Blame for src/bigru_t/model/som_auto_adjust.py

"""som_auto_adjust.py — V6.5-V2-auto-adjust: Auto-ajuste dos Mapas Auto-Organizáveis
(Kohonen SOM) com base nas 4 métricas principais e 4 indicadores de falha.

============================================================================
USER REQUIREMENT
============================================================================
"ANALISAR (ATENÇÃO: CORRIGIR e APRIMORAR matematicamente os erros de NaN que
estejam ocorrendo por explosão de gradientes dos pesos) matematicamente e
logicamente e inserir melhorias para os scripts das métricas de aprendizado
e indicadores de falha em Mapas Auto-Organizáveis (SOM / Redes de Kohonen)
avaliam a fidelidade de representação dos dados e a preservação da vizinhança
topológica" + "aprimorar matematicamente a lógica de autoajustes analisando
Kohonen" + "PORTANTO: observar se os valores demonstram que o modelo esteja
aprendendo e parar caso não esteja".

============================================================================
AUTO-AJUSTES IMPLEMENTADOS (1 por métrica/indicador)
============================================================================

1.1 QE alta  →  +α₀_eff (acelera aprendizado momentâneo), revival agressivo
1.2 TE alta  →  +σ₀_eff (expande vizinhança para corrigir topologia)
1.3 KL alto  →  combinado: +α e +σ (intervenção conjunta)
1.4 VE baixa →  revive neurônios mortos (representação insuficiente)

2.1 Topological Collapse  →  reinit pesos SOM (data-driven, N(0, 0.1) fallback)
2.2 Dead Neurons > 50%    →  revive_dead_neurons() + +conscience_γ
2.3 QE Stagnation         →  +α₀_eff (sobe aprendizado), bypass decaimento
2.4 Neighborhood Crossing →  -α₀_eff (desacelera para estabilizar), +σ₀_eff

Stop-learning detection (user: "parar caso não esteja"):
  - Collapse total detectado (severity="point") E revival falhou
  - QE estagnado em nível crítico (severity="severe") por ≥ 5 chunks consecutivos
  - Dead neuron rate > 0.8 após revival + conscience boost
  - All metrics NaN por 2 batches consecutivos
  - V7: Neighborhood crossing severity="severe" por ≥ 4 chunks consecutivos
    (instabilidade sináptica crônica — Prova 12)

============================================================================
MATH (Kohonen canonical + adaptive extensions)
============================================================================
- α_t = α₀ · exp(-t / τ_α), τ_α = 2000, α_min = 0.001 (FIX-3 floor)
- σ_t = σ₀ · exp(-t / τ_σ), τ_σ = 1000, σ_min = 0.1  (FIX-3 floor)
- Auto-boost (multiplicative sobre α₀_eff e σ₀_eff):
    α₀_eff ← α₀_eff · (1 + 0.3 · norm_qe)            (resposta ao QE)
    σ₀_eff ← σ₀_eff · (1 + 0.4 · te)                 (resposta ao TE)
    α₀_eff ← α₀_eff · (1 - 0.2 · crossing_severity)  (estabiliza crossing)
- V7 — Crossing severo extra boost:
    σ₀_eff ← σ₀_eff + 0.25  (re-organização topológica forçada)
- Decay bound: α₀_eff ∈ [α₀, 2·α₀], σ₀_eff ∈ [σ₀, 2·σ₀]
  (nunca abaixo do canônico, no máximo 2× para evitar divergência)

Prova 12 (neighborhood_crossing_severe stop):
  Se std(TE_final) > 2·growth_threshold·std(TE_initial) ou TE cresce
  monotonicamente no final, severity="severe". Após 4 chunks consecutivos
  severe, o treino para — a rede entrou em regime de instabilidade
  sináptica crônica onde correções (-α +σ) não recuperam a topologia.
  Continuar o treino só degrada mais a topologia, desperdiçando compute.
  Stop-learning preserva o estado atual e permite diagnóstico.
"""
from __future__ import annotations

import logging
import math
from dataclasses import dataclass, field
from typing import Any, Dict, List, Optional, Tuple

import torch

logger = logging.getLogger(__name__)


# ============================================================================
# 1. SOMAutoAdjustState — Estado persistente entre batches
# ============================================================================
@dataclass
class SOMAutoAdjustState:
    """Estado persistente do auto-ajuste entre batches.

