Перейти к основному содержимому

Геометрия наблюдаемого шума и натуральный градиент

Программа Ванчурина выводит физический и биологический закон из динамики обучения. Она оставляет неопределённой одну центральную величину: функциональную связь g(κ)g(\kappa) между метрическим тензором на обучаемом пространстве и ковариацией градиентного шума, параметризованную степенным законом g=κag=\kappa^{a} с тремя поимёнованными режимами — a=0a=0 (стохастический градиент), a=12a=\tfrac12 (эффективное обучение, Adam-подобное, предполагаемое основанием биологической сложности) и a=1a=1 (натуральный градиент, «квантовый режим»). Он указывает, что прямые эмпирические оценки κ\kappa остаются недоступными, и называет их получение серьёзным вызовом.

В УГМ эта величина не свободна. Оба множителя вынуждены аксиомами — gg Аксиомой 2 (Бюрес выбирается дополнительным критерием минимальной нормированной монотонной метрики), κ\kappa заданным наблюдательным jump-инструментом: атомарными операторами плюс семью Фано-проекторами. Один усреднённый диссипатор не фиксирует статистику наблюдаемых траекторий (§7.2). Поэтому их связь есть теорема, а не параметр:

κat↑↑  =  γ4N g−1⟺Π g κat Π  =  γ4N Π\kappa^{\uparrow\uparrow}_{\text{at}} \;=\; \frac{\gamma}{4N}\,g^{-1} \qquad\Longleftrightarrow\qquad \Pi\,g\,\kappa_{\text{at}}\,\Pi \;=\; \frac{\gamma}{4N}\,\Pi

на популяционном секторе голона размерности N=7N=7, где Π\Pi — проектор на касательное пространство. Это дословно собственный критерий Ванчурина для a=1a=1: подстановка a=1a=1 в его ур. (7.5) даёт g−1=g−1κg−1=κ↑↑g^{-1}=g^{-1}\kappa g^{-1}=\kappa^{\uparrow\uparrow}. Отсюда

a=1(натуральный градиент) — точно.a = 1 \quad\text{(натуральный градиент) — точно.}
Область математического вывода

Тождества ниже относятся к популяционной ковариации и указанному инструменту. Они не определяют функцию потерь и снос натурального градиента: чистый шум без сноса сам по себе не доказывает уменьшение ошибки обучения. При mm jump-исходах мгновенная ковариация K=∑ereveve⊤K=\sum_e r_e v_e v_e^\top имеет ранг не выше mm. Поэтому для этих 14 исходов она не может быть положительной кратностью обратной метрики Бюреса на всём 48-мерном касательном пространстве D(C7)\mathcal D(\mathbb C^7). На I/7I/7 её ранг равен 6: внедиагональные направления имеют положительную бюресову норму, но нулевую jump-ковариацию. Накопленная во времени наблюдаемость при управлении — отдельная задача, не запрещённая этой границей.

Сокращение gKgK при λi>0\lambda_i>0 не разрешает подставлять нулевые собственные значения в 1/λi1/\lambda_i. На границе нужно указать носитель и его касательное пространство. Полная декогеренция также не фиксирует полосу чистоты: I/7I/7 и diag⁡(3/4,1/24,…,1/24)\operatorname{diag}(3/4,1/24,\ldots,1/24) полноранговы, стационарны под дефазированием и имеют чистоты 1/71/7 и 55/9655/96. Точный стенд этих ограничений: scripts/verify_adaptive_observation.py.

Управляемая наблюдаемость

Достижимость под шумом и наблюдаемость различаются. Для известной линейной модели измерений W=∑iΦi∗Hi∗BiHiΦiW=\sum_i\Phi_i^*H_i^*B_iH_i\Phi_i, Bi>0B_i>0, и ker⁡W=⋂iker⁡(HiΦi)\ker W=\bigcap_i\ker(H_i\Phi_i). Повороты проекторных измерений на независимо приготовленных семимерных состояниях дают точные ранги касательных 6 (диагональ), 27 (добавлены вещественные парные когерентности), 48 (добавлены мнимые пары). Пример предполагает доступность управления и приготовлений; он не предоставляет их для единственной меняющейся системы.

Первоисточники

Номера уравнений всюду отсылают к:

  • [V1] V. Vanchurin, Geometric framework for biological evolution, arXiv:2603.15198 — ур. (4.7), (6.3), (6.7)–(6.9), (7.1)–(7.6). Именно отсюда взята программа g(κ)g(\kappa) в используемом здесь виде.
  • [V2] V. Vanchurin, Geometric Learning Dynamics, arXiv:2504.14728, Biological Cybernetics (2026) — ур. (2.2), (2.8), (2.9), (5.5).

Две ловушки обозначений, оговорим один раз. В [V1] показатель обучения обозначен aa, а α\alpha — координатный индекс; в [V2] показатель обозначен α\alpha. Мы следуем [V1] и пишем aa. И его γ\gamma — скорость обучения, наша γ\gamma — скорость диссипатора: это разные величины, и всякая γ\gamma на этой странице наша.

Далее следуют четыре точных результата. Канонический Фано-слой умножает метрически взвешенный след шума на универсальный рациональный множитель 11/911/9 — независимо от состояния, — так что блочный слой несёт ровно 2/112/11 шума, и вносит вычислимую анизотропию. Величина шума привязана к чистоте: Tr⁡κ=γN(1−P)\operatorname{Tr}\kappa=\frac{\gamma}{N}(1-P). Диссипатор обнуляет всякое диагональное состояние, поэтому на популяциях он есть чистый шум без сноса — а именно это и делает κ\kappa подлинно центрированной ковариацией в смысле его (7.4). И существует строгое секторное расщепление: κcoh=0\kappa^{\text{coh}}=0 на декогерированном многообразии, где когерентности вместо шума детерминированно сжимаются со скоростью λdeco=5γ/21\lambda_{\text{deco}}=5\gamma/21.

Доказанный результат описывает геометрию шума выбранного популяционного инструмента. Модель обучения может использовать её, но для утверждения о точности нужны цель, снос, наблюдения и проверка. Сопоставление с биологическим обучением остаётся гипотезой моста; §9 проверяет структуру ковариации при заявленных предпосылках выборки.


Область сравнения

Тождества ниже относятся к выбранным диссипатору, инструменту Крауса, координатам и метрике. Их вывод не доказывает единственный закон обучения физических голономов или биологии. Замена реализации Крауса может менять статистику приращений, сохраняя квантовый канал; инструмент входит в модель наблюдений. Градиент при замороженной цели отличается от обратной связи, зависимой от состояния, в пересмотренных T-261–T-263. Физический мост проверяется независимо.

1. Две рамки и их словарь​

Ковариантная обучающая рамка Ванчурина (далее VL) построена на: обучаемые переменные qq, функция потерь/приспособленности F\mathcal F, метрика gαr,βsg_{\alpha r,\beta s} на обучаемом пространстве, ковариация шума καr,βs=⟨∂αϕ ∂βϕ⟩\kappa_{\alpha r,\beta s}=\langle\partial_\alpha\phi\, \partial_\beta\phi\rangle (его 6.7) и ковариантное обновление q˙=g−1∇F\dot q = g^{-1}\nabla\mathcal F (его 6.3). Алгоритм обучения определяется функциональной связью g(κ)g(\kappa) (его 6.8–6.9).

