배경: Sovereign Discovery Series의 논문 I–IV는 376개의 논문에서 5,084개의 인과 삼중항을 통해 22개의 새로운 Long COVID 가설을 생성했습니다. 그러나 전통적인 관계형 데이터베이스 저장 방식(SQLite)는 발견을 명시적으로 추출된 사실로 제한하여, 탐지 임계값 아래 숨겨진 수렴 패턴을 놓치게 됩니다. 혁신: 우리는 내장된 결정론적 추론 규칙을 가진 MessagePack + zlib 압축 지식 그래프인 .causal 이진 형식을 소개합니다. 이 형식은 72%의 저장 용량 절감을 달성하는 동시에, 세 가지 단계의 전이 추론을 통해 사실 수를 1.90배 증폭합니다: 정확한 키워드 매칭, 의미적 방향 전파 및 Jaro-Winkler 퍼지 엔티티 해결. 주요 발견: SQLite에서는 보이지 않는 약한 신호(3개의 삼중항)가 .causal에서 감지 가능한 수렴점(21개 이상의 삼중항)으로 변했습니다. 이 증폭은 이전에는 패턴 인식 임계값 아래에 있었던 세 개의 새로운 가설 후보—미주 신경 수렴(7.0배), POTS/자율 신경 축(7.7배), 자율-심혈관 연결(30배)—를 드러냈습니다. 중요성: .causal 형식은 AI 지원 가설 생성을 대체하지 않으며, 이를 향상시킵니다. 결정을 통해 전이 체인을 미리 계산함으로써(제로 환각 위험), 이 형식은 Claude에게 증폭된 신호 패턴을 제공하여, 잡음 속에 숨겨져 있었던 수렴 허브를 발견할 수 있게 합니다.
David Tom Foss (수요일)은 이 질문을 연구했습니다.