01 · Das Trainings-Plateau — Wenn der Gradient verschwindet

Quantitative Finanzdaten sind hochkorrelierte Daten mit einem extrem niedrigen Signal-Rausch-Verhältnis. Die primäre Herausforderung besteht darin, aus einem Beobachtungsfenster nicht die sequenzielle Abfolge der Rohwerte, sondern die verborgene Systemdynamik zu extrahieren — transiente Impulse, zyklische Umkehren und energetische Zustandsänderungen. Da diese Strukturen im stochastischen Rauschen versinken, verbraucht eine Standard-Architektur einen unverhältnismäßig großen Teil ihrer Kapazität allein für die Repräsentationsbildung.

Tritt das Modell auf ein Plateau, kollabiert der Loss-Gradient (∇ℒ). Der Optimizer verliert in dieser flachen Parameter-Region seine Richtungsstabilität, weil die Gradientenkomponenten gegen null konvergieren. Zu diesem Zeitpunkt hat das Netzwerk lediglich die trivialen, dominanten Varianzkomponenten gelernt. Die tieferen, prädiktiven Strukturen des Marktes bleiben unerreicht, da das aktuelle mathematische Vokabular des Netzes nicht ausreicht, um sie sauber aus dem Rauschen zu isolieren.

Adaptive Optimierungsverfahren wie AdamW bieten hier keine systemische Abhilfe: Sie korrigieren zwar die Skalierung, können aber keine Richtung aus einem Vektorfeld extrahieren, dessen Erwartungswert im Mittel null ist. Auch das herkömmliche Absenken der Lernrate (ReduceLROnPlateau) bricht diese Stagnation nicht auf. Es zementiert sie lediglich. Das Netz verharrt in der flachen Zone und beginnt, die hochfrequenten Rauschstrukturen der Trainingsdaten auswendig zu lernen — der direkte Pfad in ein Overfitting, das die Validierungsmetrik zeitverzögert degradieren lässt.

Das Plateau ist nicht das Ende des Lernens. Es ist das Ende des aktuellen Vokabulars.
— Diagnose des Stagnationsproblems

02 · Das Fundament — Koopman: Wenn Bewegung zu linearer Algebra wird

Der amerikanische Mathematiker Bernard Koopman veröffentlichte 1931 eine Arbeit, die zu ihrer Zeit kaum jemand brauchte und in den letzten zehn Jahren in jedes Lehrbuch über datengetriebene Dynamik gewandert ist. Sein Gedanke ist auf den ersten Blick paradox: Wenn ein System sich kompliziert nichtlinear bewegt, kann man es trotzdem linear beschreiben — wenn man bereit ist, in einen unendlichdimensionalen Raum zu wechseln, in dem nicht die Zustände selbst, sondern Funktionen über Zuständen sich entwickeln.

Das klingt nach einem schlechten Tausch — ein endlichdimensionales nichtlineares Problem gegen ein unendlichdimensionales lineares. In Wahrheit ist es ein exzellenter Tausch, denn lineare Operatoren haben etwas, das nichtlineare Funktionen meistens nicht haben: ein Spektrum. Eigenwerte und Eigenvektoren. Klare, zerlegbare Bausteine. Wer den Koopman-Operator eines Systems kennt, kennt seine Eigenmoden — die fundamentalen Schwingungsmuster, aus denen sich jede tatsächliche Bewegung zusammensetzt, so wie sich jeder Klang aus reinen Sinustönen zusammensetzen lässt.

Niemand kann den exakten Koopman-Operator eines Marktdynamik-Systems ausrechnen. Aber man kann eine endlichdimensionale Approximation aus Daten lernen — das Verfahren heißt Dynamic Mode Decomposition, kurz DMD. In seiner kernel-basierten Variante, wie sie der Encoder verwendet, wird aus einem Beobachtungsfenster automatisch eine kleine Matrix gewonnen, deren Eigenwerte präzise zwei Fragen beantworten: wie schnell schwingt diese Dynamik, und gewinnt sie oder verliert sie Energie.

