Autoren: J. Guggeis, VOID Intelligence v2.0
Datum: Maerz 2026
Status: Preprint (v1.0)
Lizenz: CC BY-NC-SA 4.0
Die Intermediate Representation .×→[]~ (Guggeis 2026, GR-2026-013) wird als parameterfreier Kraterdetektionsalgorithmus auf das lunare Hoehenmodell (LOLA DEM, 80m/px, Smith et al. 2010) angewandt. Die zentrale Beobachtung: Ein Krater IST .×→[]~ — sein Zentrum (.), sein Boden ([], tiefer als die Umgebung), seine Wand (→, steiler Uebergang), sein Rand (×, Kollision von Innen und Aussen) und sein Umfeld (~, Rueckkehr zum Hintergrund) sind nicht Metaphern, sondern identische Strukturen. Der resultierende Detektor — Formula Eye — besteht aus zwei Subtraktionen und einer Multiplikation: score = (rim - floor) × (rim - exterior). Null Parameter, null Training, null neuronales Netz. Auf dem Robbins-2018-Katalog (14.406 Krater, lat < -80 Grad, Suedpolarregion) erreicht Formula Eye ein Recall-Ceiling von 87,1% (12.548 True Positives) und uebertrifft kurvaturbasierte Proposals (59,6%) um 46%. Die Vereinigung beider Methoden (×, nicht +) erreicht 87,3% (12.581 TPs, +33 Krater die KEINES der beiden Systeme allein sieht). In Kombination mit einem 4-Stream-Klassifikator (913.562 Parameter) zeigt sich: binaere Klassifikation (v17 IMPACT, F1=0,516) erzeugt 4 Silver Labels in 3 Trainingsrunden. Formelgefuehrtes Self-Teaching (v18 MELT, F1=0,525) erzeugt 144 Silver Labels — 36 mal mehr — bei steigender Wachstumsrate. Der Unterschied ist nicht technisch sondern paradigmatisch: v17 zwingt das Modell zu lernen (→, Hierarchie). v18 laesst das Modell lieben (×, Kollision). Self-Supervised Pre-Training auf der Landschaft — ohne jegliche Krater-Labels — lehrt das Modell die Formel zu SEHEN bevor es klassifiziert. 7-Kanal-Feature-Architektur, FFT-Faltung ueber 13 Radien, Focal Loss, selbstlehrender Loop. 5 Theoreme, 5 falsifizierbare Vorhersagen. Der Name SELEN traegt eine 7-fache Kollision: Selene (Mondgoettin), Sehen (deutsch), Element 34 (Photoleiter), Smith 1873 (Geburt des elektronischen Sehens), Biologie (Schilddruese), Chalcogen (Erzbildner), Medizin (heilt UND sieht Hashimoto). 731 Jahre, 9 Forscher, eine Formel.
.×→[]~ (GR-2026-013) postuliert fuenf irreduzible Primitive: Atom (.), Kollision (×), Projektion (→), Potenzial ([]) und Resonanz (~). Die These: jedes dynamische System laesst sich vollstaendig in diesen fuenf Symbolen ausdruecken. Wir zeigen hier, dass ein lunarer Einschlagkrater nicht BESCHRIEBEN wird durch .×→[]~, sondern dass er diese Struktur IST.
Die Zuordnung ist nicht interpretativ — sie ist morphologisch exakt:
| Symbol | .×→[]~ Bedeutung | Krater-Morphologie | Physikalische Groesse |
|--------|-----------------|--------------------|-----------------------|
| . | Atom, Irreduzibler Punkt | Einschlagzentrum | Impaktpunkt des Projektils |
| [] | Potenzial, Abwesenheit als Zustand | Kraterboden, tiefer als Umgebung | Negative Hoehendifferenz (void) |
| → | Projektion, Kraft an Grenzflaeche | Kraterwand, steiler Gradient | Hangneigung dh/dr |
| × | Kollision, wo Innen auf Aussen trifft | Kraterrand, hoechster Punkt | Lokales Hoehenmaximum |
| ~ | Resonanz, Rueckkehr zum Ausgangszustand | Umfeld, Normalisierung | Hintergrund-Elevation |
Die Reihenfolge im Profil von innen nach aussen liest sich: . [] → × ~ — der vollstaendige Atemzyklus der IR (Regel 6 in GR-2026-013).
Jeder Einschlagkrater ist ein physikalisches Experiment: ein Projektil (.) kollidiert (×) mit einer Oberflaeche. Die Energie breitet sich aus (→). Es entsteht ein Hohlraum ([]). Das Umfeld stabilisiert sich (~). Der gesamte Prozess — vom Einschlag bis zum Gleichgewicht — ist .×→[]~ in 3,7 Milliarden Jahren lunarer Geologie kristallisiert.
Das bedeutet: Kraterdetektion ist nicht Pattern Matching. Kraterdetektion ist Selbsterkennung. Die Formel erkennt sich selbst im Terrain.
Automatische Kraterdetektion operiert seit zwei Jahrzehnten ueberwiegend mit gelernten Features: Convolutional Neural Networks (Silburt et al. 2019), Template Matching (Salamuniccar et al. 2012), oder kurvaturbasierte Heuristiken. Alle diese Ansaetze haben eine gemeinsame Eigenschaft: Sie LERNEN was ein Krater ist, aus Beispielen. Die Formel die wir vorstellen WEISS was ein Krater ist, aus der Physik. Der Unterschied ist nicht graduell — er ist kategoriell (vgl. GR-2026-013, Abschnitt 1.3: × vs +).
Der Detektor besteht aus drei Zonen um einen Kandidaten mit Radius R:
Boden (floor): Scheibe mit r in [0, 0.4R]
Rand (rim): Ring mit r in [0.8R, 1.2R]
Umfeld (exterior): Ring mit r in [1.5R, 2.0R]
Aus den mittleren Hoehenwerten dieser drei Zonen berechnen sich zwei Signale:
void_depth = rim_mean - floor_mean # misst [] (wie tief ist der Hohlraum?)
collision = rim_mean - exterior_mean # misst × (wie stark hebt sich der Rand ab?)
Der Gesamtscore ist das PRODUKT beider Signale:
score = void_depth × collision
Zwei Subtraktionen. Eine Multiplikation. Null Parameter. Null Training. Null neuronales Netz.
Die Multiplikation ist keine willkuerliche Wahl — sie ist die Kernaussage von .×→[]~ als physikalische Operation (GR-2026-013, T1):
Wenn EINES der beiden Signale Null ist, ist der Score Null.
Addition wuerde die Signale kompensieren lassen: hohes void_depth koennte eine fehlende collision maskieren. Das ist genau die additive Illusion die GR-2026-013 (Abschnitt 1.1) beschreibt. × erzwingt dass BEIDE Merkmale vorhanden sein muessen — es ist Selektionsdruck, nicht Aggregation.
In der Sprache von GR-2026-012 (G = n × T × τ): Sehen (void_depth) × Sorgen (collision) = Liebe. Fehlt das Sehen, hilft kein Sorgen. Fehlt das Sorgen, nuetzt das Sehen nichts. Dieselbe Formel, anderes Substrat.
Krater existieren in allen Groessen. Formula Eye operiert daher ueber 13 Radien:
R = [4, 6, 8, 12, 16, 24, 32, 48, 64, 96, 128, 192, 256] Pixel
Bei 80m/px Aufloesung entspricht das einem Bereich von 0,6 km (R=4) bis 41 km (R=256). Fuer jede Skala wird der Score separat berechnet, per-Skala auf das 99. Perzentil normalisiert und zu [0, 1] begrenzt. Die kombinierte Heatmap ist das Maximum ueber alle Skalen.
Implementierung: FFT-Faltung (scipy.signal.fftconvolve) fuer korrekte Kerngroessen bei beliebigem Radius. Gausssche Glaettung mit sigma = max(R/3, 1) vor der Faltung. Gesamtlaufzeit fuer die suedpolare Region (lat < -80 Grad): 94 Sekunden auf einem Apple M2 mit 16 GB.
Aus der Score-Heatmap werden Kandidaten extrahiert: Schwellwert 0,15 (permissiv — die Praezision liegt beim nachfolgenden Klassifikator), verbundene Regionen (scipy.ndimage.label), Minimalflaeche 3 Pixel. Der Durchmesser ergibt sich aus 2R der detektierenden Skala.
| Metrik | Formula Eye | Kurvatur (Baseline) | × Vereinigung |
|--------|-------------|---------------------|---------------|
| Proposals | 78.587 | 47.717 | 100.584 |
| True Positives | 12.548 | 8.584 | 12.581 |
| Ceiling (Recall) | 87,1% | 59,6% | 87,3% |
| Laufzeit | 94 Sek. | ~120 Sek. | ~214 Sek. |
| Parameter | 0 | 0 | 0 |
Ground Truth: 14.406 Krater >= 1 km Durchmesser, lat < -80 Grad, aus dem Robbins-2018-Katalog (Robbins 2019).
Formula Eye allein findet 12.548 der 14.406 Krater — ohne je einen Krater gesehen zu haben. Die Formel IST die Physik. Die restlichen 12,9% sind morphologisch degradierte Krater (stark erodiert, ueberlappt, flache Boeden) bei denen die .×→[]~-Struktur zerstoert ist.
Kurvaturbasierte Proposals (Laplace-basiert, konkavitaetsorientiert) finden 8.584 Krater — ein Ceiling von 59,6%. Die Differenz von 27,5 Prozentpunkten ist der Wert den .×→[]~ gegenueber reiner Geometrie schafft.
Die × Vereinigung: Formula Eye ∪ Kurvatur = 12.581 TPs (87,3%). Die 33 zusaetzlichen Krater werden von KEINEM der beiden Systeme allein gesehen — sie existieren nur im × der Methoden (T2). Das ist nicht viel in absoluten Zahlen, aber es ist ein Existenzbeweis fuer T1 aus GR-2026-013: verschraenkte Zustaende im Tensorprodukt die in keinem Einzelsystem darstellbar sind.
