EvoSpikeNet 機能スペック表

[!NOTE] 最新の実装状況は機能実装ステータス (Remaining Functionality) を参照してください。

作成日: 2026-04-01
最終実測日: 2026-04-01（ローカル直実行 N=50 反復）
目的: EvoSpikeNet-Core をローカル Python 環境から直接 import 実行し、ユニットテスト対象機能の性能指標を実測ベースで一覧化する。

実測環境 (2026-04-01)
実行形態: EvoSpikeNet-Core をローカル venv から直接 import 実行。Docker / HTTP API は未使用。
Host: Linux x86-64, CPU-only (GPU 非搭載), Python 3.12.3, /home/maoki/GitHub/.venv
測定ツール: time.perf_counter_ns() + psutil, N=50 繰り返し
ベンチスクリプト: EvoSpikeNet-Core/benchmarks/feature_spec_local_bench.py
補足: torchaudio ABI 不整合により raw waveform からの MFCC 抽出はこのホストで未計測。音声系は MFCC テンソル入力でのエンコーダ本体を実測。

1. 測定指標の定義

他のAIシステムとの比較で「測定可能かつ差別化に有効な指標」を優先して採用。

列見出し	単位	説明	他AIとの差別化ポイント
Cold Latency	ms	初回呼び出し（コールドスタート）時間	エッジデプロイ・オフライン起動の実測
Warm p50 / p90 / p99	ms	定常推論の各パーセンタイルレイテンシ	テールレイテンシが低いことでリアルタイム応答優位を示す
スループット	ops/s / FPS	単位時間あたりの処理量	バッチ処理・リアルタイムストリームの両面評価
Peak RAM	MB	処理中ピークメモリ使用量（RSS）	エッジデバイス動作可能性の根拠
Disk サイズ	MB	モデルウェイト＋チェックポイントのストレージ占有量	デプロイ容量の比較（GPT-4等は非公開・想定300GB超）
スパイク発火率	Hz	平均スパイク発火頻度	SNN固有指標。従来AI（Dense Tensor）には存在しない
スパイク疎密度	%	アクティブニューロン割合（低い=省エネ）	計算効率・エネルギー効率の直接指標
適応収束ステップ	steps	新規タスクへの適応に要するステップ数	継続学習能力の定量化
エネルギー比	×（対従来AI）	従来CNN/Transformer比の相対消費電力	省エネ優位性の定量化
オフライン動作	✓/✗	インターネット接続不要で機能するか	API依存なしの独立動作能力
並列ノード数	台	動作確認済み最大分散ノード数	分散スケーラビリティの実証
テストファイル	—	対応するユニットテストファイル（主要なもの）	テストカバレッジの根拠

測定ツール: time.perf_counter_ns() + psutil.Process.memory_info() + tracemalloc
統計: 各指標は N≥30 の繰り返しで mean/p50/p90/p99 を算出（ベンチマーク詳細: benchmarks/system_bench_plan_and_report.md）
実測済み: ☑ 目標値/ドキュメント値: ◎ 未計測（要測定）: —
テスト結果凡例: 🟢 全件PASS / 🟡 一部FAIL (X通過/Y失敗) / 🔴 エラー/全件FAIL

2. 機能スペック表（カテゴリ別）

2-1. コア SNN エンジン

機能	Cold Latency (ms)	Warm p50 (ms)	Warm p90 (ms)	Peak RAM (MB)	Disk (MB)	スパイク発火率 (Hz)	スパイク疎密度 (%)	オフライン	テスト結果	テストファイル
LIF ニューロンモデル	☑ 0.497	☑ 0.078	☑ 0.083	☑ 392.97	< 1	◎ 20–100	◎ 5–15 %	✓	🟢 1/0	`test_neuron_factory.py`
サロゲート勾配 (BPTT代替)	☑ 0.047	☑ 0.008	☑ 0.009	☑ 395.25	< 1	N/A	N/A	✓	🟢 3/0	`test_surrogate.py`
ChronoSpikeAttention	☑ 0.054	☑ 0.012	☑ 0.013	☑ 395.25	< 10	◎ 10–80	◎ 10–30 %	✓	🟡 7/1	`test_attention.py`, `test_attention_shapes.py`
シナプス基本演算	☑ 0.225	☑ 0.036	☑ 0.038	☑ 396.43	< 1	N/A	N/A	✓	🟢 11/0	`test_synapses.py`
Izhikevich ニューロン / NMDA ブロック	☑ 0.376	☑ 0.120	☑ 0.127	☑ 394.21	< 1	◎ 5–150	◎ 5–20 %	✓	🟢 3/0	`test_nmda_block_and_izhikevich.py`
量子化ユーティリティ (int8/int16)	—	◎ < 0.5	◎ < 2	◎ < 30 % 削減	◎ 50 % 削減	N/A	N/A	✓	—	`test_quantization_utils.py`
ジオメトリー/構造体	—	◎ < 0.2	◎ < 1	< 10	< 1	N/A	N/A	✓	🟡 1/1	`test_structures.py`, `test_shapes_suite.py`

☑ 2026-04-01 ローカル直実測: LIF forward pass (CPU, n=1, dim=100) N=50: cold=0.497 ms, p50=0.078 ms, p90=0.083 ms。ChronoSpikeAttention も同条件で p50=0.012 ms、テストは 7 通過 / 1 失敗。

