Prodotti

Ogni cycle del lab non si ferma al report. Attraversa una pipeline a 4 stage che porta da scoperta scientifica a prodotto verificato empiricamente, in autonomia.

Stage 1 — Scoperta

Il cycle agente esplora una tensione, scrive un report con findings + verdict. on_crystallize.py trasforma il report in lab-note.draft.md + cycle-report.draft.md con metadata YAML. Status: mature_eligible · transitional · pre_discovery.

Stage 1.5 — Eligibility gate

finding_eligibility_gate.py classifica ogni finding del report con classifier multi-segnale: applicative_finding, literature_rediscovery, methodology_note, boundary_warning, verdict_summary, negative_result, REVIEW_REQUIRED (ambiguo). Niente skip silenzioso — tutto va in finding_index.draft.json.

Stage 2 — Application designer

Per ogni finding eligible, application_designer.py propone 3 candidate: library (benchmark), kernel (cognitive prompt), demo (reproduction). Ognuno ha una verification_spec Stage 3 SPEC_ONLY (criteri success/falsification). Skip se gate non è mature_eligible — niente prodotti su claim non maturi.

Stage 4 — PoC runner empirico

stage4_poc_runner.py chiude il loop: passa la verification_spec a un LLM (claude-cli OAuth) che scrive un poc.py standalone con metodo naive vs informed-by-finding. Lo script viene eseguito (sandboxed, max 90s, no network), produce metrics.json, il runner confronta vs criteri e scrive verification.json reale. Verdict: PASS (delta > 0.05), FAIL (delta < -0.05), INCONCLUSIVE (marginale), UNTESTABLE (negative_result).

Il movement ssp_pipeline esegue automaticamente Stage 1+1.5 ogni cycle, e Stage 2+4 solo per scoperte mature. Questo significa: lab notturno → mattina trovi scoperta + applicazioni + prodotti già verificati con metriche A/B reali. Niente intervento manuale.

Pipeline movements

Ogni ciclo notturno esegue 20 movements in sequenza:

autopsy build_field agent bias_corrector report_falsifier bicono_extractor validate_seed verify_assertions structural_check build_lab_data build_graph sync verify_endpoints refiner semantic_bridge refresh_detector seed_integrator trajectory_evaluator ssp_pipeline notify

Reference

· Modello D-ND: f(x)=1+1/x · M=[[1,1],[1,0]] · det(M)=−1 · punto fisso φ
· Versione dashboard:
◆ Chat con il lab

● Demo in collaudo

Stiamo affinando il lab autonomo prima di aprire l'esecuzione cycle al pubblico. L'avvio diretto del cycle e' temporaneamente disattivato.

Se vuoi accesso anticipato alla demo, vedere il lab girare su un dominio specifico (finanza, biologia, linguistica, ...), o adattarlo a un caso d'uso, scrivici:

info@d-nd.com
Quello che vedi qui e' uno snapshot del campo: tensioni, scoperte, falsifier, bias_corrector, grafo. I dati sono reali — il cycle attivo e' in esecuzione controllata mentre il sistema viene completato.

Run cycle on