УГМ построен на пяти аксиомах: реальность как ∞\infty-топос над матрицами плотности, топология Гротендика Бюреса, размерность ω0\omega_0 и заданным расширением с часами Пейджа–Вуттерса и ограничением. В следующей модели члены динамики объединены в три выбранные группы [О].

LΩ[Γ]=−i[H,Γ]⏟Aut+DΩ[Γ]⏟Фано-диссипатор+R[Γ]⏟регенерация.\mathcal L_\Omega[\Gamma] = \underbrace{-i[H,\Gamma]}_{\text{Aut}} + \underbrace{\mathcal D_\Omega[\Gamma]}_{\text{Фано-диссипатор}} + \underbrace{\mathcal R[\Gamma]}_{\text{регенерация}} .

Словарь точен по каждой значимой строке:

Объект VLОбъект УГМСтатус связи
обучаемое состояние qqматрица когерентностей Γ∈D(C7)\Gamma\in\mathcal D(\mathbb C^7)структурная
потери −F-\mathcal Fфункционал F[φ;Γ]\mathcal F[\varphi;\Gamma]Выражение является кросс-энтропией. Заданный канал может не достигать минимума.
метрика ggметрика Бюреса/SLD — единственная монотонная (Петц; T-187)вынуждена, не выбрана
ковариация шума κ\kappaковариация одношаговых Краус-приращений DΩ\mathcal D_\Omegaзависит от выбранного измерительного инструмента
ковариантный спускрегенерация к цели ρ∗\rho_*Заданное семейство отображений [О].
эмерджентное время = индекс блокаτ∈Z7\tau\in\mathbb Z_7 (Пейдж–Вуттерс)T-38b, T-87
maxent-тождество g−1=cg^{-1}=c (его 4.7)выведено здесь как динамическая теорема (§4)эта страница
многоуровневая структуратензорное произведение и заданная агрегацияКК-5 выполняется при слабой связи для указанного агрегата. Сжатие 1/31/3 в канале Фано — отдельный результат.
клеточная сетьплоскость Фано PG(2,2)\mathrm{PG}(2,2), единственный оптимальный BIBD(7,3,1)(7,3,1)T-41i

2. Постановка: ковариация шума голона​

Пусть ρ\rho — состояние голона, а канонический диссипатор имеет набор Линдблада

K  =  {Lk=∣k⟩⟨k∣}k=17⏟атомарные  ∪  {Lp=13Πp}p∈PG(2,2)⏟Фано,Πp=∑i∈p∣i⟩⟨i∣.\mathcal K \;=\; \underbrace{\{L_k=|k\rangle\langle k|\}_{k=1}^{7}}_{\text{атомарные}} \;\cup\; \underbrace{\Bigl\{L_p=\tfrac{1}{\sqrt3}\Pi_p\Bigr\}_{p\in\mathrm{PG}(2,2)}}_{\text{Фано}}, \qquad \Pi_p=\sum_{i\in p}|i\rangle\langle i| .
Инвариантность разметки

Каждый результат этой страницы зависит от набора прямых только через параметры дизайна (v,k,r,b)=(7,3,3,7)(v,k,r,b)=(7,3,3,7) — какие именно осевые тройки реализуют прямые, нигде не входит. Осе-помеченные следствия (как экран третьей точки, упомянутый в §5) требуют канонического набора транслятов корпуса, {1,2,4}+k(mod7)\{1,2,4\}+k \pmod 7 при U=6, O=7U=6,\,O=7 — см. правила отбора.

В картине квантовых скачков (unravelling) за время dtdt скачок ee происходит с вероятностью pe=γ dtNTr⁡(LeρLe†)p_e=\frac{\gamma\,dt}{N}\operatorname{Tr} (L_e\rho L_e^\dagger), переводя ρ\rho в ρe=LeρLe†/Tr⁡(LeρLe†)\rho_e=L_e\rho L_e^\dagger/ \operatorname{Tr}(L_e\rho L_e^\dagger). Определим ковариацию шума как ковариацию одношагового приращения Δe=ρe−ρ\Delta_e=\rho_e-\rho:

κ  :=  1dt∑epe  Δe⊗Δe.\kappa \;:=\; \frac{1}{dt}\sum_{e} p_e\;\Delta_e\otimes\Delta_e .

Это καr,βs\kappa^{\alpha r,\beta s} Ванчурина с поднятыми индексами — ковариация временных изменений, его (7.4). Расположение индексов несёт нагрузку, и именно это читателю стоит проверить первым: Δe\Delta_e — касательный вектор (изменение λ\lambda), поэтому его ковариация контравариантна, а его (7.4) утверждает в точности κ↑↑=g−1κ↓↓g−1=⟨q˙q˙⟩−⟨q˙⟩⟨q˙⟩\kappa^{\uparrow\uparrow}=g^{-1}\kappa_{\downarrow\downarrow}g^{-1} =\langle\dot q\dot q\rangle-\langle\dot q\rangle\langle\dot q\rangle. Перепутать здесь — значит получить показатель противоположного знака.

Его (7.4) — центрированная ковариация, тогда как определение выше есть второй момент. Они совпадают лишь при нулевом среднем приращении — а оно нулевое точно, и это §7.1. Без него мост не замкнулся бы.

Для состояния, диагонального в каноническом базисе, ρ=diag⁡(λ)\rho=\operatorname{diag}(\lambda), все объекты живут на популяционном секторе — касательном пространстве T={x∈RN:1 ⁣⊤x=0}T=\{x\in\mathbb R^N:\mathbf 1^{\!\top}x=0\} с проектором Π=I−1NJ\Pi=I-\tfrac1N J, где J=11 ⁣⊤J=\mathbf 1\mathbf 1^{\!\top}.

2.1 Нормировка метрики, заявленная прямо​

Монотонные метрики определены лишь с точностью до конвенции нормировки, а поскольку главное тождество несёт численную константу, конвенцию нужно закрепить, а не предполагать. На коммутирующих (диагональных) возмущениях всякая монотонная метрика пропорциональна классической метрике Фишера–Рао, поэтому запишем

g∣T  =  cg diag⁡(1/λ),cg=14 (Бюрес),cg=1 (SLD-QFI = Фишер–Рао).g\big|_T \;=\; c_g\,\operatorname{diag}(1/\lambda), \qquad c_g=\tfrac14\ \text{(Бюрес)},\qquad c_g=1\ \text{(SLD-QFI = Фишер–Рао)} .

Значение для Бюреса есть 14\tfrac14, а не 12\tfrac12: из DB2=2(1−F)=12∑jk∣⟨j∣dρ∣k⟩∣2/(λj+λk)D_B^2=2(1-F)=\tfrac12\sum_{jk}\lvert\langle j|d\rho|k\rangle\rvert^2/ (\lambda_j+\lambda_k) на диагональных членах λj+λk=2λj\lambda_j+\lambda_k=2\lambda_j, откуда DB2=14∑j(dλj)2/λjD_B^2=\tfrac14\sum_j (d\lambda_j)^2/\lambda_j. Квантовая информация Фишера в форме SLD равна 4×4\times Бюрес и точно редуцируется к классической метрике Фишера (Браунштейн–Кейвс; T-187 Char-III); именно эта нормировка принята в литературе о натуральном градиенте.