2-2. シナプス可塑性・学習

機能	Cold Latency (ms)	Warm p50 (ms)	Warm p90 (ms)	Peak RAM (MB)	適応収束ステップ	エネルギー比 (×)	オフライン	テスト結果	テストファイル
STDP 基本	☑ 0.204	☑ 0.063	☑ 0.066	☑ 397.14	—	◎ 0.6×	✓	🟢 1/0	`test_stdp_modulation.py`
Meta-STDP（自己調整型）	☑ 0.101	☑ 0.047	☑ 0.048	☑ 421.22	◎ −75 % (vs 基本STDP)	◎ 0.4×	✓	🟡 14/1	`test_meta_stdp.py`
神経調節 STDP ゲーティング	—	◎ < 3	◎ < 15	< 60	—	◎ 0.5×	✓	—	`test_stdp_neuromodulation.py`
階層的可塑性	☑ 0.008	☑ 0.002	☑ 0.002	☑ 421.22	—	N/A	✓	🟢 5/0	`test_hierarchical_plasticity.py`
適格痕跡 (Eligibility Traces)	—	◎ < 2	◎ < 8	< 30	—	N/A	✓	—	`test_eligibility_traces.py`
可塑性ファクトリ / 変調器	—	◎ < 1	◎ < 3	< 20	—	N/A	✓	—	`test_plasticity_factory.py`, `test_plasticity_modulator.py`
エネルギー依存可塑性	☑ 0.079	☑ 0.041	☑ 0.046	☑ 421.22	—	◎ 0.7×	✓	🟢 18/0	`test_energy_plasticity.py`
分散適応的同期	—	◎ < 10	◎ < 50	< 100	—	N/A	✓	—	`test_adaptive_sync.py`

2-3. 神経調節物質システム

機能	Warm p50 (ms)	Warm p99 (ms)	Peak RAM (MB)	スパイク発火率変化 (%)	オフライン	テスト結果	テストファイル
ドーパミン / 報酬回路	◎ < 2	—	< 30	◎ +20–50	✓	🟢 2/0	`test_reward_circuit.py`, `test_td_and_oxytocin.py`
アセチルコリン (ACh) モジュール	◎ < 2	—	< 20	◎ θ帯 +15	✓	—	`test_acetylcholine_module.py`, `test_adapter_ach_trigger.py`
GABA / 興奮抑制バランス	◎ < 1	—	< 20	◎ −30–60	✓	🟢 2/0	`test_gaba_and_network.py`, `test_gaba_tuning.py`
神経調節ゲート統合	◎ < 3	—	< 50	—	✓	—	`test_neuromod_gate.py`
神経調節 REST API ☑	☑ 4.1	☑ 28.8	< 60	—	✓	—	`test_neuromod_rest_api.py`
感情システム	◎ < 5	—	< 40	—	✓	🟢 3/0	`test_emotion_system.py`
意識サーキット	☑ 0.001	—	☑ 421.31	—	✓	🟡 34/5	`test_conscience_circuit.py`
リズム同期 (θ/γ)	◎ < 2	—	< 30	◎ γ帯 sync	✓	🟡 3/2	`test_rhythm_sync.py`
神経調節状態 (biomimetic API) ☑	☑ 4.1	☑ 28.8	—	—	✓	—	REST `/biomimetic/neuromod/state`

☑ 実測 (2026-04-01): /biomimetic/neuromod/state N=30: cold=74.2 ms, p50=4.1 ms, p90=5.3 ms, p99=28.8 ms

2-4. 記憶システム

機能	Cold Latency (ms)	Warm p50 (ms)	スループット (ops/s)	Peak RAM (MB)	Disk (MB)	オフライン	テストファイル
海馬バッファ (エピソード記憶) ☑	☑ 0.446	☑ 132.17 µs/op	☑ 7566	☑ 423.87	< 1	✓	🟡 8/2
海馬バッファ (API 経由) ☑	☑ 43.2	☑ 5.2	☑ > 10⁴	—	—	✓	—
ワーキングメモリ	—	◎ < 1	◎ > 10⁴	< 50	< 1	✓	🟢 3/0
長期記憶 / 海馬転送	☑ 0.036	☑ 0.007	—	☑ 424.65	< 10	✓	—
SNN メモリ拡張	—	◎ < 10	—	< 200	< 20	✓	—
睡眠時記憶固定化 (STDP)	◎ < 500	◎ < 50	—	< 150	< 5	✓	🟡 9/4
睡眠–覚醒サイクル ☑	☑ 4.3	☑ 4.4	—	< 80	< 1	✓	🟢 2/0
忘却コントローラ	—	◎ < 2	—	< 30	< 1	✓	—
テンソルキャッシュ	☑ 0.221	☑ 46.16 µs/op	☑ 21662	☑ 424.57	—	✓	🟡 11/2
記憶保持ポリシー	—	◎ < 1	—	< 20	—	✓	—
記憶統計 API ☑	☑ 4.5	☑ 4.0	—	—	—	✓	—

☑ 2026-04-01 ローカル直実測: EpisodicMemory store cold=0.446 ms, p50=132.17 µs, throughput=7566 ops/s。TensorCache p50=46.16 µs, throughput=21662 ops/s。LongTermMemoryModule p50=0.007 ms。