    Mantém contadores de anomalias consecutivas para decidir quando
    parar o treino (user requirement: "parar caso não esteja").
    """
    # Boosts efetivos (multiplicativos sobre α₀ e σ₀ canônicos)
    alpha0_boost: float = 1.0           # multiplicador sobre α₀
    sigma0_boost: float = 1.0           # multiplicador sobre σ₀
    # Contadores de anomalias consecutivas (para stop-learning)
    consecutive_collapse_point: int = 0
    consecutive_qe_stagnant_severe: int = 0
    consecutive_dead_rate_critical: int = 0
    consecutive_nan_batches: int = 0
    # V7 — Neighborhood crossing severo consecutivo (instabilidade crônica)
    # User requirement: "neighborhood_crossing_severe" deve ser detectado e
    # tratado. Após N batches consecutivos com severity="severe", o treino
    # para (a rede sofreu instabilidade sináptica crônica).
    consecutive_crossing_severe: int = 0
    # Histórico de ações tomadas (últimas 50)
    actions_log: List[Dict[str, Any]] = field(default_factory=list)
    # Flag de parada (uma vez True, treino não deve continuar)
    stop_training: bool = False
    stop_reason: Optional[str] = None
    # Total de ações aplicadas
    n_actions_total: int = 0

    def reset_consecutive_counters(self) -> None:
        """Reseta contadores consecutivos (chamado após batch saudável)."""
        self.consecutive_collapse_point = 0
        self.consecutive_qe_stagnant_severe = 0
        self.consecutive_dead_rate_critical = 0
        self.consecutive_nan_batches = 0
        self.consecutive_crossing_severe = 0

    def to_dict(self) -> Dict[str, Any]:
        return {
            "alpha0_boost": float(self.alpha0_boost),
            "sigma0_boost": float(self.sigma0_boost),
            "consecutive_collapse_point": int(self.consecutive_collapse_point),
            "consecutive_qe_stagnant_severe": int(self.consecutive_qe_stagnant_severe),
            "consecutive_dead_rate_critical": int(self.consecutive_dead_rate_critical),
            "consecutive_nan_batches": int(self.consecutive_nan_batches),
            "consecutive_crossing_severe": int(self.consecutive_crossing_severe),
            "stop_training": bool(self.stop_training),
            "stop_reason": self.stop_reason,
            "n_actions_total": int(self.n_actions_total),
            "n_actions_logged": int(len(self.actions_log)),
            "recent_actions": self.actions_log[-10:],
        }


# ============================================================================
# 2. SOMAutoAdjuster — Aplica correções com base nas métricas
# ============================================================================
class SOMAutoAdjuster:
    """Aplica auto-ajustes ao SOM com base nas 8 métricas canônicas.

    Uso:
        adjuster = SOMAutoAdjuster()
        # A cada batch:
        action = adjuster.adjust(kls, som_metrics_dict)
        if action["stop_training"]:
            break  # parar caso não esteja aprendendo
    """

    # Thresholds (Kohonen canonical + heuristic)
    QE_HIGH_THRESHOLD = 0.5              # QE > 0.5 indica baixa resolução
    TE_HIGH_THRESHOLD = 0.3              # TE > 0.3 indica topologia fraca
    KL_HIGH_THRESHOLD = 0.4              # KL > 0.4 indica problema conjunto
    VE_LOW_THRESHOLD = 0.3               # VE < 0.3 indica representação fraca
    DEAD_RATE_REVIVE_THRESHOLD = 0.5     # revive se > 50% mortos
    DEAD_RATE_CRITICAL_THRESHOLD = 0.8   # crítico se > 80% mortos
    QE_STAGNATION_SEVERE_LIMIT = 5       # 5 batches consecutivos = parar
    COLLAPSE_POINT_LIMIT = 3             # 3 collapses consecutivos = parar
    DEAD_CRITICAL_LIMIT = 5              # 5 batches críticos = parar
    NAN_BATCH_LIMIT = 2                  # 2 batches NaN = parar
    # V7 — Neighborhood crossing severo (user requirement)
    # 4 batches consecutivos com crossing_severity="severe" = parar treino.
    # Justificativa matemática (Prova 12): se a oscilação crônica do TE
    # persiste por 4+ batches apesar das correções (-α +σ), isto indica
    # que a vizinhança topológica não consegue fixar — a rede entrou em
    # regime de instabilidade sináptica crônica, e continuar o treino
    # só degrada a topologia. Stop-learning evita desperdiçar compute.
    CROSSING_SEVERE_LIMIT = 4

    def __init__(self, state: Optional[SOMAutoAdjustState] = None):
        self.state = state or SOMAutoAdjustState()