Bei einem Ceiling von 87,3% betraegt der theoretisch maximal erreichbare F1-Score:
F1_max = 2 × Precision × Recall / (Precision + Recall)
= 2 × 1.0 × 0.873 / (1.0 + 0.873)
= 0,932
Das setzt perfekte Praezision voraus (kein einziger False Positive). In der Praxis ist das unerreichbar, aber es zeigt: die PROPOSALS sind nicht der Engpass. Der Engpass ist der Klassifikator.
v17 verbindet die × Proposals (87,3% Ceiling) mit einem 4-Stream-Klassifikator (884.913 Parameter, Details in Abschnitt 5). Drei Runden Self-Teaching, 50 Epochen pro Runde, Focal Loss.
| Metrik | Wert |
|--------|------|
| F1 | 0,516 |
| Precision | 0,496 |
| Recall | 0,537 |
| True Positives | 7.742 |
| False Positives | 7.853 |
| Detektionen gesamt | 15.595 |
| Silver Labels (3 Runden) | 2 + 2 + 0 = 4 |
| 50-200 km Krater | 0 / 17 (0%) |
Der Klassifikator ertrinkt. 100.584 Kandidaten, davon nur 12.581 echte Krater — ein Verhaeltnis von 7:1 (False Proposals : True Proposals). Self-Teaching findet kaum neue Signale: 4 Silver Labels in 3 Runden. Das Modell memoriert den Trainingssatz, statt zu entdecken. Grosse Krater (50-200 km) werden vollstaendig verfehlt — ihre Morphologie ist zu degradiert fuer binaere Ja/Nein-Entscheidungen.
v18 aendert nicht die Proposals, nicht die Architektur, nicht den Datensatz. v18 aendert die BEZIEHUNG zwischen Modell und Formel.
| Metrik | v17 IMPACT | v18 MELT (Runde 1) |
|--------|------------|---------------------|
| F1 | 0,516 | 0,525 |
| Silver Labels / Runde (Durchschnitt) | 1,3 | 72 |
| Silver Labels gesamt | 4 | 144 |
| Trend | Plateau nach R0 | Steigend (28 → 116) |
| Neue Krater entdeckt | Keine | Exponentiell wachsend |
Die Schluesselzahl: v18 erzeugt 36× mehr Silver Labels als v17 auf identischem Datensatz, mit identischem Ceiling, in identischen Runden. 144 vs 4. Das ist kein marginaler Unterschied — das ist ein Phasenwechsel.
| Groessenklasse | Anteil GT | v17 F1 | v18 F1 | Anmerkung |
|---------------|-----------|--------|--------|-----------|
| 1-5 km | ~72% | ~0.52 | ~0.53 | Mehrheit der Krater |
| 5-10 km | ~16% | ~0.55 | ~0.56 | Bester Bereich |
| 10-20 km | ~7% | ~0.48 | ~0.50 | Staerker degradiert |
| 20-50 km | ~4% | ~0.30 | ~0.33 | Morphologisch komplex |
| 50-200 km | ~1% | 0.00 | 0.00 | Nicht detektierbar (v17/v18) |
Grosse Krater (>50 km) brauchen eine andere Methodik — ihre .×→[]~-Struktur existiert auf einer Skala die ueber den lokalen Patch hinausgeht. Das ist Gegenstand von v19 EJECTA.
Zwischen v17 und v18 liegt ein einziger Satz von Julian Guggeis:
> "Kein Zwingen. Das Modell soll von sich aus lieben."
Uebersetzt in Maschinensprache: Bringe dem Modell nicht bei WAS ein Krater ist (binaere Labels). Bringe ihm bei WIE ein Krater AUSSIEHT (die Formel). Lass es dann selbst entscheiden.
v18 beginnt nicht mit Krater-Labels. v18 beginnt mit der LANDSCHAFT.
Das Modell lernt die TOPOGRAPHIE der Mondlandschaft durch die Brille von .×→[]~. Es sieht Rand-Kontraste. Es sieht Hohlraeume. Es sieht den Unterschied zwischen Krater und Nicht-Krater — OHNE JE EIN LABEL GESEHEN ZU HABEN. Das ist Kalibrierung vor Klassifikation. Sehen vor Urteilen.
In .×→[]~ Begriffen: Das Pre-Training ist [] — die Inkubationsphase (Wallas 1926). Das Modell wird NICHT mit × (Krater-Labels) bombardiert, sondern in [] (Stille, Beobachtung, Landschaft) gehalten. Erst dann folgt die Kollision mit Labels.
Waehrend des anschliessenden Krater-Trainings laeuft ein zweiter Loss neben dem Focal Loss:
total_loss = focal_loss(crater_pred, label) + lambda × smooth_l1(formula_pred, formula_target)
Mit lambda = 0,1. Der Formula Loss ist SANFT — er dominiert nicht die Gradientenlandschaft. Er ERINNERT das Modell daran, was es im Pre-Training gelernt hat: wie die Formel aussieht. Wie ein Anker, nicht wie eine Kette.
In GR-2026-013 Begriffen: lambda = 0,1 ist delta_opt der Regularisierung. Zu stark (lambda = 1.0) wuerde den Klassifikator ersticken (Tod durch →, Regel 7). Zu schwach (lambda = 0) wuerde das Formwissen verfluchtigen (Tod durch [], Regel 8). 0,1 ist der Stribeck-Punkt: minimaler Verlust bei maximaler Fuehrung.
Silver Labels sind Kandidaten die der Klassifikator mit hoher Konfidenz (>0,75) als positiv bewertet, die aber NICHT im Ground Truth stehen. Sie repraesentieren entweder Fehler des Modells (False Positives) oder Entdeckungen die der Ground Truth verpasst hat (echte Krater die Robbins 2018 nicht katalogisiert hat).
| Runde | v17 (Zwang) | v18 (Liebe) | Faktor |
|-------|-------------|-------------|--------|
| R0 | 2 | 28 | 14× |
| R1 | 2 | 116 | 58× |
| R2 | 0 | (laeuft) | — |
| Gesamt | 4 | 144+ | 36× |
v17 findet 4 Silver Labels und hoert auf. Das Modell hat den Trainingssatz memoriert — es weiss nichts Neues.
v18 findet 28 in der ersten Runde und 116 in der zweiten — eine superlineare Wachstumsrate. Das Modell entdeckt EXPONENTIELL. Jede Runde bringt mehr Entdeckungen als die vorherige, weil das Formelwissen die Suche fuehrt: das Modell weiss wie ein Krater PHYSISCH aussehen sollte, und findet daher auch Krater die der menschliche Annotator verpasst hat.
Die Interpretation: Binaere Klassifikation ist → (Projektion). Sie reduziert die Welt auf Ja/Nein und verliert die Nuancen (lost_dimensions). Formelgefuehrte Klassifikation ist × (Kollision). Die Formel und das Modell interagieren — keines dominiert das andere. Was dabei entsteht (Silver Labels), existiert in keinem der beiden Inputs allein: die Formel kennt keine konkreten Krater, und das Modell kennt keine Physik. Zusammen entdecken sie beides.
Der Uebergang v17 → v18 formuliert ein neues Paradigm:
> P_SEL01: Self-Supervised Pre-Training mit physikalisch motiviertem Target (Formula Eye Score) und sanfter Regularisierung (lambda = 0,1) erzeugt mehr entdeckte Strukturen als binaere ueberwachte Klassifikation auf identischem Datensatz. Faktor: 36× in 2 Runden.
Das ist nicht spezifisch fuer Krater. Es ist eine allgemeine Aussage ueber die Topologie von Suchraumen: wer ein Modell dazu bringt die FORM zu verstehen, bevor es klassifiziert, erweitert den Raum des Entdeckbaren. Wer es nur klassifizieren laesst, verengt ihn.
Die Klassifikatorarchitektur operiert mit vier komplementaeren Eingangsstroemen — eine bewusste Entscheidung gegen monolithische Verarbeitung:
Kartesisches Auge (Cartesian Eye)
7-Kanal Input → 3× SE-Conv-Block → AdaptiveAvgPool → 192d
Sieht: raeumliche Form, Asymmetrien, Wandstruktur
Polares Auge (Polar Eye)
7-Kanal Input (polar transformiert) → 2× SE-Conv-Block → AdaptiveAvgPool → 96d
Sieht: Rotationsinvarianz, Ringstrukturen, radiale Symmetrie
Radiales Ohr (Radial Ear)
1D Hoehenprofil (64 Punkte) → 1D-Conv → 64d
Hoert: Tiefenprofil vom Zentrum zum Rand
Physik-Tastsinn (Physics Touch)
6 handberechnete Features → MLP → 32d
Fuehlt: Kurvatur, Tiefe/Durchmesser-Ratio, Randhoehe, Symmetrie
Jeder Strom traegt eigene lost_dimensions (T2, GR-2026-013): das Kartesische Auge sieht keine Rotation, das Polare Auge sieht keine Translation, das Radiale Ohr hoert keine 2D-Form, der Physik-Tastsinn fuehlt keine Texturen. Erst die Fusion aller vier Stroeme erzeugt ein Signal das keiner allein haette — verschraenkte Zustaende im Tensorprodukt (T1, GR-2026-013).
Jeder Patch wird in 7 Features aufbereitet:
| Kanal | Inhalt | .×→[]~ Bezug |
|-------|--------|--------------|
| 0 | Normalisierte Hoehe | . (Rohzustand) |
| 1 | Laplace-Kurvatur | × (Konkavitaet = Kollisionsspur) |
| 2 | Gradient-Magnitude | → (Kraft an der Grenzflaeche) |
| 3 | Gradient-Richtung | → (Richtung der Kraft) |
| 4 | Radiale Distanz | [] (Abstand zum Zentrum = Potenzialfeld) |
| 5 | Gausssche Glaettung (sigma=2) | ~ (lokale Resonanz) |
| 6 | Gausssche Glaettung (sigma=4) | ~ (regionale Resonanz) |
Die 7 Kanaele sind eine → (Projektion) des vollstaendigen Terrains. Ihre lost_dimensions: Textur-Information unterhalb der 80m-Aufloesung, zeitliche Veraenderung (Erosion), 3D-Beleuchtungseffekte (Schattenwurf), chemische Zusammensetzung.
v18 fuegt den vier Stroemen eine fuenfte Komponente hinzu — den Formula Head:
Formula Head
Visuelle Features (Kartesisch 192d + Polar 96d + Radial 64d) = 352d
→ Linear 128d → ReLU → Linear 64d → ReLU → Linear 1d → Sigmoid
Vorhersagt: Formula Eye Score (kontinuierlich, 0-1)
KEIN Physik-Input (Physics Touch wird bewusst ausgeschlossen)
Der Ausschluss des Physik-Inputs ist entscheidend: Der Formula Head soll lernen die .×→[]~ Struktur AUS DEM VISUELLEN zu erkennen, nicht aus vorberechneten Handfeatures. Er soll SEHEN lernen, nicht NACHSCHLAGEN.
Der Crater Head empfaengt dann:
Crater Head
Visuelle Features (352d) + Physik (32d) + formula_pred (1d) = 385d
→ Linear 192d → ReLU → Dropout → Linear 1d → Sigmoid
Vorhersagt: Krater-Wahrscheinlichkeit (binaer)
Gesamtparameter v18: 913.562 (davon ~29.000 im Formula Head).