2-5. 前頭前皮質 (PFC) ・認知制御

機能	Warm p50 (ms)	Warm p90 (ms)	Peak RAM (MB)	並列ノード数	オフライン	テスト結果	テストファイル
PFC 基本ルーティング ☑	☑ 0.027	☑ 0.045	☑ 428.70	1	✓	🟡 2/1	`test_pfc.py`
Q-PFC (量子インスパイア型 PFC) ☑	☑ 0.184	☑ 0.222	☑ 429.63	1	✓	🟡 21/2	`test_q_pfc_loop.py`
Q-PFC ヘルス API ☑	☑ 3.6	☑ 4.9	—	—	✓	—	`/q-pfc/api/v1/health`
Q-PFC stats API ☑	☑ 2.7	☑ 592.8 ※	—	—	✓	—	`/q-pfc/api/v1/q-pfc/stats`
Q-PFC 適応制御	◎ < 20	◎ < 100	< 200	1	✓	—	`test_q_pfc_adaptive_control.py`
分散 Q-PFC (28ノード対応)	◎ < 50	◎ < 200	< 500	◎ 28	✓	—	`test_distributed_qpfc.py`
マルチ PFC クラスタ	◎ < 30	◎ < 150	< 400	◎ 10	✓	—	`test_multi_pfc_cluster.py`, `test_multipfc_cluster.py`
Executive Control	◎ < 10	◎ < 40	< 120	1	✓	—	`test_executive_control.py`
意図バイアス (Intention API) ☑	☑ 2.7	☑ 4.9	< 80	1	✓	—	`/intention/current`
PFC 意思決定 (make_decision API) ☑	☑ 4.5	☑ 9.5	< 150	—	✓	—	`/api/make_decision`
デフォルトモードネットワーク	◎ < 10	◎ < 30	< 100	1	✓	—	`test_dmn.py`
コンセンサス意思決定 ☑	☑ 3.8	◎ < 80	< 200	◎ 5+	✓	—	`/api/consensus/stats`

☑ ローカル直実測 (2026-04-01): AdvancedPFCEngine forward N=50: cold=0.319 ms, p50=0.027 ms, p90=0.045 ms。QPFCAdaptiveController forward: cold=0.462 ms, p50=0.184 ms, p90=0.222 ms。

2-6. 感覚・知覚入力

機能	Warm p50 (ms)	Warm p90 (ms)	スループット	Peak RAM (MB)	Disk (MB)	オフライン	テスト結果	テストファイル
視覚エンコーダ ☑	☑ 0.105	☑ 0.111	◎ 15–30 FPS	☑ 432.35	< 50	✓	🟢 2/0	`test_vision.py`
音声エンコーダ ☑	☑ 0.582	☑ 0.592	—	☑ 434.38	< 20	✓	🟢 3/0	`test_audio.py`
音声→言語変換	◎ 100–300 ms	—	—	< 300	< 50	✓	—	`test_audio_to_language.py`
EEG 統合 / 翻訳	◎ < 50 ms	—	◎ > 100 ch	< 400	< 5	✓	—	`test_eeg_integration.py`, `test_eeg_translator.py`
EEG ドライバ / デバイス	◎ < 20 ms	—	—	< 100	< 1	✓	—	`test_eeg_drivers.py`, `test_eeg_drivers_device.py`
触覚→言語変換	◎ < 100 ms	—	—	< 150	< 5	✓	—	`test_tactile_to_language.py`
LiDAR ドライバ	◎ < 10 ms	—	—	< 100	< 1	✓	—	`test_lidar_driver.py`
USB カメラドライバ	◎ < 33 ms	—	◎ 30 FPS	< 50	< 1	✓	—	`test_usb_camera_driver.py`
ステレオ赤外線 / ONVIF	◎ < 50 ms	—	—	< 150	< 1	✓	—	`test_stereo_infrared_onvif_env.py`
センサ統合インタフェース	◎ < 5 ms	—	—	< 50	—	✓	—	`test_sensor_interface.py`
マルチモーダル融合	◎ 80–200 ms	—	—	< 500	< 20	✓	—	`test_fusion.py`

☑ ローカル直実測 (2026-04-01): SpikingVisionEncoder N=50: cold=0.425 ms, p50=0.105 ms, p90=0.111 ms。SpikingAudioEncoder は MFCC テンソル入力条件で cold=1.203 ms, p50=0.582 ms, p90=0.592 ms。

2-7. 空間処理・3D 生成

機能	Warm p50 (ms)	Warm p90 (ms)	スループット (FPS)	Peak RAM (MB)	出力サイズ (MB)	オフライン	テストファイル
空間基本処理	☑ 0.009	☑ 0.009	—	☑ 439.33	—	✓	`test_spatial_processing.py`
空間生成（高精度）	◎ 10–50 ms	◎ < 200 ms	◎ 15–60 FPS	◎ < 400	< 5 MB/frame	✓	`test_spatial_generation_high_precision.py`
空間最適化	◎ < 30	◎ < 120	—	< 300	—	✓	`test_spatial_optim.py`
空間モデル切替	◎ < 5	◎ < 20	—	< 100	—	✓	`test_spatial_models_toggle.py`
皮質トポロジー構築	☑ 18.246	☑ 18.525	—	☑ 444.83	< 20	✓	`test_cortical_topology.py`, `test_cortical_topology_unit.py`
皮質トポロジーエクスポート	◎ < 100	◎ < 500	—	< 800	◎ < 50	✓	`test_cortical_topology_export_save.py`
3D 可視化	◎ < 200	◎ < 1000	—	< 1000	—	✓	`test_3d_visualization.py`, `test_cortical_topology_viz.py`