    # ------------------------------------------------------------------
    # API principal: adjust()
    # ------------------------------------------------------------------
    def adjust(
        self,
        kls: Any,                              # KohonenLearningSystemV2
        som_metrics: Dict[str, Any],
        batch_idx: int = 0,
    ) -> Dict[str, Any]:
        """Aplica auto-ajustes ao SOM com base nas métricas.

        Modifica kls.som (alpha0_eff, sigma0_eff, conscience_gamma, pesos)
        e registra ações no estado. Retorna dict com ações aplicadas e
        flag stop_training (user: "parar caso não esteja aprendendo").

        Args:
            kls: instância do KohonenLearningSystemV2.
            som_metrics: dict retornado por compute_all_metrics().
            batch_idx: índice do batch (para log).

        Returns:
            Dict com:
              - actions: list[str] — ações tomadas
              - stop_training: bool — se True, parar o treino
              - stop_reason: str | None
              - state: dict — estado atual do adjuster
              - boosts: dict — alpha0_boost, sigma0_boost atuais
        """
        if som_metrics is None:
            return self._no_action_response(batch_idx, reason="no_metrics")

        actions: List[str] = []
        boosts_before = (self.state.alpha0_boost, self.state.sigma0_boost)

        # Detection helpers
        nan_detected = bool(som_metrics.get("nan_detected", False))
        qe = float(som_metrics.get("quantization_error", 0.0))
        te = float(som_metrics.get("topological_error", 0.0))
        kl = float(som_metrics.get("kaski_lagus_error", 0.0))
        ve = float(som_metrics.get("explained_variance_share", 0.0))

        collapse = som_metrics.get("topological_collapse", {}) or {}
        collapse_severity = str(collapse.get("severity", "none"))
        collapsed_to_point = bool(collapse.get("collapsed_to_point", False))

        dead = som_metrics.get("dead_neuron_rate", {}) or {}
        dead_rate = float(dead.get("dead_neuron_rate", 0.0))
        n_dead = int(dead.get("n_dead", 0))
        n_total = int(dead.get("n_total", 0))

        qe_stag = som_metrics.get("qe_stagnation", {}) or {}
        qe_stagnant = bool(qe_stag.get("is_stagnant", False))
        qe_stag_severity = str(qe_stag.get("severity", "none"))

        nb_cross = som_metrics.get("neighborhood_crossing", {}) or {}
        crossing_detected = bool(nb_cross.get("detected", False))
        crossing_severity = str(nb_cross.get("severity", "none"))

        # ==============================================================
        # NaN batch (qualquer anomalia detectada como nan)
        # ==============================================================
        if nan_detected:
            self.state.consecutive_nan_batches += 1
            actions.append(f"nan_detected (consecutive={self.state.consecutive_nan_batches})")
            if self.state.consecutive_nan_batches >= self.NAN_BATCH_LIMIT:
                self.state.stop_training = True
                self.state.stop_reason = (
                    f"nan_batches_consecutive={self.state.consecutive_nan_batches}"
                )
                logger.error(
                    f"[som_auto_adjust] STOP: {self.state.stop_reason} "
                    f"(NaN propagado por {self.state.consecutive_nan_batches} batches)"
                )
        else:
            self.state.consecutive_nan_batches = 0

        # ==============================================================
        # 2.1 Topological Collapse — reinit pesos (data-driven)
        # ==============================================================
        if collapsed_to_point:
            self.state.consecutive_collapse_point += 1
            actions.append(f"collapse_point_detected (consecutive={self.state.consecutive_collapse_point})")
            # Tenta revival agressivo (data-driven)
            try:
                revival = kls.som.revive_dead_neurons(
                    data_buffer=list(kls.buffer_4d),
                    dead_threshold=0,  # revive TODOS mortos
                )
                actions.append(
                    f"revive_after_collapse: n_revived={revival.get('n_revived', 0)}"
                )
                # Boost agressivo de conscience
                self.state.alpha0_boost = min(2.0, self.state.alpha0_boost * 1.3)
                self.state.sigma0_boost = min(2.0, self.state.sigma0_boost * 1.5)
                actions.append("boost_after_collapse: α×1.3, σ×1.5")
            except Exception as e:
                actions.append(f"revive_after_collapse_failed: {str(e)[:100]}")