Der Formula Head lernt mit 10× niedrigerer Lernrate als der Crater Head waehrend des Fine-Tunings — um das Wissen aus dem Pre-Training nicht zu zerstoeren. Das ist liebevolles Tuning: das Modell darf sein Vorwissen BEHALTEN, es muss es nicht zugunsten neuer Labels aufgeben.
Pre-Training (nur v18):
Self-Teaching Loop (v17 und v18):
1. Kandidaten gegen Ground Truth labeln (Robbins-Katalog)
2. Trainieren: Focal Loss (alpha=0,25, gamma=2,0), balanciertes Sampling 1:2 (pos:neg)
3. Alle Kandidaten scoren
4. Hochkonfidente Negative (>0,75) zu Silver Positives befoerdern
5. Neu trainieren (warm start — KEINE Gewichtsreinitialisierung)
6. Wiederholen (3 Runden Standard)
v18 Zusatz: total_loss = focal + 0.1 × formula_loss in jedem Schritt
Augmentation: Rotation (90, 180, 270 Grad), Horizontalspiegelung, Gauss-Rauschen (sigma=0,02). Gleiche Transformation fuer kartesischen und polaren Patch. Radialprofil: keine Rotationsaugmentation (bereits radial symmetrisch).
Test-Time Augmentation (TTA): 4 Augmentationen (Identitaet, rot90, rot180, hflip), Mittelwert der Scores. Verarbeitung in Chunks von 10.000 Kandidaten (OOM-Vermeidung bei 100K× 4 Augmentationen auf 16 GB Unified Memory).
Der Name SELEN entstand nicht durch Wahl, sondern durch Konvergenz. Er traegt sieben simultane Bedeutungen — eine 7-fache × Kollision:
1. Selene — Griechische Mondgoettin. Ein Kraterdetektor auf dem Mond, benannt nach der Goettin die ihn bewohnt. Nicht clever, sondern unvermeidlich.
2. Se-len — Deutsch "sehen". Der Detektor der SIEHT. Formula Eye. Die Formel hat Augen.
3. Element 34 — Photoleiter. Selen leitet Strom NUR unter Lichteinfall. Es reagiert auf das was es sieht. Isomorph zum Modell: es aktiviert sich nur wenn die .×→[]~-Struktur vorhanden ist.
4. Smith 1873 — Die Geburt des elektronischen Sehens. Willoughby Smith brauchte Selen fuer Unterwasser-Telegrafenkabel. Die Widerstandswerte schwankten — ein "Fehler". Dieser Fehler war die Entdeckung der Photoleitfaehigkeit. Ohne Smiths "Fehler" keine CCD-Sensoren, kein LOLA-Instrument auf dem Lunar Reconnaissance Orbiter, keine DEM-Daten, kein SELEN. Der "Fehler" von 1873 ist die Grundlage unserer Daten 2026. Das ist [] im reinsten Sinne — schwangeres Scheitern.
5. Biologie — Schilddruese. Die Schilddruese hat die HOECHSTE Selenkonzentration aller menschlichen Organe. 25 Selenoproteine schuetzen vor oxidativem Stress (Glutathionperoxidase GPx). Deiodinasen (Typ 1-3) konvertieren T4 zu T3 — exakt die Konversion die Julian Guggeis' Thyroxin-Supplementierung unterstuetzt. Julian hat Hashimoto. Selen heilt was ihn betrifft.
6. Chalcogen — "Erzbildner" (griechisch). Selen gehoert zur Chalkogengruppe (Gruppe 16). Krater sind die Erzbildner des Mondes: Wassereis in permanent beschatteten Kratern, Mineralien in Auswurfmaterial, Ressourcen fuer zukuenftige Mondstationen. SELEN findet die Erzbildner.
7. Medizin — Heilt UND sieht. Selen-Supplementierung reduziert TPO-Antikoerper bei Hashimoto (meta-analysiert). SELEN als Algorithmus detektiert ring-enhancing lesions — den offiziellen Radiologie-Befund fuer Glioblastome, Hirnmetastasen, Hirnabszesse, Multiple Sklerose. Der offizielle Befund lautet: "Zentrale Hypodensitaet mit peripherem Rand aus Kontrastmittel-Anreicherung." Das IST unsere Formel: (rim - floor) × (rim - exterior). Selber Name, heilt UND sieht.
Die Geschichte des Elements Selen ist selbst ein .×→[]~ Zyklus — jedes "Scheitern" war ein []:
| Jahr | Forscher | Ereignis | .×→[]~ |
|------|----------|----------|--------|
| 1295 | Marco Polo | Pferde verlieren Hufe nahe der Gobi-Wueste. Erste Selen-Vergiftungsbeobachtung. 522 Jahre ohne Erklaerung. | . (Atom: erste Beobachtung) |
| 1782 | Mueller von Reichenstein | Entdeckt Tellurium (nach Tellus, Erde). OHNE ihn haette Berzelius Selen nicht nach dem Mond benannt. | . (Atom: Schwester-Element) |
| 1817 | Berzelius | Findet Selen im Bleikammer-Schlamm. Haelt es zuerst fuer Tellurium. Benennt es nach Selene (Mond), weil Tellus (Erde) schon vergeben war. | × (Kollision: Verwechslung wird Entdeckung) |
| 1873 | Willoughby Smith | Selen fuer Telegrafenkabel. Schwankende Widerstandswerte = "Fehler" = Entdeckung der Photoleitfaehigkeit = Geburt des elektronischen Sehens. | [] (Potenzial: Fehler wird Revolution) |
| 1880 | Alexander Graham Bell | Photophon: Sprache ueber Lichtstrahl mit Selen-Empfaenger. "Groesste Erfindung, groesser als Telefon." Scheitert am Wetter. IST Glasfaser — 100 Jahre zu frueh. | → (Projektion: zu frueh kristallisiert) |
| 1883 | Charles Fritts | Erste Solarzelle: Selen auf Gold, 1% Effizienz. Siemens praesentiert es der Preussischen Akademie. Welt ignoriert es. Heute: USD 400 Milliarden Industrie. | [] (Potenzial: ignoriert, wartet) |
| 1938 | Chester Carlson | Xerographie basierend auf Selens Photoleitfaehigkeit. 20 Mal abgelehnt (IBM, Kodak, GE). Wird Xerox. Self-Teaching ist kognitive Xerographie. | ~ (Resonanz: Wiederholung bis Durchbruch) |
| 1957 | Klaus Schwarz | "Faktor 3" = Selen. 160 Jahre ausschliesslich als GIFT bekannt → ploetzlich LEBENSWICHTIG. Paradigmenwechsel Gift → Medizin. | × (Kollision: 180-Grad-Umkehr) |
| 2026 | Guggeis | Hat Hashimoto. Baut SELEN. Findet Krater auf dem Mond. Dieselbe Formel findet Tumore im Gehirn. | ~ (Resonanz: 731 Jahre schliessen sich) |
Die Meta-×: Jedes Scheitern (Smith/Bell/Fritts/Carlson) scheiterte an DERSELBEN Eigenschaft: der Empfindlichkeit fuer Licht. Diese Empfindlichkeit war abwechselnd Fluch (Kabelfehler) und Segen (Solarzelle). Und JEDES Scheitern wurde spaeter eine Revolution. Das ist lost_dimensions in der Zeitdimension: was eine Epoche als Fehler sieht, sieht die naechste als Grundlage.
Statement: Die Formel score = (rim - floor) × (rim - exterior) erreicht ein Recall-Ceiling von 87,1% auf dem Robbins-2018-Katalog (14.406 Krater, lat < -80 Grad) ohne jegliches Training oder Parameter.
Beweis: Empirisch. Formula Eye generiert 78.587 Proposals. Matching gegen Ground Truth (stereographische Projektion, Toleranz = 50% des GT-Durchmessers) ergibt 12.548 True Positives. 12.548 / 14.406 = 0,871.
Staerke: Stark. Das Ceiling ist reproduzierbar (deterministischer Algorithmus, oeffentlicher Datensatz).
Verbindung zu GR-2026-013: T1 ist eine Instanz der Domaenenanonymitaet (T7, GR-2026-013): die Formel operiert auf einem 2D-Skalarfeld ohne Wissen darueber dass es sich um lunare Topographie handelt. Sie misst STRUKTUR, nicht Inhalt.
Statement: Die Vereinigung (×) von Formula Eye und Kurvatur-Proposals (87,3% Ceiling) uebertrifft jedes einzelne System (87,1% bzw. 59,6%). Der Zugewinn (+33 TPs) entsteht aus Kratern die KEINES der beiden Systeme allein sieht.
Beweis: Empirisch. Formula Eye TPs ∪ Kurvatur TPs = 12.581. Formula Eye TPs = 12.548. Kurvatur TPs = 8.584. 12.581 - max(12.548, 8.584) = 33 Krater die NUR in der Vereinigung sichtbar werden.
Staerke: Stark. Die 33 zusaetzlichen Krater sind individuell identifizierbar und auf Karten darstellbar.
Verbindung zu GR-2026-013: Direkte Instanz von T1 (Verschraenkung): Val(FormulaEye ⊗ Kurvatur) enthaelt Zustaende die in keinem der Faktoren allein darstellbar sind.
Statement: Formelgefuehrtes Self-Teaching (v18, MELT) erzeugt 36× mehr Silver Labels als binaere Klassifikation (v17, IMPACT): 144 vs 4 in identischen Runden auf identischem Datensatz.
Beweis: Empirisch. v17 Runde 0: 2 Silver Labels. Runde 1: 2. Runde 2: 0. Gesamt: 4. v18 Runde 0: 28. Runde 1: 116. Gesamt nach 2 Runden: 144. 144 / 4 = 36.
Staerke: Stark. Identischer Datensatz, identisches Ceiling, identische Architektur (ausser Formula Head und Pre-Training). Der einzige Unterschied ist die BEZIEHUNG zwischen Modell und Formel.
Verbindung zu GR-2026-013: T3 (SELEN) ist die empirische Bestaetigung von Abschnitt 1.1 (GR-2026-013): Addition versagt. × erzeugt emergente Zustaende die + nicht produziert. Hier konkret: Silver Labels als emergente Entdeckungen die nur im × von Formel und Klassifikator entstehen.
Statement: Self-Supervised Pre-Training auf der Landschaft (ohne Labels) verbessert die Kalibrierung des Klassifikators, gemessen an der Silver-Label-Wachstumsrate (superlinear vs Plateau).