Diagramm 01 — Was ein komplexer Eigenwert bedeutet
Jeder Punkt in der komplexen Ebene ist eine ganze Bewegungsart — Frequenz und Wachstum in einer Zahl

• Energie-aufbauende Moden (Realteil > 0) — orange
• Energie-abbauende Moden (Realteil < 0) — dunkel
• Stabilitätsgrenze — gestrichelter Kreis

Diese Karte ist die zentrale Anschauung, die man braucht, um den Encoder zu verstehen. Ein Beobachtungsfenster wird auf zehn Punkte in dieser komplexen Ebene abgebildet. Jeder Punkt ist eine eigenständige Bewegungsart, die das System gerade enthält. Der Realteil sagt, ob diese Bewegung Fahrt aufnimmt oder ausläuft; der Imaginärteil sagt, wie schnell sie schwingt. Aus diesen zehn Punkten lässt sich das gesamte Fenster rekonstruieren, ohne den Umweg über mehrere hundert Rohzahlen.

03 · Die Spektral-Reduktion — Isolierung der System-Primitiven

Die strukturelle Herausforderung bei der Modellierung des Koopman-Raums liegt in seiner numerischen Unhandlichkeit: Er ist per Konstruktion unendlichdimensional. Die mathematische Bewältigung dieser Dimensionalität zieht eine direkte Parallele zu Gottfried Wilhelm Leibniz' Characteristica Universalis und seiner Ars Combinatoria. Leibniz postulierte mit dem Alphabetum cogitationum humanarum ein universelles System, das komplexe, kontinuierliche Dynamiken auf eine endliche Menge orthogonaler, unteilbarer Grundbegriffe — die notiones primitivae — zurückführt. Komplexität wird hierbei nicht als chaotisches Kontinuum begriffen, sondern als lineare Kombination diskreter, primitiver Bausteine.

Algorithmisch bildet diese rationale Reduktion das Fundament für die Rang-Trunkierung innerhalb des Hilbert-Raums ℋ, den der RBF-Kernel implizit aufspannt. Während die Ähnlichkeitsmatrix K₀ die vollständige, rauschbehaftete Trajektorie des Beobachtungsfensters kodiert, isoliert die anschließende symmetrische Eigenwertzerlegung die k dominanten Eigenmoden. Dies ist der formale Akt der Primitiven-Isolierung — eine Projektion auf den niedrigdimensionalen, Koopman-invarianten Unterraum:

Spektral-Projektion — Leibniz'sche Rang-Reduktion

ℋ  ⟶  ?ₖ

ℋ repräsentiert den unendlichdimensionalen Hilbert-Raum als formalen Träger der gesamten potenziellen Dynamik. ?ₖ definiert den durch die dominanten Eigenmoden aufgespannten, k-dimensionalen Unterraum; im Standard-Setup ist k = 10. Sämtliche spektralen Komponenten jenseits dieser Grenze werden analytisch als transientes Rauschen verworfen.

Diese Trunkierung operiert als primärer Regularisierungsmechanismus des Encoders. Ein neuronales Netzwerk, das auf dem ungefilterten Spektrum operiert, memoriert zwangsläufig die hochfrequenten, stochastischen Singularitäten der Trainingsstichprobe. Indem die Architektur das Signal auf die k dominanten Primitiven komprimiert, erzwingt sie eine mathematische Abstraktion: Die nachgelagerten Schichten extrahieren nicht die ephemeren Rauschstrukturen eines spezifischen Fensters, sondern die invarianten Generatoren der Systemdynamik.

04 · Die Maschine — Vom Rohsignal zum spektralen Fingerabdruck

Was der Encoder intern macht, lässt sich als sechs aufeinander folgende Stufen lesen, deren jede ein konkretes Problem löst. Wir gehen die zentralen Schritte mathematisch durch — nicht als Code-Walkthrough, sondern als Argumentation, die jeweils einer Frage antwortet.