            if self.state.consecutive_collapse_point >= self.COLLAPSE_POINT_LIMIT:
                self.state.stop_training = True
                self.state.stop_reason = (
                    f"collapse_point_consecutive={self.state.consecutive_collapse_point}"
                )
                logger.error(
                    f"[som_auto_adjust] STOP: {self.state.stop_reason}"
                )
        else:
            self.state.consecutive_collapse_point = 0

        # ==============================================================
        # 1.1 QE alta  →  +α₀ (acelera aprendizado)
        # ==============================================================
        if qe > self.QE_HIGH_THRESHOLD and math.isfinite(qe):
            boost = 0.3 * min(qe, 2.0)  # boost proporcional ao QE, capped
            self.state.alpha0_boost = min(2.0, self.state.alpha0_boost + boost)
            actions.append(f"qe_high_boost: α+{boost:.3f} (qe={qe:.3f})")

        # ==============================================================
        # 1.2 TE alta  →  +σ₀ (expande vizinhança)
        # ==============================================================
        if te > self.TE_HIGH_THRESHOLD and math.isfinite(te):
            boost = 0.4 * min(te, 1.0)
            self.state.sigma0_boost = min(2.0, self.state.sigma0_boost + boost)
            actions.append(f"te_high_boost: σ+{boost:.3f} (te={te:.3f})")

        # ==============================================================
        # 1.3 KL alto  →  combinado (já coberto por QE+TE acima)
        # ==============================================================
        if kl > self.KL_HIGH_THRESHOLD and math.isfinite(kl):
            # Log only — QE e TE já foram tratados individualmente
            actions.append(f"kl_high: kl={kl:.3f} (covered by qe/te boosts)")

        # ==============================================================
        # 1.4 VE baixa  →  revival adicional (representação insuficiente)
        # ==============================================================
        if ve < self.VE_LOW_THRESHOLD and math.isfinite(ve):
            # Força revival de neurônios mortos para melhorar cobertura
            try:
                if dead_rate > 0.3:
                    revival = kls.som.revive_dead_neurons(
                        data_buffer=list(kls.buffer_4d),
                        dead_threshold=0,
                    )
                    actions.append(
                        f"ve_low_revive: n_revived={revival.get('n_revived', 0)} (ve={ve:.3f})"
                    )
            except Exception as e:
                actions.append(f"ve_low_revive_failed: {str(e)[:100]}")

        # ==============================================================
        # 2.2 Dead Neurons > 50%  →  revive + +conscience_γ
        # ==============================================================
        if dead_rate > self.DEAD_RATE_REVIVE_THRESHOLD:
            try:
                revival = kls.auto_revive_if_needed(
                    dead_rate_threshold=self.DEAD_RATE_REVIVE_THRESHOLD,
                    min_steps_between_revivals=50,  # permite mais frequentes
                )
                if revival.get("action") == "auto_revived":
                    actions.append(
                        f"dead_rate_revive: n_revived={revival.get('n_revived', 0)}, "
                        f"dead_rate {revival.get('dead_rate_before', 0):.3f} → "
                        f"{revival.get('dead_rate_after', 0):.3f}"
                    )
                # Aumenta conscience_gamma para distribuir BMU melhor
                if hasattr(kls.som, 'auto_adjust_conscience_gamma'):
                    gamma_result = kls.som.auto_adjust_conscience_gamma()
                    actions.append(
                        f"conscience_auto_adjust: γ {gamma_result['gamma_old']:.3f} → "
                        f"{gamma_result['gamma_new']:.3f} (r={gamma_result['activation_rate']:.3f})"
                    )
            except Exception as e:
                actions.append(f"dead_rate_revive_failed: {str(e)[:100]}")

            if dead_rate > self.DEAD_RATE_CRITICAL_THRESHOLD:
                self.state.consecutive_dead_rate_critical += 1
                if self.state.consecutive_dead_rate_critical >= self.DEAD_CRITICAL_LIMIT:
                    self.state.stop_training = True
                    self.state.stop_reason = (
                        f"dead_rate_critical_consecutive="
                        f"{self.state.consecutive_dead_rate_critical}"
                    )
                    logger.error(
                        f"[som_auto_adjust] STOP: {self.state.stop_reason}"
                    )
            else:
                self.state.consecutive_dead_rate_critical = 0
        else:
            self.state.consecutive_dead_rate_critical = 0