2-8. 言語・テキスト処理

機能	Warm p50 (ms)	Warm p90 (ms)	スループット (tokens/s)	Peak RAM (MB)	Disk (MB)	オフライン	テスト結果	テストファイル
脳言語アーキテクチャ（全体）	☑ 355.006	—	—	☑ 446.27	< 100	✓	🟢 26/0	`test_brain_language.py`, `test_brain_language_comprehensive.py`
スパイクトークナイザ	☑ 0.006	☑ 0.006	☑ 10392223	☑ 444.83	< 10	✓	🟢 1/0	`test_tokenizer.py`, `test_token_categories.py`
スパイクトランスフォーマー	◎ < 10	◎ < 40	◎ > 1000	< 400	< 200	✓	—	`test_transformer.py`
言語モデル (SNN-LM)	◎ < 30	◎ < 100	◎ > 300	< 600	< 300	✓	—	`test_language_model.py`
テキストエンコーダ	◎ < 5	◎ < 20	◎ > 2000	< 100	< 20	✓	—	`test_text.py`, `test_encoding.py`
ドキュメントパーサ (ストリーム)	◎ < 10	◎ < 50	—	< 100	—	✓	—	`test_document_parsers.py`, `test_parsers_stream.py`
セマンティックチャンキング	◎ < 20	◎ < 80	—	< 150	—	✓	—	`test_semantic_chunking.py`, `test_chunking.py`
知識グラフ統合 (RAG-SNN)	◎ < 30	◎ < 100	—	< 300	—	✓	—	`test_snn_rag.py`

2-9. RAG・知識検索

機能	Warm p50 (ms)	Warm p90 (ms)	インデックスサイズ (GB)	Peak RAM (MB)	オフライン	テスト結果	テストファイル
RAG クエリ (API) ☑	☑ 40.3	☑ 55.7	—	< 500	✓ (ローカルVS)	🔴 errors	`test_rag.py`, `/api/rag/query`
SNN-RAG ハイブリッド	◎ < 30	◎ < 120	—	< 400	✓	—	`test_snn_rag.py`
Milvus バックエンド ☑稼働	☑ 40.3	☑ 55.7	—	< 200	△稼働中	🔴 errors	`test_rag_milvus.py`
Elasticsearch バックエンド ☑稼働	☑ 3.2	☑ 5.5	—	< 200	△稼働中	—	`test_elasticsearch_client.py`
Redis キャッシュ ☑	☑ 0.23	☑ 0.34	—	< 50	✓	—	`/api` Redis経由
RAG バージョン API	◎ < 20	◎ < 80	—	< 100	✓	—	`test_rag_version_api.py`, `test_rag_client_versions.py`
RAG WebSocket 進行状況	◎ < 100 ms (RTT)	◎ < 500	—	< 100	✓	—	`test_rag_ws_progress.py`
RAG 多言語 (日本語助詞対応)	◎ < 30	◎ < 100	—	< 200	✓	—	`test_japanese_rag_particle_issue.py`
RAG デバッグ / 改善	—	—	—	—	✓	—	`test_rag_debug.py`, `test_rag_improvement.py`

☑ 実測 (2026-04-01): Milvus/RAG: rag/query cold=286.8 ms, p50=40.3 ms, p90=55.7 ms; ES cluster status=green; Redis SET/GET p50=0.23 ms

2-10. 進化・最適化エンジン

機能	Cold Latency (ms)	世代あたり時間 (ms)	Peak RAM (MB)	Disk (MB)	汎化向上率	オフライン	テストファイル
ゲノム初期化 ☑	☑ 0.092	—	☑ 396.44	< 1	—	✓	🟢 8/0
ゲノム→ブレインフォワード ☑	—	☑ 1.943	☑ 446.66	—	—	✓	—
進化エンジン（基本）	◎ < 100	◎ < 500	< 500	< 10	◎ +15–25 %	✓	🟡 29/2
進化状態 API ☑	☑ 4.3	☑ 5.1	—	—	—	✓	—
高度ミューテーション	—	☑ 0.059	☑ 446.66	< 5	—	✓	—
共進化	◎ < 200	◎ < 1000	< 800	< 20	◎ +40 % (vs 手動設計)	✓	—
多様性維持	—	◎ < 100	< 100	—	—	✓	—
適応度評価器	—	◎ < 50	< 100	—	—	✓	—
アニーリング最適化	◎ < 500	◎ < 200	< 100	—	—	✓	—
ゲノムプール管理	◎ < 50	—	< 200	< 50	—	✓	—
分散進化エンジン	◎ < 200	◎ < 2000	< 1000	< 50	—	✓	—

☑ 2026-04-01 ローカル直実測: EvoGenome 初期化 cold=0.092 ms, GenomeToBrainConverter p50=1.943 ms, MutationEngine p50=0.059 ms, GenomePool.evolve_generation(pop=10) p50=0.001 ms。

2-11. 量子インスパイア機能

機能	Warm p50 (ms)	Warm p90 (ms)	Peak RAM (MB)	メタ認知不安定性 (比)	オフライン	テストファイル
量子レイヤ (Quantum Layers)	◎ < 5	◎ < 20	< 100	—	✓	🟢 3/0
量子インタフェース	◎ < 10	◎ < 50	< 150	—	✓	—
量子エンハンサ	◎ < 10	◎ < 40	< 100	—	✓	—
量子シーン調整	◎ < 20	◎ < 80	< 200	—	✓	—
量子チューニング	◎ < 30	◎ < 100	< 200	—	✓	—
量子トモグラフィ	☑ 92.657	☑ 735.723	☑ 450.88	—	✓	`test_quantum_tomography.py`
高度量子決定	☑ 0.222	☑ 0.229	☑ 451.00	◎ +340 % (対従来AI)	✓	`test_advanced_quantum_decision.py`
Q-PFC プロファイル	◎ < 5	◎ < 20	< 100	—	✓	—
Q-PFC 高度拡張	◎ < 30	◎ < 120	< 250	—	✓	—

☑ ローカル直実測 (2026-04-01): AdvancedQuantumDecisionMaker は現実装で num_options=2 の二値選択条件で測定。cold=0.410 ms, p50=0.222 ms, p90=0.229 ms。