Что зависит от cgc_g, а что нет. Показатель a=1a=1, Фано-множитель 11/911/9, закон шум–чистота и эффективный ранг от cgc_g не зависят. Сдвигаются только абсолютные константы:

величинаБюрес (cg=14c_g=\tfrac14)SLD-QFI (cg=1c_g=1)
ΠgκatΠ\Pi g\kappa_{\text{at}}\Piγ4NΠ=γ28Π\frac{\gamma}{4N}\Pi=\frac{\gamma}{28}\PiγNΠ=γ7Π\frac{\gamma}{N}\Pi=\frac{\gamma}{7}\Pi
Tr⁡(gκat)\operatorname{Tr}(g\kappa_{\text{at}})3γ14\frac{3\gamma}{14}6γ7\frac{6\gamma}{7}
Tr⁡(gκfull)\operatorname{Tr}(g\kappa_{\text{full}})11γ42\frac{11\gamma}{42}22γ21\frac{22\gamma}{21}
на моду11γ252\frac{11\gamma}{252}11γ63\frac{11\gamma}{63}

Основным приводится Бюрес, поскольку именно его вынуждает Аксиома 2. Все проверки §9 сформулированы так, чтобы от выбора не зависеть.

2.2 Процесс скачковый, а не диффузионный​

Ещё одно ограничивает притязания моста. Ур. (6.6) VL постулирует белый шум, ⟨ϕϕ′⟩=C δ(t−t′)\langle\phi\phi'\rangle=C\,\delta(t-t'), что читается как диффузия; unravelling выше есть составной пуассоновский процесс, скачки которого не малы — каждый уводит λ\lambda в угол eke_k симплекса. Определение поэтому вычисляет скорость квадратичной вариации, то есть интенсивность шума, а для составного пуассоновского процесса с нулевым средним приращение за окно Δt\Delta t имеет ковариацию ровно κ Δt\kappa\,\Delta t. Значит отождествление с его (7.4) точно на уровне второго кумулянта — и только там: высшие кумулянты скачков голона не гауссовы. Всякое предсказание этой страницы есть утверждение о вторых моментах, почему оно и выживает; практическое следствие — приращения обязаны агрегироваться по окнам, достаточно длинным для центральной предельной теоремы, — расписано в §9.1.


3. Ковариация Крауса точно мультиномиальна​

Теорема [Т]

Для атомарной части канонического диссипатора и любого диагонального состояния ρ=diag⁡(λ)\rho=\operatorname{diag}(\lambda)

κat  =  γN(diag⁡(λ)−λλ ⁣⊤),\kappa_{\text{at}} \;=\; \frac{\gamma}{N}\Bigl( \operatorname{diag}(\lambda)-\lambda\lambda^{\!\top}\Bigr),

то есть ровно γ/N\gamma/N, умноженное на ковариационную матрицу одноиспытательного мультиномиального распределения с параметрами λ\lambda.

Доказательство. Для Lk=∣k⟩⟨k∣L_k=|k\rangle\langle k| имеем LkρLk†=λk∣k⟩⟨k∣L_k\rho L_k^\dagger=\lambda_k|k\rangle\langle k|, откуда Tr⁡(LkρLk†)=λk\operatorname{Tr}(L_k\rho L_k^\dagger)=\lambda_k, pk=γ dt λk/Np_k=\gamma\,dt\,\lambda_k/N и ρk=∣k⟩⟨k∣\rho_k=|k\rangle\langle k|, так что Δk=ek−λ\Delta_k=e_k-\lambda как вектор популяционного сектора. Подставляя:

κat=γN∑kλk(ek−λ)(ek−λ) ⁣⊤=γN[∑kλkekek ⁣⊤−λλ ⁣⊤−λλ ⁣⊤+λλ ⁣⊤],\kappa_{\text{at}}=\frac{\gamma}{N}\sum_k \lambda_k (e_k-\lambda)(e_k-\lambda)^{\!\top} =\frac{\gamma}{N}\Bigl[\sum_k\lambda_k e_ke_k^{\!\top} -\lambda\lambda^{\!\top}-\lambda\lambda^{\!\top} +\lambda\lambda^{\!\top}\Bigr],

где использованы ∑kλk=1\sum_k\lambda_k=1 и ∑kλkek=λ\sum_k\lambda_k e_k=\lambda. Скобка равна diag⁡(λ)−λλ ⁣⊤\operatorname{diag}(\lambda)-\lambda\lambda^{\!\top}. ■\blacksquare

Машинная проверка: на 2000 случайных состояниях (концентрация Дирихле ∈[0,4;4]\in[0{,}4;4]) остаток равен 2,78×10−172{,}78\times10^{-17}.

Матрица diag⁡λ−λλ ⁣⊤\operatorname{diag}\lambda-\lambda\lambda^{\!\top} одновременно есть ковариация одного мультиномиального испытания и обратная метрика Фишера на симплексе. Это совпадение и есть весь движок §4, и сказать о нём сразу честнее, чем выводить его как неожиданность.


4. Точное тождество ковариации и обратной метрики​

На коммутирующих возмущениях метрика Бюреса/SLD редуцируется к cgc_g, умноженному на классическую метрику Фишера–Рао (§2.1).

Теорема (ковариация, обратная метрике) [Т]

На касательном пространстве TT

Π g κat Π  =  γ4N Π,то естьκat↑↑=γ4N g−1\Pi\,g\,\kappa_{\text{at}}\,\Pi \;=\; \frac{\gamma}{4N}\,\Pi , \qquad\text{то есть}\qquad \kappa^{\uparrow\uparrow}_{\text{at}}=\frac{\gamma}{4N}\,g^{-1}

точно, в нормировке Бюреса. Подстановка a=1a=1 в ур. (7.5) Ванчурина даёт в точности g−1=g−1κg−1=κ↑↑g^{-1}=g^{-1}\kappa g^{-1}=\kappa^{\uparrow\uparrow}. Поэтому голон реализует a=1a=1: ковариационное масштабирование указанной диагностики. Это не вывод сноса градиентного спуска или уменьшения потерь.

Доказательство. По §3 и g=cgdiag⁡(1/λ)g=c_g\operatorname{diag}(1/\lambda):

g κat=cgγNdiag⁡(1/λ)(diag⁡λ−λλ ⁣⊤)=cgγN(I−1λ ⁣⊤).g\,\kappa_{\text{at}} =\frac{c_g\gamma}{N}\operatorname{diag}(1/\lambda) \bigl(\operatorname{diag}\lambda-\lambda\lambda^{\!\top}\bigr) =\frac{c_g\gamma}{N}\bigl(I-\mathbf 1\lambda^{\!\top}\bigr).