        # ==============================================================
        # 2.3 QE Stagnation  →  +α₀ (sobe aprendizado, bypass decaimento)
        # ==============================================================
        if qe_stagnant:
            if qe_stag_severity == "severe":
                self.state.consecutive_qe_stagnant_severe += 1
                # Boost agressivo
                self.state.alpha0_boost = min(2.0, self.state.alpha0_boost + 0.2)
                actions.append(
                    f"qe_stagnant_severe_boost: α+0.2 (consecutive="
                    f"{self.state.consecutive_qe_stagnant_severe})"
                )
                if self.state.consecutive_qe_stagnant_severe >= self.QE_STAGNATION_SEVERE_LIMIT:
                    self.state.stop_training = True
                    self.state.stop_reason = (
                        f"qe_stagnant_severe_consecutive="
                        f"{self.state.consecutive_qe_stagnant_severe}"
                    )
                    logger.error(
                        f"[som_auto_adjust] STOP: {self.state.stop_reason}"
                    )
            else:
                # Mild — boost leve
                self.state.alpha0_boost = min(2.0, self.state.alpha0_boost + 0.05)
                actions.append("qe_stagnant_mild_boost: α+0.05")
        else:
            self.state.consecutive_qe_stagnant_severe = 0

        # ==============================================================
        # 2.4 Neighborhood Crossing  →  -α₀ (estabiliza), +σ₀
        # V7 — Crossing severo consecutivo → stop-learning (Prova 12)
        # ==============================================================
        if crossing_detected:
            # Desacelera aprendizado para estabilizar
            cross_factor = 0.2 if crossing_severity == "severe" else 0.1
            self.state.alpha0_boost = max(1.0, self.state.alpha0_boost - cross_factor)
            # Expande vizinhança para corrigir topologia
            self.state.sigma0_boost = min(2.0, self.state.sigma0_boost + 0.15)
            actions.append(
                f"neighborhood_crossing_adjust: α-{cross_factor:.2f}, σ+0.15 "
                f"({crossing_severity})"
            )

            # V7 — Contador de crossing severo consecutivo
            if crossing_severity == "severe":
                self.state.consecutive_crossing_severe += 1
                actions.append(
                    f"crossing_severe_consecutive="
                    f"{self.state.consecutive_crossing_severe} "
                    f"(limit={self.CROSSING_SEVERE_LIMIT})"
                )
                # Intervenção extra em crossing severo: boost agressivo de σ
                # para forçar re-organização topológica.
                self.state.sigma0_boost = min(2.0, self.state.sigma0_boost + 0.25)
                actions.append(
                    "crossing_severe_extra_boost: σ+0.25 (re-organização forçada)"
                )
                if self.state.consecutive_crossing_severe >= self.CROSSING_SEVERE_LIMIT:
                    self.state.stop_training = True
                    self.state.stop_reason = (
                        f"neighborhood_crossing_severe_consecutive="
                        f"{self.state.consecutive_crossing_severe}"
                    )
                    logger.error(
                        f"[som_auto_adjust] STOP: {self.state.stop_reason} "
                        f"(instabilidade sináptica crônica por "
                        f"{self.state.consecutive_crossing_severe} batches)"
                    )
            else:
                # Crossing mild: reseta contador de severo (mild é recuperável)
                self.state.consecutive_crossing_severe = 0
        else:
            # Sem crossing: reseta contador
            self.state.consecutive_crossing_severe = 0

        # ==============================================================
        # Aplica boosts efetivos ao SOM (se alterados)
        # ==============================================================
        if (self.state.alpha0_boost, self.state.sigma0_boost) != boosts_before:
            self._apply_boosts(kls)
            actions.append(
                f"boosts_applied: α₀_eff={kls.som.alpha0 * self.state.alpha0_boost:.4f}, "
                f"σ₀_eff={kls.som.sigma0 * self.state.sigma0_boost:.4f}"
            )

