Wiki: remove out-of-context project details, define terms

Drop the ON/OFF aside, the 8-replica anecdote and "next step" wording;
explain the per-line spike rule, define drawn-digit accuracy, separate
GoldenModel accuracy from counter verification, and phrase backend and
neuron-flag notes without project-internal references.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01XFVgZ8Nct8BEh9k7bjuRdw

wiki/knp_wiki.py

@@ -12,7 +12,7 @@ import sys
 from pathlib import Path
 
 from docslib import HeaderButton, build, run
-from docslib.components import Callout, Code, Details, H1, H2, H3, List, LocalLink, P, Table
+from docslib.components import Callout, Code, H1, H2, H3, List, LocalLink, P, Table
 from docslib.hooks import Component, Page
 
 HERE = Path(__file__).resolve().parent
@@ -194,10 +194,10 @@ def neuron_page():
             "если потенциал ниже отрицательного порога — при saturate он упирается в этот порог.",
         ], ordered=True),
         Table(["Флаг", "Что делает", "Как используется"], [
-            ["is_diff", "после выстрела вычитает порог, остаток сохраняется", "в наших сетях: точный счёт заряда"],
+            ["is_diff", "после выстрела вычитает порог, остаток сохраняется", "заряд сверх порога не теряется"],
             ["is_reset", "после выстрела сбрасывает потенциал в значение сброса", "штатный пример KNP"],
             ["saturate", "не даёт потенциалу уйти ниже отрицательного порога", "отрицательный порог 0: уровень не ниже нуля"],
-            ["leak_rev", "утечка всегда тянет потенциал к нулю", "в наших сетях утечка 0"],
+            ["leak_rev", "утечка всегда тянет потенциал к нулю", "при нулевой утечке нейрон копит заряд всю картинку"],
         ]),
         Callout("Все числа нейрона целые, потенциал — 16 бит со знаком (от −32 768 до 32 767). "
                 "Сеть, у которой сумма входов за такт выходит за этот диапазон, на чипе не заработает.", title="Ограничение", kind="note"),
@@ -219,11 +219,6 @@ def coding_page():
         ]),
         P("Частотный код проще: число спайков приближённо равно активации обычной нейросети, поэтому её веса можно перенести. "
           "Временной код экономнее, но нейроны должны реагировать на порядок прихода спайков, поэтому сеть учат прямо на динамике."),
-        Details("Почему вход ON/OFF не нужен сети, обученной на компьютере",
-                "Канал OFF стреляет на пустых пикселях, его значение равно «255 − яркость». У нейрона с весами разного знака и смещением "
-                "это уже выражается через канал ON, поэтому нового сигнала OFF не даёт, а входов и спайков становится вдвое больше. "
-                "Проверка на нативной сети: 96,3% с ON/OFF против 97,7% без него. Колонкам STDP такой сигнал нужен, но они "
-                "от лишних спайков замолкают."),
     ]
 
 
@@ -264,8 +259,8 @@ def learning_page():
         H2("Сравнение способов"),
         Table(["Способ", "Где идёт", "Чему учит", "Цифры MNIST"], [
             ["STDP (классический)", "в KNP", "частые узоры, без меток", "—"],
-            ["STDP с ресурсом + дофамин (колонки KNP)", "в KNP", "«похоже на мою цифру»", "≈92%"],
-            ["Дофамин по ошибке (дельта-правило)", "в KNP", "один слой по ошибке ответа", "≈94,8% (валидация)"],
+            ["STDP с синаптическим ресурсом и дофамином: вес растёт с насыщением, награда закрепляет изменения", "в KNP", "«похоже на мою цифру»", "≈92%"],
+            ["Дофамин по ошибке: связь меняется на разницу «должен был выстрелить» минус «выстрелил»", "в KNP", "один слой по ошибке ответа", "≈94,8% (валидация)"],
             ["Перенос обычной сети", "на компьютере", "всю сеть обратным распространением по аналоговой копии", "97,8%"],
             ["Суррогатный градиент по тактам", "на компьютере", "всю сеть прямо на динамике спайков", "97,4% за 8 тактов"],
         ]),
@@ -315,13 +310,13 @@ def backends_page():
             ["CPU, один поток", "LIF, BLIFAT, AltAILIF и STDP-варианты", "да", "эталон"],
             ["CPU, много потоков", "LIF, BLIFAT", "частично", "AltAILIF не поддерживает"],
             ["CUDA (официальный)", "BLIFAT", "нет", "AltAILIF не поддерживает"],
-            ["CUDA для AltAILIF (наш)", "AltAILIF, Delta", "нет", "побайтно совпадает с CPU; при угрозе потери точности float32 падает с ошибкой"],
+            ["CUDA для AltAILIF (разработан в проекте)", "AltAILIF, Delta", "нет", "результат побайтно совпадает с CPU, в 5 раз быстрее на больших наборах"],
             ["Алтай: GoldenModel и чип", "AltAILIF, Delta", "нет", "закрытая библиотека Мотив НТ, deb-пакет 1.0.2"],
         ]),
         Table(["Модель нейрона", "Что это", "Где исполняется"], [
             ["LIF", "классический нейрон с утечкой", "CPU"],
             ["BLIFAT", "расширенная модель Kaspersky: адаптивный порог, торможение", "CPU, CUDA"],
-            ["AltAILIF", "ровно возможности нейрона Алтая", "CPU, наш CUDA, Алтай"],
+            ["AltAILIF", "ровно возможности нейрона Алтая", "CPU, CUDA проекта, Алтай"],
         ]),
         P("Для распознавателя на Алтае имеет значение только AltAILIF с синапсами Delta: остальные модели на чип не переносятся."),
     ]
@@ -374,7 +369,7 @@ def rules_page():
             ["один тип связи, знак в весе", "торможение — отрицательный вес"],
             ["потенциал 16 бит со знаком", "сумма входов за такт ограничена"],
             ["начальный потенциал игнорируется", "смещение подаётся отдельными входными спайками"],
-            ["одинаковые номера входа в одном такте склеиваются", "каждой линии свой номер"],
+            ["два спайка по одной входной линии в одном такте считаются одним", "если нужно подать несколько событий за такт, у каждого своя линия"],
             ["обучения нет", "веса загружаются готовыми"],
         ]),
         H2("Квантование"),
@@ -398,9 +393,9 @@ def placement_page():
             ["GoldenModel", "размещение и правила чипа соблюдены, счётчики совпадают"],
             ["Чип AltAI_HW", "работа на железе"],
         ]),
-        Callout("Принятие сети размещателем ещё не доказывает правильность. Конфигурация с 8 копиями сети в сетке 4×4 "
-                "была принята, но счётчики спайков разошлись с эталоном. Критерий — совпадение счётчиков каждого нейрона.",
-                title="Наблюдение", kind="note"),
+        Callout("То, что размещатель принял сеть, ещё не доказывает её правильность: размещение может пройти, а счёт — разойтись "
+                "с эталоном. Критерий — совпадение счётчика спайков каждого нейрона во всех ступенях.",
+                title="Критерий", kind="note"),
     ]
 