Поскольку Π1=0\Pi\mathbf 1=0, ранг-один член уничтожается: Π(1λ ⁣⊤)Π=(Π1)(λ ⁣⊤Π)=0\Pi(\mathbf 1\lambda^{\!\top})\Pi=(\Pi\mathbf 1)(\lambda^{\!\top}\Pi)=0, и остаётся ΠgκatΠ=cgγNΠ\Pi g\kappa_{\text{at}}\Pi=\frac{c_g\gamma}{N}\Pi, что при cg=14c_g=\tfrac14 равно γ4NΠ\frac{\gamma}{4N}\Pi. ■\blacksquare

Область сопоставления показателя. Диагностика VL (7.5) гласит g−1=(g−1κg−1)a/(2a−1)g^{-1}=\bigl(g^{-1}\kappa g^{-1}\bigr)^{a/(2a-1)}, и он прямо выписывает два читаемых конца: a=0⇒g−1=Ia=0\Rightarrow g^{-1}=I и a=1⇒g−1=g−1κg−1a=1\Rightarrow g^{-1}=g^{-1}\kappa g^{-1}. Теорема — второй из них, с константой. Константа несёт размерность скорости — у κ\kappa размерность (состояние)2^2/время, у gg нет, — поэтому она фиксирует единицу времени в точности так же, как это неявно делает его (6.8); сама же функциональная связь линейна и соответствует этой диагностике при a=1a=1. Это не выбор универсального показателя биологического обучения или закона сноса. Ковариацию с опущенными индексами ВЛ и ковариацию приращений здесь нужно связать объявленной метрикой; позиции индексов не взаимозаменяемы.

Машинная проверка: для 200 случайных состояний спектр ΠgκatΠ\Pi g\kappa_{\text{at}}\Pi постоянен и равен 0,0357142857140{,}035714285714 (=1/28=γ/4N=1/28=\gamma/4N при γ=1\gamma=1, N=7N=7) с максимальным разбросом 8,33×10−178{,}33\times10^{-17}; и max⁡∣κat↑↑−γ4Ng−1∣=1,73×10−17\max\lvert\kappa^{\uparrow\uparrow}_{\text{at}}-\frac{\gamma}{4N} g^{-1}\rvert=1{,}73\times10^{-17}.

4.1 Что это предсказывает о данных​

Соединим теорему с собственным maxent-тождеством VL (его 4.7, g−1=cg^{-1}=c, где cc — статическая ковариация популяции):

κ↑↑  =  γ4N  c.\kappa^{\uparrow\uparrow}\;=\;\frac{\gamma}{4N}\;c .

Ковариация временных изменений пропорциональна статической ковариации популяции — с той же формой и единственным скалярным множителем, который есть чистая скорость. В терминах самого [V1] обе стороны суть ковариация одного мультиномиального испытания: изобильно измеренный объект (cc, его 7.1) и никогда не измеренный (κ↑↑\kappa^{\uparrow\uparrow}, его 7.4) предсказаны как одна и та же матрица с точностью до одного числа. Для N=7N=7 это предсказание формы на 20 параметров при одном свободном скаляре; для реального генома оно переопределено колоссально. Именно это — а не константа — есть практически полезное содержание тождества.

Насколько это глубоко, честно

Как математика две теоремы выше элементарны: для мультиномиального семейства метрика Фишера есть обратная к ковариации одного испытания — стандартный факт информационной геометрии. Никакой глубины за вычислением не заявляется. Содержание — в условном динамическом тождестве для указанного инструмента и метрики. Один генератор Линдблада не определяет инструмент единственным образом. Сравнение со статической maxent-ковариацией ВЛ требует собственной модели и нормировки; произвольная статическая ковариация не отождествляется с ковариацией траектории. §§5–7 исследуют выбранную Фано-реализацию.

Ковариационное тождество даёт проверяемое сопоставление, а не универсальную теорему выбора алгоритма обучения природы.


5. Поправка Фано есть универсальный множитель 11/9​

Теорема [Т]

С полным каноническим диссипатором (атомарный + Фано) при равной скорости γ/N\gamma/N на канал для любого строго положительного диагонального состояния

Tr⁡ ⁣(g κfull)Tr⁡ ⁣(g κat)  =  1+29  =  119,\frac{\operatorname{Tr}\!\left(g\,\kappa_{\text{full}}\right)} {\operatorname{Tr}\!\left(g\,\kappa_{\text{at}}\right)} \;=\; 1+\frac29 \;=\; \frac{11}{9},

независимо от λ\lambda и от cgc_g. Равносильно: блочный слой несёт ровно 2/112/11 всего метрически взвешенного шума в этом секторе. В нормировке Бюреса Tr⁡(gκat)=3γ14\operatorname{Tr}(g\kappa_{\text{at}})= \frac{3\gamma}{14} и Tr⁡(gκfull)=11γ42\operatorname{Tr}(g\kappa_{\text{full}})= \frac{11\gamma}{42}.

Область существенна. Для ρ=I7/7+(E01+E10)/14>0\rho=I_7/7+(E_{01}+E_{10})/14>0 полная свёртка Бюреса равна Tr⁡(gκat)=19γ/84\operatorname{Tr}(g\kappa_{\rm at})=19\gamma/84 и Tr⁡(gκfull)=209γ/756\operatorname{Tr}(g\kappa_{\rm full})=209\gamma/756, что отличается от указанных констант диагонального сектора. Отношение в этом примере остаётся 11/911/9; ни его универсальное продолжение, ни его опровержение из этого примера не следуют. Доказательство ниже относится к диагональному сектору. scripts/verify_fano_scope.py проверяет уравнения Сильвестра и свёртки в точной рациональной арифметике.

Доказательство. Для линии Фано pp с sp=∑i∈pλis_p=\sum_{i\in p}\lambda_i: LpρLp†=13diag⁡(λi[i∈p])L_p\rho L_p^\dagger= \tfrac13\operatorname{diag}(\lambda_i[i\in p]), Tr⁡=sp/3\operatorname{Tr}=s_p/3, pe=γdtNsp3p_e=\frac{\gamma dt}{N}\frac{s_p}{3}, а пост-скачковый вектор — upu_p с (up)i=λi[i∈p]/sp(u_p)_i=\lambda_i[i\in p]/s_p. Тогда

κF=γN∑psp3 (up−λ)(up−λ) ⁣⊤.\kappa_{\text{F}}=\frac{\gamma}{N}\sum_{p}\frac{s_p}{3} \,(u_p-\lambda)(u_p-\lambda)^{\!\top}.

Метрически взвешенная квадратичная форма вычисляется в замкнутом виде:

(up−λ) ⁣⊤g (up−λ)=cg[∑i∈pλi(1sp−1)2+∑i∉pλi]=cg[(1−sp)2sp+(1−sp)]=cg(1−sp)sp.(u_p-\lambda)^{\!\top}g\,(u_p-\lambda) =c_g\Bigl[\sum_{i\in p}\lambda_i\Bigl(\tfrac1{s_p}-1\Bigr)^{2} +\sum_{i\notin p}\lambda_i\Bigr] =c_g\Bigl[\frac{(1-s_p)^2}{s_p}+(1-s_p)\Bigr] =\frac{c_g(1-s_p)}{s_p}.