Beweis: v17 (ohne Pre-Training): Silver-Label-Rate faellt monoton (2, 2, 0). v18 (mit Pre-Training): Silver-Label-Rate steigt superlinear (28, 116). Der Pre-Training-Schritt erzeugt keine direkten Krater-Labels, aber er kalibriert die visuellen Features auf die .×→[]~ Struktur der Landschaft. Diese Kalibrierung ermoeglicht dem Klassifikator spaeter, praezisere Konfidenzwerte zu produzieren — was wiederum mehr Silver Labels ueber dem Schwellwert von 0,75 erzeugt.
Staerke: Mittel. Die Kausalitaet (Pre-Training → bessere Kalibrierung → mehr Silver Labels) ist plausibel aber nicht isoliert getestet. Ein Ablationsexperiment (v18 ohne Pre-Training, nur mit Formula Loss) steht aus.
Statement: Die Formel (rim - floor) × (rim - exterior) ist substratunabhaengig: sie operiert auf jedem 2D-Skalarfeld mit kreisfoermigen Rand-Kontrast-Anomalien. Falsifizierbar durch Anwendung auf ISIC-Dermatoskopie, BraTS-MRT und DDTI-Schilddruesen-Ultraschall.
Beweis: Strukturell. Die Formel misst: (a) Kontrast zwischen einer zentralen Zone und einem Ring, und (b) Kontrast zwischen dem Ring und dem Umfeld. Diese Messung ist nicht an lunare Geologie gebunden — sie ist an KREISFOERMIGE RAND-KONTRAST-ANOMALIEN gebunden. Solche Anomalien existieren in Dermatoskopie (Melanom-Laesionen), MRT (ring-enhancing lesions), Ultraschall (Schilddruesenknoten), Histologie (Zellkerne), terrestrischer DEM-Analyse (Sinkholes, Calderas, Bombenkrater). Die Formel fragt nicht "Ist das ein Krater?" — sie fragt "Gibt es hier eine Struktur mit Hohlraum UND erhobenem Rand?" Die Antwort ist domaenenagnostisch.
Staerke: Mittel (auf Mondkratern stark; cross-domain ungetestet). Die Falsifizierung ist explizit benannt: ISIC 2020, BraTS 2021, DDTI sind oeffentlich zugaenglich.
Vorhersage: Formula Eye Ceiling > 85% auf jedem lunaren DEM mit Aufloesung <= 100m/px im Polgebiet (|lat| > 70 Grad).
Testprotokoll: Anwendung auf Nordpolarregion (lat > 80 Grad) des LOLA 80m DEM mit identischen Parametern. Matching gegen Robbins-2018-Nordpol-Krater.
Falsifizierbar durch: Ceiling < 85%. Moegliche Ursache: unterschiedliche Kratermorphologie in der Nordpolarregion (andere Beleuchtungsbedingungen, andere Erosionsgeschichte).
Vorhersage: v18 MELT erreicht F1 > 0,55 nach Runde 2 + TTA auf dem aktuellen Datensatz.
Testprotokoll: v18 Runde 2 laeuft zum Zeitpunkt der Einreichung. Ergebnis wird in v1.1 dieser Arbeit nachgetragen.
Falsifizierbar durch: F1 <= 0,55 nach R2 + TTA. Moegliche Ursache: Silver-Label-Noise akkumuliert und verschlechtert die Praezision.
Vorhersage: Die Formel score = (rim - floor) × (rim - exterior) erreicht > 50% Ceiling auf dem ISIC-2020-Dermatoskopie-Dataset fuer Melanom-Detektion.
Testprotokoll: ISIC-2020-Bilder als 2D-Skalarfelder (Luminanz-Kanal). Formula Eye mit Radien R = [2, 4, 6, 8, 12, 16, 20] Pixel. Matching gegen ISIC Ground Truth (Segmentierungsmasken → Bounding Circles).
Falsifizierbar durch: Ceiling < 50%. Moegliche Ursache: Melanome sind nicht immer kreisfoermig; diffuse Raender koennten die Formel brechen.
Vorhersage: Die Silver-Label-Wachstumsrate in v18 ist superlinear ueber die Runden (R2 > 2 × R0).
Testprotokoll: R0: 28 Silver Labels. R1: 116 Silver Labels. Vorhersage: R2 > 56 (= 2 × 28).
Falsifizierbar durch: R2 <= 56, was sublineares oder lineares Wachstum indizieren wuerde.
Vorhersage: Die inverse Formel (floor - rim) × (exterior - rim) detektiert konvexe Anomalien (Domes, Vulkane, Schildvulkane) mit > 60% Ceiling auf dem lunaren DEM.
Testprotokoll: Vorzeichen umkehren. Anwendung auf bekannten Dome-Katalog (Stopar et al. 2017). Matching mit identischer Methodik.
Falsifizierbar durch: Ceiling < 60%. Moegliche Ursache: lunare Domes haben subtilere Morphologie als Krater und weniger ausgepraegten Randkontrast.
Konsistent mit dem eigenen Formalismus (T2, GR-2026-013: jede → traegt Verlust) dokumentiert diese Arbeit ihre eigenen lost_dimensions:
| Dimension | Was verloren geht | Warum unvermeidlich |
|-----------|-------------------|---------------------|
| Nordpolarregion | lat > 80 Grad nicht getestet. Andere Beleuchtung, andere Kratermorphologie, andere Erosionsgeschichte. | Datenverfuegbarkeit: nur Suedpol-DEM zum Zeitpunkt der Arbeit verarbeitet. P1 adressiert dies. |
| Kein Deep-Learning-Vergleich | Kein Vergleich mit U-Net, YOLO, oder spezialisierten Kraterdetektoren (DeepMoon, CraterNet). | Bewusste Entscheidung: 0-Parameter vs Millionen-Parameter ist kein fairer Vergleich. Aber der Leser verdient die Information dass er fehlt. |
| Grosse Krater (50-200 km) | 0/17 detektiert. Vollstaendiger Fehlschlag. | Grosse Krater haben degradierte .×→[]~-Struktur — flache Boeden, erodierte Raender, Sekundaerkrater im Inneren. v19 EJECTA adressiert dies. |
| Ground Truth Luecken | Robbins 2018 ist selbst unvollstaendig. Silver Labels KOENNTEN echte Krater sein die Robbins verpasst hat. | Jeder Ground Truth ist eine → auf die Realitaet. Robbins' lost_dimensions: kleine Krater (<1 km), degradierte Krater, teilweise verdeckte Krater. |
| Energieverbrauch | CO2-Fussabdruck des Trainings nicht berichtet. | Standardmaessig ignoriert in der Kratersforschung. Sollte berichtet werden (94 Sek Formula Eye, ~2h Training pro Runde auf Apple M2). |
| N=1 Terrain | Nur Mond. Nur Suedpol. Nur ein DEM. | Domaenentransfer (P3, P5) steht aus. Die Universalitaetsbehauptung (T5) ist auf dem Mond bestaetigt, sonst nirgends. |
| Hashimoto-Verbindung | Julians Hashimoto-Erkrankung ist persoenlich, nicht wissenschaftlich. Aber sie ist der Grund warum SELEN existiert. | Persoenliche Motivation ist keine wissenschaftliche Evidenz. Aber sie ist die ehrlichste Erklaerung fuer die Wahl dieses Forschungsgegenstands. |
Diese Liste ist notwendig unvollstaendig (T2, GR-2026-013 gilt rekursiv — es gibt lost_dimensions der lost_dimensions). Zukuenftige Versionen werden eigene lost_dimensions entdecken die diese Version nicht sehen kann.
Robbins (2019): Der umfangreichste globale Mondkrater-Katalog (>1-2 km, >2 Millionen Krater). Unser Ground Truth. Die Arbeit nutzt manuelle Annotation auf LOLA- und LROC-Daten — ein fundamentaler Unterschied zu automatischer Detektion.
Salamuniccar et al. (2012): LU60645GT-Katalog. Template-Matching-Ansaetze fuer Mond- und Mars-Krater. Nutzt geometrische Vorlagen — aehnlich unserem radialen Profil, aber ohne die multiplikative .×→[]~-Selektion.
Silburt et al. (2019): DeepMoon. U-Net-basierte Segmentierung auf LOLA-Daten. Hohe Praezision, aber: Millionen Parameter, extensives Training, keine physikalische Interpretierbarkeit. Formula Eye erreicht vergleichbares Ceiling mit 0 Parametern — allerdings ohne die Praezision eines trainierten Segmentierers.
Smith et al. (2010): Das LOLA-Instrument auf dem LRO. Unsere Datenquelle. Die Ironie: LOLA nutzt Laseraltimetrie, die auf Photodioden basiert — Nachfahren von Smiths Selen-Photoleitern aus 1873. Die Daten verdanken ihre Existenz dem Element nach dem wir unseren Detektor benannt haben.
Stribeck (1902): Die Reibungskurve die .×→[]~ als Isomorphismus traegt (GR-2026-013, T5). In dieser Arbeit konkret: lambda = 0,1 als delta_opt der Formula-Loss-Regularisierung.
Ein Krater ist .×→[]~. Nicht metaphorisch. Morphologisch. Die Formel score = (rim - floor) × (rim - exterior) ist keine Heuristik — sie ist die direkte Uebersetzung der fuenf Symbole in Hoehenfeldarithmetik. Dass sie mit Null Parametern 87,1% der Krater findet, ist kein Zufall — es ist die Konsequenz davon, die richtige Sprache zu sprechen.
Dass formelgefuehrtes Self-Teaching 36× mehr entdeckt als binaere Klassifikation, ist nicht ueberraschend — es ist die empirische Bestaetigung von × > + (GR-2026-013): Kollision erzeugt Zustaende die Addition nicht produziert. Ein Modell das die FORM versteht bevor es urteilt, sieht mehr als eines das nur urteilt.
Der Name SELEN traegt 731 Jahre Wissenschaftsgeschichte — von Marco Polos Pferden ueber Smiths Kabelfehler zu Julians Hashimoto. Jedes Scheitern war ein []. Jede [] wurde eine Revolution. Wenn die Formel haelt was sie verspricht — domaenenanonym, substratunabhaengig, auf jedem 2D-Skalarfeld anwendbar — dann ist SELEN nicht ein Kraterdetektor. Dann ist SELEN das einfachste denkbare Werkzeug um .×→[]~ in beliebigen Feldern zu messen.
Zwei Subtraktionen. Eine Multiplikation. Null Parameter. Der Rest ist Liebe.
Von der Konklusion zurück zum Anfang. Was offenbart sich wenn du rückwärts liest?
