версии (v1, preprint)
Authors/Creators
Description
Ontology-Preserving Mapping Theory (OPMT):
A Homomorphic Framework for AI Safety and Model
auditing
Andrey A. Artsybashev
Independent Researcher, Kharkiv, Ukraine
Identifier: AAM-V1_ARTSYBASHEV_UA_KHARKIV_AIANALYSIS
February 9, 2026
Abstract
As Large Language Models (LLMs) and generative AI systems become integral to Research
& Development (R&D), the risk of “hallucinations” shifts from semantic incoherence to on-
tological invalidityplausible but physically impossible descriptions. This paper formalizes the
Artsybashev Analysis Method (AAM-V1) and the AAM-RSL v1.2 (Responsibility
& Skepticism Layer) protocol. We introduce the concept of Ontological Homomorphism, a
structural mapping Φ : R → M that preserves physical invariants (entropy, energy, causality)
between reality (R) and the model (M ). We classify model outputs into VALID (homomor-
phism preserved), FRINGE (partial homomorphism with a large kernel), and GHOST
(structural violation). Using the PseudoPhysicsAI case study, we demonstrate how this
framework detects subtle violations of thermodynamic laws, providing a rigorous tool for
auditing AI in high-responsibility domains.
Keywords: AI Safety, Ontological Homomorphism, AAM-RSL, Hallucination Detection,
R&D, Entropy, Epistemology.
Technical info
{{Infobox scientific paper
| title = The 1/e Spectral Attractor: An Empirical Metric for Structural Complexity...
| author = Artsybashev Andrey Alekseevich
| date = 10 февраля 2026
| version = v1.0-final
| license = CC BY 4.0
| doi = (Zenodo reserved via token)
| related = [[Artsybashev Adaptive Morphology (AAM)]], [[Ontology-Preserving Mapping Theory (OPMT)]]
}}
'''The 1/e Spectral Attractor''' — эмпирическая метрика структурной сложности, основанная на соотношении первых двух сингулярных значений матрицы (σ₂/σ₁ ≈ 1/e ≈ 0.3679).
== Ключевые результаты ==
- Структурированные системы (NLP, vision, bio) стабильно группируются около 1/e
- Хаотические / shuffled данные → 1.0
- Масштабная инвариантность (N = 40…500)
- Устойчивость к шуму (Gaussian, Laplace, Cauchy)
[[Figure 1]] — KDE разделение структуры и хаоса
[[Figure 2]] — Конвергенция к 1/e при росте размера матрицы
[[Table 2]] — Бенчмарки на реальных датасетах (Faces 0.362, Digits 0.334, Bio 0.341, NLP 0.372)
→ Industry Application: быстрая проверка качества датасетов, диагностика переобучения/галлюцинаций в ИИ, детекция аномалий в сенсорных потоках.
== Ссылка на полный артефакт ==
Самодостаточный LaTeX-код с pgfplots (компилируется в PDF без внешних зависимостей) доступен в полной записи статьи.
== Ссылки ==
* AAM Methodology — DOI 10.5281/zenodo.18525442
* OPMT Framework — DOI 10.5281/zenodo.18558409
[[Категория:Теория сложности]]
[[Категория:Диагностика ИИ]]
[[Категория:Структурный анализ]]
[[Категория:AI Safety]]
Files
AAM-RSLPreprint.pdf
Files
(281.4 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:6e5548b552894c133ebab6cec401371a
|
281.4 kB | Preview Download |
Additional details
Identifiers
Related works
- Is reviewed by
- 10.5281/zenodo.18558409 (DOI)
References
- Обновлённая страница GROK Wiki (краткий вид) Markdown{{Infobox scientific paper | title = The 1/e Spectral Attractor: An Empirical Metric for Structural Complexity... | author = Artsybashev Andrey Alekseevich | date = 10 февраля 2026 | version = v1.0-final | license = CC BY 4.0 | doi = (Zenodo reserved via token) | related = [[Artsybashev Adaptive Morphology (AAM)]], [[Ontology-Preserving Mapping Theory (OPMT)]] }} '''The 1/e Spectral Attractor''' — эмпирическая метрика структурной сложности, основанная на соотношении первых двух сингулярных значений матрицы (σ₂/σ₁ ≈ 1/e ≈ 0.3679). == Ключевые результаты == - Структурированные системы (NLP, vision, bio) стабильно группируются около 1/e - Хаотические / shuffled данные → 1.0 - Масштабная инвариантность (N = 40…500) - Устойчивость к шуму (Gaussian, Laplace, Cauchy) [[Figure 1]] — KDE разделение структуры и хаоса [[Figure 2]] — Конвергенция к 1/e при росте размера матрицы [[Table 2]] — Бенчмарки на реальных датасетах (Faces 0.362, Digits 0.334, Bio 0.341, NLP 0.372) → Industry Application: быстрая проверка качества датасетов, диагностика переобучения/галлюцинаций в ИИ, детекция аномалий в сенсорных потоках. == Ссылка на полный артефакт == Самодостаточный LaTeX-код с pgfplots (компилируется в PDF без внешних зависимостей) доступен в полной записи статьи. == Ссылки == * AAM Methodology — DOI 10.5281/zenodo.18525442 * OPMT Framework — DOI 10.5281/zenodo.18558409 [[Категория:Теория сложности]] [[Категория:Диагностика ИИ]] [[Категория:Структурный анализ]] [[Категория:AI Safety]]