Отсюда

Tr⁡(gκF)=γN∑psp3⋅cg(1−sp)sp=cgγ3N∑p(1−sp)=cgγ3N(b−r),\operatorname{Tr}(g\kappa_{\text F}) =\frac{\gamma}{N}\sum_p\frac{s_p}{3}\cdot\frac{c_g(1-s_p)}{s_p} =\frac{c_g\gamma}{3N}\sum_p(1-s_p) =\frac{c_g\gamma}{3N}\bigl(b-r\bigr),

где b=7b=7 — число линий, а ∑psp=r∑iλi=r=3\sum_p s_p=r\sum_i\lambda_i=r=3, поскольку каждая точка лежит ровно на r=3r=3 линиях (BIBD(7,3,1)(7,3,1)). Следовательно Tr⁡(gκF)=4cgγ21\operatorname{Tr}(g\kappa_{\text F})=\frac{4c_g\gamma}{21}, тогда как Tr⁡(gκat)=cgγN(N−1)=18cgγ21\operatorname{Tr}(g\kappa_{\text{at}})=\frac{c_g\gamma}{N}(N-1)= \frac{18c_g\gamma}{21}. Отношение равно 4/18=2/94/18=2/9, полный множитель 11/911/9, без всякой зависимости от λ\lambda и без зависимости от cgc_g. ■\blacksquare

Машинная проверка: 300 случайных состояний, отношение ∈[1,222222222222; 1,222222222222]\in[1{,}222222222222;\,1{,}222222222222], отклонение от 11/911/9 не более 4,4×10−164{,}4\times10^{-16}; доля блочного слоя 2/11=0,1818181818182/11=0{,}181818181818.

Общая форма для BIBD. Для дизайна (v,k,1)(v,k,1) на v=Nv=N точках с bb блоками и кратностью rr то же вычисление даёт

Tr⁡(gκblocks)Tr⁡(gκat)=b−rk (v−1).\frac{\operatorname{Tr}(g\kappa_{\text{blocks}})} {\operatorname{Tr}(g\kappa_{\text{at}})}=\frac{b-r}{k\,(v-1)} .

Подтверждено на трёх дизайнах — PG(2,2) (7,3,1)→7−33⋅6=29\mathrm{PG}(2,2)\,(7,3,1)\to\frac{7-3}{3\cdot6}=\frac29 (откл. 1,4×10−161{,}4\times10^{-16}), AG(2,3) (9,3,1)→13\mathrm{AG}(2,3)\,(9,3,1)\to\frac13 (откл. 1,7×10−161{,}7\times10^{-16}), PG(2,3) (13,4,1)→316\mathrm{PG}(2,3)\,(13,4,1)\to\frac3{16} (откл. 5,6×10−175{,}6\times10^{-17}). Одну оговорку общая форма скрывает: блочный слой сам по себе сохраняет след лишь при r=kr=k, поскольку ∑pLp†Lp=rkI\sum_p L_p^\dagger L_p=\frac rk I. Это выполнено для (7,3,1)(7,3,1) и (13,4,1)(13,4,1), но нарушено для (9,3,1)(9,3,1), где r/k=4/3r/k=4/3 и канал требует перенормировки. Плоскость Фано, таким образом, выделена дважды: оптимальна и самонормирована.

Анизотропия. Хотя отношение следов универсально, спектр ΠgκfullΠ\Pi g\kappa_{\text{full}}\Pi изотропен лишь в максимально смешанном состоянии, где он равен 119⋅γ4N\frac{11}{9}\cdot\frac{\gamma}{4N} по всем шести направлениям. В стороне от него спектр расходится — в единицах γ/4N\gamma/4N:

состояниеспектранизотропия
I/7I/7{119}×6\{\tfrac{11}9\}^{\times6}1,00001{,}0000
λ=(12,112×6)\lambda=(\tfrac12,\tfrac1{12}^{\times6}), P=724P=\tfrac7{24}{1312,1312,119,119,119,32}\{\tfrac{13}{12},\tfrac{13}{12},\tfrac{11}9,\tfrac{11}9,\tfrac{11}9,\tfrac32\}1,38461{,}3846
P=514P=\tfrac5{14} (центр окна), λ=(47,114×6)\lambda=(\tfrac47,\tfrac1{14}^{\times6}){1615,1615,119,119,119,2315}\{\tfrac{16}{15},\tfrac{16}{15},\tfrac{11}9,\tfrac{11}9,\tfrac{11}9,\tfrac{23}{15}\}1,43751{,}4375

Первая строка сверена с точными дробями до 1,78×10−151{,}78\times10^{-15}; каждый спектр в сумме даёт 6⋅119=2236\cdot\frac{11}9=\frac{22}3, как и требует универсальность следа. Фано-слой, таким образом, есть то, что превращает точный натуральный градиент в анизотропный предобусловленный — структурный аналог адаптивных предобусловливателей (Adam/AdaBelief, его 6.9), которые VL связывает с a=12a=\tfrac12, но полученный без ухода от a=1a=1.

Поосевое уточнение: экран третьей точки (07.08.2026). Блочный слой делает ещё одну точную вещь, невидимую следу: он экранирует третью точку каждой прямой. Чувствительность ковариации населённостей κij\kappa_{ij} к λx\lambda_x подавлена — относительно всякой оси вне пары — ровно тогда, когда xx есть третья точка прямой через (i,j)(i,j): при I/7I/7 ровно на γ/189\gamma/189, аналитически и машинно до шести знаков в обоих каналах κOE\kappa_{OE} и κOU\kappa_{OU}; для абстрактного набора прямых экран переезжает на его третьи точки — как и требует инвариантность разметки. На случайных состояниях третья точка — наименее чувствительная внешняя ось в ≈92%\approx92\% случаев. Формулировка и набросок доказательства в корпусе: следствие о подавлении κ0\kappa_0; прибор shadow_marks.py рядом со скриптом воспроизводимости.


6. Величина шума фиксирована чистотой​

Теорема [Т]

Tr⁡κat=γN(1−P)\operatorname{Tr}\kappa_{\text{at}}=\frac{\gamma}{N}(1-P) и Tr⁡κat2=γ2N2(P+P2−2S3)\operatorname{Tr}\kappa_{\text{at}}^2=\frac{\gamma^2}{N^2} (P+P^2-2S_3), где P=Tr⁡ρ2P=\operatorname{Tr}\rho^2 — чистота, а S3=∑iλi3S_3=\sum_i\lambda_i^3. Ни то, ни другое не зависит от нормировки метрики.

