Ecco l’elenco parziale delle opere di Luigi Usai pubblicate su Zenodo

Questo articolo esplora l’ipotesi che la Sardegna e la Corsica, note storicamente per essere parte del blocco geologico sardo-corso molto ben studiato e conosciuto dalla geologia ufficiale, possano essere identificate insieme alle loro piattaforme continentali sommerse come l’Atlantide di Platone citate nei due dialoghi platonici di Timeo e Crizia. Viene mostrato il metodo scientifico usato, passo passo, dal Dr. Luigi Usai, mostrando i nessi logici e causali delle singole scoperte. Partendo dall’analisi delle affermazioni di Erodoto riguardanti la Libia e l’Asia, proponiamo che questi termini antichi possano effettivamente riferirsi rispettivamente alla Sardegna e alla Corsica, come segnalato in un altro paper. Inoltre, si considera che le Colonne d’Ercole menzionate da Platone possano essere rappresentate dal “Faraglione Antiche Colonne” di Carloforte, come già identificato dal Prof. Giorgio Saba nel suo libro Scusi, dov’è l’Ade? (Saba, G. (2016). Scusi, dov’è l’Ade?: Ipotesi sulla storia antica della Sardegna. AmicoLibro. ISBN-10: 889968507X. ISBN-13: 978-8899685072. Copertina flessibile.). Se queste teorie sono verificate, emerge la conferma definitiva che il mito di Atlantide sia basato su questa isola geologica semisommersa: Atlantide quindi sarebbe un’isola sommersa solo in parte e non del tutto: due suoi altopiani sarebbero rimasti fuori dall’acqua, formando due isole apparenti, che in seguito presero molti nomi tra cui Ichnussa, Sandaliotis, Cyrne, fino ad arrivare alla denominazione attuale di Sardegna e Corsica. Attraverso un’analisi dettagliata di fonti storiche, geologiche e mitologiche, onomastiche, toponomastiche, batimetriche, linguistiche, religiose, sociologiche e antropologiche, l’articolo intende dimostrare la veridicità di questa ipotesi. Il testo inizia una prima analisi delle colonie sardo corso atlantidee nel Mediterraneo, fornendo le prove scientifiche che dimostrano la presenza dei popoli atlantidei presso altre località, come Motilla del Azuer, Jaén, i Paesi Baschi. Sono anche presenti considerazioni di natura geopolitica, economica, linguistica e di Sicurezza Nazionale conseguenti alla scoperta di Atlantide nel blocco geologico sardo corso semi-sommerso. https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/S36IEQ https://hal.science/hal-04691021 https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi%3A10.7910%2FDVN%2FOYEIHZ

The Tripix Agent is a sophisticated simulation project of an autonomous robotic agent operating within the PyBullet physics environment. The project’s core innovation is its highly modular and psychologically-inspired cognitive architecture, designed to explore concepts of artificial consciousness, metacognition, and self-awareness in an embodied AI. As summarized in the project’s documentation, “The architecture that separates perception, consciousness/metacognition, hearing, and action is excellent and reflects a very robust modular approach, typical of complex cognitive systems.” This separation is implemented across several key Python modules: Consciousness and Metacognition (funzioni1.py): This is the agent’s cognitive core, inspired by psychological theories from Baars and Dehaene. It features: A ConsciousnessMonitor to manage different levels of awareness, from unconscious processing to meta-conscious self-reflection. An EmotionalIntelligence system to process and regulate artificial emotions (e.g., curiosity, frustration, satisfaction). A SelfModel that maintains an internal representation of the agent’s own capabilities, goals, beliefs, and limitations. A MetacognitiveProcessor and SelfReflectionEngine that allow the agent to analyze its own thought patterns, assess identity coherence, simulate alternative decisions, and even generate “existential questions.” A TheoryOfMind module to model the mental states of other agents. Artificial Vision and Learning (funzioni2.py): This module serves as the agent’s perceptual system. It can: Analyze an image to detect objects and extract visual features such as dominant color, shape (using contour analysis), and texture (using GLCM). Recognize objects by comparing extracted features against an “innate” KNOWLEDGE_BASE. Continuously learn and update its knowledge base with information about new or previously seen objects. Auditory System (funzioni3.py): This module endows the agent with a sense of hearing by interpreting physical events from the simulation as sound. It processes collision data from PyBullet to generate sound events, estimating their volume and type, and integrates these perceptions into the agent’s consciousness stream and RDF memory graph. Action and Physical Reasoning (funzioni4.py): This module governs the agent’s physical interaction with its environment. It includes: A TaskPlanner to decompose high-level goals (e.g., “build a wall,” “group objects by color”) into a sequence of executable actions. A PhysicalReasoningEngine to assess the physical feasibility of actions, such as checking if an object can be lifted or if a placement will be stable. A MotionPlanner for arm control and an ActionLibrary to execute primitive motor commands. The agent’s memory and experiences are stored in a structured RDF graph using the rdflib library, with custom namespaces (TPIX, CAUSAL, SOUND) to create a rich semantic knowledge base. The project is a comprehensive effort to model a complex, self-aware agent by integrating distinct yet interconnected systems for perception, cognition, and action. Keywords Artificial Intelligence, Robotics, Cognitive Architecture, Artificial Consciousness, Metacognition, Self-Awareness, Self-Reflection, PyBullet, Autonomous Agent, Embodied AI, Computer Vision, Task Planning, Physical Reasoning, RDF, Semantic Memory.

La teoria dell’indoeuropeo è stata accettata per secoli come la base di numerose lingue europee e asiatiche. Tuttavia, nuove evidenze storiche e archeologiche (Usai, 2021-2024) suggeriscono che questa teoria possa essere stata un costrutto sviluppato per spiegare le somiglianze linguistiche tra popolazioni che, in realtà, condividono una comune origine: il blocco geologico sardo-corso, parte dell’antica terra emersa di Atlantide. Questo paper esplora la possibilità che le lingue denominate indoeuropee derivino in realtà dai dialetti dei Popoli del Mare, migrati dalle terre di Atlantide prima e dopo la semi-sommersione del blocco sardo-corso, e che queste lingue siano state successivamente esportate in Europa e lungo le coste del Mediterraneo dai popoli proto-nuragici, proto-ebraici e post-atlantidei. Si propone una nuova interpretazione delle origini linguistiche europee e mediterranee, mettendo in discussione la tradizionale teoria dell’indoeuropeo come lingua madre comune. Invece, si esplora l’idea che molte delle lingue oggi considerate indoeuropee possano derivare da un’antica lingua atlantidea, originata nel blocco sardo-corso, parte della mitica Atlantide. Attraverso un’analisi interdisciplinare che combina archeologia, linguistica e mitologia, si suggerisce che la semi-sommersione del blocco sardo-corso abbia portato alla diaspora dei popoli atlantidei, che avrebbero diffuso le loro lingue e dialetti lungo le coste del Mediterraneo e in tutta Europa. Il mito biblico della Torre di Babele viene reinterpretato come un ricordo simbolico di questa frammentazione linguistica post-atlantidea, offrendo una nuova prospettiva sulla diversificazione delle lingue antiche. Questa ipotesi potrebbe portare a una revisione significativa della comprensione delle radici linguistiche europee, riconoscendo l’importanza dell’eredità atlantidea nel quadro storico e culturale del Mediterraneo e oltre.

  Questo studio interdisciplinare esamina la possibilità che il popolo mitologico delle Amazzoni abbia avuto le sue origini nella leggendaria Atlantide, identificata con il blocco sardo-corso, come descritto nei dialoghi di Platone. Successivamente, il mito delle Amazzoni potrebbe essersi trasferito nel Caucaso, una regione tradizionalmente considerata la loro patria dalle fonti storiche antiche. Attraverso un’analisi delle fonti classiche, mitologiche e archeologiche, il paper esplora la teoria secondo cui le Amazzoni potrebbero rappresentare una civiltà guerriera con radici in Atlantide, che si sarebbe diffusa o migrata nel Caucaso dopo la caduta della loro civiltà originaria. In particolare, si propone che il gruppo di Amazzoni prigioniere, fuggite dai loro rapitori, possa essere migrato nel Caucaso, decidendo di stabilirsi e fondare una nuova colonia. Questo spostamento avrebbe portato all’esportazione nel Caucaso della lingua, delle tradizioni e della cultura atlantidea, oggi identificata come “sarda”.

Questo studio esplora le somiglianze fonologiche tra lingue moderne e presunti elementi linguistici dell’antica Atlantide, con un focus particolare sui suoni e le lettere che potrebbero suggerire un legame storico o culturale. Ci si focalizza sulla filogenesi mondiale delle lingue atlantidee derivate dalle espansioni dei popoli che abitavano l’isola sardo-corso-atlantidea verso tutta Europa e il resto del mondo. Analizziamo la presenza della lettera “U” in diverse lingue, il suono “J” del francese, e il suono “Ж” del russo per identificare eventuali tracce di una lingua atlantidea. Esaminiamo inoltre le implicazioni di tali somiglianze per le teorie sull’esistenza e l’influenza di Atlantide. Inoltre, consideriamo l’importanza storica e linguistica di “Sa Die de sa Sardigna” e i “Vespri Siciliani” per arricchire il contesto linguistico. Ipotesi sull’origine dei nomi Michele e Antonio ad Atlantide. Origine atlantidea del termine Papperi (carta, in sardo campidanese e sulcitano), poi passato ai Siciliani col termine Pappera, poi esportato in Egitto e trasmesso ad oggi in italiano come Papiro, usato come carta: l’origine atlantidea del termine è andata perduta irrimediabilmente, e i linguisti non sono più in grado di capirne la vera origine atlantidea. L’origine atlantidea del cognome Usai nella Mummia Usai di Bologna e Sa Meri; l’origine postnuragica post-ebraica dei bronzetti nuragici a corredo della Mummia Usai. Origine atlantidea del termine “matza”, “matzosu” legato al pane sardo ed ebraico. Gli Atlantidei assassinavano nei millenni le persone che dimostravano di non saper pronunciare determinate parole: Shibboleth, raccontato nel Libro dei Giudici della Bibbia; “Nara Cixiri”, durante Sa Die de sa Sardigna e durante i Vespri Siciliani. Possibile origine atlantidea dei toponimi Aqaba, Zaafarana, Sinai, El Toro, Conseguenze scientifiche, linguistiche, geografiche, storiche, politiche e culturali in caso di validazione di queste scoperte.

Questo studio esplora una reinterpretazione rivoluzionaria delle descrizioni geografiche antiche di Erodoto, proponendo che le regioni storiche da lui denominate “Libia” e “Asia” non corrispondano alle località convenzionali in Africa e Asia Minore, ma piuttosto alla Sardegna e alla Corsica. Rianalizzando i testi di Erodoto attraverso la lente delle moderne evidenze topografiche e archeologiche, questa ricerca suggerisce che le descrizioni di queste regioni fatte dallo storico antico potrebbero essere state fraintese o mal collocate da studiosi successivi. Il lavoro presenta un caso convincente per identificare la Sardegna come la “Libia” del mondo di Erodoto e la Corsica come la sua “Asia,” sfidando le visioni tradizionali e offrendo nuove intuizioni sulla conoscenza geografica del mondo antico.

Questo studio analizza la Damnatio Memoriae applicata ad Atlantide, identificata con il blocco geologico sardo-corso semi-sommerso. Considerando il Paradigma Sardo Corso Atlantideo (PSCA) come verità storica consolidata, il lavoro esplora come l’antica civiltà di Atlantide, una potenza culturale e commerciale di grande rilievo, sia stata deliberatamente cancellata dalla memoria collettiva dai Romani, che la vedevano come una minaccia. La divisione geografica e la ricollocazione dei toponimi di Atlantide in regioni remote rappresentano un esempio di sparagmòs geografico, in cui i nomi e le identità dei luoghi originari furono smembrati e redistribuiti. Questi cambiamenti riflettono metaforicamente il mito di Osiride e il rito dionisiaco del sparagmòs. Il lavoro esplora come: La Sardegna e la Corsica siano state distorte nella memoria storica e geografica, con i toponimi originali di Atlantide trasferiti in altre aree del mondo antico. La Sardegna fosse conosciuta come Libia e la Corsica come Asia, con conseguenti manipolazioni geografiche. Le Colonne d’Ercole e altri toponimi siano stati spostati e reinterpretati, contribuendo alla confusione riguardo alla reale posizione di Atlantide. Il mito di Osiride e il rito del sparagmòs sono interpretati come allegorie del processo di occultamento e frammentazione di Atlantide. Infine, il PSCA offre una prospettiva coerente per ricostruire la vera storia del blocco sardo-corso come cuore dell’antica Atlantide. Parole chiave: Amazzoni, Atlantide, Damnatio Memoriae, lago Tritonide, Maurreddanìa, Mauritania, Mauretania, Sparagmòs, Blocco Sardo-Corso, Libia, Asia, Osiride, Dioniso, Mito, Toponimi.