2-12. 分散・通信システム

機能	ディスパッチ到 ACK (ms)	E2E レイテンシ (ms)	スループット (msg/s)	並列ノード数	オフライン	テスト結果	テストファイル
分散ブレインノード ☑	☑ 2.6	◎ < 50	◎ > 1000	◎ 28	LAN	—	`test_distributed_brain_node.py`, `/api/distributed_brain/status`
Zenoh PubSub (stats API) ☑	☑ 3.8	◎ < 10	◎ > 10⁴	◎ 28+	LAN/WAN	🟡 1/3	`test_zenoh_comm.py`, `/api/zenoh/stats`
RAFT コンセンサス (stats API) ☑	☑ 3.8	◎ < 100	—	◎ 5–25	LAN	—	`test_raft_persistence.py`, `/api/consensus/stats`
ノード自律発見 ☑	☑ 2.7	—	—	◎ 28+	LAN	—	`/node-discovery/health`
動的負荷分散 API ☑	☑ 4.6	—	—	◎ 25	LAN	—	`test_dynamic_load_balancer.py`, `/api/loadbalancer/statistics`
分散学習	—	◎ < 500	—	◎ 10+	LAN	—	`test_distributed_training.py`
分散評価	—	◎ < 200	—	◎ 10+	LAN	—	`test_distributed_evaluation.py`
ノード通信遅延タグ	◎ < 1	—	—	—	LAN	—	`test_communication_delay_tag.py`, `test_delay_tag_propagation.py`
PTP 時刻同期	◎ < 1	—	—	—	LAN	—	`test_ptp_sync.py`
地理的ノード管理 ☑	☑ 2.5	—	—	◎ 28+	—	—	`/api/geo/nodes`, `test_geo_node_manager.py`

☑ 実測 (2026-04-01): Zenoh stats API N=30: cold=25.8 ms (初回接続), p50=3.8 ms; RAFT stats p50=3.8 ms; LoadBalancer p50=4.6 ms; distributed_brain/status p50=2.6 ms
※ Zenoh ライブラリは Docker コンテナ内に配置。ホスト側 Python から直接 import は不可（zenoh パッケージ未インストール）。API 経由で全機能は利用可能。

2-13. セキュリティ・暗号化

機能	Warm p50 (ms)	Warm p99 (ms)	暗号化オーバーヘッド	鍵長 / 方式	オフライン	テスト結果	テストファイル
スパイク暗号化 (XOR バイトレベル)	☑ 0.013	☑ 0.014	◎ < 5 %	XOR+生物模倣強制 opt-in	✓	🟢 33/0	`test_spike_encryption.py`
TLS 強制	◎ < 5	—	—	TLS 1.2/1.3	—	—	`test_tls_enforcement.py`
mTLS 相互認証	◎ < 10	—	—	クライアント証明書	—	—	`test_mtls_auth.py`
SSL コンテキスト	◎ < 2	—	—	—	✓	—	`test_ssl.py`, `test_ssl_context.py`
安全フィルタ	◎ < 5	—	—	—	✓	—	`test_safety_filter.py`
一般セキュリティ	◎ < 10	—	—	OWASP Top10 準拠	✓	🔴 errors	`test_security.py`
OPA ポリシー認可 ☑稼働	☑ 1.1	☑ < 2	—	Rego ポリシー	✓	—	(OPA Docker: `evospikenet-opa:8181`)
ファイルバリデーター	◎ < 1	—	—	—	✓	—	`test_file_validator.py`

☑ ローカル直実測 (2026-04-01): AdvancedEncryptionEngine encrypt cold=0.904 ms, p50=0.013 ms, p90=0.014 ms。スパイク暗号化テストは 33 通過 / 0 失敗。

2-14. エネルギー・ハードウェア最適化

機能	Warm p50 (ms)	Warm p90 (ms)	エネルギー節減率	Peak RAM (MB)	オフライン	テスト結果	テストファイル
エネルギー追跡	☑ 0.003	☑ 0.004	—	☑ 451.85	✓	🟡 22/1	`test_energy_tracker.py`
エネルギーホメオスタシス	◎ < 2	—	◎ 40 %	< 50	✓	—	`test_energy_homeostasis.py`
ハードウェア情報 API ☑	☑ 2.5	☑ 3.1	◎ 30–40 %	< 100	✓	—	`/api/hardware/info`
パイプライン metrics API ☑	☑ 2.7	☑ 2.9	—	—	✓	—	`/api/pipeline/metrics`
FPGA 安全性	◎ < 1	—	—	< 10	✓	—	`test_fpga_safety.py`
GPU 演算	◎ < 10	—	—	〈GPU VRAM〉	GPU 要	—	`test_gpu_operations.py`
CUDA アテンション	◎ < 5	—	—	—	GPU 要	—	`test_cuda_attention.py`
モデル圧縮	◎ < 100	—	◎ Disk 50–75 % 削減	< 200	✓	—	`test_model_compressor.py`
モデル量子化	◎ < 50	—	◎ RAM −50 %	—	✓	—	`test_quantization_utils.py`
バッチ最適化	◎ < 5	—	—	—	✓	—	`test_batch_optimizer.py`, `test_batch_shaping.py`

☑ ローカル直実測 (2026-04-01): GPU 非搭載 CPU 環境。EnergyTracker N=50: cold=0.016 ms, p50=0.003 ms, p90=0.004 ms。energy_tracker テストは 22 通過 / 1 失敗。