Доказательство. Немедленно из §3: Tr⁡[diag⁡λ−λλ ⁣⊤]=∑iλi−∑iλi2=1−P\operatorname{Tr}[\operatorname{diag}\lambda-\lambda\lambda^{\!\top}]= \sum_i\lambda_i-\sum_i\lambda_i^2=1-P; и Tr⁡[(diag⁡λ−λλ ⁣⊤)2]=P−2S3+P2\operatorname{Tr}[(\operatorname{diag}\lambda-\lambda\lambda^{\!\top})^2] =P-2S_3+P^2 раскрытием квадрата с Tr⁡(diag⁡λ⋅λλ ⁣⊤)=S3\operatorname{Tr}(\operatorname{diag}\lambda\cdot\lambda\lambda^{\!\top}) =S_3 и Tr⁡(λλ ⁣⊤λλ ⁣⊤)=P2\operatorname{Tr}(\lambda\lambda^{\!\top}\lambda \lambda^{\!\top})=P^2. ■\blacksquare

Следствия внутри структуры жизнеспособности УГМ (всюду γ=1\gamma=1, N=7N=7):

СостояниеPPTr⁡κat\operatorname{Tr}\kappa_{\text{at}}
максимально смешанное I/7I/71/71/76/49=0,1224496/49=0{,}122449
порог жизнеспособности PcritP_{\text{crit}}2/72/75/49=0,1020415/49=0{,}102041
центр сознательного окна5/145/149/98=0,0918379/98=0{,}091837
верхний край окна3/73/74/49=0,0816334/49=0{,}081633

Итак, сознательное окно P∈(2/7,3/7]P\in(2/7,3/7] — выведенное в УГМ из независимых соображений (T-124) — соответствует полосе шума обучения Tr⁡κ∈[4γ/49, 5γ/49)\operatorname{Tr}\kappa\in[4\gamma/49,\,5\gamma/49). На языке VL: жизнеспособный обучающийся — тот, чей градиентный шум лежит в узкой полосе; слишком много шума (высокая энтропия, P→1/7P\to1/7) — структура растворяется; слишком мало (P→1P\to1) — обучающийся застывает в неподвижной точке. Это то же «златовласое» утверждение, которое VL конъектурирует для происхождения жизни, но здесь это выведенный интервал с явными концами — и, будучи независимым от метрики, самое прямо проверяемое из предсказаний.


7. Нулевой снос и секторное расщепление​

7.1 На популяциях диссипатор есть чистый шум​

Теорема [Т]

Канонический диссипатор обнуляет всякое диагональное состояние: DΩ[diag⁡λ]=0\mathcal D_\Omega[\operatorname{diag}\lambda]=0, равносильно ∑epeΔe=0\sum_e p_e\Delta_e=0. Поэтому второй момент есть центрированная ковариация его (7.4), а весь популяционный снос несёт R\mathcal R.

Доказательство. ∑kLkρLk†=diag⁡λ=ρ\sum_k L_k\rho L_k^\dagger= \operatorname{diag}\lambda=\rho и ∑pLpρLp†=13∑pdiag⁡(λi[i∈p])=13⋅3λ=ρ\sum_p L_p\rho L_p^\dagger= \tfrac13\sum_p\operatorname{diag}(\lambda_i[i\in p])= \tfrac13\cdot3\lambda=\rho, поскольку каждая точка лежит на r=3r=3 линиях; и ∑kTr⁡(LkρLk†)=∑pTr⁡(LpρLp†)=1\sum_k\operatorname{Tr}(L_k\rho L_k^\dagger)= \sum_p\operatorname{Tr}(L_p\rho L_p^\dagger)=1. Значит ∑epeΔe=γN(2ρ−2ρ)=0\sum_e p_e\Delta_e=\frac{\gamma}{N}(2\rho-2\rho)=0. ■\blacksquare

Машинная проверка: max⁡∣∑epeΔe∣=3,64×10−17\max\lvert\sum_e p_e\Delta_e\rvert=3{,}64\times10^{-17} по 200 состояниям и max⁡∣Lfull[diag⁡λ]∣=0,00\max\lvert\mathcal L_{\text{full}} [\operatorname{diag}\lambda]\rvert=0{,}00 точно.

Это чистое структурное совпадение с ланжевеновским расщеплением VL: его (6.3) несёт детерминированный подъём, а (6.5)–(6.6) — шум с нулевым средним. В УГМ расщепление не модель, а следствие триады: R\mathcal R — снос, DΩ\mathcal D_\Omega — шум, и на популяционном секторе они не пересекаются.

7.2 Чем Фано-слой является и чем нет​

Теорема [Т]

Полный канонический диссипатор равен полному дефазированию со скоростью 5γ/215\gamma/21: его генератор 49×4949\times49 имеет спектр ровно {0×7,(−5γ/21)×42}\{0^{\times7},(-5\gamma/21)^{\times42}\} и тождественно совпадает с атомарным диссипатором при перемасштабированной скорости 5γ/35\gamma/3.

Нормировка. При N=7N=7 каждый из четырнадцати операторов имеет коэффициент γ/N\gamma/N в генераторе. Для атомарного семейства Lk=∣k⟩⟨k∣L_k=|k\rangle\langle k| и линейного семейства Lp=Πp/3L_p=\Pi_p/\sqrt{3} по отдельности ∑eLe†Le=I\sum_e L_e^\dagger L_e=I: каждая точка лежит на трёх прямых. Поэтому

L(X)=γ7(A(X)+F(X)−2X),\mathcal L(X)=\frac{\gamma}{7}\bigl(\mathcal A(X)+\mathcal F(X)-2X\bigr),

где A(X)=∑kLkXLk†\mathcal A(X)=\sum_k L_kX L_k^\dagger, F(X)=∑pLpXLp†\mathcal F(X)=\sum_p L_pX L_p^\dagger. Обе карты сохраняют Eii=∣i⟩⟨i∣E_{ii}=|i\rangle\langle i|. При i≠ji\ne j атомарная карта обнуляет EijE_{ij}, а единственная прямая через i,ji,j даёт F(Eij)=Eij/3\mathcal F(E_{ij})=E_{ij}/3. Отсюда L(Eij)=(γ/7)(0+1/3−2)Eij=−(5γ/21)Eij\mathcal L(E_{ij})=(\gamma/7)(0+1/3-2)E_{ij}=-(5\gamma/21)E_{ij}.

Машинная проверка: атомарный спектр {0×7,(−γ/7)×42}\{0^{\times7},(-\gamma/7)^{\times42}\}, полный спектр {0×7,(−5γ/21)×42}\{0^{\times7},(-5\gamma/21)^{\times42}\} и max⁡∣Lfull(γ)−Lat(5γ/3)∣=2,78×10−17\max\lvert\mathcal L_{\text{full}}(\gamma)-\mathcal L_{\text{at}} (5\gamma/3)\rvert=2{,}78\times10^{-17}.

warning
κ\kappa не инвариантна к выбору unravelling, а Фано-слой невидим в мастер-уравнении

Два разных Краус-разрешения одного и того же генератора дают разную κ\kappa. Поэтому κ\kappa определена лишь относительно канонического Краус-разрешения, а то, что атомы классификатора и семь Фано-проекторов суть физические каналы, есть онтологическое обязательство УГМ (L-унификация, T-41g–i), а не следствие динамики. Читатель, отвергающий это обязательство, сохраняет §3, §4, §6 и §7.1 и теряет §5.