Der erste Schritt stellt Vergleichbarkeit her. Der Kernel, der gleich folgt, arbeitet mit Distanzen in einer Exponentialfunktion. Wenn die Eingangswerte numerisch groß sind, kollabiert die Exponentialfunktion zu Null und die gesamte Pipeline produziert nur noch Nullen. Pro Fenster wird deshalb lokal standardisiert.

Lokale Standardisierung

x̂ = (x − μ) / (σ + ε)

Jeder Wert wird um den Fenster-Mittelwert μ reduziert und durch die Fenster-Standardabweichung σ geteilt. Der kleine Summand ε verhindert Division durch null bei ruhigen Phasen. Das macht den Encoder level-invariant: Eine Bewegung von einem Prozent sieht für ihn gleich aus, egal auf welchem absoluten Niveau sie stattfindet. Das Modell lernt Dynamik, nicht absolute Werte.

Der zweite Schritt macht Geschichte zum Zustand. Eine einzelne Beobachtung sagt fast nichts. Dynamik ist die Beziehung zwischen aufeinander folgenden Zuständen. Das Fenster wird in zwei zeitversetzte Versionen aufgespalten — die erste enthält die Beobachtungen bis zum vorletzten Schritt, die zweite die Beobachtungen vom zweiten Schritt bis zum Ende. Aus dem Vergleich dieser beiden Versionen wird sich später die Übergangsregel ableiten lassen. Es ist die alte Takens-Idee: Verlauf ist Zustand.

Der dritte Schritt ist der eigentliche mathematische Kniff: Ähnlichkeit als Geometrie. Anstatt händisch Indikatoren zu erfinden, lässt der Encoder die Geometrie der Daten selbst sprechen. Für jeden Zeitpunkt im Fenster wird gemessen, wie ähnlich er allen anderen Zeitpunkten ist. Das Maß für Ähnlichkeit ist der RBF-Kernel:

RBF-Kernel — der Ähnlichkeitsmaßstab

k(x, y) = exp(−γ · ‖x − y‖²)

Der Ausdruck ‖x − y‖² ist das Quadrat der euklidischen Distanz zwischen zwei Zuständen — wie weit liegen sie im Raum auseinander. Die Exponentialfunktion komprimiert das auf einen Wert zwischen 0 und 1: identische Zustände ergeben exakt 1, weit entfernte Zustände ergeben praktisch 0. Der Parameter γ steuert, wie schnell die Ähnlichkeit mit zunehmender Distanz abfällt — er ist quasi die Schärfe, mit der das System „ähnlich" von „verschieden" trennt.

Aus dem Fenster wird so eine Ähnlichkeitsmatrix, in der jeder Eintrag ein Ähnlichkeitswert zwischen zwei Zeitpunkten ist. Das ist nicht mehr eine Zeitreihe — das ist eine Topographie. Welche Phasen ähneln sich, welche nicht, und wie verteilt sich das über das Fenster. Eine zweite Ähnlichkeitsmatrix vergleicht jeden Zeitpunkt mit seinem Nachfolger und wird die Information für die Übergangsregel tragen.

Der vierte Schritt findet das Alphabet: Auf die erste Ähnlichkeitsmatrix wird eine Eigenwertzerlegung angewendet. Die größten Eigenwerte zeigen die dominanten Muster der Topographie. Hier wird abgeschnitten — nur die top-k Moden bleiben, die Leibniz-Primitive des Fensters.