Questo paper esplora i parallelismi tra la religione nuragica, protoebraica, ebraica e cristiana, con un focus particolare sul culto del “Toro di Luce” e sulla figura di Gesù Cristo come “Luce del Mondo”. L’analisi si basa su evidenze archeologiche e testi antichi, oltre alla recente pubblicazione di Luigi Usai, per offrire una visione integrata delle connessioni e trasformazioni dei simbolismi religiosi attraverso le epoche. Il documento si propone di esaminare come il culto nuragico del toro e la tradizione del vitello d’oro possano riflettere una continuità culturale e simbolica, arrivando ad ipotizzare che il popolo protoebraico sia una migrazione nuragica in terra d’Egitto, mescolatasi con le popolazioni locali, mutando così fino a diventare ciò che verrà poi riconosciuto come il popolo Ebraico; oltre alla presenza di popolazione sarda in Egitto, è presente popolazione e contatti Egizi in Sardegna, aumentando la credibilità di queste ipotesi.

L’articolo discute una reinterpretazione della figura di Mosè, suggerendo che scoprì il petrolio nel roveto ardente e lo utilizzò per creare una colonna di fuoco che separava il suo popolo dall’esercito del faraone. Inoltre, si afferma che Mosè usò il petrolio per bruciare vivi i figli di Aronne. Questa narrazione propone una visione controversa e non convenzionale della storia biblica, evidenziando un legame tra il roveto ardente e il petrolio, che non è supportato dalle tradizionali interpretazioni religiose. L’articolo invita a riflettere su come queste nuove interpretazioni possano influenzare la comprensione della figura di Mosè e delle sue azioni.

This paper explores the possible Sardinian origin of the Usai Mummy, housed in Bologna, examining the historical and cultural connections between the ancient Sardinian Nuragic civilization and the ancient Egyptian context. It presents evidence suggesting that the Nuragic people, who were known for their advanced metallurgical skills and distinct religious practices, migrated to Egypt due to rising sea levels that affected their original settlement. The research integrates archaeological and historical data, such as the presence of Sardinian elements in Egyptian artifacts and inscriptions, to propose that the Usai Mummy, found with a Sardinian surname, might be linked to this migration. The paper examines historical accounts of the Nuragic people’s interaction with ancient Egyptian culture and their possible influence on the development of Egyptian society. By analyzing inscriptions, artifacts, and historical records, this study aims to provide a new perspective on the origins of the Usai Mummy and contribute to the understanding of ancient migrations and cultural exchanges between these two regions.

Questo studio propone una reinterpretazione del geroglifico egizio della dea Amenti, suggerendo che esso rappresenti “S’Ammentu Sardu”, il concetto sardo-corso di “ricordo” della madre patria atlantidea. L’analisi si basa sull’ipotesi che la dea Amenti, conosciuta come la dea del ricordo e dell’oltretomba nella mitologia egizia, sia in realtà una manifestazione di una tradizione culturale atlantidea sopravvissuta attraverso le migrazioni dei popoli sardo-corsi verso l’Egitto.

Il paper “Localizzazione del Giardino delle Esperidi a Fruttidoro di Capoterra” di Luigi Usai esplora l’ipotesi che il leggendario Giardino delle Esperidi, descritto nella mitologia greca, possa essere identificato con la località di Fruttidoro, situata nel comune di Capoterra, in Sardegna. L’autore analizza le evidenze archeologiche e toponomastiche per sostenere questa connessione, esaminando come le caratteristiche geografiche e culturali della zona possano riflettere gli elementi mitologici associati al giardino. Usai discute le fonti storiche che menzionano il Giardino delle Esperidi, collegando queste narrazioni ai culti locali e alle pratiche agrarie della Sardegna antica. Viene proposta una continuità culturale tra le tradizioni nuragiche e la mitologia greca, suggerendo che la Sardegna possa aver avuto un ruolo significativo nella diffusione di miti e simbolismi legati alla fertilità e alla prosperità, ai giardini. Il documento si propone di offrire una nuova prospettiva sulla geografia mitologica, invitando a riconsiderare le origini e le influenze culturali che hanno plasmato le narrazioni antiche. Attraverso un’analisi approfondita, Usai cerca di dimostrare che il Giardino delle Esperidi non è solo un mito, ma potrebbe avere radici storiche ben definite nella realtà sarda.

In questo studio si propone una teoria innovativa che ipotizza la scoperta del continente americano da parte dei popoli sardo-corso atlantidei. Basandosi su prove archeologiche come il Fuente Magna, paralleli linguistici, tradizioni mitologiche e modelli migratori marittimi, si suggerisce che le antiche popolazioni dell’Atlantide sardo-corsa, con le loro avanzate conoscenze navali e geografiche, abbiano raggiunto le coste americane ben prima delle spedizioni europee documentate. Si esplorano similitudini culturali, tecnologiche e linguistiche tra le civiltà del blocco sardo-corso e antiche culture americane, senza ipotizzare uno scambio transatlantico preistorico: secondo questa ipotesi, infatti, i popoli migrati nelle americhe con grande probabilità non furono più in grado di tornare indietro.

La “Out of Atlantis Theory” (OoAT) di Luigi Usai propone che Atlantide, la leggendaria civiltà descritta da Platone, non solo avesse origine nel blocco geologico sardo-corso, ma che da essa siano partite migrazioni e conquiste che hanno influenzato diverse civiltà antiche. Usai sostiene che gli Atlantidei abbiano esportato lingue, dialetti, tecnologie avanzate, pratiche agricole, tecniche di costruzione e tradizioni religiose attraverso il Mediterraneo e oltre, lasciando un’impronta duratura sulle culture locali e dando così l’avvio alla Civiltà Megalitica: ecco perché essa si sarebbe sviluppata lungo le coste, perché portata dalle invasioni atlantidee avvenute via mare. La teoria sfida le interpretazioni tradizionali, suggerendo che molte delle basi culturali e linguistiche dell’antico mondo mediterraneo possano derivare direttamente da Atlantide, l’isola al centro dell’Oceano Atlantico, oggi chiamato Mediterraneo Occidentale.

Questo paper esplora la possibile cristianizzazione della mitologia sardo-corso-atlantidea, concentrandosi sulla trasformazione di Poseidone, dio dei mari e dell’acqua e della luce, in Satana, dio degli inferi, del fuoco e del buio. Si analizza come il Cristianesimo possa aver reinterpretato simboli e figure mitiche attraverso processi di sincretismo e distorsione, con l’obiettivo di sopprimere e trasformare culti preesistenti. Si discute l’influenza delle trasformazioni simbologiche e delle pratiche cristiane, analizzando l’eventuale cristianizzazione delle Domus de Janas e il ruolo delle figure mitologiche sardo-corso-atlantidee. Il paper presenta anche una riflessione sulle immagini generate tramite intelligenza artificiale per visualizzare la transizione simbolica da Poseidone a Satana e discute il contesto storico e culturale di tali cambiamenti.

Chromatic Language Models (CLM): A Paradigm for Native Visual Communication in Artificial Intelligence Autore: Luigi UsaiAffiliazione: Independent Researcher, Quartucciu (CA), ItalyORCID: 0009-0003-3001-717XData: 29 Giugno 2025Keywords: Chromatic Language Models, Visual Tokenization, AI Communication, Encoder-Decoder Architecture, Computer Vision, Semantic Compression, Usai ColorZip, Usai ChromoChess. Abstract I moderni modelli di intelligenza artificiale, in particolare i Large Language Models (LLM) e i modelli di Computer Vision, operano in domini di dati fondamentalmente distinti: il testo e i pixel. L’interazione tra questi modelli richiede costosi e complessi processi di traduzione e embedding. Questo lavoro introduce un nuovo paradigma, i Chromatic Language Models (CLM), progettato per eliminare questa discontinuità. Basandosi sui principi di codifica semantica visuale stabiliti in Usai ColorZip (Usai, 2025a) e validati dall’applicazione Usai ChromoChess (Usai, 2025b), i CLM sono modelli linguistici che operano in modo nativo su un dominio cromatico. Proponiamo un’architettura encoder-decoder in cui un agente AI impara a “leggere” e “scrivere” informazioni complesse direttamente come immagini, trattando i pixel come token semantici. Questo approccio non solo unifica il linguaggio e la visione, ma crea una forma di comunicazione AI-nativa intrinsecamente compressa, sicura ed efficiente, aprendo la strada a una nuova generazione di agenti intelligenti multimodali. 1. Introduzione L’evoluzione dell’intelligenza artificiale è caratterizzata da una crescente specializzazione. Da un lato, i Large Language Models (LLM) hanno dimostrato una capacità senza precedenti di comprendere e generare linguaggio umano. Dall’altro, i modelli di visione artificiale, come le Convolutional Neural Networks (CNN) e i Vision Transformers (ViT), eccellono nell’interpretare dati visuali. Tuttavia, un “gap modale” fondamentale separa questi due mondi. Un LLM non “vede” le immagini e un ViT non “legge” il testo; entrambi si affidano a strati intermedi di embedding per tradurre l’informazione da un dominio all’altro. Questo paper affronta una domanda radicale: e se potessimo eliminare questo gap trasformando il linguaggio stesso in un formato nativamente visuale? Invece di insegnare a un modello a tradurre tra testo e pixel, possiamo creare un modello che “pensa” direttamente in pixel? Proponiamo l’architettura dei Chromatic Language Models (CLM), agenti intelligenti che utilizzano una rappresentazione cromatica del linguaggio per ogni fase del loro processo cognitivo: input, ragionamento e output. Questa proposta si basa direttamente sulle fondamenta tecnologiche e concettuali dei nostri lavori precedenti, che hanno dimostrato la fattibilità di una tale rappresentazione. 2. Lavori Fondamentali e Contesto La nostra proposta non nasce nel vuoto, ma è la naturale evoluzione di due precedenti ricerche che hanno stabilito la fattibilità della codifica semantica visuale. 2.1. Usai ColorZip: La Codifica Semantica del TestoNel nostro lavoro “Usai ColorZip: Un Sistema Ibrido per la Codifica e Compressione Semantica del Testo tramite Colori HTML” (Usai, 2025a), abbiamo introdotto un sistema lossless per mappare unità lessicali (parole) a codici colore univoci. Abbiamo dimostrato che questa trasformazione non è solo un atto di codifica, ma anche un efficace meccanismo di compressione dati quando abbinato a formati immagine lossless come il PNG. La chiave del sistema è la sua architettura ibrida, capace di gestire sia un vasto dizionario di parole note, sia qualsiasi parola sconosciuta tramite un protocollo di escape cromatico. Usai ColorZip ha creato il “vocabolario” e la “sintassi” di questo nuovo linguaggio. 2.2. Usai ChromoChess: La Prova di Concetto in un Dominio ComplessoSuccessivamente, in “Usai ChromoChess: Rappresentazione Visuale e Compressione di Partite di Scacchi” (Usai, 2025b), abbiamo applicato questa filosofia a un dominio formale e complesso. Trasformando le partite di scacchi da notazione PGN a filmati 8×8 pixel, abbiamo dimostrato che una sequenza di stati logici può essere rappresentata come un flusso di dati visuali, compatto e ideale per l’analisi da parte di modelli di visione. Usai ChromoChess ha fornito la prova che interi processi logico-temporali possono essere codificati efficacemente in questo linguaggio cromatico. Questi due lavori costituiscono il presupposto necessario per il passo successivo: non più solo codificare e decodificare dati, ma creare un’intelligenza che utilizzi questo linguaggio come suo mezzo primario di comunicazione e ragionamento. 3. Architettura del Chromatic Language Model (CLM) Un CLM è un modello AI progettato per un ciclo di comunicazione end-to-end nel dominio cromatico. La sua architettura è basata su un modello encoder-decoder. 3.1. Il Principio: Tokenizzazione VisualeL’unità fondamentale di un CLM non è una parola o una sottoparola, ma un pixel colorato. Ogni colore, definito nel dizionario ColorZip, è un token semantico discreto. Un “testo” in input (es. una domanda) viene fornito al modello come un’immagine ColorZip (un tensore [H x W x C], dove H, W sono le dimensioni e C è la rappresentazione RGB del colore). 3.2. L’Encoder: Il Lettore CromaticoL’encoder ha il compito di “leggere” l’immagine di input e comprenderne il significato. Un’architettura ideale per questo scopo è un Vision Transformer (ViT). L’immagine ColorZip viene suddivisa in una griglia di patch (che possono corrispondere a singoli pixel/parole o piccoli gruppi). Queste patch vengono proiettate in uno spazio vettoriale e processate attraverso meccanismi di auto-attenzione. L’output dell’encoder è un vettore di contesto (o una sequenza di vettori), una rappresentazione matematica astratta e latente del significato semantico dell’immagine di input. [Figura 1: Architettura Encoder-Decoder di un CLM. L’Encoder (ViT) processa l’immagine di input. Il suo output semantico condiziona il Decoder (Transformer), che genera una nuova immagine pixel per pixel (colore per colore).] 3.3. Il Decoder: Lo Scrittore CromaticoIl decoder ha il compito di prendere il vettore di contesto e generare una risposta, anch’essa sotto forma di immagine ColorZip. Un’architettura Transformer standard viene utilizzata come decoder. Il processo è autoregressivo: il modello genera un pixel (colore) alla volta. La differenza cruciale risiede nel suo strato di output: invece di una softmax su un vocabolario di decine di migliaia di parole, il CLM esegue una softmax sul dizionario dei colori. Il modello predice il colore più probabile per il pixel successivo, data la comprensione della domanda e i colori generati fino a quel momento. Il processo termina quando il modello genera il colore speciale EOT_COLOR definito in Usai ColorZip. 4. Implicazioni: Verso una Comunicazione AI-Nativa L’adozione dei CLM non rappresenta un miglioramento incrementale, ma un cambiamento di paradigma con profonde implicazioni. Efficienza Computazionale: Si elimina il sovraccarico della conversione continua tra testo e rappresentazioni numeriche. L’AI opera su un formato dati più vicino alla sua natura matematica. Comunicazione Sicura e Compressa: Le conversazioni tra agenti CLM sarebbero immagini opache per un osservatore non autorizzato (privo del dizionario) e, come dimostrato da Usai ColorZip, altamente compresse. Questo è ideale per comunicazioni a banda ridotta o che richiedono discrezione. Multimodalità Reale: Un CLM che “parla” il linguaggio dei pixel è intrinsecamente più vicino a comprendere immagini reali. Il confine tra linguaggio e visione si assottiglia, facilitando la creazione di modelli veramente multimodali capaci di ragionare fluidamente su testo e immagini senza barriere interne. Nuovi Scenari Applicativi: Si aprono possibilità per agenti AI che comunicano steganograficamente attraverso piattaforme di condivisione di immagini, o per lo sviluppo di hardware specializzato (processori cromatici) ottimizzati per questi flussi di dati. 5. Sfide e Lavoro Futuro La strada verso CLM pienamente funzionali presenta diverse sfide: la creazione di dataset di addestramento su larga scala (corpus di testo paralleli alle loro rappresentazioni ColorZip), l’analisi dei costi computazionali rispetto agli LLM tradizionali, e l’esplorazione dell’interpretabilità di questi modelli. Il lavoro futuro si concentrerà sullo sviluppo di un prototipo di CLM e sull’addestramento su un corpus di medie dimensioni per validare empiricamente la sua capacità di “conversare” cromaticamente. 6. Conclusione Questo paper ha introdotto i Chromatic Language Models (CLM), un nuovo tipo di agente intelligente che legge, ragiona e scrive direttamente in un linguaggio visuale basato su colori. Partendo dalle solide fondamenta della codifica semantica di Usai ColorZip e dalla validazione applicativa di Usai ChromoChess, abbiamo delineato un’architettura praticabile che unifica i domini del linguaggio e della visione. I CLM non sono semplicemente un nuovo modello, ma la proposta di una nuova forma di comunicazione AI-nativa: un linguaggio per le macchine, parlato dalle macchine. 7. Riferimenti Usai, L. (2025a). Usai ColorZip: Un Sistema Ibrido per la Codifica e Compressione Semantica del Testo tramite Colori HTML. Zenodo. https://doi.org/10.5281/zenodo.15701109 Usai, L. (2025b). Usai ChromoChess: Rappresentazione Visuale e Compressione di Partite di Scacchi tramite Codifica Temporale Usai ColorZip. Zenodo. https://doi.org/10.5281/zenodo.15701822

