PsiQRH Fractal Attention: What We Built, What It Should Be, and Why It Could Be a Foundation

Complete analysis of the fractal attention mechanisms in the PsiQRH stack. WHAT WE BUILT: 1. RiemannAttention: Q·K^T + softmax O(n^2) — usado no modelo treinado 2. SpectralAttention: Q·K^T + FFT2 + F(k) + softmax — O(n^2 log n) 3. QuaternionSpectralAttention: Hamilton + FFT2 + softmax 4. KuramotoLayer: osciladores acoplados SEM softmax — O(n·steps) WHAT IT SHOULD BE: A atencao fractal substitui softmax por kernel de decaimento baseado em dimensao fractal D: kappa(r,D) = exp(-r^2/2sigma^2(D)). Isso permite: - Kernel local O(n·k) em vez de O(n^2) - FFT na sequencia O(n log n) em vez de FFT na matriz O(n^2 log n) - Normalizacao LOCAL (nao global como softmax) - Feedback adaptativo: D regula alpha que regula o kernel WHY IT DIDN'T WORK: - Subtreinamento 200x abaixo do ideal (3M vs 644M tokens) - Softmax NUNCA foi substituido no modelo treinado - Componentes geometricos: 0.02% dos parametros - Kuramoto, fractal, consciencia isolados em src/ — nunca integrados WHY IT COULD BE A FOUNDATION: - ParametricSurface: unica alternativa continua a embeddings discretos - SpectralFilter: conecta dimensao fractal a parametros de atencao - KuramotoLayer: unica implementacao que elimina softmax - 42 testes automatizados: tudo funciona, basta conectar e treinar em escala