Der fünfte Schritt konstruiert die Übergangsregel. Im Raum der dominanten Moden wird eine kleine Matrix gebaut, die genau beschreibt, wie das Fenster sich von einem Zeitschritt zum nächsten weiterentwickelt:

Reduzierte Koopman-Matrix im Modenraum

à = Σ⁻¹ · Vᵀ · K₁ · V · Σ⁻¹

V enthält die top-k Eigenvektoren der ersten Ähnlichkeitsmatrix — das Alphabet. K₁ ist die zeitversetzte Ähnlichkeitsmatrix, die den Übergang von einem Zeitschritt zum nächsten kodiert. Σ⁻¹ normalisiert die Längen der Eigenvektoren, damit die resultierende Matrix nicht von Skalenunterschieden verzerrt wird. Was übrig bleibt, ist ein linearer Operator auf einem nichtlinear erzeugten Raum — Koopmans ursprüngliche Idee, hier in reduzierter Form.

Der sechste und letzte Schritt liest die Essenz heraus. Auf diese kleine Matrix wird eine zweite Eigenwertzerlegung angewendet — diesmal eine, die komplexe Werte zulässt. Aus jeder Mode wird ein komplexer Eigenwert. Sein Realteil ist die Wachstumsrate, sein Imaginärteil die Frequenz. Aus einem Fenster mehrerer hundert Rohwerte werden so 2 × k Werte — bei zehn Moden also zwanzig Zahlen, die zusammen die gesamte Dynamik des Fensters tragen.

05 · Die Implementierung — Der Kern, der sich rechnet

Bemerkenswert an der Implementierung ist nicht ihre Länge, sondern ihre Knappheit. Was als Theorie nach Spezialvorlesung klingt, sind in PyTorch wenige, präzise Zeilen — ohne dass eine einzige Schleife geschrieben werden müsste. Der gesamte Spektral-Apparat lebt in zwei eingebauten Routinen für Eigenwertzerlegungen. Das macht den Encoder nicht nur lesbar — es macht ihn vollständig differenzierbar. Er kann als Layer in jedes neuronale Netz eingebaut und durch Backpropagation mittrainiert werden.

# proprietary — interne Implementierung gekürzt
class KoopmanLeibnizEncoder(nn.Module):
    def __init__(self, rank=10, gamma=0.1):
        super().__init__()
        self.rank  = rank     # Anzahl beibehaltener Leibniz-Primitive
        self.gamma = gamma    # Breite des RBF-Kernels

    def forward(self, x):
        # Lokale Standardisierung pro Fenster — gegen Kernel-Kollaps
        x = (x - x.mean(dim=1, keepdim=True)) / (x.std(dim=1, keepdim=True) + 1e-6)

        # [...] Takens-Einbettung, RBF-Kernel, Spektrum, reduzierte Koopman-Matrix
        # [...] interne Pipeline — Details proprietär
        A_tilde = _internal_spectral_pipeline(x, self.rank, self.gamma)

        # Komplexe Eigenwerte → Wachstum (Re) + Frequenz (|Im|)
        koop_vals, _ = torch.linalg.eig(A_tilde)
        return torch.cat([koop_vals.real, torch.abs(koop_vals.imag)], dim=-1)
                              PYTHON
                            

Der Encoder ist damit kein vorgelagertes Daten-Werkzeug, sondern ein integraler Baustein der Architektur. Was er produziert, ist ein spektraler Fingerabdruck des Beobachtungsfensters: zwanzig Werte, in denen Wachstum, Dämpfung und Frequenz der dominanten Marktmoden zusammengefasst sind. Wie diese Information ihren Weg ins Modell findet, ist der eigentlich interessante Teil — und der Grund, warum dieser Artikel überhaupt geschrieben wurde.

06 · Die Anwendung — Der Plateau-Breaker

Im Forschungsbetrieb des Teams hat das große Hauptmodell, ein Transformer-basiertes System mit spezialisierten Ausgabe-Zweigen und mehreren Zeitebenen, in Stage 4 wiederholt ein Plateau gezeigt. Der Loss fiel über sechs bis acht Epochen sauber, dann blieb er flach. Validierungs-Metriken stiegen leicht — der erste Hinweis auf beginnende Anpassung an Trainingsspezifika. Klassische Gegenmittel zogen nicht. Lernrate senken verstärkte die Symptome. Mehr Daten lieferten leichte Verbesserungen, die in der Varianz mehrerer Läufe untergingen. Das Problem war strukturell: Das Modell hatte aus den lokalen statistischen Features alles extrahiert, was darin steckte. Was es brauchte, war keine andere Optimierung — sondern neue Information.