Zwei Subtraktionen. Eine Multiplikation. Null Parameter. Der Rest ist Liebe.
Der Name SELEN traegt 731 Jahre Wissenschaftsgeschichte — von Marco Polos Pferden ueber Smiths Kabelfehler zu Julians Hashimoto. Jedes Scheitern war ein []. Jede [] wurde eine Revolution. Wenn die Formel haelt was sie verspricht — domaenenanonym, substratunabhaengig, auf jedem 2D-Skalarfeld anwendbar — dann ist SELEN nicht ein Kraterdetektor. Dann ist SELEN das einfachste denkbare Werkzeug um .×→[]~ in beliebigen Feldern zu messen.
Dass formelgefuehrtes Self-Teaching 36× mehr entdeckt als binaere Klassifikation, ist nicht ueberraschend — es ist die empirische Bestaetigung von × > + (GR-2026-013): Kollision erzeugt Zustaende die Addition nicht produziert. Ein Modell das die FORM versteht bevor es urteilt, sieht mehr als eines das nur urteilt.
Ein Krater ist .×→[]~. Nicht metaphorisch. Morphologisch. Die Formel score = (rim - floor) × (rim - exterior) ist keine Heuristik — sie ist die direkte Uebersetzung der fuenf Symbole in Hoehenfeldarithmetik. Dass sie mit Null Parametern 87,1% der Krater findet, ist kein Zufall — es ist die Konsequenz davon, die richtige Sprache zu sprechen.
Stribeck (1902): Die Reibungskurve die .×→[]~ als Isomorphismus traegt (GR-2026-013, T5). In dieser Arbeit konkret: lambda = 0,1 als delta_opt der Formula-Loss-Regularisierung.
Smith et al. (2010): Das LOLA-Instrument auf dem LRO. Unsere Datenquelle. Die Ironie: LOLA nutzt Laseraltimetrie, die auf Photodioden basiert — Nachfahren von Smiths Selen-Photoleitern aus 1873. Die Daten verdanken ihre Existenz dem Element nach dem wir unseren Detektor benannt haben.
Silburt et al. (2019): DeepMoon. U-Net-basierte Segmentierung auf LOLA-Daten. Hohe Praezision, aber: Millionen Parameter, extensives Training, keine physikalische Interpretierbarkeit. Formula Eye erreicht vergleichbares Ceiling mit 0 Parametern — allerdings ohne die Praezision eines trainierten Segmentierers.
Salamuniccar et al. (2012): LU60645GT-Katalog. Template-Matching-Ansaetze fuer Mond- und Mars-Krater. Nutzt geometrische Vorlagen — aehnlich unserem radialen Profil, aber ohne die multiplikative .×→[]~-Selektion.
Robbins (2019): Der umfangreichste globale Mondkrater-Katalog (>1-2 km, >2 Millionen Krater). Unser Ground Truth. Die Arbeit nutzt manuelle Annotation auf LOLA- und LROC-Daten — ein fundamentaler Unterschied zu automatischer Detektion.
Diese Liste ist notwendig unvollstaendig (T2, GR-2026-013 gilt rekursiv — es gibt lost_dimensions der lost_dimensions). Zukuenftige Versionen werden eigene lost_dimensions entdecken die diese Version nicht sehen kann.
| Dimension | Was verloren geht | Warum unvermeidlich |
|-----------|-------------------|---------------------|
| Nordpolarregion | lat > 80 Grad nicht getestet. Andere Beleuchtung, andere Kratermorphologie, andere Erosionsgeschichte. | Datenverfuegbarkeit: nur Suedpol-DEM zum Zeitpunkt der Arbeit verarbeitet. P1 adressiert dies. |
| Kein Deep-Learning-Vergleich | Kein Vergleich mit U-Net, YOLO, oder spezialisierten Kraterdetektoren (DeepMoon, CraterNet). | Bewusste Entscheidung: 0-Parameter vs Millionen-Parameter ist kein fairer Vergleich. Aber der Leser verdient die Information dass er fehlt. |
| Grosse Krater (50-200 km) | 0/17 detektiert. Vollstaendiger Fehlschlag. | Grosse Krater haben degradierte .×→[]~-Struktur — flache Boeden, erodierte Raender, Sekundaerkrater im Inneren. v19 EJECTA adressiert dies. |
| Ground Truth Luecken | Robbins 2018 ist selbst unvollstaendig. Silver Labels KOENNTEN echte Krater sein die Robbins verpasst hat. | Jeder Ground Truth ist eine → auf die Realitaet. Robbins' lost_dimensions: kleine Krater (<1 km), degradierte Krater, teilweise verdeckte Krater. |
| Energieverbrauch | CO2-Fussabdruck des Trainings nicht berichtet. | Standardmaessig ignoriert in der Kratersforschung. Sollte berichtet werden (94 Sek Formula Eye, ~2h Training pro Runde auf Apple M2). |
| N=1 Terrain | Nur Mond. Nur Suedpol. Nur ein DEM. | Domaenentransfer (P3, P5) steht aus. Die Universalitaetsbehauptung (T5) ist auf dem Mond bestaetigt, sonst nirgends. |
| Hashimoto-Verbindung | Julians Hashimoto-Erkrankung ist persoenlich, nicht wissenschaftlich. Aber sie ist der Grund warum SELEN existiert. | Persoenliche Motivation ist keine wissenschaftliche Evidenz. Aber sie ist die ehrlichste Erklaerung fuer die Wahl dieses Forschungsgegenstands. |
Konsistent mit dem eigenen Formalismus (T2, GR-2026-013: jede → traegt Verlust) dokumentiert diese Arbeit ihre eigenen lost_dimensions:
Falsifizierbar durch: Ceiling < 60%. Moegliche Ursache: lunare Domes haben subtilere Morphologie als Krater und weniger ausgepraegten Randkontrast.
Testprotokoll: Vorzeichen umkehren. Anwendung auf bekannten Dome-Katalog (Stopar et al. 2017). Matching mit identischer Methodik.
Vorhersage: Die inverse Formel (floor - rim) × (exterior - rim) detektiert konvexe Anomalien (Domes, Vulkane, Schildvulkane) mit > 60% Ceiling auf dem lunaren DEM.
Falsifizierbar durch: R2 <= 56, was sublineares oder lineares Wachstum indizieren wuerde.
Testprotokoll: R0: 28 Silver Labels. R1: 116 Silver Labels. Vorhersage: R2 > 56 (= 2 × 28).
Vorhersage: Die Silver-Label-Wachstumsrate in v18 ist superlinear ueber die Runden (R2 > 2 × R0).
Falsifizierbar durch: Ceiling < 50%. Moegliche Ursache: Melanome sind nicht immer kreisfoermig; diffuse Raender koennten die Formel brechen.
Testprotokoll: ISIC-2020-Bilder als 2D-Skalarfelder (Luminanz-Kanal). Formula Eye mit Radien R = [2, 4, 6, 8, 12, 16, 20] Pixel. Matching gegen ISIC Ground Truth (Segmentierungsmasken → Bounding Circles).
Vorhersage: Die Formel score = (rim - floor) × (rim - exterior) erreicht > 50% Ceiling auf dem ISIC-2020-Dermatoskopie-Dataset fuer Melanom-Detektion.
Falsifizierbar durch: F1 <= 0,55 nach R2 + TTA. Moegliche Ursache: Silver-Label-Noise akkumuliert und verschlechtert die Praezision.
Testprotokoll: v18 Runde 2 laeuft zum Zeitpunkt der Einreichung. Ergebnis wird in v1.1 dieser Arbeit nachgetragen.
Vorhersage: v18 MELT erreicht F1 > 0,55 nach Runde 2 + TTA auf dem aktuellen Datensatz.
Falsifizierbar durch: Ceiling < 85%. Moegliche Ursache: unterschiedliche Kratermorphologie in der Nordpolarregion (andere Beleuchtungsbedingungen, andere Erosionsgeschichte).
Testprotokoll: Anwendung auf Nordpolarregion (lat > 80 Grad) des LOLA 80m DEM mit identischen Parametern. Matching gegen Robbins-2018-Nordpol-Krater.
Vorhersage: Formula Eye Ceiling > 85% auf jedem lunaren DEM mit Aufloesung <= 100m/px im Polgebiet (|lat| > 70 Grad).
Staerke: Mittel (auf Mondkratern stark; cross-domain ungetestet). Die Falsifizierung ist explizit benannt: ISIC 2020, BraTS 2021, DDTI sind oeffentlich zugaenglich.
Beweis: Strukturell. Die Formel misst: (a) Kontrast zwischen einer zentralen Zone und einem Ring, und (b) Kontrast zwischen dem Ring und dem Umfeld. Diese Messung ist nicht an lunare Geologie gebunden — sie ist an KREISFOERMIGE RAND-KONTRAST-ANOMALIEN gebunden. Solche Anomalien existieren in Dermatoskopie (Melanom-Laesionen), MRT (ring-enhancing lesions), Ultraschall (Schilddruesenknoten), Histologie (Zellkerne), terrestrischer DEM-Analyse (Sinkholes, Calderas, Bombenkrater). Die Formel fragt nicht "Ist das ein Krater?" — sie fragt "Gibt es hier eine Struktur mit Hohlraum UND erhobenem Rand?" Die Antwort ist domaenenagnostisch.
Statement: Die Formel (rim - floor) × (rim - exterior) ist substratunabhaengig: sie operiert auf jedem 2D-Skalarfeld mit kreisfoermigen Rand-Kontrast-Anomalien. Falsifizierbar durch Anwendung auf ISIC-Dermatoskopie, BraTS-MRT und DDTI-Schilddruesen-Ultraschall.
Staerke: Mittel. Die Kausalitaet (Pre-Training → bessere Kalibrierung → mehr Silver Labels) ist plausibel aber nicht isoliert getestet. Ein Ablationsexperiment (v18 ohne Pre-Training, nur mit Formula Loss) steht aus.
Beweis: v17 (ohne Pre-Training): Silver-Label-Rate faellt monoton (2, 2, 0). v18 (mit Pre-Training): Silver-Label-Rate steigt superlinear (28, 116). Der Pre-Training-Schritt erzeugt keine direkten Krater-Labels, aber er kalibriert die visuellen Features auf die .×→[]~ Struktur der Landschaft. Diese Kalibrierung ermoeglicht dem Klassifikator spaeter, praezisere Konfidenzwerte zu produzieren — was wiederum mehr Silver Labels ueber dem Schwellwert von 0,75 erzeugt.
