KNP_W_RANGE option; weight range does not explain object gap

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

cats-dogs/source/models/altai/construct_network.cpp

@@ -41,6 +41,7 @@
 // KNP_COL_GATE=<g1,g2,..>  gate->input pulses: weight g_k with delay k (default: single 10000 pulse with delay 1).
 // KNP_COL_PUNISH=<d>       target->input dopamine -d*1000 to every column except the label's one (reward is 0.179376):
 //                          neurons of wrong columns that fired recently lose the synapses that made them fire.
+// KNP_W_RANGE=<min>,<max> trainable raster->input weight range.
 // KNP_DELTA=<a>,<b>        error-driven (delta-rule) training; needs a backend built with KNP_DELTA_RULE support
 //                          (augment/build_delta_cpu.py). The label sends dopamine +a to its neurons on every active
 //                          step, every input neuron's own spike sends it dopamine -b on the next step, so dopamine =
@@ -154,6 +155,12 @@ static void create_projections(
     raster_to_input_synapse.rule_.dopamine_plasticity_period_ = raster_to_input_synapse_dopamine_plasticity_period;
     raster_to_input_synapse.rule_.w_max_ = raster_to_input_synapse_w_max;
     raster_to_input_synapse.rule_.w_min_ = raster_to_input_synapse_w_min;
+    // KNP_W_RANGE=<min>,<max> overrides the trainable weight range (default -253.122, 92.3957).
+    if (const auto range = env_float_list("KNP_W_RANGE", {}); range.size() == 2)
+    {
+        raster_to_input_synapse.rule_.w_min_ = range[0];
+        raster_to_input_synapse.rule_.w_max_ = range[1];
+    }
     raster_to_input_synapse.rule_.synaptic_resource_ =
         resource_from_weight(0, raster_to_input_synapse.rule_.w_min_, raster_to_input_synapse.rule_.w_max_);
     

changes-2026-10-15.md

@@ -51,3 +51,4 @@ MNIST, признаки coarse, 30 000 обучение, 10 000 проверка
 - `cats-dogs/source`: размер входа — `get_input_size()` из `KNP_MNIST_INPUT_SIZE` (по умолчанию 2048), пересобран. `objects/make_knp_features.py --model --name`. Признаки онлайн WTA: K=800 (3200 входов) — r3 b4 65,3%, r1 b8 67,2%; K=1600 (6400) — 65,9% / 67,2%.
 - Три прохода по обучению (обучающая часть ×3 с новым перемешиванием, `*_x3_validation`, 54 000): K=512 — r1 b4 67,3%, r1 b8 65,0%, r3 b4 66,4%; K=1600 r1 b8 63,2%. Не помогает.
 - Вывод по объектам: в KNP дофамин по ошибке даёт 65–69% (колонки STDP — 64–65% на разреженных, ≈0% на плотных); ridge на тех же признаках — 74%. Вероятная причина разрыва — ограниченный и несимметричный диапазон весов KNP (−253…+92) и насыщение ресурса.
+- `KNP_W_RANGE=<min>,<max>` (MNIST и cats-dogs `construct_network.cpp`): диапазон обучаемых весов. Кошки/собаки r3 b4: ±120 — 66,1%, ±250 — 66,4% (r1 b8 — 61,8%), ±500 — 64,9% (по умолчанию −253…+92 — 69,1%). Гипотеза про диапазон не подтвердилась. Разброс весов большой (σ 91 при стандартном диапазоне, 177 при ±250); вероятнее, мешает онлайн-обучение за один проход с крупными шагами.

examples/examples/mnist-learn/models/altai/construct_network.cpp

@@ -41,6 +41,7 @@
 // KNP_COL_GATE=<g1,g2,..>  gate->input pulses: weight g_k with delay k (default: single 10000 pulse with delay 1).
 // KNP_COL_PUNISH=<d>       target->input dopamine -d*1000 to every column except the label's one (reward is 0.179376):
 //                          neurons of wrong columns that fired recently lose the synapses that made them fire.
+// KNP_W_RANGE=<min>,<max> trainable raster->input weight range.
 // KNP_DELTA=<a>,<b>        error-driven (delta-rule) training; needs a backend built with KNP_DELTA_RULE support
 //                          (augment/build_delta_cpu.py). The label sends dopamine +a to its neurons on every active
 //                          step, every input neuron's own spike sends it dopamine -b on the next step, so dopamine =
@@ -154,6 +155,12 @@ static void create_projections(
     raster_to_input_synapse.rule_.dopamine_plasticity_period_ = raster_to_input_synapse_dopamine_plasticity_period;
     raster_to_input_synapse.rule_.w_max_ = raster_to_input_synapse_w_max;
     raster_to_input_synapse.rule_.w_min_ = raster_to_input_synapse_w_min;
+    // KNP_W_RANGE=<min>,<max> overrides the trainable weight range (default -253.122, 92.3957).
+    if (const auto range = env_float_list("KNP_W_RANGE", {}); range.size() == 2)
+    {
+        raster_to_input_synapse.rule_.w_min_ = range[0];
+        raster_to_input_synapse.rule_.w_max_ = range[1];
+    }
     raster_to_input_synapse.rule_.synaptic_resource_ =
         resource_from_weight(0, raster_to_input_synapse.rule_.w_min_, raster_to_input_synapse.rule_.w_max_);
     

Отчёт_объекты_ночь.md

@@ -73,7 +73,7 @@
 | Цифры, то же + аугментация, 90 000 | — | 94,6%; сдвиг 2 px **91,3%** | 95,1%; сдвиг 89,9% |
 | Кошки/собаки, выученные признаки | 64–65% (на плотных молчат) | **65–69%** | 74% (без спайков) |
 
-На цифрах обучение внутри платформы догнало обучение вне чипа и дало самую устойчивую сеть за всё время. На объектах выигрыш у колонок небольшой. Разрыв с 74%, скорее всего, из-за диапазона весов KNP: от −253 до +92, и около краёв вес почти перестаёт меняться.
+На цифрах обучение внутри платформы догнало обучение вне чипа и дало самую устойчивую сеть за всё время. На объектах выигрыш у колонок небольшой. Разрыв с 74% пока не объяснён. Диапазон весов проверен и не виноват: симметричные ±120…±500 дают то же. Не помогают и три прохода по данным. Остаются крупные шаги онлайн-обучения: веса сильно расползаются.
 
 ## Цифры на странице