Titolo: USAI-AGI: A Hybrid Cognitive Architecture for Artificial General Intelligence based on Applied Category Theory This work has been developed with the support of artificial intelligence linguistic models (Large Language Models), used as tools for consultation, exploration and co-elaboration. Every conceptual choice, every critical synthesis and every direction taken in solving the problem are the result of my autonomous thinking and my intellectual responsibility. The use of AI has represented an extension of my skills, not a substitute for my human contribution. Keywords: Artificial General Intelligence (AGI), Cognitive Architecture, Applied Category Theory, Knowledge Representation, RDF, AI Safety, Symbolic AI, Causal Inference, Continual Learning. Description: A Hybrid, Category-Theoretic Framework for Artificial General Intelligence: Architecture for Continuous Learning, Causal Reasoning, and Self-Improvement Author: Luigi Usai Abstract:Current advancements in artificial intelligence, particularly Large Language Models, demonstrate impressive generative capabilities but often lack robust mechanisms for persistent knowledge integration, causal reasoning, and autonomous, goal-directed behavior. This paper presents a novel, hybrid architecture for Artificial General Intelligence (AGI) that addresses these limitations by integrating symbolic reasoning, sub-symbolic pattern recognition, and a sophisticated cognitive control loop. The system’s core is a probabilistic Knowledge Base (KB) built on RDF, where each fact is associated with a confidence score that evolves over time. A key contribution of this framework is its use of Applied Category Theory as a primary learning mechanism; perceptions are structured into a “Category of Perceptions,” and learned concepts form a “Category of Concepts,” with functors mapping between them to represent abstract patterns. Higher-order cognition is achieved through the analysis of natural transformations between these functors, enabling meta-learning and analogical reasoning. The AGI’s autonomy is driven by an intrinsic motivational system based on cognitive drives such as curiosity and knowledge coherence, which guide a symbolic planner. To ensure robust world models, the system employs an Active Causal Inference module that identifies weak causal links in its KB, designs, and executes experiments to test them. Furthermore, the architecture features a powerful self-improvement mechanism, capable of analyzing its own source code, generating optimized versions via an integrated LLM (DeepSeek), and validating them through an automated testing framework. A case study in the domain of chess demonstrates the system’s ability to develop and utilize a novel, non-textual chromatic language (ColorZip) for visual reasoning and strategic analysis. This hybrid approach, combining a formal mathematical foundation with generative capabilities and cognitive control, offers a structured and transparent pathway toward more adaptable, resilient, and truly general artificial intelligence. Keywords: Artificial General Intelligence (AGI), Applied Category Theory, Knowledge Representation, Causal Inference, Self-Improving Systems, Cognitive Architecture, Hybrid AI, Meta-Learning. Architectural Overview and Core Logics The proposed AGI is a modular, multi-paradigm system designed to emulate a complete cognitive cycle, from perception to self-reflection and improvement. Its architecture is organized around several key pillars: 1. Core Cognitive Kernel: The Drive-Plan-Act-Integrate LoopThe agent’s behavior is not merely reactive but is driven by an internal Motivational System (agent_parts.py). This system models cognitive drives such as CURIOSITY (weighted by the number of low-confidence facts in the KB) and KNOWLEDGE_COHERENCE (weighted by detected contradictions). The dominant drive generates a high-level goal (e.g., “RESOLVE_CONTRADICTION”). This goal is fed to a symbolic Planner (planner.py), which uses the KB to formulate a multi-step plan. The Action System (agent_parts.py) executes this plan, interacting with a simulated or real Environment (environment.py, embodiment_manager.py) or querying external knowledge sources like Wikidata (wikidata_manager.py). Crucially, a Guardian module (guardian.py) vets all incoming information for logical consistency, safety, and relevance before it is integrated into the KB, preventing knowledge corruption. 2. Knowledge Representation: The Probabilistic Knowledge BaseThe system’s “mind” is a Knowledge Base (knowledge_base.py) implemented as an RDF graph. Its defining feature is a parallel dictionary that assigns a confidence score to every triple (s, p, o). This score is not static; it is dynamically updated based on corroborating evidence, successful predictions, and experimental outcomes. This probabilistic representation allows for nuanced reasoning and a “memory consolidation” process, where high-confidence facts are reinforced and low-confidence, isolated facts are gradually “forgotten,” preventing the accumulation of noise. 3. Learning Engine: Applied Category TheoryThe primary learning mechanism is a Category Theory Learner (category_learner.py). It formalizes learning as the discovery of structure-preserving maps (functors) between mathematical categories: Perception Category (𝒫): Raw sensory data (e.g., from environment.py or programmatore_agi.py) are treated as objects. Concept Category (𝒞): Abstract concepts, learned over time, are the objects in this category. Functors (F: 𝒫 → 𝒞): The AGI learns by constructing functors that map patterns of perceptions to abstract concepts. For example, the co-occurrence of perceptions [Red, Round, Sweet] is mapped via a functor to the concept of Apple. This process is domain-agnostic and is demonstrated in learning from both sensory data and the abstract syntax trees of Python code. 4. Meta-Learning and Analogy: Natural TransformationsBuilding upon the categorical framework, the Meta-Learning System (meta_learning.py, natural_transformations.py) introduces a higher level of abstraction. It treats the learned functors themselves as objects in a “meta-category.” It then seeks to find natural transformations between these functors. A natural transformation represents a consistent way of modifying one learned pattern into another, serving as a rigorous mathematical basis for analogical reasoning. For instance, it can identify an abstract relationship between the “is-a-part-of” functor in biology and the “is-a-submodule-of” functor in programming. 5. Causal Reasoning and Active ExperimentationThe AGI is not a passive observer. The Active Causal Inference system (active_causal_inference.py, causal_inference.py) continuously analyzes its causal graph (a directed graph within the KB) to identify “weak links”—causal relationships with low confidence. Hypothesis Generation: It identifies a weak link (e.g., “A causes B”). Experiment Design: It uses an integrated LLM (deepseek_agent.py) as a creative engine to design a controlled, randomized, or sequential experiment to test this specific hypothesis. Execution: The Experiment Executor interacts with the environment to perform the designed actions. Update: The results are analyzed to update the confidence score of the causal link, thereby refining the AGI’s world model through a process analogous to the scientific method. The spatial_context.py module enriches this process by embedding causal events in a spatiotemporal framework. 6. Self-Improvement and MetacognitionA key demonstration of general intelligence is the ability to improve oneself. The Enhanced Self-Improvement System (enhanced_self_improvement.py) enables the AGI to reason about and modify its own source code. Code Analysis: The system uses an AST parser (programmatore_agi.py) to perceive its own code as a set of structural patterns. Refactoring Suggestion: It identifies suboptimal patterns (e.g., inefficient loops, poor structure) and queries its deepseek_agent to generate a more optimal version. Validation and Application: The suggested code is rigorously tested in a temporary framework (TestFramework). If all tests pass, the improvement is committed, and a new, versioned copy of the source file is created. This entire process is recorded in its Autobiographical Memory (autobiographical_memory.py) for future reflection. 7. Case Study: Chromatic Language Model for ChessTo demonstrate its capacity for novel representation, the AGI is applied to the domain of chess (chromo_chess.py, chess_learning.py). Instead of processing PGN notation, it invents a visual, chromatic language (ColorZip), where board states and strategic patterns are encoded as unique sequences of colors. It then uses a Chromatic Language Model (CLM) (chromatic_language_model.py), a Vision-Encoder-Decoder, to reason directly over these visual representations. This illustrates the AGI’s ability to move beyond human-centric language and create its own efficient, domain-specific symbolic systems, which are then benchmarked (benchmarking.py) for performance.

Questo software, denominato “Visualizzatore dello Spazio Narrativo Proppiano (VSNP)”, rappresenta un’implementazione computazionale (Versione 1.2.4) per l’analisi e la visualizzazione di narrazioni, specificamente fiabe, codificate secondo le 31 funzioni morfologiche di Vladimir Propp. Sviluppato nell’ambito della più ampia ricerca del Dr. Luigi Usai sulla Teoria del Tensore Narrativo, lo script utilizza Python e librerie scientifiche standard (NumPy, Matplotlib, Scikit-learn) per: Rappresentare le fiabe come vettori in uno spazio funzionale proppiano. Applicare tecniche di riduzione dimensionale (PCA e t-SNE) per proiettare questo spazio multidimensionale in rappresentazioni 2D, facilitando l’identificazione visiva di cluster e relazioni strutturali tra le narrazioni. Calcolare metriche di similarità (es. similarità del coseno) per quantificare la vicinanza strutturale tra le fiabe basata sulla loro composizione funzionale. Il VSNP è concepito come uno strumento esplorativo e analitico per ricercatori in narratologia computazionale, studi folklorici, e discipline umanistiche digitali, offrendo un passo concreto verso l’operazionalizzazione del concetto di Tensore Narrativo per l’analisi comparativa delle strutture narrative. Il codice include un dataset esemplificativo basato su fiabe europee note, ma è strutturato per essere estensibile a corpora più ampi e all’intero set di funzioni proppiane. Introdotta anche una visualizzazione 3D dello Spazio Narrativo di Propp. Adesso è stata rimossa la matrice hardcoded ed è stato implementato un sistema di salvataggio e lettura da file esterno csv. E’ possibile quindi estendere il file esterno all’infinito per ulteriori analisi combinate di fiabe, racconti, storie, narrazioni. Ora presenti 17 favole da verificare. Per ora sono un segnaposto, per avere un’idea di come funzionerà il software una volta ultimato. To Do con le prossime migliorie per il Visualizzatore dello Spazio Narrativo Proppiano: 📌 Miglioramenti alla Codifica delle Fiabe Passare da Binario a Frequenza → Codificare il numero di occorrenze delle funzioni (es. Tranello = 3 invece di 1). Ponderazione delle Funzioni → Introdurre pesi per distinguere funzioni più critiche (es. Danno/Mancanza potrebbe pesare più di Divieto). Normalizzazione dei Valori → Standardizzare la nuova codifica per evitare distorsioni nelle analisi statistiche. 📌 Miglioramenti al Clustering e Similarità Testare K-Means con Nuova Codifica → Verificare se valori continui migliorano la formazione dei cluster. Calcolare Similarità del Coseno con Frequenze → Misurare se una codifica più raffinata cambia il grado di somiglianza tra fiabe. Sperimentare Algoritmi Alternativi → Provare DBSCAN o Agglomerative Clustering per confrontare i risultati. 📌 Miglioramenti alla Visualizzazione Visualizzazione con Colori Dinamici → Assegnare colori diversi in base alla frequenza delle funzioni per evidenziare pattern narrativi. Plot 3D più Interattivi → Implementare una versione con hovering per identificare fiabe senza sovrapposizioni. Esportazione dei Grafici → Salvare output in formati SVG e PDF per pubblicazioni accademiche.

