Coupled information states

Dynamischer
Informationsgraph

K08 betrachtete eine einzelne Informationsqualität über der Restzeit. K09 erweitert diese Skalargröße zu einem Vektor q: mehrere abstrakte Informationsknoten beeinflussen sich über eine normierte Graphmatrix W. Damit werden Topologie, Redundanz und Bottlenecks sichtbar.

dimensionslosq ∈ [0,1]⁴row-stochastic Wkeine reale Sensorkette

Vier abstrakte Informationsknoten mit Haupt- und Redundanzkanten sowie einer diskreten gekoppelten Zustandsdynamik.

Lernziel

Informationsqualität ist in einem Netzwerk ein Zustandsvektor, kein Einzelwert.

Jeder Knoten besitzt eine lokale Evidenzqualität bᵢ. Kopplung mischt diese lokale Evidenz mit den Zuständen benachbarter Knoten. Die Update-Rate α bestimmt, wie schnell sich der Graph pro diskretem Schritt bewegt; κ bestimmt, wie stark Nachbarn gegenüber lokaler Evidenz gewichtet werden.

Zustandsvektor

q[k] = [qA, qB, qC, qD]ᵀ

Jeder Eintrag ist eine dimensionslose Qualitätsgröße zwischen 0 und 1. Die Knoten sind didaktische Rollen, keine realen Plattformen oder Sensoren.

Graphkopplung

m[k] = W q[k]

W ist zeilenstochastisch. Dadurch ist jeder gemischte Nachbarschaftszustand eine konvexe Kombination vorhandener Knotenwerte.

Verankerte Dynamik

q[k+1]=(1−α)q[k]+α[(1−κ)b+κWq[k]]

Für 0≤κ<1 bleibt die Dynamik an lokaler Evidenz verankert. Redundanz verändert den Informationsfluss, ohne neue Information aus dem Nichts zu erzeugen.

K08 → K09

Aus einer Qualitätskurve wird ein gekoppelter Informationszustand.

K08q(τ)→K09q[k], W→network state

K09 untersucht nur abstrakte Zustandskopplung. Es enthält keine reale Detektionswahrscheinlichkeit, Sensorreichweite, Kommunikationsarchitektur, Reaktionszeit, Zielklassifikation, Guidance- oder Intercept-Entscheidung.

Interactive lab

Wie verändern Kopplung und Redundanz den Informationszustand?

Das Lab simuliert 30 dimensionslose Updates. Die Hauptkanten A–B–C–D bleiben erhalten; zwei Redundanzkanten A–C und B–D werden über r gewichtet.

Graph state at final stepnode fill and labels encode qᵢ

State evolutionqᵢ across normalized update steps

A · sourceB · stateC · contextD · aggregatequality threshold

Final aggregate qD—node D at k=30

Network mean—mean(q)

Network spread—max(q)−min(q)

D threshold step—first k with qD ≥ q*

Final residual—max |q[k]−q[k−1]|

Redundant edge weight—r before row normalization

Interpretation

Kopplung verteilt Qualität, ersetzt aber keine lokale Evidenz.

Die Graphdynamik macht sichtbar, wie Topologie und Ankerterm gemeinsam den stationären Informationszustand bestimmen.

Systemische Konsequenz

Topologie verändert nicht nur Wege, sondern den Zustand des Gesamtsystems.

Redundanz

Zusätzliche Kanten verkürzen Informationspfade und können Unterschiede zwischen Knoten schneller ausgleichen. Sie erzeugen jedoch keine Evidenz; der Ankervektor b bleibt die externe Informationsquelle.

Bottleneck

Ein Knoten mit niedriger lokaler Evidenz kann trotz guter Nachbarn unter einem Schwellenwert bleiben, wenn die Kopplung schwach oder die Topologie ungünstig ist. Der relevante Zustand ist daher netzwerkweit.

Nächster Schritt

K09 bleibt eine reine Informations-/Inference-Schicht. K10 koppelt sie wieder mit Zielhypothesen 𝓣(t), der Zukunftsmenge 𝓡A(t), der getrennten Reachability 𝓡B(t) sowie Restzeit und nutzbarem Informationsfenster.

local evidence b+topology W+coupling κ→dynamic information state q[k]