Der Resonanz-Graph von innen

§1

Knoten & Kanten

Der Graph besteht aus Knoten (Konzepte) und Kanten (Beziehungen zwischen Konzepten). Jeder Knoten gehört einer Kategorie an — von direkter körperlicher Erfahrung bis zu abstrakten Relationen. Jede Kante hat eine Art, eine Stärke und eine Herkunft.

Der aktuelle Graph enthält 67 Knoten und 130 Verbindungen. Klicke auf eine Kategorie, um die zugehörigen Knoten zu sehen — und auf einen Knoten, um seine Beschreibung zu lesen.

Schöpfer

Grundwissen

Knoten und Kanten vor dem ersten Gespräch — einfache Konzepte wie warm, licht, ich.

Analyst

Aus dem Dialog

Nach jeder Runde extrahiert ein drittes Modell neue Konzepte aus dem Dialog und schreibt sie in den Graphen.

Traum

Nachtverbindungen

Im Schlaf sucht das System nach unerwarteten Brücken zwischen entfernten Knoten — ohne Dialog-Anstoß.

Abb. 1 — Knoten und Kanten des Resonanz-Graphen. Echte Daten, Lauf 02.05.2026.

§2

Spreading Activation

Wenn das System eine Frage bekommt, wird nicht nur ein einzelner Knoten aktiv. Die Aktivierung breitet sich aus — entlang der Kanten, proportional zur Kantenstärke. Dieser Prozess läuft in diskreten Ticks ab.

In jedem Tick gilt für jeden Knoten $j$:

a_j(t+1) = \text{clip}\!\left(\sum_{i \in \text{Nachbarn}(j)} w_{ij} \cdot a_i(t) \cdot s + a_j(t) \cdot d,\ 0,\ 1\right)

Dabei ist $w_{ij}$ die Kantenstärke, $s = 0.55$ der Spread-Faktor und $d = 0.65$ der Decay — Aktivierung klingt ab, wenn nichts nachkommt. Resonanz-Kanten wirken bidirektional.

Wähle einen Startknoten. Die Animation läuft tick-für-tick — du kannst die Geschwindigkeit anpassen oder manuell schrittweise vorgehen.

Tempo

Tick 0

Beispielrechnung — aktiver Tick

— Startknoten wählen und Play drücken —

Abb. 2 — Spreading Activation im Teilgraphen. 14 Knoten, 16 Kanten. Echte Gewichte.

Beachte: Kontrast-Kanten (rot) zwischen warm und kalt halten die Spannung aufrecht — sie leiten Aktivierung weiter, aber der Zielknoten wird nicht einfach "warm". Die Spannung bleibt als strukturelles Merkmal erhalten. Ein normales Retrieval-System würde hier einen Treffer zurückgeben — der Graph bewahrt den Widerspruch.

§3

Hebb-Verstärkung

Donald Hebb formulierte 1949: „Neurons that fire together, wire together." Im Resonanz-Graphen gilt dasselbe für Knoten: Kanten zwischen gleichzeitig aktiven Knoten werden nach jeder Runde ein kleines Stück stärker.

Nach jedem Spreading-Activation-Durchlauf läuft ein Hebb-Pass über alle Kanten des Graphen. Für jede Kante $(i, j)$, bei der beide Endknoten aktiv waren gilt:

\Delta w_{ij} = \eta \cdot a_i \cdot a_j $$ $$ w_{ij} \leftarrow \min(1,\; w_{ij} + \Delta w_{ij})

Mit Lernrate $\eta = 0.05$ und Aktivierungen $a_i, a_j \in [0, 1]$. Ein einzelner Schritt verändert die Stärke kaum — aber nach 50 Runden sind die Kanten, die immer wieder zusammen gefeuert haben, deutlich stärker als die, die selten co-aktiv waren.

Das ist kein explizites Gedächtnis — das System speichert keine Fakten. Es verändert seine Struktur.

