相位代理人：三因子塑性和睡眠分期学习的振荡图

相位代理人是动态系统，其内部状态为相位图：一张由耦合的斯图亚特-兰道夫振荡器构成的加权图。斯图亚特-兰道夫振荡器是靠近 Hopf 分岔点处的最小稳定“节律发生器”（normal form）；每个振荡器被视为抽象计算单元（灵感来自，但不声称其建模生物振荡 population）。在此解释下，振荡器的相位跟踪相对时序（相干性），而�幅跟踪局部 gain 或 activity。相对相位结构作为表征介质；耦合权重通过三因子 local plasticity 学习——即由稀疏 global modulator 控制的 eligibility traces，以及振荡定时的 write window——无需反向传播。振荡基质的核心挑战之一是 stability：在线权重更新可能导致网络进入不受欢迎的 regime（例如全局同步），从而坍塌表征多样性。因此，我们将 wake 标记与 offline consolidation 分离，灵感来自 synaptic tagging-and-capture 和 sleep-stage 动力学：deep-sleep-like 门控捕获安全地提交已标记的更改，而 REM-like 回放重构并扰动经验以进行规划。一套分阶段实验套件验证了每个机制的工作情况：eligibility traces 在延迟调制下保持信用；compression-progress 信号通过 timestamp-shuffle 控制；phase-coherent 检索在 noise 下达到 4 倍 diffusive baseline；wake/sleep 分离在匹配 weight-norm 预算下将 stable learning 扩展 67 百分比；REM 回放将迷宫成功率提高 +45.5 个百分点；以及一种 Tolman 风格的潜在学习信号——即在未奖励的探索后立即具备能力和 detour 优势，与 internal model 一致——从回放中涌现（Tolman, 1948）。该项目的代码和所有制品均为开源。