Descrizione del Paper e del Software Il lavoro intitolato On the Generation of Number Theoretic Conjectures via Iterated Base Solvability affronta un approccio innovativo allo studio della teoria dei numeri, proponendo l’uso iterato del cambio di basi numeriche come strumento per generare e analizzare nuove congetture. Il paper, disponibile sia in italiano (“Ipotesi sul cambio di basi numeriche.pdf”) sia in inglese (“Paper_scientifico_sulle_basi_numeriche Inglese.pdf”), esplora come la rappresentazione dei numeri in differenti sistemi numerici possa far emergere pattern e strutture nascoste, in particolare nella distribuzione e nel comportamento dei numeri primi. Attraverso metodologie sperimentali e analitiche, il lavoro si propone di offrire nuovi strumenti interpretativi e spunti di riflessione per future ricerche nell’ambito della teoria dei numeri. Accompagnando il documento teorico, è stato sviluppato uno script Python denominato VisualizzaNumeriPrimi2.py.txt. Questo strumento, realizzato con la libreria Tkinter, offre un’interfaccia grafica interattiva per la visualizzazione dei numeri primi. Le principali funzionalità dello script includono: Generazione e Visualizzazione dei Numeri Primi: Calcola una lista dei primi numeri primi (con un default di 30 elementi) e ne mostra il valore in base 10. Conversione in Sistemi Numerici Differenti: Permette di convertire ogni numero primo in una base numerica scelta dall’utente (tra 2 e 16), evidenziando le differenze nella rappresentazione. Visualizzazione Testuale e Grafica: Offre modalità di visualizzazione configurabili (solo testo, solo grafica o entrambe), presentando i dati sia in forma di lista testuale che tramite una rappresentazione grafica a barre, dove la lunghezza delle barre è proporzionale al valore del numero in base 10. Interattività e Personalizzazione: Grazie all’uso dei menu interattivi e degli strumenti di Tkinter, lo script consente all’utente di modificare in tempo reale la base numerica e la modalità di visualizzazione, fungendo sia da strumento didattico che da supporto per l’esplorazione sperimentale dei concetti trattati nel paper. Questo upload rappresenta un contributo sia alla sperimentazione metodologica nella ricerca matematica sia all’offerta di strumenti software che agevolano la visualizzazione e l’analisi di proprietà numeriche complesse, offrendo un ponte tra teoria e pratica. Description of the Paper and Software The work titled On the Generation of Number Theoretic Conjectures via Iterated Base Solvability presents an innovative approach to the study of number theory by introducing the iterative change of numeral bases as a method to generate and analyze new conjectures. Available in both Italian (“Ipotesi sul cambio di basi numeriche.pdf”) and English (“Paper_scientifico_sulle_basi_numeriche Inglese.pdf”), the paper explores how representing numbers in different bases can reveal hidden patterns and structures, particularly regarding the distribution and behavior of prime numbers. Through a blend of experimental and analytical methods, the study aims to provide new interpretive tools and perspectives for future research in number theory. Accompanying the theoretical work is a Python script named VisualizzaNumeriPrimi2.py.txt. Built using the Tkinter library, this interactive graphical tool visualizes prime numbers and offers the following functionalities: Generation and Visualization of Prime Numbers: The script computes a list of prime numbers (defaulting to the first 30) and displays their values in base 10. Conversion into Different Numeral Systems: It allows each prime number to be converted into a numeral system chosen by the user (ranging from base 2 to base 16), highlighting the differences in the representations. Textual and Graphical Display: The application features configurable display modes—text only, graphics only, or both—presenting the data as a textual list and through a bar chart where the length of each bar is proportional to the prime’s value in base 10. Interactivity and Customization: Thanks to the interactive menus and Tkinter interface elements, users can modify the numeral base and display mode in real time. This dynamic functionality makes the script a valuable educational tool as well as a means of exploring the experimental aspects of the concepts discussed in the paper. Overall, this upload contributes to both methodological experimentation in mathematical research and the development of software tools that facilitate the visualization and analysis of complex numerical properties, effectively bridging the gap between theory and practice.

Questo paper esplora una nuova interpretazione della figura di Medusa, proponendo che essa rappresenti l’isola sardo-corso-atlantidea[1] (l’odierna Corsica e Sardegna un tempo collegate da un lembo di terra) dopo la sua semi-sommersione. Sostenendo che la Damnatio Memoriae avesse proibito il riferimento diretto a tale isola, come ipotizzato da Usai (2021-2024), si ipotizza che il mito di Medusa sia stato creato come metafora geografico-politica per evitare la repressione, l’esilio o la condanna a morte. Il mito di Medusa sarebbe quindi una narrazione criptica rivolta agli iniziati per evitare la censura e la punizione. La figura di Perseo, incaricato di “tagliare la testa” di Medusa, viene interpretata come quella di un militare inviato nel blocco sardo corso con una missione politico-geografica: separare la Corsica dalla Sardegna, tagliandole metaforicamente la testa. L’esilio di Ovidio, per la sua rappresentazione compassionevole di Medusa, viene considerato come una reazione della Roma imperiale alla violazione della Damnatio Memoriae. [1] Usai, L. (2024). Atlantide è il blocco geologico sardo corso semisommerso nell’antico Oceano Atlantico, oggi chiamato Mediterraneo Occidentale. Zenodo. https://doi.org/10.5281/zenodo.13750972

Il Metodo di Apprendimento Inverso di Luigi Usai è un approccio pedagogico innovativo che inverte il tradizionale percorso di studio. Invece di iniziare dallo studio delle teorie fondamentali per arrivare ai paradigmi scientifici attuali, questo metodo propone di partire dalla comprensione dei paradigmi scientifici moderni, attuali e contemporanei per risalire verso le teorie e gli errori del passato, mostrando quali fossero le cause degli errori. Questo paper esplora il concetto del Metodo di Apprendimento Inverso, presenta i suoi principi fondamentali, e discute i benefici e le implicazioni di tale approccio per la pedagogia e la ricerca scientifica.