2-15. 堅牢性・自動回復

機能	MTTR / p50 (ms)	p90 (ms)	成功率 (%)	Peak RAM (MB)	オフライン	テスト結果	テストファイル
自動回復 API ☑	☑ 3.0	◎ < 500	◎ > 99	< 100	✓	🟡 32/1	`test_auto_recovery.py`, `/api/recovery/status`
スナップショット一覧 API ☑	☑ 2.9	◎ < 1000	◎ > 99.9	< 200	✓	—	`/api/snapshot/list`
ロールバック	◎ < 200	—	◎ 100	< 100	✓	—	`test_rollback.py`
グレースフルデグラデーション	◎ < 100	—	◎ > 95	< 50	✓	—	`test_graceful_degradation.py`
安全ウォッチドッグ	◎ < 10	—	◎ 100	< 20	✓	—	`test_safety_watchdog_fix.py`
可用性モニタ API ☑	☑ 2.5	—	◎ > 99.9	< 30	✓	—	`/api/availability/status`
ロバスト性テスト	—	—	◎ > 98	—	✓	—	`test_robustness_tests.py`
エラーハンドリング	◎ < 1	—	◎ 100	< 10	✓	—	`test_error_handling.py`

☑ ローカル直実測 (2026-04-01): SnapshotManager.create_snapshot cold=1360.163 ms, p50=3.002 ms, p90=3.471 ms。AnomalyDetector 初期化 p50=0.001 ms。auto_recovery は 32 通過 / 1 失敗。

2-16. 監視・監査・ロギング

機能	ログ書込レイテンシ p50 (ms)	p90 (ms)	ストレージ成長率	オフライン	テスト結果	テストファイル
監査ログ stats API ☑	☑ 3.3	◎ < 1 write	~1 MB/時/ノード	✓	🟡 17/2	`test_audit_log.py`, `/api/audit/stats`
可用性 status API ☑	☑ 2.5	—	—	✓	—	`/api/availability/status`
メモリモニタ	◎ < 1	—	—	✓	—	`test_memory_monitor.py`
集中ロガー	◎ < 2	—	—	✓	—	`test_centralized_logger.py`
ログ解析	◎ < 50	—	—	✓	—	`test_log_analysis.py`
メトリクス API ☑	☑ 130.1	—	—	✓	—	`/metrics` (Prometheus形式)
進化ダッシュボード	◎ < 100	—	—	✓	—	`test_evolution_dashboard.py`
メタデータハンドラ	◎ < 2	—	—	✓	—	`test_metadata_handler.py`

☑ ローカル直実測 (2026-04-01): AuditLogManager.log p50=1.10 µs, p90=1.14 µs, throughput=908265 writes/s。可用性モニタ初期化 p50=0.001 ms。

2-17. SDK・API・外部連携

機能	Warm p50 (ms)	Warm p90 (ms)	オフライン	テスト結果	テストファイル
Python SDK 初期化 ☑	☑ 0.020	☑ 0.024	✓	🟡 48/4	`test_sdk.py`, `test_sdk_validation.py`
REST API /api/health ☑	☑ 2.0	☑ 2.2	✓	—	`/api/health`
REST API latency_check ☑	☑ 3.8	☑ 4.6	✓	🔴 errors	`test_api_endpoints.py`, `/api/latency_check`
WebSocket 非同期パイプライン	◎ < 50	◎ < 200	✓	—	`test_async_pipeline.py`
SDK バックアップ	◎ < 100	◎ < 500	✓	—	`test_sdk_backup.py`
SDK センサ連携	◎ < 10	◎ < 50	✓	—	`test_sdk_sensors.py`
SDK RAG 連携	◎ < 20	◎ < 80	✓	—	`test_sdk_rag.py`
SDK Jupyter 連携	◎ < 200	◎ < 1000	✓	—	`test_sdk_jupyter.py`
ユニバーサル統合アダプタ	◎ < 30	◎ < 100	✓	—	`test_universal_integration.py`
フロントエンド UI	◎ < 200	◎ < 1000	✓	—	`test_frontend.py`, `test_frontend_ui.py`

☑ ローカル直実測 (2026-04-01): SDK init cold=0.111 ms, p50=19.74 µs, p90=24.00 µs。ローカル直実行ベンチのため HTTP API レイテンシは本更新の対象外。

3. 他 AI との比較サマリ

詳細比較: benchmarks/evo_vs_traditional_report.md
詳細比較（5観点）: benchmarks/evo_vs_traditional_detailed.md

比較指標	EvoSpikeNet	ChatGPT (gpt-5.4)	Claude (claude-sonnet-4-6)
モデルサイズ (Disk)	モジュール別数MB–数百MB	非公開（推定 300GB+）	非公開（推定 200GB+）
メモリ使用量	☑ 最小 ≈ 2.21 MB 〜数GB	非公開（API経由）	非公開（API経由）
コールドスタート	☑ ゲノム→ブレイン ≈ 5.73 ms	数百ms〜秒 (API往復)	数百ms〜秒 (API往復)
推論レイテンシ p50	☑ 0.65 ms (forward, CPU) / ☑ 2.0 ms (REST API)	300–1000 ms (API)	300–800 ms (API)
REST API p90	☑ 2.2 ms (health) / 55.7 ms (RAG)	非公開	非公開
オフライン動作	✓ (LAN-only 機能も含む)	✗ (Internet 必須)	✗ (Internet 必須)
スパイク疎密度	◎ 5–30 % のみ活性化	N/A (Dense Tensor)	N/A (Dense Tensor)
継続学習	◎ 適応時間 −75 % (Meta-STDP)	✗ (Fine-tune 別途)	✗ (Fine-tune 別途)
分散ノード	◎ 28ノード対応 / Zenoh p50 ☑ 3.8 ms	N/A	N/A
メタ認知的柔軟性	◎ +340 % (Q-PFC, 人間的判断)	なし	なし
エネルギー効率	◎ 従来CNN比 30–70 % 削減 (CPU動作確認済)	非公開	非公開
コンテキスト長	N/A (ニューロン的記憶)	1M tokens	1M tokens
ユニットテスト数	☑ 332 ファイル	非公開	非公開
稼働 Docker サービス数	☑ 9 サービス	—	—
API エンドポイント数	☑ 187 エンドポイント	非公開	非公開

