# NEURON: LLM'ler İçin Hibrit Hafıza Mimarisi

- Yazar: Ertuğrul Akben (Yapay Zeka & Sistem Stratejisti), https://ertugrulakben.com/hakkimda/
- Yayın: 3 Şubat 2026
- Son güncelleme: 3 Şubat 2026
- Adres: https://ertugrulakben.com/neuron-llmler-icin-hibrit-hafiza-mimarisi/
- Kategoriler: Genel, Güncel Haberler, Teknoloji, Yapay Zeka, Yazılım
- Etiketler: Crystal Memory, LLM memory, Morph Layer, NEURON, TBG, yapay zeka hafıza

> Kısa özet: NEURON, yapay zeka modellerinde sonsuz context window sorununun çözümü için geliştirilen hibrit hafıza sistemi. Crystal Memory ile kesin hatırlama, Morph Layer ile sınırsız anlam, TBG ile çelişki tespiti. %98.27 doğruluk oranı.

## NEURON v0.2.0

**Neural Encoding with Unified Recurrent Optimized Network**

LLM'ler için hibrit hafıza mimarisi geliştirdik. Crystal Memory ile kritik bilgileri kesin hatırlıyor, Morph Layer ile sınırsız bağlam tutuyor, ve dünyadaki hiçbir sistemde olmayan **Temporal Belief Graph (TBG)** ile çelişkileri tespit ediyor.

**Etiketler:** Yapay Zeka, LLM Memory, AR-GE, Python, PyTorch

---

---

## 1. Problem: Context Window Limiti

ChatGPT, Claude, Gemini gibi LLM'lerle uzun süreli çalıştığınızda mutlaka şu sorunlarla karşılaşmışsınızdır:

> **Gerçek Dünya Senaryosu:**
>
> **Siz:** "Toplantı 15 Mart Cuma, saat 15:45'te, Zoom'da."
>
> *(100 mesaj sonra...)*
>
> **Siz:** "Toplantı ne zaman?"
>
> **AI:** "Mart ayında bir toplantıdan bahsetmiştiniz ama tam tarih ve saati hatırlamıyorum."

### Mevcut Yaklaşımların Problemleri

| Yaklaşım | Nasıl Çalışır | Problem |
| --- | --- | --- |
| **Full Context** | Tüm konuşmayı her seferinde gönder | O(n²) maliyet, 128K token limiti |
| **RAG** | Vektör DB'den benzer chunk'ları getir | Parçalı bilgi, exact match zor |
| **Özetleme** | Eski konuşmaları özetle | "15:45" → "öğleden sonra" bilgi kaybı |
| **Mem0** | Graph/key-value hafıza | Çelişkileri sessizce üzerine yazar |

**Kritik Soru:** Ya "toplantı saat 15:00" dedikten sonra "aslında 16:00'ya ertelendi" derseniz? Mevcut sistemlerin hiçbiri bu çelişkiyi açıkça tespit etmiyor.

---

## 2. Çözüm: İkili Yol Hafıza Mimarisi

NEURON, bilgiyi tek bir yere koymak yerine **doğru hafıza tipine yönlendiriyor**:

```
┌─────────────────────────────────────────────────────────────────────┐
│                            NEURON v0.2.0                            │
├─────────────────────────────────────────────────────────────────────┤
│   INPUT ───► ENCODER ───► IMPORTANCE ROUTER (SMTR)                  │
│                                 │                                   │
│                    ┌────────────┼────────────┐                      │
│                    ▼            ▼            ▼                      │
│            ┌────────────┐ ┌──────────┐ ┌──────────┐                │
│            │  CRYSTAL   │ │   BOTH   │ │  MORPH   │                │
│            │  MEMORY    │ │  (Hedge) │ │  LAYER   │                │
│            │ (Symbolic) │ │          │ │ (Neural) │                │
│            └─────┬──────┘ └────┬─────┘ └────┬─────┘                │
│                  └─────────────┼────────────┘                       │
│                                ▼                                    │
│              ┌────────────────────────────────┐                    │
│              │   TEMPORAL BELIEF GRAPH (TBG)  │ ◄── ÖZGÜN KATKI    │
│              └────────────────┬───────────────┘                    │
│                               ▼                                     │
│                    ┌────────────────────┐                          │
│                    │   FUSION LAYER     │                          │
│                    └─────────┬──────────┘                          │
│                              ▼                                      │
│                    ┌────────────────────┐                          │
│                    │    LLM BACKEND     │                          │
│                    │ (GPT-4/Claude/etc) │                          │
│                    └────────────────────┘                          │
└─────────────────────────────────────────────────────────────────────┘
```