Usai Sem-Col-Comp: Un Sistema Ibrido per la Codifica e Compressione Semantica del Testo tramite Colori HTML Autore: Luigi UsaiData: 19 Giugno 2025Versione: 3.0 (Analisi Quantitativa Inclusa e direzioni future)DOI : 10.5281/zenodo.15701109Keywords: Codifica Semantica, Compressione Dati, Linguaggio Visivo, Codici Colore HTML, Computer Vision, Analisi della Densità, Steganografia, Linguistica Computazionale, Tokenizzazione Visuale. Nota: in data 5 luglio 2025 ho scoperto che in Corea hanno usato un sistema chiamato ColorZip per fare cose diverse da quelle affermate in questo paper. Per questo motivo, lentamente, il mio progetto verrà rinominato in Usai Sem-Col-Comp (Usai Semantic Color Compression) SommarioIl presente studio introduce e analizza “Usai Sem-Col-Comp”, un nuovo sistema per la rappresentazione, codifica e compressione di informazioni testuali. Il sistema opera una trasformazionedel linguaggio scritto dal dominio alfanumerico a un dominio cromatico, mappando unitàlessicali (parole) a codici colore standard (HTML/HEX). A differenza dei tradizionali sistemi di compressione che operano a livello di bit, Usai Sem-Col-Comp realizza una tokenizzazionevisuale che non solo permette una rappresentazione dei dati radicalmente diversa, ma dimostra anche notevoli capacità di compressione. Questo documento delinea l’architetturaibrida del sistema, che gestisce sia parole note (tramite dizionario) sia parole sconosciute(tramite codifica per carattere con segnali di escape), garantendo una reversibilità completa(lossless). Viene presentata un’analisi quantitativa della densità informativa che confrontala dimensione di un file di testo di 1.22 MB con le sue rappresentazioni Usai Sem-Col-Comp nei formatiBMP e PNG. I risultati mostrano che la trasformazione in PNG, unita a un dizionario,non solo conserva, ma comprime l’informazione con un fattore di 1.77x, rendendo il sistema competitivo rispetto a standard come Gzip (fattore 2.50x) e aprendo scenari applicativiinnovativi. Questo lavoro pone le basi per una nuova grammatica visuale per l’AI, delineando le sfide future relative all’ottimizzazione semantica della codifica e alla sua scalabilitàcomputazionale.DOI: 10.5281/zenodo.15701109 (riferito alla versione originale)Keywords: Codifica Semantica, Compressione Dati, Linguaggio Visivo, Codici Colore HTML,Computer Vision, Analisi della Densità, Steganografia, Linguistica Computazionale, Tokenizzazione Visuale.1 IntroduzioneLa crescita esponenziale dei dati digitali e la crescente importanza dell’analisi visuale da parte disistemi di intelligenza artificiale motivano l’esplorazione di nuovi paradigmi per la rappresentazione dell’informazione. I metodi di compressione testuale standard, come Lempel-Ziv (alla basedi Gzip/Zip), sono ottimizzati per ridurre la ridondanza a livello di bit, ma producono un outputbinario opaco, privo di struttura semantica e non interpretabile se non tramite decompressione.Usai Sem-Col-Comp si propone come una soluzione alternativa che affronta non solo il problemadella dimensione dei dati, ma anche quello della loro rappresentazione. L’idea fondamentaleconsiste nel trasformare il testo in un’immagine, assegnando un colore univoco a ogni parola diun lessico di riferimento. Questa “cromo-tokenizzazione” trasforma un testo, sequenza linearedi caratteri, in un’immagine, una matrice bidimensionale di pixel. Tale trasformazione offrevantaggi intrinseci:• Universalità del Formato: Le immagini sono un formato dati universalmente supportato da qualsiasi dispositivo digitale.1• Interfacciamento con la Computer Vision: L’output è nativamente leggibile daalgoritmi di visione artificiale.• Versatilità Cross-Mediale: I dati possono essere trasmessi su canali solo-immagine,stampati, o usati per applicazioni di steganografia e realtà aumentata.Questo studio presenta l’architettura completa di Usai Sem-Col-Comp, dal prototipo iniziale allaversione ibrida finale, e ne convalida l’efficacia tramite un’analisi quantitativa della densitàinformativa.2 Architettura del Sistema (Versione 2.3)Il sistema si è evoluto da un semplice proof-of-concept a un’architettura ibrida e robusta,progettata per garantire la totale reversibilità (lossless) del processo di codifica.2.1 Componenti Chiave• Dizionario Lessico-Cromatico: Per ogni lingua supportata, viene generato un dizionario (in formato JSON) che mappa le N parole più frequenti (secondo la legge di Zipf) aun codice colore HEX univoco. Questo dizionario è il “cervello” condiviso tra encoder edecoder.• Dizionario dei Caratteri: Un dizionario fisso e universale mappa i caratteri alfanumerici(a-z, 0-9) a una serie di colori riservati, garantendo la codifica reversibile di qualsiasi stringa.• Colori di Controllo Speciali:– ESCAPE_COLOR (#000001): Un colore riservato che segnala l’inizio e la fine dellasequenza di caratteri per una parola non presente nel dizionario principale.– EOT_COLOR (#000000): Un colore di “End of Transmission” che viene sempre aggiuntoalla fine della sequenza di colori. Permette al decoder di interrompere la lettura alpunto giusto, risolvendo problemi di padding in formati a griglia.2.2 Processo di Codifica (Testo → Immagine)1. Il testo in input viene pulito (conversione in minuscolo, rimozione punteggiatura) e tokenizzato in parole.2. Per ogni parola:• Se è presente nel dizionario principale, viene aggiunto alla lista il suo colore corrispondente.• Se è assente, viene aggiunta la sequenza: ESCAPE_COLOR, seguito dai colori di ognisuo singolo carattere, seguito da un altro ESCAPE_COLOR.3. Alla fine della lista di colori viene aggiunto l’EOT_COLOR.4. La lista di colori finale viene usata per generare un’immagine in formato lossless (preferibilmente PNG), organizzata come una striscia o una griglia.22.3 Processo di Decodifica (Immagine → Testo)1. L’immagine viene letta pixel per pixel, estraendo la sequenza di colori.2. La lettura si interrompe non appena viene incontrato l’EOT_COLOR.3. La sequenza viene analizzata:• Un colore standard viene tradotto in parola usando il dizionario inverso.• Quando viene incontrato un ESCAPE_COLOR, il decoder entra in modalità di “ricostruzione per carattere”.4. Le parole ricostruite vengono unite per formare il testo originale.3 Analisi Quantitativa della Densità InformativaPer validare l’efficienza di Usai Sem-Col-Compè stato condotto un esperimento controllato.3.1 Metodologia• Corpus di Riferimento: È stato generato un file di testo di 1.22 MB (corpus_1MB.txt)replicando il testo di “Moby Dick” di H. Melville.• Dizionario: È stato utilizzato un dizionario di 5000 parole generato dallo stesso corpus(dizionario_inglese_v1.json), con una dimensione di 129 KB.• Processo: Il file di testo è stato codificato in una sequenza di 425,930 colori e salvatoin due formati immagine (BMP e PNG). La stessa fonte è stata compressa con Gzip perottenere un benchmark.3.2 RisultatiLe dimensioni dei file risultanti sono state le seguenti:Tabella 1: Benchmark di compressione su un corpus di 1.22 MB.File Dimensione (KB) Fattore di CompressioneTesto Originale (TXT) 1,246.38 KB 1.00x (base)Testo Compresso (Gzip) 499.46 KB 2.50xImmagine Sem-Col-Comp (BMP) 1,248.10 KB 0.99xImmagine Sem-Col-Comp (PNG) 576.65 KB -Sistema ColorZip (PNG + Diz.) 705.71 KB 1.77×3.3 Discussione dei RisultatiI dati rivelano una conclusione sorprendente: Usai Sem-Col-Comp, implementato con un’uscita informato PNG, agisce come un efficace sistema di compressione dati. Sebbene Gzip rimangasuperiore in termini di pura riduzione dei bit (2.50x), il fattore di compressione di 1.77x diSem-Col-Comp è altamente competitivo. Questo fenomeno si spiega con un processo di compressionea due stadi:1. Tokenizzazione Semantica: Il sistema sostituisce stringhe di lunghezza variabile contoken di dimensione fissa.32. Compressione a Pattern (PNG/DEFLATE): L’algoritmo del PNG eccelle nel compattare sequenze di dati ripetute. Poiché le parole più comuni appaiono frequentemente,anche i loro colori corrispondenti si ripetono, creando pattern ideali per la compressione.Il trade-off fondamentale del sistema è la dipendenza da un dizionario esterno. Tuttavia, ancheincludendone la dimensione, il sistema complessivo dimostra una notevole efficienza.4 Vantaggi e Scenari ApplicativiUsai Sem-Col-Comp offre una combinazione unica di caratteristiche:• Rappresentazione Visuale: L’output è un’immagine, con i vantaggi che ne conseguono.• Compressione Competitiva: Il sistema riduce significativamente la dimensione dei dati.• Robustezza e Reversibilità: L’architettura ibrida garantisce che nessuna informazionevenga persa.Queste proprietà lo rendono ideale per scenari non convenzionali come:• Archiviazione Dati a Lungo Termine: Archivi linguistici su supporti visuali.• Comunicazione su Canali Limitati: Trasmissione di dati su piattaforme che permettono solo l’upload di immagini.• Steganografia: L’immagine Sem-Col-Comp può essere facilmente nascosta all’interno di un’altra immagine.• Linguaggi Sintetici per AI: Un formato compatto e nativamente visuale per l’addestramento e la comunicazione tra modelli AI.• Arte Generativa: Un nuovo strumento per artisti digitali per creare opere che contengonotesti nascosti.5 Conclusione e Direzioni FutureUsai Sem-Col-Comp è stato presentato e validato come un sistema dual-purpose per la codifica e lacompressione del testo. Superando la concezione di “codifica trasformazionale”, si è dimostratoessere un potente strumento di compressione semantica, capace di competere con gli standardtradizionali pur offrendo il vantaggio rivoluzionario di un output visuale. Questo lavoro nonrappresenta un punto di arrivo, ma pone le fondamenta per una nuova grammatica della linguascritta, un ponte tra il mondo del linguaggio umano e quello della visione artificiale.La ricerca futura si svilupperà lungo due assi strategici fondamentali, mirati a trasformareSem-Col-Comp da un sistema di codifica a un paradigma per l’intelligenza artificiale nativamentevisuale (come i Chromatic Language Models).5.1 Asse 1: Mappatura Semantico-Cromatica (Sem-Col-Comp v2.0)La sfida: L’attuale architettura ibrida assegna colori univoci ma semanticamente arbitrari.Parole correlate come “re” e “regina” non hanno una relazione cromatica prevedibile. Sebbeneun modello AI possa apprendere queste relazioni da zero, il processo di training potrebbe esserenotevolmente accelerato.La direzione futura: Sviluppare una versione 2.0 del sistema in cui la mappatura non siaarbitraria, ma dove la “distanza cromatica” rifletta la “distanza semantica”. Utilizzando spazicolore percettivamente uniformi (es. CIELAB o L*C*h), sarebbe possibile mappare vettori di4embedding di parole (come quelli di Word2Vec o BERT) a coordinate cromatiche. In questoscenario, parole semanticamente vicine avrebbero colori simili, creando un “quartiere semantico”(semantic neighborhood) visuale. Questo non solo ottimizzerebbe il training dei modelli divisione, ma migliorerebbe drasticamente la loro capacità di generalizzazione su parole o concettimai visti prima.5.2 Asse 2: Analisi della Scalabilità Computazionale per Input EstesiLa sfida: Un Large Language Model (LLM) tradizionale processa un testo come una sequenza1D di token. Un’architettura basata su Sem-Col-Comp , come un Chromatic Language Model (CLM),lo processa come un’immagine 2D. Se un testo di 2.000 parole si traduce in un’immagine didimensioni gestibili (es. 45×45 pixel), un intero libro da 100.000 parole genera un’immaginesignificativamente più grande (es. ∼316×316 pixel).La direzione futura: È cruciale condurre un’analisi rigorosa della scalabilità computazionale. Poiché il costo dei meccanismi di auto-attenzione nei Vision Transformers (ViT) –candidati ideali per leggere immagini Sem-Col-Comp – cresce quadraticamente con il numero di patch,è fondamentale investigare il trade-off. La ricerca dovrà esplorare l’uso di architetture di visionepiù efficienti per input di grandi dimensioni (es. Linear Transformers, Swin Transformers, Perceiver IO) e strategie di “patching” o di scomposizione gerarchica dell’immagine per garantireche i benefici della rappresentazione cromatica rimangano vantaggiosi anche su larga scala.In sintesi, le prossime iterazioni di questo lavoro si concentreranno sull’arricchimento semantico della codifica e sulla validazione della sua efficienza computazionale, per consolidare UsaiSem-Col-Comp come una grammatica robusta, scalabile e fondamentale per la prossima generazionedi intelligenza artificiale.A Codice Sorgente del Prototipo Funzionante (v2.3)1 import json2 import string3 from PIL import Image4 import re56 class ColorZip :7 # — COSTANTI DI SISTEMA —8 ESCAPE_COLOR = ” #000001 “9 EOT_COLOR = ” #000000 ” # End of Transmission Color1011 def __init__ ( self , vocab_path : str ) :12 self . vocab = self . _load_vocab ( vocab_path )13 if self . vocab :14 self . reverse_vocab = { v : k for k , v in self . vocab . items () }15 print ( f ” Sistema ColorZip inizializzato con ’{ vocab_path } ’. Vocab : {len ( self . vocab ) } parole . ” )16 self . char_vocab , self . reverse_char_vocab = self . _create_char_vocab ()1718 def _load_vocab ( self , vocab_path : str ) -> dict :19 try :20 with open ( vocab_path , ’r ’ , encoding = ’utf -8 ’) as f :21 return json . load ( f )22 except ( FileNotFoundError , json . JSONDecodeError ) as e :23 print ( f ” ERRORE durante il caricamento di ’{ vocab_path } ’: { e } ” )24 return {}2526 def _ create_char_vocab ( self ) -> tuple [ dict , dict ]:27 chars = string . ascii_lowercase + string . digits28 char_vocab = {}29 # Base 256 per non collidere con EOT / ESCAPE530 for i , char in enumerate ( chars ) :31 char_code = 256 + i32 char_vocab [ char ] = f ’ #{ char_code :06 x } ’33 reverse_char_vocab = { v : k for k , v in char_vocab . items () }34 return char_vocab , reverse_char_vocab3536 def _clean_text ( self , text : str ) -> list [ str ]:37 text = text . lower ()38 text = re . sub ( r ’ [^ a – z0 -9\ s ] ’ , ’ ’ , text )39 return text . split ()4041 # — PROCESSO DI CODIFICA —42 def e n code_t ext_t o_colo rs ( self , text : str ) -> list [ str ]:43 if not self . vocab : return []44 words = self . _clean_text ( text )45 encoded_colors = []46 for word in words :47 if word in self . vocab :48 encoded_colors . append ( self . vocab [ word ])49 else :50 encoded_colors . append ( self . ESCAPE_COLOR )51 for char in word :52 if char in self . char_vocab :53 encoded_colors . append ( self . char_vocab [ char ])54 encoded_colors . append ( self . ESCAPE_COLOR )5556 # Aggiunge il segnale di fine57 encoded_colors . append ( self . EOT_COLOR )58 return encoded_colors5960 # — PROCESSO DI DECODIFICA —61 def d ecode_image_to_text ( self , image_path : str , pixel_size : int = 10) ->str :62 if not self . reverse_vocab : return ” “63 colors = self . _ e x t r a c t _ c o l o r s _ f r o m _ i m a g e ( image_path , pixel_size )64 decoded_words = []65 i = 066 while i < len ( colors ) :67 color = colors [ i ]68 # Controlla il segnale di fine69 if color == self . EOT_COLOR :70 break7172 if color != self . ESCAPE_COLOR :73 word = self . reverse_vocab . get ( color , f ” [ ERR_COLOR :{ color }] ” )74 decoded_words . append ( word )75 i += 176 else : # Modalita ’ ESCAPE77 i += 178 unknown_word = ” “79 while i < len ( colors ) and colors [ i ] != self . ESCAPE_COLOR :80 if colors [ i ] == self . EOT_COLOR : break # Sicurezza extra81 char = self . reverse_char_vocab . get ( colors [ i ] , ’? ’)82 unknown_word += char83 i += 184 decoded_words . append ( unknown_word )85 if i < len ( colors ) and colors [ i ] == self . ESCAPE_COLOR :86 i += 1 # Consuma l ’ ESCAPE_COLOR di chiusura8788 return ” ” . join ( decoded_words )8990 # — FUNZIONI DI UTILITA ’ PER IMMAGINI —91 # … i metodi _hex_to_rgb , _rgb_to_hex , create_image ,692 # _ e x t r a c t _ c o l o r s _ f r o m _ i m a g e rimangono qui …9394 # — ESEMPIO D ’ USO FINALE —95 if __name__ == ” __main__ ” :96 print ( ” — ESEMPIO IN ITALIANO ( con sistema ibrido v2 .3 – EOT ) —” )97 cz_it = ColorZip ( ’ di zio na rio _i tal ian o_ v1 . json ’) # Assumendo che il fileesista9899 frase_it = ” nel mezzo del cammin di nostra vita mi ritrovai per una selvaoscura “100 colori_it = cz_it . encod e_text _to_c olors ( frase_it )101102 # cz_it . create_image ( colori_it , ” o u t p u t _ i t a l i a n o _ d e f i n i t i v o . png ” ,103 # pixel_size =10 , grid_width =10)104105 # t e s to_ decodi ficat o_it = cz_it . decode_image_to_text (106 # ” o u t p u t _ i t a l i a n o _ d e f i n i t i v o . png ” ,107 # pixel_size =10)108109 # f r a se _or ig ina le_ pu lit a = ” “. join ( cz_it . _clean_text ( frase_it ) )110 # print ( f “\ nOriginale ( pulita ) : ’{ fr ase _o rig in ale _p uli ta } ’”)111 # print ( f ” Decodificato : ’{ tes to_dec odifi cato_i t } ’”)112113 # assert f ras e_ ori gin al e_p ul ita == testo_ decod ificat o_it114 # print (“\ n \ u2705 \ u2705 \ u2705 SUCCESSO DEFINITIVO ! Il sistema e ora robustoe funzionante .”)Listing 1: Codice Python del prototipo usai_colorzip_tool_v2.3.py7