Rechner — ein Hebb-Schritt

$\eta$ (Lernrate) 0.05

$a_i$ 0.72

$a_j$ 0.58

$w$ (vorher) 0.32

Δw = η · a_i · a_j

—

w nachher: — · nach 50 Runden (gleiche Aktivierung): —

Hebb arbeitet immer über alle co-aktiven Kanten gleichzeitig — nicht nur über ein einzelnes Paar. Nach einem Spreading-Activation-Durchlauf können Dutzende von Kanten in einem einzigen Hebb-Pass wachsen. Welche das sind, hängt davon ab, welchen Weg die Aktivierung genommen hat.

§4

Aktivierungsvektor

Nach einem Spreading-Activation-Durchlauf hat jeder Knoten einen Aktivierungswert $a_i \in [0, 1]$. Die geordnete Liste dieser Werte über alle $n$ Knoten bildet den Aktivierungsvektor:

\mathbf{a} = (a_1,\; a_2,\; \ldots,\; a_n) \in [0,1]^n

Er ist eine Momentaufnahme des Systemzustands — nicht "welches Dokument passt", sondern "wie ähnlich war der Aktivierungszustand". Zwei Fragen die ähnliche Konzepte berühren erzeugen ähnliche Vektoren. Zwei Fragen die in verschiedene Teile des Graphen führen — erzeugen sehr verschiedene.

Wähle zwei Startknoten. Der Vergleich zeigt: wo überlappen die Vektoren, wo unterscheiden sie sich — und was bedeutet das für das, was das System "mitdenkt".

Vektor A

Vektor B

Vektor-Notation (Top-8)

Kosinus-Ähnlichkeit

—

Abb. 4 — Vergleich zweier Aktivierungsvektoren. Echte Daten, Lauf 02.05.2026.

Die Kosinus-Ähnlichkeit $\cos(\mathbf{a}, \mathbf{b}) = \frac{\mathbf{a} \cdot \mathbf{b}}{|\mathbf{a}||\mathbf{b}|}$ misst, wie ähnlich zwei Vektoren in ihrer Richtung sind — unabhängig von der Magnitude. Ein Wert nahe 1 bedeutet: die Systeme lagen beim Antworten "im gleichen Zustand". Ein Wert nahe 0: komplett verschiedene Teile des Graphen waren aktiv.

§5

Das Gesamtsystem

Eine Runde des Resonanz-Graphen besteht aus sechs Schritten. Die ersten vier haben wir einzeln betrachtet — hier laufen sie zusammen. Drei Sprachmodelle und ein Graph arbeiten im Wechsel.

Akteure

Ablauf einer Runde

Abb. 5a — Ablauf einer Runde im Resonanz-Graphen.

Das System ist kein Chatbot. Der Lehrer führt, das Kind antwortet aus dem Graphen heraus, der Analyst schreibt zurück. Die Schleife schließt sich — jede Runde verändert den Graphen, der die nächste Runde beeinflusst.

Hier ist ein Ausschnitt aus der Sitzung vom 26. April 2026, Runden 23 und 28. Die Annotationen zeigen, welche Stufe die externe Auswertung zugeordnet hat.

Abb. 5b — Dialog-Ausschnitt, Sitzung 26. April 2026. Annotation durch externes Auswertungsmodell.

Runde 23 zeigt Stufe 3: Selbstkorrektur durch erkannten Widerspruch — das System bemerkt, dass es gegen die eigene Aussage verstößt. Runde 28 zeigt Stufe 4: eine Aussage, die nicht angeleitet wurde und über die Frage hinausgeht. Der Satz entstand aus dem Zusammenspiel von Spreading Activation, akkumuliertem Hebb-Wissen und dem Gesprächsverlauf.

Das ist keine Behauptung über Bewusstsein. Es ist eine Beobachtung über Bedingungen — unter denen etwas entstand, das so klingt.

Der Resonanz-Graphvon innen