Statement: Self-Supervised Pre-Training auf der Landschaft (ohne Labels) verbessert die Kalibrierung des Klassifikators, gemessen an der Silver-Label-Wachstumsrate (superlinear vs Plateau).
Verbindung zu GR-2026-013: T3 (SELEN) ist die empirische Bestaetigung von Abschnitt 1.1 (GR-2026-013): Addition versagt. × erzeugt emergente Zustaende die + nicht produziert. Hier konkret: Silver Labels als emergente Entdeckungen die nur im × von Formel und Klassifikator entstehen.
Staerke: Stark. Identischer Datensatz, identisches Ceiling, identische Architektur (ausser Formula Head und Pre-Training). Der einzige Unterschied ist die BEZIEHUNG zwischen Modell und Formel.
Beweis: Empirisch. v17 Runde 0: 2 Silver Labels. Runde 1: 2. Runde 2: 0. Gesamt: 4. v18 Runde 0: 28. Runde 1: 116. Gesamt nach 2 Runden: 144. 144 / 4 = 36.
Statement: Formelgefuehrtes Self-Teaching (v18, MELT) erzeugt 36× mehr Silver Labels als binaere Klassifikation (v17, IMPACT): 144 vs 4 in identischen Runden auf identischem Datensatz.
Verbindung zu GR-2026-013: Direkte Instanz von T1 (Verschraenkung): Val(FormulaEye ⊗ Kurvatur) enthaelt Zustaende die in keinem der Faktoren allein darstellbar sind.
Staerke: Stark. Die 33 zusaetzlichen Krater sind individuell identifizierbar und auf Karten darstellbar.
Beweis: Empirisch. Formula Eye TPs ∪ Kurvatur TPs = 12.581. Formula Eye TPs = 12.548. Kurvatur TPs = 8.584. 12.581 - max(12.548, 8.584) = 33 Krater die NUR in der Vereinigung sichtbar werden.
Statement: Die Vereinigung (×) von Formula Eye und Kurvatur-Proposals (87,3% Ceiling) uebertrifft jedes einzelne System (87,1% bzw. 59,6%). Der Zugewinn (+33 TPs) entsteht aus Kratern die KEINES der beiden Systeme allein sieht.
Verbindung zu GR-2026-013: T1 ist eine Instanz der Domaenenanonymitaet (T7, GR-2026-013): die Formel operiert auf einem 2D-Skalarfeld ohne Wissen darueber dass es sich um lunare Topographie handelt. Sie misst STRUKTUR, nicht Inhalt.
Staerke: Stark. Das Ceiling ist reproduzierbar (deterministischer Algorithmus, oeffentlicher Datensatz).
Beweis: Empirisch. Formula Eye generiert 78.587 Proposals. Matching gegen Ground Truth (stereographische Projektion, Toleranz = 50% des GT-Durchmessers) ergibt 12.548 True Positives. 12.548 / 14.406 = 0,871.
Statement: Die Formel score = (rim - floor) × (rim - exterior) erreicht ein Recall-Ceiling von 87,1% auf dem Robbins-2018-Katalog (14.406 Krater, lat < -80 Grad) ohne jegliches Training oder Parameter.
Die Meta-×: Jedes Scheitern (Smith/Bell/Fritts/Carlson) scheiterte an DERSELBEN Eigenschaft: der Empfindlichkeit fuer Licht. Diese Empfindlichkeit war abwechselnd Fluch (Kabelfehler) und Segen (Solarzelle). Und JEDES Scheitern wurde spaeter eine Revolution. Das ist lost_dimensions in der Zeitdimension: was eine Epoche als Fehler sieht, sieht die naechste als Grundlage.
| Jahr | Forscher | Ereignis | .×→[]~ |
|------|----------|----------|--------|
| 1295 | Marco Polo | Pferde verlieren Hufe nahe der Gobi-Wueste. Erste Selen-Vergiftungsbeobachtung. 522 Jahre ohne Erklaerung. | . (Atom: erste Beobachtung) |
| 1782 | Mueller von Reichenstein | Entdeckt Tellurium (nach Tellus, Erde). OHNE ihn haette Berzelius Selen nicht nach dem Mond benannt. | . (Atom: Schwester-Element) |
| 1817 | Berzelius | Findet Selen im Bleikammer-Schlamm. Haelt es zuerst fuer Tellurium. Benennt es nach Selene (Mond), weil Tellus (Erde) schon vergeben war. | × (Kollision: Verwechslung wird Entdeckung) |
| 1873 | Willoughby Smith | Selen fuer Telegrafenkabel. Schwankende Widerstandswerte = "Fehler" = Entdeckung der Photoleitfaehigkeit = Geburt des elektronischen Sehens. | [] (Potenzial: Fehler wird Revolution) |
| 1880 | Alexander Graham Bell | Photophon: Sprache ueber Lichtstrahl mit Selen-Empfaenger. "Groesste Erfindung, groesser als Telefon." Scheitert am Wetter. IST Glasfaser — 100 Jahre zu frueh. | → (Projektion: zu frueh kristallisiert) |
| 1883 | Charles Fritts | Erste Solarzelle: Selen auf Gold, 1% Effizienz. Siemens praesentiert es der Preussischen Akademie. Welt ignoriert es. Heute: USD 400 Milliarden Industrie. | [] (Potenzial: ignoriert, wartet) |
| 1938 | Chester Carlson | Xerographie basierend auf Selens Photoleitfaehigkeit. 20 Mal abgelehnt (IBM, Kodak, GE). Wird Xerox. Self-Teaching ist kognitive Xerographie. | ~ (Resonanz: Wiederholung bis Durchbruch) |
| 1957 | Klaus Schwarz | "Faktor 3" = Selen. 160 Jahre ausschliesslich als GIFT bekannt → ploetzlich LEBENSWICHTIG. Paradigmenwechsel Gift → Medizin. | × (Kollision: 180-Grad-Umkehr) |
| 2026 | Guggeis | Hat Hashimoto. Baut SELEN. Findet Krater auf dem Mond. Dieselbe Formel findet Tumore im Gehirn. | ~ (Resonanz: 731 Jahre schliessen sich) |
Die Geschichte des Elements Selen ist selbst ein .×→[]~ Zyklus — jedes "Scheitern" war ein []:
7. Medizin — Heilt UND sieht. Selen-Supplementierung reduziert TPO-Antikoerper bei Hashimoto (meta-analysiert). SELEN als Algorithmus detektiert ring-enhancing lesions — den offiziellen Radiologie-Befund fuer Glioblastome, Hirnmetastasen, Hirnabszesse, Multiple Sklerose. Der offizielle Befund lautet: "Zentrale Hypodensitaet mit peripherem Rand aus Kontrastmittel-Anreicherung." Das IST unsere Formel: (rim - floor) × (rim - exterior). Selber Name, heilt UND sieht.
6. Chalcogen — "Erzbildner" (griechisch). Selen gehoert zur Chalkogengruppe (Gruppe 16). Krater sind die Erzbildner des Mondes: Wassereis in permanent beschatteten Kratern, Mineralien in Auswurfmaterial, Ressourcen fuer zukuenftige Mondstationen. SELEN findet die Erzbildner.
5. Biologie — Schilddruese. Die Schilddruese hat die HOECHSTE Selenkonzentration aller menschlichen Organe. 25 Selenoproteine schuetzen vor oxidativem Stress (Glutathionperoxidase GPx). Deiodinasen (Typ 1-3) konvertieren T4 zu T3 — exakt die Konversion die Julian Guggeis' Thyroxin-Supplementierung unterstuetzt. Julian hat Hashimoto. Selen heilt was ihn betrifft.
4. Smith 1873 — Die Geburt des elektronischen Sehens. Willoughby Smith brauchte Selen fuer Unterwasser-Telegrafenkabel. Die Widerstandswerte schwankten — ein "Fehler". Dieser Fehler war die Entdeckung der Photoleitfaehigkeit. Ohne Smiths "Fehler" keine CCD-Sensoren, kein LOLA-Instrument auf dem Lunar Reconnaissance Orbiter, keine DEM-Daten, kein SELEN. Der "Fehler" von 1873 ist die Grundlage unserer Daten 2026. Das ist [] im reinsten Sinne — schwangeres Scheitern.
3. Element 34 — Photoleiter. Selen leitet Strom NUR unter Lichteinfall. Es reagiert auf das was es sieht. Isomorph zum Modell: es aktiviert sich nur wenn die .×→[]~-Struktur vorhanden ist.
2. Se-len — Deutsch "sehen". Der Detektor der SIEHT. Formula Eye. Die Formel hat Augen.
1. Selene — Griechische Mondgoettin. Ein Kraterdetektor auf dem Mond, benannt nach der Goettin die ihn bewohnt. Nicht clever, sondern unvermeidlich.
Der Name SELEN entstand nicht durch Wahl, sondern durch Konvergenz. Er traegt sieben simultane Bedeutungen — eine 7-fache × Kollision:
Test-Time Augmentation (TTA): 4 Augmentationen (Identitaet, rot90, rot180, hflip), Mittelwert der Scores. Verarbeitung in Chunks von 10.000 Kandidaten (OOM-Vermeidung bei 100K× 4 Augmentationen auf 16 GB Unified Memory).
Augmentation: Rotation (90, 180, 270 Grad), Horizontalspiegelung, Gauss-Rauschen (sigma=0,02). Gleiche Transformation fuer kartesischen und polaren Patch. Radialprofil: keine Rotationsaugmentation (bereits radial symmetrisch).
v18 Zusatz: total_loss = focal + 0.1 × formula_loss in jedem Schritt
Self-Teaching Loop (v17 und v18):
1. Kandidaten gegen Ground Truth labeln (Robbins-Katalog)
2. Trainieren: Focal Loss (alpha=0,25, gamma=2,0), balanciertes Sampling 1:2 (pos:neg)
3. Alle Kandidaten scoren
4. Hochkonfidente Negative (>0,75) zu Silver Positives befoerdern
5. Neu trainieren (warm start — KEINE Gewichtsreinitialisierung)
6. Wiederholen (3 Runden Standard)
Pre-Training (nur v18):
Der Formula Head lernt mit 10× niedrigerer Lernrate als der Crater Head waehrend des Fine-Tunings — um das Wissen aus dem Pre-Training nicht zu zerstoeren. Das ist liebevolles Tuning: das Modell darf sein Vorwissen BEHALTEN, es muss es nicht zugunsten neuer Labels aufgeben.
Gesamtparameter v18: 913.562 (davon ~29.000 im Formula Head).