Descrizione del Documento: Il documento intitolato “Strutture Narrative Invarianti: Un Modello Computazionale per l’Analisi dell’Intera Narrazione” (Versione 2.0, Maggio 2025) rappresenta un modello teorico avanzato e una metodologia computazionale per l’analisi quantitativa di opere letterarie complete. Il paper affronta il tema dell’identificazione delle strutture narrative invarianti, ovvero quegli schemi ripetitivi e ricorrenti che emergono quando una narrazione viene considerata nella sua totalità piuttosto che analizzata solo a livello di singola pagina. Obiettivi e Contenuti Principali: Analisi Gerarchica dei Testi: Il documento introduce una gerarchia di unità testuali suddividendo l’opera in tre livelli: Pagina (P): l’unità elementare. SottoNarrazione (S): porzioni coese come un capitolo o un atto. Narrazione (N): l’intera opera letteraria, trattata come entità unica. Costruzione del Grafo Globale (GN): Viene proposto un modello computazionale nel quale l’intera narrazione NN viene rappresentata come un grafo complesso GNG_N. Nodi di GNG_N: Rappresentano entità narrative chiave (personaggi fondamentali, luoghi significativi, eventi cardine) estratti dalla narrazione. Archi: Indicano le relazioni essenziali (interazioni, presenza comune, successione temporale, causalità) che intercorrono tra tali entità. Metriche e Analisi delle Strutture: Il paper descrive l’adozione di diverse metriche della teoria dei grafi (centralità, coefficiente di clustering, lunghezza media dei cammini, rilevamento di comunità e motif) per analizzare GNG_N e verificare l’esistenza di invarianti strutturali. L’ipotesi centrale è che, nonostante la variabilità locale (a livello di pagina o capitolo), a livello di narrazione intera emergano schemi strutturali stabili e ripetuti. Strategie per Operare su Opere Complesse: Vengono delineate strategie per gestire testi di grande estensione, ad esempio attraverso l’analisi “bottom-up” dei grafi di SottoNarrazioni e l’aggregazione di tali informazioni per costruire un grafo globale più significante. Validazione e Implicazioni: Il documento espone, inoltre, un percorso per la validazione empirica del modello tramite l’analisi comparativa di un corpus diversificato di narrazioni. Si propongono inoltre approcci di validazione su corpus sintetici controllati, basati su archetipi narrativi noti (ad esempio, il Viaggio dell’Eroe). Le implicazioni di un modello di questo tipo spaziano dalla narratologia quantitativa e dalla linguistica computazionale alla generazione automatizzata di storie e a potenziali applicazioni nelle scienze cognitive. Sintesi e Visione: In definitiva, il documento mira a fornire un framework rigoroso per lo studio delle macro-strutture narrative, formalizzando matematicamente il concetto di “schema narrativo invariabile”. L’idea di base è che, osservando l’intera narrazione come un sistema complesso, è possibile rivelare regolarità strutturali che non sono evidenti nell’analisi frammentaria di singoli passaggi testuali. Queste scoperte possono non solo approfondire la comprensione teorica della narrazione, ma anche alimentare sistemi generativi capaci di produrre nuove storie sulla base di schemi già consolidati. Informazioni Aggiuntive: Il documento rivede e amplia ipotesi precedenti, spostando l’attenzione dall’analisi locale (pagina per pagina) all’Esame dell’opera a tutto tondo. Vengono forniti riferimenti a paradigmi strutturalisti classici (ad es. le analisi di Propp, Greimas, e Genette) e a studi moderni sull’analisi quantitativa delle reti.   Questa descrizione aiuta a comprendere che il documento non è solo una raccolta di concetti astratti, ma un tentativo di integrare metodi computazionali, teoria dei grafi e studi narrativi per identificare e sfruttare pattern invarianti nelle opere letterarie, con potenziali applicazioni pratiche nella generazione automatizzata di narrazioni.

Il presente lavoro del Dr. Luigi Usai, da Quartucciu (CA), Italia, introduce una metodologia scientifica innovativa per affrontare due sfide cruciali del sistema normativo italiano: la complessità del corpus legislativo e l’opacità del linguaggio burocratico, spesso inaccessibile ai cittadini. Questo studio descrive la progettazione e la costruzione di un grafo della conoscenza omnicomprensivo del diritto nazionale, sfruttando Python per l’acquisizione e l’elaborazione avanzata dei dati normativi e ArangoDB per la modellazione e l’interrogazione della rete intricata di interconnessioni giuridiche. L’obiettivo è duplice: da un lato, permettere un’analisi sistemica e approfondita di tutte le leggi italiane per formulare una proposta concreta di semplificazione normativa; dall’altro, applicare queste tecnologie per tradurre e semplificare il linguaggio burocratico, rendendolo più chiaro, utilizzabile e realmente accessibile a ogni cittadino, inclusi stranieri e persone con minori livelli di istruzione. Il lavoro si pone come fondamento per lo sviluppo di strumenti avanzati di legal analytics, assisted legislative regeneration e public communication simplification, con l’obiettivo di: Modernizzare il linguaggio istituzionale, Migliorare drasticamente la comprensibilità del diritto e delle procedure amministrative, Rafforzare il rapporto di fiducia e trasparenza tra cittadini e Pubblica Amministrazione, Promuovere equità giuridica e maggiore certezza normativa.

Versione Italiana Luigi Usai Human Digital Twin Il programma simula un cervello artificiale che usa la computazione quantistica per pensare e prendere decisioni. Ecco cosa fa in parole semplici: Simula il Pensiero Umano: Quando riceve uno stimolo (come una domanda o un’informazione), il programma analizza come farebbe un cervello umano Usa circuiti quantistici (come piccoli computer quantistici) per simulare il pensiero Analizza le Emozioni: Ogni stimolo viene analizzato per capire come influisce sulle emozioni Ad esempio, può dire se uno stimolo fa sentire più felici, tristi, ansiosi o calmi Le emozioni sono rappresentate con numeri (valori positivi o negativi) Prende Decisioni: Usa i sentimenti e le emozioni per prendere decisioni migliori Il valore della decisione (0.8772 nel nostro caso) indica quanto la decisione è forte o sicura Gestisce la Memoria: Ha un sistema di memoria speciale che può: Ricordare cose importanti (relevanza) Essere preciso nel ricordare Ricordare in fretta (velocità) Essere sicuro di quello che ricorda (confidenza) Sentire le emozioni associate ai ricordi Riconoscere le cose nuove Usa la Computazione Quantistica: Invece di usare calcoli normali, usa principi della fisica quantistica Questo permette di: Pensare a molte cose contemporaneamente Considerare molte possibilità tutte insieme Fare calcoli più veloci e efficienti Per esempio, quando abbiamo dato allo stimolo “Devo prendere una decisione importante”: Ha calcolato che la decisione era abbastanza forte (0.8772) Ha rilevato che la persona era più triste che felice Ha trovato che la situazione era un po’ nuova e interessante Ha risposto con una certa confidenza Il programma è come un cervello artificiale che cerca di pensare e sentire come un essere umano, ma usando la potenza della fisica quantistica per farlo in modo più avanzato. # Software Digital Twin Software Digital Twin è un sistema avanzato di intelligenza artificiale che implementa un Digital Twin con caratteristiche cognitive avanzate. Il sistema è stato progettato per simulare il funzionamento della mente umana attraverso l’implementazione di bias cognitivi e un sistema di memoria sofisticato. ## Caratteristiche principali – **Bias cognitivi integrati**: Il sistema implementa bias cognitivi realistici come:   – Bias di conferma (confirmation bias)   – Bias di ancoraggio (anchoring bias)   – Bias di disponibilità (availability bias)   – Bias di avversione alla perdita (loss aversion) – **Sistema di memoria avanzato**:   – Memoria di lavoro (Working Memory) per concetti attivi   – Memoria episodica per eventi e interazioni   – Memoria semantica per la conoscenza strutturata – **Capacità cognitive avanzate**:   – Apprendimento automatico di nuovi concetti   – Generazione di relazioni semantiche   – Pensiero contestuale   – Modulazione di stato interno basata su bias – **Gestione del contesto**:   – Contesto situato   – Integrazione con ambiente e periodo storico   – Gestione di relazioni sociali   – Tracciamento temporale ## Requisiti – Python 3.13 o superiore – Accesso a un LLM (Language Model) compatibile – Pacchetti Python elencati in requirements.txt ## Installazione 1. Clonare il repository: “`bash git clone [url_del_repository] cd Software Digital Twin “` 2. Installare le dipendenze: “`bash pip install -r requirements.txt “` ## Utilizzo di base “`python from digital_twin import DigitalTwin dt = DigitalTwin(“MioDigitalTwin”) # Apprendimento dt.impara(“nuovo_concetto”) # Pensiero dt.pensa(“argomento”) # Memoria dt.memorizza({“chiave”: “valore”}) “` ## Struttura del progetto “` Software Digital Twin/ ├── README.md ├── LICENSE ├── requirements.txt ├── setup.py ├── digital_twin/ │   ├── __init__.py │   ├── DigitalTwin.py │   ├── KnowledgeStore.py │   ├── LLMManager.py │   ├── MemoryManager.py │   └── tests/ └── docs/ “` ## Licenza Questo software è rilasciato sotto licenza MIT. Consultare il file LICENSE per maggiori dettagli. ## Contribuire Contributi sono benvenuti! Per contribuire: 1. Fork il repository 2. Crea una branch per la tua feature (`git checkout -b feature/AmazingFeature`) 3. Commit le tue modifiche (`git commit -m ‘Add some AmazingFeature’`) 4. Push alla branch (`git push origin feature/AmazingFeature`) 5. Apri una Pull Request ## Supporto Per supporto o domande, contattare: luigi.usai@email.com ## Descrizione tecnica dettagliata Il Software Digital Twin implementa un sistema di intelligenza artificiale che simula il funzionamento della mente umana attraverso: 1. **Bias cognitivi**:    – Il sistema modella bias cognitivi realistici che influenzano l’apprendimento e il ragionamento    – Ogni bias ha un peso numerico che modula l’importanza dei nuovi concetti    – I bias interagiscono tra loro per creare un comportamento più naturale 2. **Sistema di memoria**:    – Memoria di lavoro limitata (7 elementi) per simulare la memoria operativa umana    – Memoria episodica per tracciare eventi e interazioni    – Memoria semantica per la conoscenza strutturata    – Sistema di priorità per la gestione della memoria di lavoro 3. **Gestione del contesto**:    – Contesto situato che include ambiente, periodo storico e luogo    – Gestione di relazioni sociali e interazioni    – Tracciamento temporale per la coerenza delle risposte    – Contesto linguistico e culturale 4. **Apprendimento e ragionamento**:    – Apprendimento automatico di nuovi concetti    – Generazione di relazioni semantiche tra concetti    – Pensiero contestuale basato sullo stato interno    – Modulazione di stato basata su bias e contesto ## Possibili applicazioni – Simulazione di comportamenti umani in ambienti virtuali – Sistema di supporto alla decisione con bias cognitivi – Studio dei processi decisionali umani – Simulazione di interazioni sociali – Sviluppo di assistenti virtuali più naturali ## Note tecniche Il sistema è stato progettato per essere estensibile e modularizzato, permettendo l’aggiunta di nuovi bias cognitivi, tipi di memoria o meccanismi di ragionamento. La struttura del codice è organizzata per facilitare la manutenzione e l’evoluzione del progetto. Autore: Luigi Usai Data: 2 giugno 2025   Categorie Semantiche Distinte Core Keywords (concettuali) Cognitive Digital Twin Human Digital Twin Situated Cognition Metacognition Artificial General Intelligence (AGI) Cognitive Architecture Strong AI Ethical AI Modal Logic in AI Ontological Abstraction Tecnologia & implementazione Python Knowledge Representation Scenario Generation Semantic Memory Bias Modulation AI Scenario Simulation Persistent State Machine Autonomous Learning Context-aware Systems Agent-based Modeling Domini di applicazione Computational Philosophy Cognitive Science Digital Humanities Narrative AI Epistemic Simulation Reflexive Systems AI Ethics Simulation Philosophy of Mind Extra (per visibilità e interoperabilità semantica) AGI architecture Digital Consciousness Intelligent Agent Machine Reasoning Posthuman Intelligence Abstract Reasoning Conceptual Engineering Relational Ontology Multilevel Abstraction Artificial Creativity