Temel fikir basit: **Her bilgi eşit değildir.**

### Crystal'a Gidecek Bilgiler

- Toplantı: 15 Mart, 15:45
- Bütçe: $75,000
- E-posta: user@company.com
- API Key: sk-abc123...

### Morph'a Gidecek Bilgiler

- Genel proje gereksinimlerini tartıştık
- Ekip pozitif görünüyordu
- Timeline konusunda endişeler var
- Yaklaşım konusunda hemfikiriz

---

## 3. Crystal Memory: Kesin Hatırlama

Crystal Memory, **kritik bilgileri %99.8 doğrulukla** saklayan semantik key-value store'dur.

### Semantik İndeksleme

Her bilgi, embedding vektörü ile saklanır. Sorgu geldiğinde cosine similarity ile eşleşmeler bulunur.

**Formül:** similarity(q, k) = cos(θ) = (q · k) / (||q|| × ||k||)

### Importance-Weighted LRU Eviction

Crystal 10K öğe ile sınırlıdır. Dolduğunda, en az önemli ve en eski öğeler çıkarılır:

**Formül:** eviction\_score = importance × recency\_decay (Düşük skor = önce çıkar)

### Kullanım Örneği

```
from neuron import CrystalMemory

crystal = CrystalMemory(max_items=10000, embedding_dim=512)

# Kritik bilgi sakla
crystal.store(key=embedding, value="Toplantı 15 Mart 15:45", importance=0.95)

# Sorgula
results = crystal.retrieve(query_embedding, top_k=5)
# → [{"value": "Toplantı 15 Mart 15:45", "similarity": 0.98}]
```

### Crystal Memory Metrikleri

- **Max Kapasite:** 10K
- **Recall Accuracy:** 99.8%
- **Similarity Threshold:** >0.95

---

## 4. Morph Layer: Sınırsız Bağlam

Morph Layer, **sabit O(1) bellekle sınırsız bilgi** işleyebilen neural state matrix'tir.

### State Matrix Güncelleme

**Formül:** M(t) = λ × M(t-1) + η × ΔW

λ: decay rate, η: learning rate, ΔW: weight delta

### HyperNetwork ile ΔW Hesaplama

**Formül:** k = Φ\_key(x), v = Φ\_val(x), ΔW = k ⊗ v

Outer product ile low-rank güncelleme

### Semantic-Aware Decay

**Formül:** λ = base\_decay^(2 - similarity)

Benzer bilgiler yavaş, farklı bilgiler hızlı unutulur

```
# rank=64 için:
M.shape = [512, 512]  # Sabit!
params = 512 × 512 = 262,144  # ~1MB

# 1 milyon mesaj işlesen bile:
M.shape = [512, 512]  # Hala sabit!
```

### Morph Layer Metrikleri

- **Bellek Kullanımı:** O(1)
- **State Matrix:** ~1MB
- **Context Retention:** 95%

---

## 5. Temporal Belief Graph: Çelişki Tespiti

> **ÖZGÜN KATKI:** TBG, NEURON'un en önemli yeniliğidir. Titans (Google), BudgetMem, TiMem, Mem0 dahil hiçbir mevcut hafıza sistemi çelişkileri açıkça tespit etmiyor.

