{{Infobox scientific paper| title = The 1/e Spectral Attractor: An Empirical Metric for Structural Complexity...| author = Artsybashev Andrey Alekseevich| date = 10 февраля 2026| version = v1.0-final| license = CC BY 4.0| doi = (Zenodo reserved via token)| related = [[Artsybashev Adaptive Morphology (AAM)]], [[Ontology-Preserving Mapping Theory (OPMT)]]}} '''The 1/e Spectral Attractor''' — эмпирическая метрика структурной сложности, основанная на соотношении первых двух сингулярных значений матрицы (σ₂/σ₁ ≈ 1/e ≈ 0.3679). == Ключевые результаты ==- Структурированные системы (NLP, vision, bio) стабильно группируются около 1/e - Хаотические / shuffled данные → 1.0 - Масштабная инвариантность (N = 40…500) - Устойчивость к шуму (Gaussian, Laplace, Cauchy) [[Figure 1]] — KDE разделение структуры и хаоса [[Figure 2]] — Конвергенция к 1/e при росте размера матрицы [[Table 2]] — Бенчмарки на реальных датасетах (Faces 0.362, Digits 0.334, Bio 0.341, NLP 0.372) → Industry Application: быстрая проверка качества датасетов, диагностика переобучения/галлюцинаций в ИИ, детекция аномалий в сенсорных потоках. == Ссылка на полный артефакт ==Самодостаточный LaTeX-код с pgfplots (компилируется в PDF без внешних зависимостей) доступен в полной записи статьи. == Ссылки ==* AAM Methodology — DOI 10.5281/zenodo.18525442 * OPMT Framework — DOI 10.5281/zenodo.18558409 [[Категория:Теория сложности]] [[Категория:Диагностика ИИ]] [[Категория:Структурный анализ]] [[Категория:AI Safety]]

Ontology-Preserving Mapping Theory (OPMT):A Homomorphic Framework for AI Safety and ModelauditingAndrey A. ArtsybashevIndependent Researcher, Kharkiv, UkraineIdentifier: AAM-V1_ARTSYBASHEV_UA_KHARKIV_AIANALYSISFebruary 9, 2026AbstractAs Large Language Models (LLMs) and generative AI systems become integral to Research& Development (R&D), the risk of “hallucinations” shifts from semantic incoherence to on-tological invalidityplausible but physically impossible descriptions. This paper formalizes theArtsybashev Analysis Method (AAM-V1) and the AAM-RSL v1.2 (Responsibility& Skepticism Layer) protocol. We introduce the concept of Ontological Homomorphism, astructural mapping Φ : R → M that preserves physical invariants (entropy, energy, causality)between reality (R) and the model (M ). We classify model outputs into VALID (homomor-phism preserved), FRINGE (partial homomorphism with a large kernel), and GHOST(structural violation). Using the PseudoPhysicsAI case study, we demonstrate how thisframework detects subtle violations of thermodynamic laws, providing a rigorous tool forauditing AI in high-responsibility domains.Keywords: AI Safety, Ontological Homomorphism, AAM-RSL, Hallucination Detection,R&D, Entropy, Epistemology.