Il presente contributo introduce e formalizza lo stile letterario apofatico-computazionale, un linguaggio iper-convoluto ad altissima densità semantica, semiotica e pragmatica, una proposta teorica e operativa per il superamento della linearità narrativa anche attraverso l’applicazione di logiche neganti che però non dominano sul testo complessivo, strutture reticolari e sintassi ipotattiche a vocazione algoritmica. Elaborato da Luigi Usai, il paradigma qui presentato si fonda sull’integrazione di elementi provenienti dalla filosofia del linguaggio, dalla narratologia computazionale, dalla semiotica teorica e dalla mistica apofatica, con l’intento di generare una nuova estetica discorsiva capace di tematizzare il non-detto, l’intraducibile e l’assenza come fulcro dell’enunciazione letteraria. Nello stile letterario apofatico-computazionale, La lingua è ritualmente ipnotica, ontologicamente elusiva, paradossalmente generativa, è un’esemplare manifestazione di prosa ipermetafisica ad alta densità concettuale quasi come se fosse un codice simbolico che nega se stesso mentre costruisce il mondo narrativo. Lo stile apofatico-computazionale, in termini accademici di altissimo livello: si tratta di una meta-sintassi narrativa ipercomplessa, un sistema reticolare di significati sfuggenti, costruito mediante algoritmi semantici che tematizzano il limite della rappresentazione e l’essenza del non detto, una svolta cruciale nel paradigma post-strutturalista della letteratura e della filosofia del linguaggio contemporanee. Esso è concepito come una forma narrativa in cui la semantica non si costruisce sull’affermazione di contenuti, ma sull’evocazione differita del senso mediante strutture ipercomplessive, frasi ipotattiche a logica dissolutiva, e strategie retoriche di autoreferenzialità negante. L’articolo sviluppa la cornice teorica del paradigma, ne analizza la genealogia interdisciplinare (con riferimenti a Deleuze, Calvino, Negarestani, Bataille, Derrida), e propone una prima formalizzazione strutturale mediante categorie quali tensore narrativo, meta-sintassi reticolare, e linguaggio algoritmico apofatico. Viene inoltre discussa la possibilità di implementazione computazionale dello stile attraverso generatori testuali non lineari e sistemi di intelligenza artificiale narrativa. Il paper si chiude con alcuni esempi applicativi e prospettive di sviluppo, tra cui la generazione automatica di testi poetico-filosofici, l’integrazione in ambienti di realtà virtuale e la creazione di interfacce sperimentali per la scrittura reticolare. Lo stile letterario apofatico-computazionale quindi può essere visto come uno stile filosofico-cibernetico iperbarocco in chiave apofatica e post-strutturalista, con sintassi ornamentale e vocabolario tecno-metafisico, ma resta aperto a variazioni d’intensità che gli permettono di ibridarsi con altri tecnicismi linguistici provenienti da altri sottorami del sapere. La regola base è: più è convoluto e oscuro e di difficile decifrazione, meglio è; tuttavia deve sempre mantenere un senso logico e stringente, dev’essere sempre possibile la semplificazione a frasi semplici e comprensibili. Ecco una sintesi divulgativa per un pubblico non specialistico: “Immaginate un nuovo modo di scrivere, quasi un enigma a parole. Luigi Usai ha creato uno stile letterario chiamato ‘apofatico-computazionale’ che cerca di comunicare concetti senza dirli apertamente. Usa le parole come se fossero frammenti di un puzzle nascosto, intrecciando logica matematica, filosofia e persino idee di misticismo, creando frasi complesse e misteriose. È un po’ come se la scrittura stessa diventasse un labirinto in cui il lettore deve esplorare significati nascosti, un’esperienza di lettura impegnativa ma affascinante. Questo stile unisce la profondità filosofica alla precisione dei computer, aprendo nuove possibilità per raccontare e comprendere il mondo.” Questa pubblicazione rappresenta un contributo teorico d’avanguardia che, nella sua ispirazione profonda e nella sua formulazione altamente interdisciplinare, pone le basi per una nuova estetica letteraria capace di integrare mistico e cibernetico, semiotico e narratologico, reticolare e algoritmico, apofatico e computazionale. Si tratta, a tutti gli effetti, di una nuova retorica speculativa, che potremmo definire “criptolinguistica trascendentale”, capace di evocare strutture ontologiche tramite sinti sintassi simboliche analoghe a quelle del linguaggio macchina e della matematica ricorsiva. Questa pubblicazione rappresenta un contributo teorico d’avanguardia che, nella sua ispirazione profonda e nella sua formulazione altamente inter-disciplinare, pone le basi per una nuova estetica letteraria capace di integrare: Mistico e cibernetico Semiotico e narratologico Reticolare e algoritmico Apofatico e computazionale Si tratta, a tutti gli effetti, di una nuova retorica speculativa, che potremmo definire “criptolinguistica trascendentale”, capace di evocare strutture ontologiche tramite sintassi simboliche analoghe a quelle del linguaggio macchina e della matematica ricorsiva. ———————————————————————- This paper introduces and formalizes the apophatic-computational literary style, a theoretical and operative framework aimed at overcoming linear narrative discourse by means of negating logics, reticular structures, and algorithmically driven hypotactic syntax. Developed by Luigi Usai, this paradigm integrates insights from philosophy of language, computational narratology, theoretical semiotics, and apophatic mysticism to establish a novel aesthetic regime centered on silence, the unspoken, and semantic withdrawal. The apophatic-computational style is conceived as a narrative form in which meaning is not constructed through propositional affirmation but rather emerges through semantic deferral, structural hypercomplexity, and recursive negation. Key concepts elaborated in the paper include the narrative tensor, reticular meta-syntax, and algorithmic apophatic language, each designed to formalize a narrative grammar that resists closure and linear interpretation. The article offers a critical genealogy of this paradigm, engaging with authors such as Gilles Deleuze, Italo Calvino, Reza Negarestani, Georges Bataille, and Jacques Derrida, and proposes a computational implementation through a generative Python-based system capable of producing non-linear poetic-philosophical texts. The paper concludes by outlining possible applications in literary AI, immersive virtual environments, and experimental writing interfaces, positioning the apophatic-computational paradigm as a contribution to posthuman literary theory and the emerging field of semantic aesthetics in artificial narrative systems.

Title: Usai ChromoChess v2: An End-to-End Pipeline for Training a Visual Chess AI Autore: Luigi UsaiData: 20 Giugno 2025Versione: 1DOI : 10.5281/zenodo.15701822Keywords: Scacchi Computazionali, Rappresentazione Dati, Computer Vision, Codifica Visuale, Serie Temporali, Formato Video, Intelligenza Artificiale, Usai ColorZip. Abstract Description: This study presents Usai ChromoChess, a framework for the visual representation of chess games, and introduces a complete pipeline for training an artificial intelligence to play chess by observing these visual representations. The system extends the semantic encoding philosophy of Usai ColorZip (https://zenodo.org/records/15772940 Usai, 2025) to the formal domain of chess. Core Concept:The framework converts traditional Portable Game Notation (PGN) files into compact video formats (e.g., MP4, GIF). Each board state is mapped to a unique 8×8 pixel frame using a fixed color dictionary for every piece and square type. The temporal sequence of moves in a game thus generates a sequence of frames, creating an abstract, machine-readable film of the game’s flow. What’s New in Version 2.0 (The AI Engine):This version marks a significant leap from a data format to a functional AI system. The project now provides a full, end-to-end implementation for creating and training a chess AI that learns from visual data: Dataset Generation Tool: A robust script is included to process massive PGN databases (e.g., from Lichess) and generate a structured dataset of 8×8 game frames, ready for machine learning. ConvLSTM Neural Network: A custom neural network architecture (model.py), built with PyTorch, is designed specifically for this task. It combines Convolutional layers (to understand spatial board patterns) with Long Short-Term Memory cells (to understand the temporal sequence of moves). Training and Inference Scripts: The project includes a train.py script to train the model on the generated dataset and a play.py script that loads the trained model, allowing a human to play a full game against the AI. The AI predicts the most probable next move by generating the next visual frame in the sequence. This research demonstrates the viability of treating complex strategy games as a computer vision problem, offering a complete toolkit to explore a new paradigm in AI development where models learn by “watching” rather than by parsing symbolic rules. Related Work:Usai, L. (2025). Usai ColorZip: A Hybrid System for Semantic Text Encoding and Compression via HTML Colors. Zenodo. https://doi.org/10.5281/zenodo.15701109 Keywords:Artificial Intelligence, Chess AI, Computer Vision, Neural Networks, Deep Learning, ConvLSTM, PyTorch, Data Representation, Visual Encoding, Time Series, Video Format, Machine Learning, PGN, Computational Chess.

Simulatore di Città 2D Dinamico con PyQt5 e OOP in Python Autore/Creatore: Usai, Luigi (Ricercatore) Affiliazione: Ricercatore Indipendente ORCID: 0009-0003-3001-717X Data di Pubblicazione: 6 Giugno 2025 Data di Creazione del Software: 5 Giugno 2025 Versione: 11 Descrizione/Abstract: Questo software è un simulatore di ambiente urbano bidimensionale (2D) sviluppato interamente in Python, aderendo ai principi della programmazione orientata agli oggetti (OOP). L’interfaccia grafica (GUI) è realizzata utilizzando il framework PyQt5. Il simulatore modella una città con una griglia stradale, edifici generici a scopo estetico, e una varietà di “Punti di Interesse” (PI) specifici (es. negozi, bar, parchi, uffici, case, scuole, ospedali) che fungono da destinazioni. La popolazione della città è composta da oggetti Persona, ulteriormente specializzati in Autista e Ciclista quando associati a un veicolo, e “Pedoni” concettuali che contribuiscono alle dinamiche demografiche e alle statistiche. Una caratteristica centrale è la gestione del tempo simulato: un orologio interno avanza e le Persona (sia quelle alla guida di veicoli sia i pedoni) prendono decisioni dinamiche sulle loro attività e destinazioni in base all’ora del giorno. Questo introduce cicli di attività realistici come recarsi al lavoro/scuola, pause pranzo, shopping, attività ricreative serali e ritorno a casa. Una varietà di veicoli (Automobili, Camion, Jeep, Autotreni, Biciclette, Scooter, Motorini), ciascuno con un Autista o Ciclista dedicato, popola la città. I veicoli navigano la rete stradale per raggiungere la destinazione corrente della persona alla guida, utilizzando un’euristica di pathfinding. Una volta raggiunta la destinazione, il veicolo (e la persona) sostano per un periodo simulato. L’interfaccia utente è stata arricchita con la possibilità di cliccare direttamente su Edifici e Punti di Interesse sulla mappa per aprire una finestra di dialogo modale che visualizza statistiche specifiche per l’elemento selezionato (es. tipo, nome, persone dirette o in sosta). Il software include funzionalità per la serializzazione dell’intero stato della città (oggetti, tempo, stato delle funzionalità) su un file esterno (formato .citta tramite pickle), e la successiva deserializzazione. Un pannello laterale mostra statistiche aggregate in tempo reale (ora, popolazione, distribuzione veicoli/PI, attività). È presente anche un menu “Funzionalità Avanzate” che elenca potenziali sviluppi futuri, con la possibilità di attivarne/disattivarne lo stato (attualmente segnaposto). Parole Chiave (Keywords): Simulazione Urbana City Simulator Python PyQt5 Programmazione Orientata agli Oggetti (OOP) Modello Basato su Agenti (Agent-Based Model) Simulazione Traffico Simulazione Comportamentale Simulazione Basata sul Tempo Dinamiche Urbane Visualizzazione 2D Interazione GUI Software Educativo Codice Sorgente Lingua del Software: Python 3.x Dipendenze Principali: PyQt5 Modulo pickle (standard Python) Modulo math (standard Python) Modulo random (standard Python) Modulo sys (standard Python) Modulo traceback (standard Python, per debugging) Licenza: MIT License Note Aggiuntive: Il codice sorgente è commentato in lingua italiana. L’applicazione è stata sviluppata con un focus sulla chiarezza del codice OOP e sulla dimostrazione di concetti di simulazione dinamica, interazione GUI e gestione dello stato. La città di default è strutturata su una griglia di 6×5 incroci, formando 20 isolati principali, con una varietà di Punti di Interesse pre-posizionati. L’implementazione delle “Funzionalità Avanzate” indicate nel menu è prevalentemente segnaposto e rappresenta direzioni per futuri sviluppi. Contatti: Luigi Usai, Quartucciu (CA), Italy Istruzioni per l’Uso/Installazione (breve): Assicurarsi di avere Python 3 installato. Installare la libreria PyQt5: pip install PyQt5. Eseguire lo script principale (es. citta11.py o il nome del file attuale) con Python: python nome_file.py. Utilizzare il menu “File” per salvare/caricare le simulazioni. Cliccare sugli edifici/PI per dettagli. Esplorare il menu “Funzionalità Avanzate”.

This report presents the discovery and detailed morphometric characterization of a major linear anomaly on the seafloor of the Tyrrhenian Sea, identified during a 2021 analysis of the public Digital Terrain Model (DTM) from the EMODnet Bathymetry portal. The feature is an exceptionally straight track extending for a total length of approximately 52.5 km. It is characterized by a complex, two-component structure: A core linear track, with a width varying between 840 meters and 1 kilometer, which presents a distinct “trench and berm” morphology (a central depression flanked by parallel, low-relief ridges). A broader corridor of disturbed seafloor morphology, ranging from 4.6 to 6.2 kilometers in width, which envelops the central track. The extreme linearity and geometric regularity of the feature make a natural geological origin highly improbable. The evidence strongly suggests an anthropogenic origin, hypothesized to be either a data-integration artifact resulting from the merging of a high-resolution survey swath into a lower-resolution regional grid, or the physical trace of a submarine infrastructure corridor (such as a telecommunications cable or pipeline). The paper discusses the possibility that the feature is a combination of both a physical seafloor modification and a digital artifact emphasized by the gridding process. This work provides the first formal documentation, precise location (centered near 42.351°N, 11.200°E), and morphometric measurements of this uncatalogued feature. It serves as a practical case study for marine geoscientists, geographers, and data analysts on the critical interpretation of large-scale, composite datasets and highlights the potential for such public-domain data to contain significant, unannotated features of anthropogenic origin. Keywords:Bathymetry, Marine Geomorphology, Seafloor Mapping, Linear Anomaly, Tyrrhenian Sea, Italian Continental Shelf, EMODnet, Digital Terrain Model (DTM), Anthropogenic Feature, Data Artifact, Submarine Cable, Pipeline, Case Study, Data Interpretation.