Тот же факт закрепляет правильную операциональную формулировку множителя 11/911/9, которую эксперимент обязан соблюсти:

  • при равной скорости на канал γ/N\gamma/N: отношение =11/9=11/9 — это сравнение семиканального и четырнадцатиканального голонов;
  • при равном генераторе (то есть при равной наблюдаемой скорости декогеренции, γat=5γ/3\gamma_{\text{at}}=5\gamma/3): отношение =11/15=11/15 — это сравнение двух разрешений одного физического процесса.

Оба точны. Приводить 11/911/9 для второго сравнения было бы ошибкой.

7.3 Секторное расщепление​

Теорема [Т]

Все четырнадцать канонических операторов Линдблада диагональны в базисе классификатора. Поэтому на декогерированном многообразии (диагональные ρ\rho) всякое приращение Δe\Delta_e диагонально и κcoh=0\kappa^{\text{coh}}=0 точно, а когерентности детерминированно сжимаются со скоростью λdeco=5γ3N=5γ21\lambda_{\text{deco}}=\frac{5\gamma}{3N}= \frac{5\gamma}{21} при нормировке §7.2.

Доказательство. Lk=∣k⟩⟨k∣L_k=|k\rangle\langle k| и Lp=Πp/3L_p=\Pi_p/\sqrt3 диагональны; сопряжение диагональной ρ\rho диагональным оператором диагонально; значит ρe\rho_e и Δe\Delta_e диагональны, и все вклады лежат в популяционном секторе. ■\blacksquare

Вне декогерированного многообразия это лишь приближённо, и честная формулировка есть квадратичное подавление, а не тождественное обращение в ноль: при когерентностях величины cc, внесённых в иначе диагональное состояние, max⁡∣κcoh∣=1,079×10−4\max\lvert\kappa^{\text{coh}}\rvert=1{,}079\times10^{-4} при c=0,02c=0{,}02 и 2,698×10−32{,}698\times10^{-3} при c=0,10c=0{,}10 — отношение 25,025{,}0 при пятикратном росте cc, то есть ровно O(c2)O(c^2). Поскольку сами когерентности гаснут со скоростью 5γ/215\gamma/21, κcoh\kappa^{\text{coh}} гаснет со скоростью 10γ/2110\gamma/21. Декогерированное многообразие — аттрактор, поэтому κcoh→0\kappa^{\text{coh}}\to0 всегда; но тождественно нулём везде она не является.

Интерпретация и подлинное напряжение с VL. УГМ предсказывает двухсекторную структуру: популяционный сектор со стохастическим шумом, ковариация которого связана с обратной метрикой (и анизотропна через Фано) и сектор когерентностей, бесшумный и чисто детерминированный со скоростью 5γ/215\gamma/21.

VL называет a=1a=1 «квантовым режимом», поскольку тот даёт шрёдингеровскую динамику обучаемых переменных из дискретной сдвиговой симметрии [V2]. В УГМ сектор a=1a=1 — это популяционный (диагональный) сектор, то есть классические степени свободы, тогда как буквальная квантовая когерентность живёт в секторе, где κ\kappa обращается в ноль. Это два разных смысла слова «квантовый», и смешать их — самый лёгкий способ переоценить согласие. Реально УГМ говорит, что присутствуют оба и они дополнительны: эмерджентная унитарная τ\tau-динамика на популяциях (Пейдж–Вуттерс, T-38b/T-87) и строго отдельный сектор когерентностей. Это уточнение его дихотомии, а не её пересказ, и именно секторное расщепление фальсифицируемо независимо.


8. Эффективный ранг голона​

VL отмечает, что эмпирические спектры генотипической ковариации спадают по степенному закону с эффективным рангом reff=ζ(α)2/ζ(2α)r_{\text{eff}}=\zeta(\alpha)^2/\zeta(2\alpha) (его 7.3) порядка 10210^2 против dim⁡(g)∼109\dim(g)\sim10^9. Для голона та же величина имеет точную замкнутую форму. При reff=(Tr⁡κ)2/Tr⁡κ2r_{\text{eff}}=(\operatorname{Tr}\kappa)^2/ \operatorname{Tr}\kappa^2 по популяционному сектору §6 даёт сразу

reff=(1−P)2P+P2−2S3,S3=∑iλi3,r_{\text{eff}}=\frac{(1-P)^2}{P+P^2-2S_3},\qquad S_3=\sum_i\lambda_i^3 ,

что сверено до 6,66×10−156{,}66\times10^{-15} с численным спектром на 300 случайных состояниях.

Эффективный ранг не является функцией одной чистоты

Это тождество двух моментов, и оно делает явным, что reffr_{\text{eff}} зависит от S3S_3 наравне с PP. При равной чистоте:

PPодна доминанта ++ шесть равныхдве доминанты ++ пять равных
1/71/76,00006{,}0000 (максимум, =N−1=N-1)—
2/72/74,22474{,}22473,08543{,}0854
5/145/1427/7=3,857127/7=3{,}85712,18582{,}1858
3/73/73,59313{,}59311,50471{,}5047

Поиск по всем λ\lambda с P∈(2/7,3/7]P\in(2/7,3/7] даёт reff∈[1,4719; 4,1262]r_{\text{eff}}\in[1{,}4719;\,4{,}1262], верхний конец поднимается до 4,22474{,}2247 при P→2/7+P\to2/7^+ на семействе с одной доминантой. Итак, жизнеспособная полоса сжимает reffr_{\text{eff}} до ≈60\approx60–70 %70\,\% от максимума только на семействе с одной доминантой; по всему окну он может падать до ≈25 %\approx25\,\%. Фальсифицируемое утверждение — сама замкнутая форма, и она сильнее любого интервала: она связывает два измеренных момента κ\kappa с двумя измеренными моментами состояния без свободных параметров кроме γ\gamma.


9. Предсказания и способ их фальсифицировать​

Таблица объединяет условные тождества модели и предсказания моста. Перенос на физическую или биологическую систему требует указанного инструмента, модели и условий выборки; сама таблица не устанавливает их эмпирически. Столбец «нужна gg?» важен на практике: предсказания, не требующие оценки метрики, невосприимчивы к вопросу о нормировке из §2.1 и измеряются гораздо легче.