### Çelişki Tipleri

| Çelişki Tipi | Örnek | Tespit Yöntemi |
| --- | --- | --- |
| **VALUE\_CONFLICT** | "Saat 15:00" vs "Saat 16:00" | Aynı yapı, farklı değer |
| **NEGATION** | "Onaylandı" vs "Onaylanmadı" | Negation pattern matching |
| **TEMPORAL\_CONFLICT** | "Bugün" vs "Yarın" | Zaman ifadesi çakışması |
| **PARTIAL** | Kısmi örtüşen bilgiler | High overlap, different content |

### Belief Evolution

**Formül:** confidence = (corroboration\_count / total\_evidence) + recency\_adjustment

Doğrulama arttıkça güven artar, çelişki gelince düşer

```
# İlk bilgi
neuron.absorb(emb, "Toplantı saat 15:00")  # confidence: 0.7

# Aynı bilgi tekrar (corroboration)
neuron.absorb(emb, "Evet, toplantı 15:00'te")  # confidence: 0.85 ↑

# Çelişkili bilgi (contradiction)
neuron.absorb(emb, "Toplantı 16:00'ya ertelendi")
# → İlk bilgi confidence: 0.4 ↓
# → Contradiction kaydedildi!

# Çelişkileri sorgula
conflicts = neuron.get_contradictions()
history = neuron.get_belief_history()
```

---

## 6. SMTR: Akıllı Yönlendirme

SMTR, her bilgiyi doğru hafıza tipine yönlendiren akıllı router'dır.

```
def route(embedding, text, context):
    importance = calculate_importance(text)  # Tarih, sayı, isim var mı?
    surprise = calculate_surprise(embedding, context)

    if importance > 0.7 and surprise > 0.5:
        return "CRYSTAL_HIGH"  # Kritik + şaşırtıcı
    elif importance > 0.7:
        return "CRYSTAL"
    elif surprise > 0.6:
        return "BOTH"  # Hedge - her ikisine yaz
    else:
        return "MORPH"
```

### Importance Boost Tablosu

| Pattern | Örnek | Importance Boost |
| --- | --- | --- |
| Tarih/Saat | "15 Mart", "saat 14:30" | +0.3 |
| Para | "$75,000", "500 TL" | +0.25 |
| E-posta | "user@company.com" | +0.2 |
| Kod/API Key | "sk-abc123..." | +0.3 |

---

## 7. Gerçek Dünya Senaryoları

### 💼 Proje Yönetimi Asistanı

**Durum:** PM, AI ile 3 aylık proje boyunca çalışıyor.

- Tarihler, bütçeler Crystal'da → "Q2 deadline ne zaman?" → Kesin cevap
- Tartışmalar Morph'ta → "Ekibin havası nasıldı?" → Bağlamsal cevap
- Bütçe değişince TBG uyarır → "Dikkat: Bütçe $50K'dan $75K'ya güncellendi"

### 🏥 Sağlık Takip Botu

**Durum:** İlaç dozları ve randevu takibi

- "Aspirin 100mg günde 2" → Crystal (kritik)
- "Doktor 200mg'a çıkardı" → TBG: "Uyarı: Doz değişikliği algılandı"

### RAG vs NEURON Karşılaştırması

**RAG ile:** "Saat 15:00" ve "Saat 16:00" aynı similarity. Hangisi güncel? Bilinmiyor.

**NEURON ile:** TBG çelişkiyi tespit etmiş. "16:00" daha yeni. AI: "Toplantı 16:00'da. Not: Önceden 15:00 idi."

---

## 8. Benchmark Sonuçları

### Özet Metrikler

- **Crystal Recall:** 99.8%
- **Routing Accuracy:** 100%
- **Genel Doğruluk:** 98.3%
- **Context Retention:** 95%

### Detaylı Benchmark Tablosu

| Benchmark | n | Skor | Detay |
| --- | --- | --- | --- |
| Crystal Recall | 500 | **99.80%** | 499/500 kesin retrieval |
| Routing Accuracy | 1000 | **100.00%** | 1000/1000 doğru yönlendirme |
| Memory Efficiency | 2000 | **100.00%** | Crystal bounded, Morph O(1) |
| Context Retention | 100 | **95.01%** | Centroid alignment |
| TBG Contradiction | 100 | **100.00%** | Tüm çelişkiler tespit edildi |

### Performans Süreleri

| İşlem | Süre | Not |
| --- | --- | --- |
| Absorb | ~7 ms/item | Store + route + TBG check |
| Query | ~1.4 ms/item | Crystal + Morph + Fusion |
| LLM API Call | ~500-2000 ms | Karşılaştırma için |

