Valori : Un substrat mémoire déterministe pour les systèmes d'IA

Valori: A Deterministic Memory Substrate for AI Systems

December 25, 2025

papers.authors: Varshith Gudur

cs.AI

papers.abstract

Les systèmes d'IA modernes reposent sur des embeddings vectoriels stockés et recherchés à l'aide d'opérations en virgule flottante. Bien qu'efficace pour la recherche approximative de similarité, cette conception introduit un non-déterminisme fondamental : des modèles, des entrées et un code identiques peuvent produire des états mémoire et des résultats de recherche différents selon les architectures matérielles (par exemple, x86 vs ARM). Cela empêche la rejouabilité et le déploiement sécurisé, entraînant une divergence silencieuse des données qui compromet la vérification a posteriori et les pistes d'audit dans les secteurs réglementés. Nous présentons Valori, un substrat mémoire d'IA déterministe qui remplace les opérations mémoire en virgule flottante par de l'arithmétique en virgule fixe (Q16.16) et modélise la mémoire comme une machine à états rejouable. Valori garantit des états mémoire, des instantanés et des résultats de recherche bit à bit identiques sur toutes les plateformes. Nous démontrons que le non-déterminisme survient avant l'indexation ou la récupération et montrons comment Valori impose le déterminisme à la frontière mémoire. Nos résultats suggèrent qu'une mémoire déterministe est une primitive nécessaire pour des systèmes d'IA dignes de confiance. L'implémentation de référence est open-source et disponible à l'adresse https://github.com/varshith-Git/Valori-Kernel (archivée à https://zenodo.org/records/18022660).

English

Modern AI systems rely on vector embeddings stored and searched using floating-point arithmetic. While effective for approximate similarity search, this design introduces fundamental non-determinism: identical models, inputs, and code can produce different memory states and retrieval results across hardware architectures (e.g., x86 vs. ARM). This prevents replayability and safe deployment, leading to silent data divergence that prevents post-hoc verification and compromises audit trails in regulated sectors. We present Valori, a deterministic AI memory substrate that replaces floating-point memory operations with fixed-point arithmetic (Q16.16) and models memory as a replayable state machine. Valori guarantees bit-identical memory states, snapshots, and search results across platforms. We demonstrate that non-determinism arises before indexing or retrieval and show how Valori enforces determinism at the memory boundary. Our results suggest that deterministic memory is a necessary primitive for trustworthy AI systems. The reference implementation is open-source and available at https://github.com/varshith-Git/Valori-Kernel (archived at https://zenodo.org/records/18022660).