4. 追加すべき測定項目（次のアクション）

以下の指標は現在「目標値」のみで、実測ベンチを追加することで差別化強度が増す。

優先度	測定項目	推奨ベンチスクリプト	目標
高	Zenoh ノード間 RTT・スループット	`benchmarks/dispatch_bench.py`	< 2 ms, > 10⁴ msg/s
高	空間生成レイテンシ (解像度別)	`benchmarks/spatial_gen_bench.py`	20 ms @ 640×480
高	物体認識 mAP / FPS	`benchmarks/object_recog_bench.py`	mAP > 0.7, ≥ 20 FPS
中	E2E パイプライン (知覚→行動)	`benchmarks/e2e_bench.py`	< 200 ms
中	睡眠固定化後の記憶保持率	`tests/unit/test_sleep_consolidation_stdp.py`	> 90 %
中	分散28ノードスループット	`benchmarks/dispatch_bench.py --nodes 28`	線形スケール ≥ 0.8
低	GPU vs CPU エネルギー比	カスタムスクリプト+`nvml`	GPU時 −60 %
低	APIレイテンシ比較 (OpenAI/Anthropic)	`benchmarks/api_bench.py`	EvoSpikeNet p50 < API p50

5. future_apps — ロボティクス・BMI アプリケーション応答速度

EvoSpikeNet-Core を実装した各 future_apps の リアルタイム応答性能目標値 を示す。
各アプリは implementation_plan.md に記載された KPI を基準とし、対応するテストスクリプトで継続的に検証する。

凡例: ◎ = implementation_plan.md 記載の KPI 目標値、— = 未定義

5-1. ヒューマノイドロボット制御 (`humanoid`)

役割: EvoSpikeNet 分散脳をエッジに搭載したフリートノード。
オーケストレーター: cooperative_edge_robotics_system (REST + Zenoh)

機能 / ループ	応答時間目標	更新レート	成功率	備考	テストファイル
センサー → 脳往復遅延	◎ < 50 ms	—	—	ローカルネットワーク	`test_sensor_brain_loop.py`
per-node 3D マッピング処理	◎ 33–100 ms/frame	◎ 10–30 Hz	—	occipital_3d_mapper	`test_biped_simulation.py`
マップ融合更新	◎ 200 ms/update	◎ 5 Hz	—	複数ノード統合	`test_full_loop.py`
オーケストレーター接続確立	◎ < 10,000 ms	—	◎ 100 %	起動後初回	`test_orchestrator_client.py`
接続断 → スタンドアロン移行	◎ < 5,000 ms	—	◎ 100 %	フェールオーバー	`test_brain_integration.py`
ハートビート p99 レイテンシ ☑	☑ 3.7 ms	◎ 5 Hz	◎ 100 %	30台フリート実測	`tests/load/fleet_load_test.py`
ノード登録 p95 レイテンシ	◎ ≤ 500 ms	—	◎ 100 %	30台同時登録	`tests/load/fleet_load_test.py`
モーション制御ループ	—	◎ > 30 Hz	—	120 モーター制御	`test_motion_manager.py`
GPU 推論パイプライン (CUDA/CPU)	—	◎ > 10 Hz	—	非同期キュー方式	`test_pytorch_integration.py`
物理シミュレーション (PyBullet)	—	◎ > 60 Hz	—	安全検証用	`test_pybullet_simulation.py`

☑ tests/load/fleet_load_test.py 実行結果: nodes_completed=30/30, reg 100%, hb p99=3.7 ms

5-2. 協調エッジロボティクスオーケストレーター (`cooperative_edge_robotics_system`)

役割: 多ロボットフリートの役割割当・ミッション計画・連合学習を統括するサーバ (FastAPI port 8025)。

機能 / サービス	応答時間目標	スループット目標	成功率 / 精度	備考	テストファイル
ミッション計画レイテンシ (10 ロボット)	◎ < 1,000 ms	—	—	タスク分解・依存グラフ生成	`test_mission_planner.py`
ノード死活監視応答	◎ < 500 ms	—	—	ハートビート欠損検知	`test_node_registry.py`
タスクスケジューリング	◎ < 100 ms	◎ ≥ 100 タスク/s	—	優先キュー処理	`test_task_scheduler.py`
動的役割割当	—	—	—	能力マッチング	`test_fleet_diagnostics.py`
連合学習収束世代数	—	—	◎ ≤ 50 ラウンド	差分プライバシー付き	`test_pytorch_integration.py`
フリートリソース利用率	—	—	◎ ≥ 80 %	全ノード集約	`test_fleet_diagnostics.py`
故障予測 (FleetDiagnostics)	—	—	◎ ≥ 85 %	センサー/アクチュエータ診断	`test_fleet_diagnostics.py`
E2E フリートパイプライン	—	—	—	計画→スケジュール→Zenoh 配信	(integration) test_30_humanoid_fleet.py
API ルート (REST)	◎ < 50 ms	—	—	FastAPI 全エンドポイント	`test_api_routes.py`
Zenoh メッセージ配信 RTT	◎ < 5 ms	◎ > 10⁴ msg/s	—	ロボット間リアルタイム通信	(Zenoh ベンチ参照)