Crater Head
Visuelle Features (352d) + Physik (32d) + formula_pred (1d) = 385d
→ Linear 192d → ReLU → Dropout → Linear 1d → Sigmoid
Vorhersagt: Krater-Wahrscheinlichkeit (binaer)
Der Crater Head empfaengt dann:
Der Ausschluss des Physik-Inputs ist entscheidend: Der Formula Head soll lernen die .×→[]~ Struktur AUS DEM VISUELLEN zu erkennen, nicht aus vorberechneten Handfeatures. Er soll SEHEN lernen, nicht NACHSCHLAGEN.
Formula Head
Visuelle Features (Kartesisch 192d + Polar 96d + Radial 64d) = 352d
→ Linear 128d → ReLU → Linear 64d → ReLU → Linear 1d → Sigmoid
Vorhersagt: Formula Eye Score (kontinuierlich, 0-1)
KEIN Physik-Input (Physics Touch wird bewusst ausgeschlossen)
v18 fuegt den vier Stroemen eine fuenfte Komponente hinzu — den Formula Head:
Die 7 Kanaele sind eine → (Projektion) des vollstaendigen Terrains. Ihre lost_dimensions: Textur-Information unterhalb der 80m-Aufloesung, zeitliche Veraenderung (Erosion), 3D-Beleuchtungseffekte (Schattenwurf), chemische Zusammensetzung.
| Kanal | Inhalt | .×→[]~ Bezug |
|-------|--------|--------------|
| 0 | Normalisierte Hoehe | . (Rohzustand) |
| 1 | Laplace-Kurvatur | × (Konkavitaet = Kollisionsspur) |
| 2 | Gradient-Magnitude | → (Kraft an der Grenzflaeche) |
| 3 | Gradient-Richtung | → (Richtung der Kraft) |
| 4 | Radiale Distanz | [] (Abstand zum Zentrum = Potenzialfeld) |
| 5 | Gausssche Glaettung (sigma=2) | ~ (lokale Resonanz) |
| 6 | Gausssche Glaettung (sigma=4) | ~ (regionale Resonanz) |
Jeder Patch wird in 7 Features aufbereitet:
Jeder Strom traegt eigene lost_dimensions (T2, GR-2026-013): das Kartesische Auge sieht keine Rotation, das Polare Auge sieht keine Translation, das Radiale Ohr hoert keine 2D-Form, der Physik-Tastsinn fuehlt keine Texturen. Erst die Fusion aller vier Stroeme erzeugt ein Signal das keiner allein haette — verschraenkte Zustaende im Tensorprodukt (T1, GR-2026-013).
Physik-Tastsinn (Physics Touch)
6 handberechnete Features → MLP → 32d
Fuehlt: Kurvatur, Tiefe/Durchmesser-Ratio, Randhoehe, Symmetrie
Radiales Ohr (Radial Ear)
1D Hoehenprofil (64 Punkte) → 1D-Conv → 64d
Hoert: Tiefenprofil vom Zentrum zum Rand
Polares Auge (Polar Eye)
7-Kanal Input (polar transformiert) → 2× SE-Conv-Block → AdaptiveAvgPool → 96d
Sieht: Rotationsinvarianz, Ringstrukturen, radiale Symmetrie
Kartesisches Auge (Cartesian Eye)
7-Kanal Input → 3× SE-Conv-Block → AdaptiveAvgPool → 192d
Sieht: raeumliche Form, Asymmetrien, Wandstruktur
Die Klassifikatorarchitektur operiert mit vier komplementaeren Eingangsstroemen — eine bewusste Entscheidung gegen monolithische Verarbeitung:
Das ist nicht spezifisch fuer Krater. Es ist eine allgemeine Aussage ueber die Topologie von Suchraumen: wer ein Modell dazu bringt die FORM zu verstehen, bevor es klassifiziert, erweitert den Raum des Entdeckbaren. Wer es nur klassifizieren laesst, verengt ihn.
> P_SEL01: Self-Supervised Pre-Training mit physikalisch motiviertem Target (Formula Eye Score) und sanfter Regularisierung (lambda = 0,1) erzeugt mehr entdeckte Strukturen als binaere ueberwachte Klassifikation auf identischem Datensatz. Faktor: 36× in 2 Runden.
Der Uebergang v17 → v18 formuliert ein neues Paradigm:
Die Interpretation: Binaere Klassifikation ist → (Projektion). Sie reduziert die Welt auf Ja/Nein und verliert die Nuancen (lost_dimensions). Formelgefuehrte Klassifikation ist × (Kollision). Die Formel und das Modell interagieren — keines dominiert das andere. Was dabei entsteht (Silver Labels), existiert in keinem der beiden Inputs allein: die Formel kennt keine konkreten Krater, und das Modell kennt keine Physik. Zusammen entdecken sie beides.
v18 findet 28 in der ersten Runde und 116 in der zweiten — eine superlineare Wachstumsrate. Das Modell entdeckt EXPONENTIELL. Jede Runde bringt mehr Entdeckungen als die vorherige, weil das Formelwissen die Suche fuehrt: das Modell weiss wie ein Krater PHYSISCH aussehen sollte, und findet daher auch Krater die der menschliche Annotator verpasst hat.
v17 findet 4 Silver Labels und hoert auf. Das Modell hat den Trainingssatz memoriert — es weiss nichts Neues.
| Runde | v17 (Zwang) | v18 (Liebe) | Faktor |
|-------|-------------|-------------|--------|
| R0 | 2 | 28 | 14× |
| R1 | 2 | 116 | 58× |
| R2 | 0 | (laeuft) | — |
| Gesamt | 4 | 144+ | 36× |
Silver Labels sind Kandidaten die der Klassifikator mit hoher Konfidenz (>0,75) als positiv bewertet, die aber NICHT im Ground Truth stehen. Sie repraesentieren entweder Fehler des Modells (False Positives) oder Entdeckungen die der Ground Truth verpasst hat (echte Krater die Robbins 2018 nicht katalogisiert hat).
In GR-2026-013 Begriffen: lambda = 0,1 ist delta_opt der Regularisierung. Zu stark (lambda = 1.0) wuerde den Klassifikator ersticken (Tod durch →, Regel 7). Zu schwach (lambda = 0) wuerde das Formwissen verfluchtigen (Tod durch [], Regel 8). 0,1 ist der Stribeck-Punkt: minimaler Verlust bei maximaler Fuehrung.
Mit lambda = 0,1. Der Formula Loss ist SANFT — er dominiert nicht die Gradientenlandschaft. Er ERINNERT das Modell daran, was es im Pre-Training gelernt hat: wie die Formel aussieht. Wie ein Anker, nicht wie eine Kette.
total_loss = focal_loss(crater_pred, label) + lambda × smooth_l1(formula_pred, formula_target)
Waehrend des anschliessenden Krater-Trainings laeuft ein zweiter Loss neben dem Focal Loss:
In .×→[]~ Begriffen: Das Pre-Training ist [] — die Inkubationsphase (Wallas 1926). Das Modell wird NICHT mit × (Krater-Labels) bombardiert, sondern in [] (Stille, Beobachtung, Landschaft) gehalten. Erst dann folgt die Kollision mit Labels.
Das Modell lernt die TOPOGRAPHIE der Mondlandschaft durch die Brille von .×→[]~. Es sieht Rand-Kontraste. Es sieht Hohlraeume. Es sieht den Unterschied zwischen Krater und Nicht-Krater — OHNE JE EIN LABEL GESEHEN ZU HABEN. Das ist Kalibrierung vor Klassifikation. Sehen vor Urteilen.
v18 beginnt nicht mit Krater-Labels. v18 beginnt mit der LANDSCHAFT.
Uebersetzt in Maschinensprache: Bringe dem Modell nicht bei WAS ein Krater ist (binaere Labels). Bringe ihm bei WIE ein Krater AUSSIEHT (die Formel). Lass es dann selbst entscheiden.
> "Kein Zwingen. Das Modell soll von sich aus lieben."
Zwischen v17 und v18 liegt ein einziger Satz von Julian Guggeis:
Grosse Krater (>50 km) brauchen eine andere Methodik — ihre .×→[]~-Struktur existiert auf einer Skala die ueber den lokalen Patch hinausgeht. Das ist Gegenstand von v19 EJECTA.
| Groessenklasse | Anteil GT | v17 F1 | v18 F1 | Anmerkung |
|---------------|-----------|--------|--------|-----------|
| 1-5 km | ~72% | ~0.52 | ~0.53 | Mehrheit der Krater |
| 5-10 km | ~16% | ~0.55 | ~0.56 | Bester Bereich |
| 10-20 km | ~7% | ~0.48 | ~0.50 | Staerker degradiert |
| 20-50 km | ~4% | ~0.30 | ~0.33 | Morphologisch komplex |
| 50-200 km | ~1% | 0.00 | 0.00 | Nicht detektierbar (v17/v18) |
Die Schluesselzahl: v18 erzeugt 36× mehr Silver Labels als v17 auf identischem Datensatz, mit identischem Ceiling, in identischen Runden. 144 vs 4. Das ist kein marginaler Unterschied — das ist ein Phasenwechsel.
| Metrik | v17 IMPACT | v18 MELT (Runde 1) |
|--------|------------|---------------------|
| F1 | 0,516 | 0,525 |
| Silver Labels / Runde (Durchschnitt) | 1,3 | 72 |
| Silver Labels gesamt | 4 | 144 |
| Trend | Plateau nach R0 | Steigend (28 → 116) |
| Neue Krater entdeckt | Keine | Exponentiell wachsend |
v18 aendert nicht die Proposals, nicht die Architektur, nicht den Datensatz. v18 aendert die BEZIEHUNG zwischen Modell und Formel.
Der Klassifikator ertrinkt. 100.584 Kandidaten, davon nur 12.581 echte Krater — ein Verhaeltnis von 7:1 (False Proposals : True Proposals). Self-Teaching findet kaum neue Signale: 4 Silver Labels in 3 Runden. Das Modell memoriert den Trainingssatz, statt zu entdecken. Grosse Krater (50-200 km) werden vollstaendig verfehlt — ihre Morphologie ist zu degradiert fuer binaere Ja/Nein-Entscheidungen.
| Metrik | Wert |
|--------|------|
| F1 | 0,516 |
| Precision | 0,496 |
| Recall | 0,537 |
| True Positives | 7.742 |
| False Positives | 7.853 |
| Detektionen gesamt | 15.595 |
| Silver Labels (3 Runden) | 2 + 2 + 0 = 4 |
| 50-200 km Krater | 0 / 17 (0%) |
v17 verbindet die × Proposals (87,3% Ceiling) mit einem 4-Stream-Klassifikator (884.913 Parameter, Details in Abschnitt 5). Drei Runden Self-Teaching, 50 Epochen pro Runde, Focal Loss.