**Not:** NEURON overhead'i (~10ms) LLM API'ye göre (%1'den az) ihmal edilebilir.

---

## 9. Rakiplerle Karşılaştırma

| Sistem | Hafıza Tipi | Routing | Çelişki Tespiti |
| --- | --- | --- | --- |
| **Titans** (Google) | Tek neural | Surprise→Write | ❌ Yok |
| **BudgetMem** | Dual text | Salience scoring | ❌ Yok |
| **TiMem** | Hierarchical | Complexity-based | ❌ Yok |
| **Mem0** | Graph-based | Dense retrieval | ⚠️ Sessiz üzerine yazma |
| **MemGPT** | Hierarchical text | LLM-driven | ❌ Yok |
| **NEURON** | Sembolik + Neural | SMTR | ✅ TBG |

---

## 10. LLM Entegrasyonu

OpenAI, Claude, Gemini adaptörleri ile plug-and-play entegrasyon.

```
from neuron import NEURON
from neuron.adapters import OpenAIAdapter, ClaudeAdapter

# NEURON hafıza sistemi
memory = NEURON(crystal_size=10000, embedding_model="text-embedding-3-small")

# OpenAI adaptörü
llm = OpenAIAdapter(memory=memory, model="gpt-4-turbo")

# Otomatik hafıza yönetimi!
response = llm.chat("Toplantı ne zaman?")
# → NEURON Crystal'dan "15 Mart 15:45" çeker
# → LLM'e context olarak ekler
# → "Toplantı 15 Mart Cuma, saat 15:45'te."

# Çelişki varsa uyarır
response = llm.chat("Bütçeyi güncelle: $100,000")
# → TBG: "Dikkat: Önceki bütçe $75,000 idi."
```

### Desteklenen LLM'ler

| LLM | Adaptör | Durum |
| --- | --- | --- |
| OpenAI GPT-4 | OpenAIAdapter | Hazır |
| Claude | ClaudeAdapter | Hazır |
| Gemini | GeminiAdapter | Hazır |
| Local (Ollama) | LocalAdapter | Geliştiriliyor |

---

## 11. Limitasyonlar

- **Embedding Bağımlılığı:** Kalite, embedding modeline bağlı
- **Crystal Kapasitesi:** 10K ile sınırlı
- **Morph Bulanıklığı:** Kesin değerler döndüremez
- **TBG False Positive:** Benzer ama çelişkili olmayan bilgiler yanlış tespit edilebilir
- **Harici Benchmark Eksik:** LoCoMo, RAGBench validasyonu beklemede

---

## 12. Yol Haritası

### ✅ Ocak 2026 - Faz 1: Literatür Taraması

20+ paper: Titans, BudgetMem, TiMem, Mem0, MemGPT...

### ✅ 1-2 Şubat 2026 - Faz 2: Core Engine

Crystal, Morph, SMTR, Fusion, TBG tamamlandı. %98.3 doğruluk.

### 🔄 Şubat 2026 - Faz 3: LLM Entegrasyonu

OpenAI, Claude, Gemini adaptörleri

### 📋 Şubat 2026 - Faz 4: Production

Docker, PyPI, dokümantasyon, beta release

### 📋 Mart 2026 - Faz 5: Paper & Launch

ArXiv paper, GitHub public release

### Kurulum

```
# Kaynak koddan
git clone https://github.com/ertugrulakben/neuron.git
cd neuron && pip install -e .

# PyPI'dan (yakında)
pip install neuron-memory
```

---

## Sonuç

NEURON, LLM hafıza sistemlerinde yeni bir yaklaşım sunuyor:

- **Crystal Memory:** Kritik bilgileri %99.8 doğrulukla saklar
- **Morph Layer:** O(1) bellekle sınırsız bağlam tutar
- **TBG:** Dünyanın ilk explicit çelişki tespit sistemi
- **SMTR:** Akıllı routing ile doğru hafızaya yönlendirme

**Özet Metrikler:** Genel Doğruluk: %98.3 | Routing: %100 | Crystal Recall: %99.8 | Overhead: <%1

---

**Geliştirici:** Ertuğrul Akben

**Lisans:** MIT

---

Ertuğrul Akben · https://ertugrulakben.com/ · i@ertugrulakben.com