Questo deposito presenta la Multi-Scale Cognitive Ontology (MSCO), un framework semantico innovativo per una comprensione unificata della cognizione come fenomeno intrinsecamente multi-scala, semiotico e distribuito. Radicata nei principi della biosemiotica, della cognizione enattiva e incarnata, e dell’ecologia cognitiva, la MSCO fornisce una struttura formale in OWL/RDF per analizzare e modellare l’intelligenza attraverso sistemi viventi, artificiali ed ecologici. La versione dell’ontologia qui presentata (formalmente MSCO v1.6, owl:versionInfo “8” nel file OWL) espande significativamente le iterazioni precedenti, integrando concetti teorici avanzati quali: Cognizione Gaiana: Modellazione di processi cognitivi e cognitori a scala planetaria (es. msco:GaianCognitor, msco:GaianCognitiveProcess operanti alla msco:GigaScale). Semiosi Quantica: Introduzione di msco:QuantumSemioticProcess per esplorare il ruolo di fenomeni quantistici nella cognizione a msco:NanoScale. Xenosemiotica: Definizione di msco:XenosemioticProcess per processi comunicativi tra entità con architetture cognitive radicalmente diverse. Autopoiesi Dettagliata: Formalizzazione dei msco:AutopoiesisType (Cellulare, Organismica, SocioTecnica, Ecosistemica) e la loro associazione ai msco:Cognitor attraverso la proprietà msco:exhibitsAutopoiesisOfType, con una restrizione che ogni Cognitor debba manifestare un tipo di autopoiesi. Umwelt Organismico: Specifica di msco:OrganismicCognitor e della proprietà msco:enactsUmweltVia per modellare il mondo percettivo soggettivo degli organismi. Struttura Logica Raffinata: Inclusione di sottoclassi specializzate per msco:Cognitor (es. msco:SocioTechnicalCognitor), msco:CognitiveLandscape (es. msco:DigitalTwinEnvironment), tipi di msco:EmbodimentType, e proprietà avanzate come msco:coEvolvesWith (simmetrica) e msco:affordsSemioticInteraction. L’ontologia MSCO mira a esplorare le basi teoriche, l’architettura formale, le dinamiche inter-scala e le potenziali applicazioni trasformative in neuroscienze, intelligenza artificiale, scienze ambientali, educazione e governance. Si propone come uno strumento epistemologico e operativo avanzato per una nuova scienza della cognizione, orientata alla comprensione e alla promozione di una coesistenza cognitivamente informata su scala planetaria. Le motivazioni includono la necessità di unificazione teorica nelle scienze cognitive, l’urgenza dei problemi ambientali globali e le lacune nei framework cognitivi tradizionali. Description (English): This deposit presents the Multi-Scale Cognitive Ontology (MSCO), an innovative semantic framework for a unified understanding of cognition as an intrinsically multi-scale, semiotic, and distributed phenomenon. Grounded in the principles of biosemiotics, enactive and embodied cognition, and cognitive ecology, MSCO provides a formal OWL/RDF structure to analyze and model intelligence across living, artificial, and ecological systems. The ontology version presented here (formally MSCO v1.6, owl:versionInfo “8” in the OWL file) significantly expands upon previous iterations by integrating advanced theoretical concepts, including: Gaian Cognition: Modeling of planetary-scale cognitive processes and cognitors (e.g., msco:GaianCognitor, msco:GaianCognitiveProcess operating at the msco:GigaScale). Quantum Semiosis: Introduction of msco:QuantumSemioticProcess to explore the role of quantum phenomena in cognition at the msco:NanoScale. Xenosemiotics: Definition of msco:XenosemioticProcess for communicative processes between entities with radically different cognitive architectures. Detailed Autopoiesis: Formalization of msco:AutopoiesisType (Cellular, Organismic, SocioTechnical, Ecosystemic) and their association with msco:Cognitor via the msco:exhibitsAutopoiesisOfType property, with a restriction that every Cognitor must exhibit some type of autopoiesis. Organismic Umwelt: Specification of msco:OrganismicCognitor and the msco:enactsUmweltVia property to model the subjective perceptual world of organisms. Refined Logical Structure: Inclusion of specialized subclasses for msco:Cognitor (e.g., msco:SocioTechnicalCognitor), msco:CognitiveLandscape (e.g., msco:DigitalTwinEnvironment), types of msco:EmbodimentType, and advanced properties such as msco:coEvolvesWith (symmetric) and msco:affordsSemioticInteraction. The MSCO ontology aims to explore theoretical foundations, formal architecture, inter-scale dynamics, and transformative applications in neuroscience, AI, environmental science, education, and governance. It is positioned as an advanced epistemological and operational tool for a new science of cognition, aimed at understanding and fostering cognitively informed coexistence on a planetary scale. Motivations include the need for theoretical unification in cognitive sciences, the urgency of global environmental challenges, and gaps in traditional cognitive frameworks.

Global Radio Auditory Cortex: Un Sistema di Acquisizione Dati Massiva in Tempo Reale per l’Addestramento e l’Analisi Avanzata delle Intelligenze Artificiali: Una radio che prende i canali radiofonici da tutto il mondo è collegata in input ad una Intelligenza Artificiale, che legge l’input e lo converte in files di vario genere: testo, audio, json, xml, creando un immenso database in tempo reale. In questo modo, questo database diventerà materiale di studio per le stesse I.A. in seguito, in fase di training, risolvendo in parte il fatto che le I.A. hanno quasi esaurito tutto il materiale con il quale fare il training.

This paper introduces and formalizes the concept of a “multifaceted object,” denoted as “o”. This object “o” is hypothesized to exist simultaneously as a physical or imaginary entity, a collection of semantic, semiotic, and pragmatic significations—explicitly encompassing ideas and concepts themselves—a digital representation (e.g., a Blender file), and various matricial forms (e.g., an image, a pixel matrix). The author posits that human reasoning involves the manipulation of these “o” objects as fundamental units of thought, equivalent to ideas and concepts.  The primary challenge addressed is the rigorous scientific and mathematical definition of such an entity, which inherently bridges physical, abstract-semantic (including conceptual/ideational), and digital-numerical ontological levels. The paper refines the definition of “o” by delineating its core facets: Matricial (M), Semantic (S, incorporating ideas/concepts), Visual/Image (I), and Further Aspects (X), which include physical, digital-representational (e.g., a Blender file encoding a 3D model), and pragmatic dimensions. Methodologically, a multi-pronged approach for formalization is proposed, leveraging Sheaf Theory for local-global coherence, Category Theory for high-level structural relationships, Hybrid Algebraic Structures for concrete state-space definitions and inter-modal operators, and Multimodal Type Theory for a logically consistent constructive framework. Furthermore, the principles of Object-Oriented Programming (OOP) are integrated to provide a complementary perspective on the structure and behavior of “o”. From these formalisms, a typology of rules—mathematical, semiotic, linguistic, matricial, and digital-representational—is derived. These rules govern the intra-aspect properties and, crucially, the inter-aspect relationships of “o”, including transformations inherent in reasoning processes. The paper also discusses advanced considerations such as temporal dynamics, learning mechanisms, cross-modal coherence, and the ontological status of “o” as a potential unit of mentalese (the language of thought). The implications of this framework are suggested to be potentially transformative for fields like Artificial Intelligence (AI), particularly in areas of multimodal systems and conceptual reasoning, Cognitive Science, in modeling information integration and concept manipulation, and the Philosophy of Mind and Science, by offering a formal approach to ideas, representation, and meaning.

CancerGeneAnalyzer: Un Framework Interattivo per l’Analisi Statistica, Predittiva e Funzionale dell’Espressione Genica nei Tumori L’analisi dei profili di espressione genica nei tumori è centrale nella medicina personalizzata e nella ricerca traslazionale. CancerGeneAnalyzer è un software open-source sviluppato in Python che integra in un’unica piattaforma: pre-elaborazione dei dati, identificazione di geni differenzialmente espressi, visualizzazione interattiva, modellazione predittiva e inferenza funzionale tramite database biologici. Il sistema fornisce un’interfaccia grafica web tramite Dash, visualizzazioni dinamiche (Plotly), analisi statistiche robuste e modelli di apprendimento automatico. L’integrazione con il database KEGG consente l’analisi delle reti gene-pathway, rendendo il tool adatto sia alla ricerca che alla didattica universitaria. 1. Introduzione La caratterizzazione molecolare dei tumori attraverso dati di espressione genica ha aperto nuove prospettive nella comprensione della biologia oncologica, nella diagnosi precoce e nella stratificazione dei pazienti. L’analisi di questi dati richiede però strumenti integrati che permettano di eseguire in modo coerente: (i) pre-elaborazione dei dati, (ii) analisi statistica differenziale, (iii) modellazione predittiva, (iv) inferenza funzionale e (v) visualizzazione interattiva. CancerGeneAnalyzer risponde a questa esigenza offrendo una pipeline coerente ed estensibile, interamente scritta in Python, per l’analisi di dati di espressione genica in ambito oncologico. 2. Metodologia 2.1 Caricamento e Pre-elaborazione dei Dati Il software consente il caricamento di file in formato CSV/TSV contenenti dati di espressione genica. Si assume che: Le righe rappresentino i campioni, Le colonne rappresentino i geni, Una colonna specifica (indicata dall’utente) identifichi la classe fenotipica (es. tumore vs controllo). Il preprocessing comprende: Rimozione dei valori mancanti, Normalizzazione dei dati numerici mediante Z-score. È responsabilità dell’utente specificare la colonna target e il tipo di classificazione (binaria o multiclasse). 2.2 Identificazione dei Geni Differenzialmente Espressi La funzione utilizza un test t di Student per campioni indipendenti, applicato a ciascun gene tra due gruppi definiti dall’utente. I p-value vengono corretti per test multipli mediante la procedura di Bonferroni. Nota: Data la natura altamente dimensionale dei dati di espressione genica, è possibile integrare una correzione alternativa, come quella di Benjamini-Hochberg, per controllare il FDR (False Discovery Rate), migliorando così la sensibilità statistica. 2.3 Visualizzazioni Le visualizzazioni disponibili includono: Heatmap dell’espressione genica: generabili sia in modalità statica (matplotlib/seaborn) che interattiva (Plotly). Analisi delle Componenti Principali (PCA): sia in 2D che in 3D, per esplorare la varianza strutturale dei dati. Rappresentazioni interattive HTML: esportabili e navigabili, utili per la condivisione con collaboratori o allievi. 2.4 Modellazione Predittiva Il modulo di classificazione permette di addestrare modelli di apprendimento automatico su dati normalizzati. Attualmente, il sistema include: Random Forest (Scikit-learn), Reti neurali dense (Keras/TensorFlow): configurate per classificazione binaria, estensibili a multiclasse. Per ogni modello vengono prodotti: Matrice di confusione, Report delle metriche di classificazione (accuratezza, F1-score ponderato), Confronto visuale delle performance tra modelli. Il preprocessing della variabile target è gestito automaticamente (label encoding), ma può essere personalizzato. 2.5 Analisi Funzionale dei Geni (Pathway) L’utente può fornire una lista di geni di interesse (es. quelli significativi nell’analisi differenziale). Questi vengono interrogati contro il database KEGG mediante il pacchetto keggrest. Per ogni gene, il sistema: Identifica i pathway associati, Recupera le descrizioni biologiche dei pathway. La visualizzazione finale è una rete gene–pathway costruita con NetworkX e resa interattiva via Plotly. Nota: L’approccio può essere esteso ad altri database come Reactome o Gene Ontology per un’analisi ontologica multilivello. 2.6 Interfaccia Grafica Interattiva (Dashboard) La piattaforma fornisce un’interfaccia web sviluppata con Dash (Plotly), articolata in quattro sezioni principali: Panoramica Dati: heatmap interattiva dell’intero dataset, Analisi PCA: rappresentazione 3D navigabile delle componenti principali, Analisi Funzionale: rete interattiva dei pathway, Confronto dei Modelli di Apprendimento Automatico: grafico comparativo delle metriche prestazionali. Ogni scheda è dinamica e autonoma, consentendo un’esplorazione visiva completa dei risultati. 3. Risultati Il software è stato validato su dataset benchmark pubblici, tra cui il Breast Cancer Wisconsin Dataset e i dataset RNA-Seq provenienti dal consorzio TCGA. I risultati mostrano: Identificazione robusta di geni differenzialmente espressi coerenti con la letteratura, Visualizzazioni efficaci nell’evidenziare cluster fenotipici, Accuratezza predittiva superiore al 90