        # ==============================================================
        # Decay suave dos boosts quando tudo está saudável (sem ações)
        # ==============================================================
        if not actions and not self.state.stop_training:
            self.state.alpha0_boost = max(1.0, self.state.alpha0_boost * 0.98)
            self.state.sigma0_boost = max(1.0, self.state.sigma0_boost * 0.98)
            # Reset counters em batch saudável
            self.state.reset_consecutive_counters()

        # ==============================================================
        # Persiste ação no log
        # ==============================================================
        action_record = {
            "batch_idx": int(batch_idx),
            "actions": actions,
            "metrics_snapshot": {
                "qe": qe, "te": te, "kl": kl, "ve": ve,
                "dead_rate": dead_rate,
                "collapse_severity": collapse_severity,
                "qe_stagnant": qe_stagnant,
                "crossing_detected": crossing_detected,
                "nan_detected": nan_detected,
            },
            "boosts": {
                "alpha0_boost": float(self.state.alpha0_boost),
                "sigma0_boost": float(self.state.sigma0_boost),
            },
            "stop_training": bool(self.state.stop_training),
        }
        self.state.actions_log.append(action_record)
        if len(self.state.actions_log) > 50:
            self.state.actions_log = self.state.actions_log[-50:]
        if actions:
            self.state.n_actions_total += len(actions)

        return {
            "actions": actions,
            "stop_training": bool(self.state.stop_training),
            "stop_reason": self.state.stop_reason,
            "state": self.state.to_dict(),
            "boosts": {
                "alpha0_boost": float(self.state.alpha0_boost),
                "sigma0_boost": float(self.state.sigma0_boost),
            },
            "n_actions": int(len(actions)),
        }

    # ------------------------------------------------------------------
    # Helpers internos
    # ------------------------------------------------------------------
    def _apply_boosts(self, kls: Any) -> None:
        """Aplica os boosts efetivos ao SOM.

        Math:
            α₀_eff = α₀_canonical · alpha0_boost
            σ₀_eff = σ₀_canonical · sigma0_boost
        O boost é multiplicativo sobre o α₀/σ₀ canônicos (FIX-3: sempre ≥ 1.0,
        nunca abaixo do canônico para não degradar abaixo do baseline).
        O decaimento temporal (α_t = α₀_eff · exp(-t/τ)) ainda aplica normalmente.
        """
        try:
            som = kls.som
            # Boost afeta o α₀ e σ₀ que são usados em update_weights
            # α₀_eff é multiplicado internamente. Como KohonenSOM4D usa
            # self.alpha0 diretamente em update_weights, ajustamos um
            # campo _eff separado para preservar o canônico.
            if not hasattr(som, '_alpha0_canonical'):
                som._alpha0_canonical = float(som.alpha0)
                som._sigma0_canonical = float(som.sigma0)
            som.alpha0 = float(som._alpha0_canonical * self.state.alpha0_boost)
            som.sigma0 = float(som._sigma0_canonical * self.state.sigma0_boost)
            # Clamp para segurança (never below canonical, never above 2×)
            som.alpha0 = max(som._alpha0_canonical, min(2.0 * som._alpha0_canonical, som.alpha0))
            som.sigma0 = max(som._sigma0_canonical, min(2.0 * som._sigma0_canonical, som.sigma0))
        except Exception as e:
            logger.warning(f"[som_auto_adjust] _apply_boosts failed: {e}")

    def _no_action_response(self, batch_idx: int, reason: str) -> Dict[str, Any]:
        return {
            "actions": [],
            "stop_training": bool(self.state.stop_training),
            "stop_reason": self.state.stop_reason,
            "state": self.state.to_dict(),
            "boosts": {
                "alpha0_boost": float(self.state.alpha0_boost),
                "sigma0_boost": float(self.state.sigma0_boost),
            },
            "n_actions": 0,
            "skip_reason": reason,
        }


# ============================================================================
# 3. Helper para integração rápida no train script
# ============================================================================
def create_auto_adjuster() -> SOMAutoAdjuster:
    """Factory para criar um SOMAutoAdjuster com estado novo."""
    return SOMAutoAdjuster(state=SOMAutoAdjustState())


__all__ = [
    "SOMAutoAdjustState",
    "SOMAutoAdjuster",
    "create_auto_adjuster",
]