 
@@ -487,7 +482,7 @@ def native_page():
               "выход заново обучается по настоящим счётчикам спайков скрытого слоя и раскладывается на группы."], ordered=True),
         Table(["Свойство", "Значение"], [
             ["Точность на MNIST", "97,8%; с выпрямлением наклона на хосте — 98,0%"],
-            ["Проверка", "KNP CPU и CUDA — все счётчики совпали; GoldenModel — 975 из 1000"],
+            ["Проверка", "KNP на CPU и CUDA и GoldenModel: счётчики спайков всех нейронов совпали с эталоном (в GoldenModel — на 1000 картинках)"],
             ["Цена", "≈3200 входных спайков и ≈338 тыс. синаптических событий на картинку"],
         ]),
     ]
@@ -514,9 +509,9 @@ def ticks_page():
               "к ошибке добавлен штраф за спайки скрытого слоя — сеть учится молчать, когда может;",
               "настройки выбираются по валидации, итог считается отдельным целочисленным симулятором."], ordered=True),
         Table(["Свойство", "Значение"], [
-            ["Точность на MNIST", "97,4%"], ["Имитация рисования мышью", "95,9%"], ["Тактов", "8"],
+            ["Точность на MNIST", "97,4%"], ["Точность на рисунках", "95,9%"], ["Тактов", "8"],
             ["Входных спайков", "≈143"], ["Синаптических событий", "≈20 тыс. — в 17 раз меньше нативной сети"],
-            ["Проверка", "целочисленный эталон; KNP и GoldenModel — следующий шаг"],
+            ["Проверка", "целочисленный эталон; в KNP и GoldenModel не проверялась"],
         ]),
     ]
 
@@ -572,6 +567,7 @@ def metrics_page():
         H1("Метрики и методика"),
         Table(["Метрика", "Определение"], [
             ["Точность", "доля правильных ответов на тесте"],
+            ["Точность на рисунках", "та же доля, но на тестовых цифрах, перерисованных пером постоянной толщины, как при рисовании мышью"],
             ["Синаптические события", "число сложений «спайк × вес» на одну картинку; главная мера энергии на нейроморфном чипе"],
             ["Входные спайки", "сколько событий хост отправляет на чип"],
             ["Такты", "длительность распознавания в шагах чипа"],
@@ -582,8 +578,8 @@ def metrics_page():
               "цифра без источника (файл метрик или журнал проверки) не считается результатом;",
               "разница меньше 0,3 п.п. при одном прогоне — в пределах шума;",
               "точность на тесте MNIST не равна точности на рисунках мышью: это другой «почерк»."]),
-        P("Для оценки рисования используется имитация: скелет цифры MNIST перерисовывается пером постоянной толщины. "
-          "Нативная сеть теряет на ней около 4 п.п.; обучение на таких копиях и выпрямление сокращают потерю до 2 п.п."),
+        P("Рисунок мышью отличается от рукописной цифры: перо одной толщины, жёсткие края, другая толщина линии. Поэтому точность "
+          "на рисунках обычно ниже точности на тесте; её сокращают обработкой на хосте и обучением на перерисованных копиях."),
     ]