Hier kommt der Koopman-Leibniz-Encoder ins Spiel, aber in einer Rolle, für die er ursprünglich nicht gedacht war. Statt als primärer Encoder vor dem Modell wird er als paralleler Informationskanal hinzugezogen — eine zweite Datenpipeline, die die globalen Marktmoden über mehrere Zeitebenen ans bereits trainierte Modell heranträgt. Die Verbindung erfolgt über eine Cross-Attention-Schicht: Das Hauptmodell fragt den spektralen Fingerabdruck nach Informationen, die ihm fehlen, und integriert die Antwort in seine internen Repräsentationen.

Eine solche Erweiterung mitten im Training ist normalerweise riskant. Ein zusätzlicher Branch verändert die Gradienten-Landschaft schlagartig. Im schlechtesten Fall destabilisiert er, was über Wochen aufgebaut wurde. Genau hier greift der zweite, fast wichtigere Baustein des Experiments: das Null-Init-Gate.

Diagramm 02 — Das Gate-Verhalten am Plateau
Wie ein bei Null gestartetes Gate sich genau dann öffnet, wenn der Loss-Gradient verschwindet

• Phase 1 · Baseline läuft stabil, Gate bleibt geschlossen — kein Eingriff in das bestehende Lernen.
• Phase 2 · Loss flacht ab, Gradienten kollabieren, das Gate öffnet sich von selbst und der spektrale Kanal beginnt zu greifen.

Das Gate ist mathematisch eine einzige skalare Größe — wir nennen sie α. Sie wird mit dem Wert exakt Null initialisiert und multipliziert den Beitrag des neuen Spektral-Kanals, bevor dieser ins Hauptmodell zurückfließt:

Residueller Eingriff über das Gate

h_neu = h_alt + α · CrossAttn(h_alt, z_spektral)

h_alt ist die bisherige interne Repräsentation des Hauptmodells. z_spektral ist die Sequenz spektraler Fingerabdrücke aus dem Koopman-Leibniz-Encoder über mehrere Zeitebenen. Die CrossAttn-Operation lässt das Hauptmodell gezielt nach Information aus dem spektralen Kanal greifen. Solange α = 0, ist der gesamte Zusatzterm exakt null und das Modell verhält sich identisch zu vorher.

Diese Konstruktion ist der theoretische Kern. Der zweite Term auf der rechten Seite ist am Anfang exakt null — nicht klein, nicht vernachlässigbar, sondern analytisch null. Das Hauptmodell sieht keinerlei Veränderung, läuft auf seiner bisherigen Verlustlandschaft weiter, behält alle Gewichte stabil. Was sich ändert, ist nur: Es gibt jetzt einen Parameter α mit einem definierten Gradienten. Wenn der Backpropagation-Pfad feststellt, dass eine Vergrößerung von α den Loss reduzieren würde, dann — und nur dann — wird das Gate aufgehen.

Auf einem Plateau, wo alle anderen Gradienten verschwinden, ist der Gradient bezüglich α typischerweise der einzige, der noch ein klares Signal trägt. Der Optimizer hat keine andere Möglichkeit mehr, den Loss zu senken — also fängt er an, α minimal zu erhöhen. Damit beginnt der spektrale Kanal, Information ins Hauptmodell einzuspeisen. Die Verlustlandschaft, die eben noch flach war, bekommt eine neue Richtung. Das Plateau bricht.