5-3. 自律ロボット制御 (`autonomous_robotics_control`)

役割: SNN 駆動の知覚-計画-実行サイクル（把持・搬送・コリジョン回避）。

機能 / コンポーネント	応答時間目標	更新レート / 精度	備考	テストファイル
センサーフュージョン (LiDAR/Camera/IMU)	◎ 20–50 ms	—	BEV 生成・点群処理	`test_performance.py`
コリジョン回避応答	◎ < 100 ms	—	リアルタイム安全制御	`test_system.py`
ロボットコントローラ (関節制御)	◎ < 10 ms	◎ > 100 Hz	逆運動学・アクチュエータ送信	`test_unit.py`
物体認識 (SNN 推論)	—	◎ ≥ 95 % 精度	把持点推定 ≥ 85 %	`test_full_pipeline.py`
運動計画 (RRT*/MoveIt互換)	◎ < 200 ms	—	軌跡最適化	`test_full_pipeline.py`
DNA 運動エンコーダ	—	—	進化的動作最適化	`test_unit.py`
分散 SNN 推論（タスク分散）	◎ < 50 ms	—	複数ノード同期遅延保証	`test_distributed_coordinator_only.py`
GPU 推論ベンチ	—	—	CUDA/CPU 比較計測	`test_gpu_bench.py`
LLM ワークフロー統合	◎ < 1,000 ms	—	高次タスク理解・指示解釈	`test_llm_workflow.py`
タスク成功率 (把持・搬送)	—	◎ ≥ 90 %	連続 ≥ 8 時間稼働	`test_integration.py`

5-4. 位置認識チームロボティクス (`location_aware_team_robotics`)

役割: UWB/LiDAR/IMU センサフュージョン EKF による精密位置推定とフォーメーション制御。

機能 / コンポーネント	応答時間目標	更新レート / 精度	備考	テストファイル
自己位置推定 (EKF)	◎ 20 ms	◎ ≥ 50 Hz	RMSE ≤ 5 cm	`test_full_pipeline.py`
経路計画 (A/RRT、10 m 経路)	◎ < 100 ms	—	動的障害物回避	`test_full_pipeline.py`
タスク割当 (10 ロボット)	◎ < 500 ms	—	オークション方式	`test_full_pipeline.py`
隊形制御ループ (ORCA)	◎ 100 ms	—	隊形誤差 RMS ≤ 10 cm	`test_robotics_extended.py`
チーム全体調整 (TeamCoordinator)	◎ 500 ms/update	—	役割再割当検討	`test_api_routes.py`
衝突回避成功率	—	◎ 99.9 %	ORCA アルゴリズム	`test_robotics_extended.py`
GPU ベンチ	—	—	推論加速計測	`test_gpu_bench.py`
LLM ワークフロー統合	◎ < 1,000 ms	—	高次指示解釈	`test_llm_workflow.py`

5-5. 脳機械インターフェース (BMI) (`brain_machine_interface`)

役割: EEG リアルタイム処理・運動意図デコーディング・ニューロフィードバック制御・臨床リハビリ管理。

機能 / サービス	応答時間目標	サンプリング / 精度	備考	テストファイル
EEG 信号ストリーム処理	◎ < 10 ms	◎ 1000 Hz / 256 ch	帯域フィルタ・ICA・CSP	`test_signal_interface.py`
運動意図デコーディング	◎ < 50 ms	◎ ≥ 95 % 精度	SNN 推論・左右手識別	`test_bmi_services.py`
ニューロフィードバック付与	◎ < 100 ms	—	視覚/触覚フィードバック	`test_bmi_services.py`
デバイス通信 (OpenBCI/Emotiv等)	◎ < 5 ms	—	マルチデバイス統一 IF	`test_signal_interface.py`
安全監視 (緊急停止)	◎ < 10 ms	◎ 100 % 検知率	刺激強度・生体閾値監視	`test_bmi_services.py`
分散 SNN 推論 (複数ノード)	◎ < 50 ms	—	負荷分散・冗長化	`test_bmi_extensions.py`
BMI セッション管理	◎ < 200 ms	—	開始/終了・状態遷移	`test_bmi_services.py`
リハビリプログラム実行	—	—	治療計画・進捗追跡	`test_bridge_program_uplift_api.py`
操作アップリフト API	◎ < 200 ms	—	臨床医向け REST API	`test_operational_uplift_api.py`

5-6. future_apps 横断サマリ — 応答時間比較

アプリ	最重要制御ループ	目標レイテンシ	実測値	オフライン	フリート規模
humanoid	センサー→脳→アクチュエータ	< 50 ms	☑ HB p99 = 3.7 ms	LAN	30 台
cooperative_edge	ミッション計画（10 ロボット）	< 1,000 ms	—	LAN	30 台+
autonomous_robotics	関節制御ループ	< 10 ms	—	LAN/スタンドアロン	単体
location_aware_team	EKF 位置推定	20 ms	—	LAN	10 台+
brain_machine_interface	EEG 処理→フィードバック	< 100 ms	—	—	—
EvoSpikeNet-Core (参考)	genome→brain forward	< 1 ms	☑ 0.65 ms	✓	—

本表は benchmarks/ 配下の実測値と Docs/ 配下の設計値を統合したものです。
☑ = 実測値（bench_report.md / fleet_load_test）、◎ = ドキュメント KPI 目標値、— = 未計測