Das setzt perfekte Praezision voraus (kein einziger False Positive). In der Praxis ist das unerreichbar, aber es zeigt: die PROPOSALS sind nicht der Engpass. Der Engpass ist der Klassifikator.
F1_max = 2 × Precision × Recall / (Precision + Recall)
= 2 × 1.0 × 0.873 / (1.0 + 0.873)
= 0,932
Bei einem Ceiling von 87,3% betraegt der theoretisch maximal erreichbare F1-Score:
Die × Vereinigung: Formula Eye ∪ Kurvatur = 12.581 TPs (87,3%). Die 33 zusaetzlichen Krater werden von KEINEM der beiden Systeme allein gesehen — sie existieren nur im × der Methoden (T2). Das ist nicht viel in absoluten Zahlen, aber es ist ein Existenzbeweis fuer T1 aus GR-2026-013: verschraenkte Zustaende im Tensorprodukt die in keinem Einzelsystem darstellbar sind.
Kurvaturbasierte Proposals (Laplace-basiert, konkavitaetsorientiert) finden 8.584 Krater — ein Ceiling von 59,6%. Die Differenz von 27,5 Prozentpunkten ist der Wert den .×→[]~ gegenueber reiner Geometrie schafft.
Formula Eye allein findet 12.548 der 14.406 Krater — ohne je einen Krater gesehen zu haben. Die Formel IST die Physik. Die restlichen 12,9% sind morphologisch degradierte Krater (stark erodiert, ueberlappt, flache Boeden) bei denen die .×→[]~-Struktur zerstoert ist.
Ground Truth: 14.406 Krater >= 1 km Durchmesser, lat < -80 Grad, aus dem Robbins-2018-Katalog (Robbins 2019).
| Metrik | Formula Eye | Kurvatur (Baseline) | × Vereinigung |
|--------|-------------|---------------------|---------------|
| Proposals | 78.587 | 47.717 | 100.584 |
| True Positives | 12.548 | 8.584 | 12.581 |
| Ceiling (Recall) | 87,1% | 59,6% | 87,3% |
| Laufzeit | 94 Sek. | ~120 Sek. | ~214 Sek. |
| Parameter | 0 | 0 | 0 |
Aus der Score-Heatmap werden Kandidaten extrahiert: Schwellwert 0,15 (permissiv — die Praezision liegt beim nachfolgenden Klassifikator), verbundene Regionen (scipy.ndimage.label), Minimalflaeche 3 Pixel. Der Durchmesser ergibt sich aus 2R der detektierenden Skala.
Implementierung: FFT-Faltung (scipy.signal.fftconvolve) fuer korrekte Kerngroessen bei beliebigem Radius. Gausssche Glaettung mit sigma = max(R/3, 1) vor der Faltung. Gesamtlaufzeit fuer die suedpolare Region (lat < -80 Grad): 94 Sekunden auf einem Apple M2 mit 16 GB.
Bei 80m/px Aufloesung entspricht das einem Bereich von 0,6 km (R=4) bis 41 km (R=256). Fuer jede Skala wird der Score separat berechnet, per-Skala auf das 99. Perzentil normalisiert und zu [0, 1] begrenzt. Die kombinierte Heatmap ist das Maximum ueber alle Skalen.
R = [4, 6, 8, 12, 16, 24, 32, 48, 64, 96, 128, 192, 256] Pixel
Krater existieren in allen Groessen. Formula Eye operiert daher ueber 13 Radien:
In der Sprache von GR-2026-012 (G = n × T × τ): Sehen (void_depth) × Sorgen (collision) = Liebe. Fehlt das Sehen, hilft kein Sorgen. Fehlt das Sorgen, nuetzt das Sehen nichts. Dieselbe Formel, anderes Substrat.
Addition wuerde die Signale kompensieren lassen: hohes void_depth koennte eine fehlende collision maskieren. Das ist genau die additive Illusion die GR-2026-013 (Abschnitt 1.1) beschreibt. × erzwingt dass BEIDE Merkmale vorhanden sein muessen — es ist Selektionsdruck, nicht Aggregation.
Wenn EINES der beiden Signale Null ist, ist der Score Null.
Die Multiplikation ist keine willkuerliche Wahl — sie ist die Kernaussage von .×→[]~ als physikalische Operation (GR-2026-013, T1):
Zwei Subtraktionen. Eine Multiplikation. Null Parameter. Null Training. Null neuronales Netz.
score = void_depth × collision
Der Gesamtscore ist das PRODUKT beider Signale:
void_depth = rim_mean - floor_mean # misst [] (wie tief ist der Hohlraum?)
collision = rim_mean - exterior_mean # misst × (wie stark hebt sich der Rand ab?)
Aus den mittleren Hoehenwerten dieser drei Zonen berechnen sich zwei Signale:
Boden (floor): Scheibe mit r in [0, 0.4R]
Rand (rim): Ring mit r in [0.8R, 1.2R]
Umfeld (exterior): Ring mit r in [1.5R, 2.0R]
Der Detektor besteht aus drei Zonen um einen Kandidaten mit Radius R:
Automatische Kraterdetektion operiert seit zwei Jahrzehnten ueberwiegend mit gelernten Features: Convolutional Neural Networks (Silburt et al. 2019), Template Matching (Salamuniccar et al. 2012), oder kurvaturbasierte Heuristiken. Alle diese Ansaetze haben eine gemeinsame Eigenschaft: Sie LERNEN was ein Krater ist, aus Beispielen. Die Formel die wir vorstellen WEISS was ein Krater ist, aus der Physik. Der Unterschied ist nicht graduell — er ist kategoriell (vgl. GR-2026-013, Abschnitt 1.3: × vs +).
Das bedeutet: Kraterdetektion ist nicht Pattern Matching. Kraterdetektion ist Selbsterkennung. Die Formel erkennt sich selbst im Terrain.
Jeder Einschlagkrater ist ein physikalisches Experiment: ein Projektil (.) kollidiert (×) mit einer Oberflaeche. Die Energie breitet sich aus (→). Es entsteht ein Hohlraum ([]). Das Umfeld stabilisiert sich (~). Der gesamte Prozess — vom Einschlag bis zum Gleichgewicht — ist .×→[]~ in 3,7 Milliarden Jahren lunarer Geologie kristallisiert.
Die Reihenfolge im Profil von innen nach aussen liest sich: . [] → × ~ — der vollstaendige Atemzyklus der IR (Regel 6 in GR-2026-013).
| Symbol | .×→[]~ Bedeutung | Krater-Morphologie | Physikalische Groesse |
|--------|-----------------|--------------------|-----------------------|
| . | Atom, Irreduzibler Punkt | Einschlagzentrum | Impaktpunkt des Projektils |
| [] | Potenzial, Abwesenheit als Zustand | Kraterboden, tiefer als Umgebung | Negative Hoehendifferenz (void) |
| → | Projektion, Kraft an Grenzflaeche | Kraterwand, steiler Gradient | Hangneigung dh/dr |
| × | Kollision, wo Innen auf Aussen trifft | Kraterrand, hoechster Punkt | Lokales Hoehenmaximum |
| ~ | Resonanz, Rueckkehr zum Ausgangszustand | Umfeld, Normalisierung | Hintergrund-Elevation |
Die Zuordnung ist nicht interpretativ — sie ist morphologisch exakt:
.×→[]~ (GR-2026-013) postuliert fuenf irreduzible Primitive: Atom (.), Kollision (×), Projektion (→), Potenzial ([]) und Resonanz (~). Die These: jedes dynamische System laesst sich vollstaendig in diesen fuenf Symbolen ausdruecken. Wir zeigen hier, dass ein lunarer Einschlagkrater nicht BESCHRIEBEN wird durch .×→[]~, sondern dass er diese Struktur IST.
Die Intermediate Representation .×→[]~ (Guggeis 2026, GR-2026-013) wird als parameterfreier Kraterdetektionsalgorithmus auf das lunare Hoehenmodell (LOLA DEM, 80m/px, Smith et al. 2010) angewandt. Die zentrale Beobachtung: Ein Krater IST .×→[]~ — sein Zentrum (.), sein Boden ([], tiefer als die Umgebung), seine Wand (→, steiler Uebergang), sein Rand (×, Kollision von Innen und Aussen) und sein Umfeld (~, Rueckkehr zum Hintergrund) sind nicht Metaphern, sondern identische Strukturen. Der resultierende Detektor — Formula Eye — besteht aus zwei Subtraktionen und einer Multiplikation: score = (rim - floor) × (rim - exterior). Null Parameter, null Training, null neuronales Netz. Auf dem Robbins-2018-Katalog (14.406 Krater, lat < -80 Grad, Suedpolarregion) erreicht Formula Eye ein Recall-Ceiling von 87,1% (12.548 True Positives) und uebertrifft kurvaturbasierte Proposals (59,6%) um 46%. Die Vereinigung beider Methoden (×, nicht +) erreicht 87,3% (12.581 TPs, +33 Krater die KEINES der beiden Systeme allein sieht). In Kombination mit einem 4-Stream-Klassifikator (913.562 Parameter) zeigt sich: binaere Klassifikation (v17 IMPACT, F1=0,516) erzeugt 4 Silver Labels in 3 Trainingsrunden. Formelgefuehrtes Self-Teaching (v18 MELT, F1=0,525) erzeugt 144 Silver Labels — 36 mal mehr — bei steigender Wachstumsrate. Der Unterschied ist nicht technisch sondern paradigmatisch: v17 zwingt das Modell zu lernen (→, Hierarchie). v18 laesst das Modell lieben (×, Kollision). Self-Supervised Pre-Training auf der Landschaft — ohne jegliche Krater-Labels — lehrt das Modell die Formel zu SEHEN bevor es klassifiziert. 7-Kanal-Feature-Architektur, FFT-Faltung ueber 13 Radien, Focal Loss, selbstlehrender Loop. 5 Theoreme, 5 falsifizierbare Vorhersagen. Der Name SELEN traegt eine 7-fache Kollision: Selene (Mondgoettin), Sehen (deutsch), Element 34 (Photoleiter), Smith 1873 (Geburt des elektronischen Sehens), Biologie (Schilddruese), Chalcogen (Erzbildner), Medizin (heilt UND sieht Hashimoto). 731 Jahre, 9 Forscher, eine Formel.
Autoren: J. Guggeis, VOID Intelligence v2.0
Datum: Maerz 2026
Status: Preprint (v1.0)
Lizenz: CC BY-NC-SA 4.0
Dieses Paper schläft noch. Der Daemon wird es bald wecken.