Solange das Modell stabil konvergiert, bleibt der Zusatzpfad neutral. Erst bei Gradienten-Stagnation wird der spektrale Kanal zum wirksamen Update-Pfad.
— Funktionsweise des Null-Init-Mechanismus

Diese Konstruktion ist mathematisch elegant, aber zwei Eigenschaften machen sie im Forschungsbetrieb besonders wertvoll. Erstens ist sie eine Null-Risiko-Erweiterung: Solange das Modell ohne Hilfe vorankommt, ist die Erweiterung wirkungslos. Es gibt keinen Stabilitäts-Tradeoff, kein Stören laufender Optimierung, kein neues Tuning der Trainings-Schedule. Zweitens bekämpft sie nicht das Symptom des Plateaus, sondern die Ursache. Klassische Verfahren wie ReduceLROnPlateau verlangsamen die Bewegung, wenn sie aufhört zu funktionieren — sie tun das Falsche genauer. Der Plateau-Breaker fügt dem Modell stattdessen fundamental neue Information zu: globale Marktmoden über mehrere Zeitebenen, die in den lokalen Eingangs-Features mathematisch nicht vorhanden waren.

Im weiteren Forschungs-Kanon ist dieser Mechanismus verwandt mit Verfahren wie ReZero und LayerScale — beide arbeiten mit residuellen Pfaden, deren Beitrag durch einen lernbaren Skalierungsfaktor gesteuert wird, der bei Null startet. Was den Plateau-Breaker davon unterscheidet, ist die Funktion: Die residuelle Erweiterung trägt nicht zusätzliche Tiefe ins Netz, sondern eine spezifische Klasse von Information — spektrale Systemmoden, die der Encoder explizit extrahiert. Es ist nicht mehr Modellkapazität, sondern eine andere Repräsentationsbasis.

07 · Die Pointe — Drei Eigenschaften, die zusammenwirken

Spektralmethoden in der Zeitreihenanalyse sind nichts Neues. Was die Koopman-Leibniz-Variante in dieser Kombination — Encoder plus Null-Init-Gate plus Cross-Attention — qualitativ neu macht, sind drei Eigenschaften, die sich gegenseitig verstärken.

Sie ist level-invariant. Durch die lokale Normalisierung pro Fenster sieht der Encoder Bewegungen, nicht Niveaus. Das Modell, das mit diesem Mechanismus arbeitet, kann auf beliebigen Marktdynamik-Systemen laufen, ohne dass absolute Wertebereiche jemals eine Rolle spielen.

Sie ist nichtlinear, ohne nichtlineare Features erfinden zu müssen. Der RBF-Kernel bettet die Daten implizit in einen unendlichdimensionalen Raum ein, in dem komplizierte nichtlineare Beziehungen zu linearen Strukturen werden. Niemand muss raten, welche Indikatoren das System brauchen könnte — die Geometrie der Daten erzeugt die nichtlinearen Beziehungen selbst.

Sie ist spektral interpretierbar. Was am Ausgang ankommt, sind keine geheimnisvollen latenten Variablen, sondern Wachstums- und Frequenzwerte mit klarer dynamischer Bedeutung. Wer wissen will, warum ein Modell in einer bestimmten Situation eine bestimmte Entscheidung getroffen hat, kann auf den spektralen Fingerabdruck schauen und im Wortsinn ablesen, in welchem dynamischen Zustand das System gerade war.

Klassische Skalierer normalisieren Zahlen. Der Koopman-Leibniz-Encoder normalisiert Bedeutung.
— Im Klartext

Das ist kein semantischer Unterschied. Wer einem Modell rohe Zeitreihen gibt, zwingt es, die Übersetzung in Dynamik selbst zu leisten — mit der vollen Kapazität seiner Gewichtsmatrizen und dem vollen Aufwand des Trainings. Wer ihm die Dynamik vorab gibt, hat plötzlich Kapazität frei, die das Modell für tatsächliche Entscheidungen verwenden kann.

