HSEC AI Agent

全球第一个将量子纠错（QEC）数学应用于经典网络拓扑分析的预测引擎。

这是什么

HSEC（Holographic Soft Error Correction）不是一个通用AI，不是大语言模型，不是深度学习框架。它是一个基于物理原理的网络预测工具——用一个拓扑不变量 d₀≈12，对任何类型的网络做出4项标准图论无法做出的预测。

标准图论告诉你"网络是什么结构"。HSEC告诉你"网络何时崩溃、在哪里崩溃、怎么传播"。

4项独有预测

预测	含义	标准图论能做吗
相变阈值	d_eff < d₀=12 时网络从可纠错→不可纠错	❌
因果锥	d_eff(A,B) > d₀ 的节点对不在彼此因果锥内（≠不连通）	❌
纠缠曲率奇点	介数低但扰动影响大的节点（≠高介数）	❌
临界失效规模	移除多少节点使 d_eff 跌破 d₀	❌（渗流阈值≠相变点）

验证成果

合成权重网络（1669节点）

指标	值
节点/边	1669 / 4287
d_eff	3.40 (< d₀=12, 不可纠错相)
隐蔽风险节点	18个（标准Top50全漏检）
临界失效	移除3%节点即触发相变

STRING真实数据网络（1155节点，20840边）

指标	值
数据源	STRING DB v12.0 (bulk download)
过滤阈值	combined_score ≥ 0.7 (高置信)
d_eff	2.59 (< d₀=12, 不可纠错相)
隐蔽风险节点	53个（标准Top50全漏检）
Top Hub	TP53 (度=348)
50%碎片化	移除43.3%节点
渗流阈值	2.9%

TCGA临床生存验证（cBioPortal）

8个基因 × 12个癌症类型 = 96次log-rank test

类别	有效测试	显著(p<0.05)	显著率
HSEC隐蔽风险基因	44	5	11.4%
标准hub基因(对照)	48	5	10.4%

结论：HSEC隐蔽风险基因的显著率与标准hub基因相当——但标准方法100%漏检了它们。

HSEC隐蔽风险基因的显著结果：

• GJA1 in 黑色素瘤: p=0.0032, HR=1.493
• C3 in 黑色素瘤: p=0.0037, HR=0.676
• GJA1 in 乳腺癌: p=0.0239, HR=0.689
• ELANE in 胶质瘤: p=0.0316, HR=1.473
• C3 in 肝细胞癌: p=0.0330, HR=0.688

快速开始

# 安装依赖
pip install -r requirements.txt

# 启动
python app.py
# 或
gunicorn app:app --timeout 120 --workers 2 --bind 0.0.0.0:5000

# 打开浏览器
open http://localhost:5000

部署

腾讯云SCF（推荐，免费，不需信用卡）

1. 创建Web函数，运行环境Python 3.12
2. 上传代码包（ZIP）
3. 监听端口设为9000
4. 详见 DEPLOY.md

Docker

docker build -t hsec-agent .
docker run -p 5000:5000 hsec-agent

Render / Railway

已包含 render.yaml 和 railway.json，连接GitHub仓库即可自动部署。

API使用

# 健康检查
curl http://localhost:5000/api/health

# 上传网络分析
curl -X POST http://localhost:5000/api/analyze \
  -H "Content-Type: application/json" \
  -d '{"nodes":[{"id":"A"},{"id":"B"},{"id":"C"}],
       "edges":[{"source":"A","target":"B","weight":0.9},
                {"source":"B","target":"C","weight":0.8}]}'

# 使用内置数据集
curl http://localhost:5000/api/dataset/cancer

项目结构

hsec-saas/
├── app.py                  # Flask主应用 (36个路由, 2177行)
├── agent.py                # LLM+HSEC双脑Agent
├── hsec_engine/
│   ├── constants.py        # 物理常数 (d₀=12, ℓ_p, c, ℏ...)
│   ├── hsec.py             # HSEC核心计算
│   └── hsec_predictor.py   # 4项预测引擎
├── templates/              # 4个前端页面
│   ├── landing.html        # 首页
│   ├── dashboard.html      # 分析面板
│   ├── auth.html           # 登录/注册
│   └── agent.html          # AI Agent对话
├── requirements.txt
├── Dockerfile              # Docker部署
├── Procfile                # Render部署
├── render.yaml             # Render配置
├── railway.json            # Railway配置
├── scf_bootstrap           # 腾讯云SCF启动文件
└── DEPLOY.md               # 部署文档

内置数据集（18个）

金融银行网络、半导体供应链、全球航线、TP53蛋白网络、癌基因PPI、全球断层系统、IEEE118电力网络、生态食物网、免疫信号通路、气候耦合网络、流行病传播、区块链交易、知识图谱、社交网络、物联网、5G基站、脑连接组、AD患者脑网络。

已知风险（诚实标注）

1. d₀=12普适性存疑: Google Willow Λ(5,7)=2.14 → d₀=2.63≠12。d₀=12可能仅对特定码族有效
2. 软件d_eff≠论文d_eff: 代码用 nx.average_shortest_path_length（平均最短路径），论文用面积律 Area/ℓ_p²
3. 论文未发表: 理论未经同行评审
4. 真实数据d_eff未穿越d₀=12: 在密集PPI网络(平均度36)中，d_eff最大仅9.28，网络先碎片化而非穿越相变点

适用的领域

第一梯队（有付费意愿）	第二梯队（需教育市场）	第三梯队（学术价值）
药企靶点识别	银行系统性风险	生态网络
CRO药物外包	电网级联预警	地震断层
AI药物发现	供应链断链	暗物质
医院脑疾病筛查	AI幻觉检测	气候网络

License

MIT

相关论文

《量子纠缠与量子纠错驱动的时空与规范场涌现》（待发表）

作者

刘双云

---

PHM evidence chain — aggregate ledger: phm-evidence-ledger (5,000,086,001 units) · method parent: agent-action-verifier · PHM-Audit profile