Es ist derselbe Mechanismus, der hinter spezialisierten Trainings-Hilfszielen steht — kleinen Nebenausgaben, die das Netz zwingen, schon in frühen Schichten relevante Größen explizit zu rekonstruieren — nur eine Ebene tiefer. Solche Hilfsziele zwingen das Backbone, die Welt zu verstehen, bevor es entscheidet. Der Koopman-Leibniz-Encoder zwingt die Eingangsdaten, ihre Dynamik preiszugeben, bevor sie das Modell überhaupt erreichen. Im Plateau-Breaker-Setup wird daraus eine dritte Eigenschaft: Das Modell darf weiterlernen, genau dann, wenn es eigentlich aufgehört hatte.

08 · Ausblick — Was als nächstes kommt

Die mathematischen Werkzeuge sind alle aus dem klassischen Repertoire — Bernard Koopman 1931, Floris Takens 1981, der RBF-Kernel aus dem Standard-Werkzeugkasten der Statistik, residuelle Lerntechniken aus der jüngeren Deep-Learning-Forschung. Was sich verändert hat, ist die Hardware. Eine Eigenwertzerlegung war vor wenigen Jahrzehnten ein ernster numerischer Aufwand. Heute geschieht sie in einem PyTorch-Forward-Pass auf der GPU in Mikrosekunden — und vor allem differenzierbar, also einbettbar in jede gradientenbasierte Trainingspipeline.

Damit verschiebt sich, was als Feature Engineering gilt. Statt mit der Hand Indikatoren zu wählen oder dem Netz die Aufgabe zu überlassen, sich selbst Repräsentationen auszudenken, lässt sich eine ganze Klasse von Encodern bauen, die mathematische Strukturen — Spektralzerlegungen, Topologien, Differentialoperatoren — direkt in den Datenfluss schreiben. Der Koopman-Leibniz-Encoder ist eine Instanz davon. Kombiniert mit Null-Init-Gates wird er zu etwas, das in der gängigen ML-Praxis bisher fehlt: einem Werkzeug, das nicht das Symptom eines stagnierenden Trainings bekämpft, sondern dessen mathematische Ursache.

Damit zeichnet sich eine Trennlinie ab, die über die konkrete Anwendung hinausgeht. Die dominanten KI-Architekturen der Gegenwart — von den großen Sprachmodellen aus Häusern wie OpenAI, Anthropic oder Google DeepMind bis zu den jüngsten generativen Transformern — sind im Kern anthropozentrisch konstruiert (von griech. ánthropos, „Mensch"): Sie modellieren menschliche Sprache, menschliche Wahrnehmung, menschliches Entscheiden, und sie sind in einem gelernten, diskreten Parameterraum eingefroren, dessen Geometrie sie nach dem Training nicht mehr verlassen. Koopman-Leibniz-Operatoren arbeiten dagegen im kontinuierlichen spektralen Raum invarianter Systemgesetze. Damit öffnet sich ein eigenes Forschungsfeld jenseits der menschzentrierten Modellklasse: generative adaptive Transformer, die ihre Repräsentation nicht aus menschlichen Daten ableiten, sondern aus der Dynamik des beobachteten Systems selbst.

In der aktuellen Erprobung zeigt sich: Der Encoder durchbricht das Plateau nicht durch zusätzliche Kapazität, sondern durch eine präzisere Filterung der Systemdynamik. Er fungiert als selektiver Trigger — er bleibt in Phasen, in denen das Modell selbstständig konvergiert, inaktiv und greift erst dann ein, wenn Gradienten-Stagnation droht. Das System gewinnt dadurch Stabilität, ohne das bestehende, erlernte Merkmalsvokabular zu kompromittieren.

Wenn das Netz auf dem Plateau stagniert, fehlt ihm nicht mehr Input, sondern die Auflösung, um das Signal sauber aus dem Rauschen zu extrahieren.
— Operationelles Prinzip des Koopman-Leibniz-Verfahrens