№ПредсказаниеЗначениеНужна gg?Проверка
P1Геометрия выбранного популяционного шумаКовариация, обратная метрике; сопоставление с ВЛ при a=1a=1 условнонетСферичность κ↑↑\kappa^{\uparrow\uparrow} — §9.1
P2Тождество формы со статической ковариациейκ↑↑=γ4Nc\kappa^{\uparrow\uparrow}=\frac{\gamma}{4N}c (с его 4.7)нетСравнить ковариацию временных изменений со статической ковариацией популяции: предсказаны равными с точностью до одного скаляра
P3Универсальный Фано-множитель11/911/9 при равной скорости на канал; 11/1511/15 при равном генераторе; доля блока 2/112/11даРазрешить один процесс на уровне сайтов и на уровне блоков, удерживая заявленную нормировку
P4Закон шум–чистотаTr⁡κ=γN(1−P)\operatorname{Tr}\kappa=\frac{\gamma}{N}(1-P); жизнеспособная полоса [4γ/49,5γ/49)[4\gamma/49,5\gamma/49)нетРегрессия Tr⁡κ^\operatorname{Tr}\hat\kappa на 1−P^1-\hat P без свободного члена; наклон =γ/N=\gamma/N
P5Второй момент / эффективный рангreff=(1−P)2P+P2−2S3r_{\text{eff}}=\frac{(1-P)^2}{P+P^2-2S_3} точнонетДва момента κ^\hat\kappa против двух моментов состояния
P6Секторное расщеплениеκcoh=0\kappa^{\text{coh}}=0 на декогерированном многообразии, O(∥ρcoh∥2)O(\lVert\rho_{\text{coh}}\rVert^2) вне него; когерентности гаснут со скоростью 5γ/215\gamma/21нетИнтерферометрия / томография процесса
P7Абсолютная нормировкаTr⁡(gκfull)=11γ42\operatorname{Tr}(g\kappa_{\text{full}})=\frac{11\gamma}{42} (Бюрес) или 22γ21\frac{22\gamma}{21} (SLD-QFI)даФиксирует γ\gamma одним измерением, далее переопределяет остальное
P8Топология сети «клеточного» слояДля N=7N=7 с полным парным покрытием координирующий дизайн вынужденно есть PG(2,2)\mathrm{PG}(2,2); он же — дизайн, при котором блочный слой самонормирован (r=kr=k)нетЛюбая архитектура с N=7N=7, претендующая на оптимальную парную координацию, обязана воспроизвести инцидентность Фано

9.1 Дискриминатор без метрики и нужный ему размер выборки​

Ур. (7.5) VL вырождается при a=12a=\tfrac12: показатель a/(2a−1)a/(2a-1) расходится, и действительно κ↑↑=g1/a−2=I\kappa^{\uparrow\uparrow}=g^{1/a-2}=I не несёт о gg никакой информации вовсе. Именно это вырождение и делает возможной чистую проверку, поскольку две гипотезы делают противоположные утверждения о форме одного измеряемого объекта:

  • a=12a=\tfrac12 ⟹\Longrightarrow κ↑↑\kappa^{\uparrow\uparrow} сферична на TT (все шесть собственных значений равны);
  • a=1a=1 ⟹\Longrightarrow κ↑↑∝diag⁡λ−λλ ⁣⊤\kappa^{\uparrow\uparrow}\propto \operatorname{diag}\lambda-\lambda\lambda^{\!\top}, полностью вычислимо по измеренной λ\lambda.

Ни то, ни другое не требует оценки gg. Статистика — классическое отношение правдоподобия сферичности (Мокли) на отбелённой оценке:

T=−Mln⁡det⁡TA(Tr⁡A/6)6,A=Σ0−1/2 κ^ Σ0−1/2,df=d(d+1)2−1=20,T=-M\ln\frac{\det{}_T A}{\bigl(\operatorname{Tr}A/6\bigr)^{6}}, \qquad A=\Sigma_0^{-1/2}\,\hat\kappa\,\Sigma_0^{-1/2}, \qquad \mathrm{df}=\tfrac{d(d+1)}2-1=20 ,

где Σ0=Π\Sigma_0=\Pi для проверки a=12a=\tfrac12 и Σ0=diag⁡λ−λλ ⁣⊤\Sigma_0=\operatorname{diag}\lambda-\lambda\lambda^{\!\top} для проверки a=1a=1. Разделяющую способность теория даёт точно: Δ(λ)=6ln⁡(ср.арифм./ср.геом.)\Delta(\lambda)=6\ln(\text{ср.арифм.}/\text{ср.геом.}) собственных значений κ↑↑\kappa^{\uparrow\uparrow}, откуда Δ=0\Delta=0 в I/7I/7 и 0,81590{,}8159, 1,04651{,}0465, 1,23841{,}2384 при P=2/7P=2/7, 5/145/14, 3/73/7.

Два практических предупреждения, оба измерены, а не заявлены

Асимптотический размер выборки — мираж. Наивная оценка M≳ncp/ΔM\gtrsim\text{ncp}/\Delta даёт M≳17M\gtrsim17–2626, но при таких размерах калибровка χ202\chi^2_{20} грубо ломается: симулированный размер номинально 5 %5\,\%-го теста равен 10,0 %10{,}0\,\% при M=25M=25, 8,0 %8{,}0\,\% при M=50M=50, 6,1 %6{,}1\,\% при M=100M=100, 5,5 %5{,}5\,\% при M=200M=200. Мощность при M=100M=100 равна 100 %100\,\% всюду в окне (при M=25M=25 — 77,3 %77{,}3\,\%, 88,2 %88{,}2\,\%, 93,1 %93{,}1\,\% для P=2/7P=2/7, 5/145/14, 3/73/7). Берите M≈100M\approx100 независимых окон; ниже M≈50M\approx50 тест антиконсервативен и не должен публиковаться.

Приращения обязаны агрегироваться. Один идеализованный скачок имеет всего семь исходов, поэтому κ^=diag⁡p^−p^λ ⁣⊤−λp^ ⁣⊤+λλ ⁣⊤\hat\kappa=\operatorname{diag}\hat p-\hat p\lambda^{\!\top}- \lambda\hat p^{\!\top}+\lambda\lambda^{\!\top} параметризована шестью числами, а не двадцатью одним, и не является вишартовой; калибровка df=20\mathrm{df}=20 к ней не применима. Агрегируйте по окнам с ΛΔt≫1\Lambda\Delta t\gg1, где Λ=2γ/N\Lambda=2\gamma/N — полная скорость скачков, чтобы работала центральная предельная теорема; ковариация окна тогда равна ровно κ Δt\kappa\,\Delta t (Кэмпбелл). Поскольку κ\kappa зависит от состояния, окно обязано лежать между двумя временами, 1/Λ≪Δt≪τсноса1/\Lambda\ll\Delta t\ll\tau_{\text{сноса}}; существует ли такое окно в конкретной системе — эмпирический вопрос об отношении скорости регенерации к скорости диссипации.

Отметим наконец, что разрешающая способность обращается в ноль в максимально смешанном состоянии (Δ=0\Delta=0): там a=1a=1 и a=12a=\tfrac12 неразличимы принципиально. Тесту нужно состояние, ушедшее от равномерности, — а окно жизнеспособности P∈(2/7,3/7]P\in(2/7,3/7] есть ровно то место, где, по УГМ, сидит сознательный голон. Теория, таким образом, предсказывает, что системы, которые она объявляет голонами, суть в точности те системы, в которых её собственное центральное утверждение измеримо.

Самое резкое расхождение. VL конъектурирует, что биологическая сложность — и, возможно, происхождение жизни — соответствует промежуточному режиму a=12a=\tfrac12, режиму «эффективного обучения» Adam/AdaBelief (его 6.9). УГМ говорит: жизнеспособный обучающийся сидит при a=1a=1 с анизотропным предобусловливателем, который поставляет Фано-слой, а его изощрённость несут анизотропия и окно чистоты, а не показатель. Оба утверждения живут в одном измеримом объекте; §9.1 решает между ними примерно сотней окон данных.

Расхождение распространяется и на трёхрежимную классификацию [V2], относящую классическую биологическую эволюцию к a=0a=0. Игрушечная модель, в которой нет ни строчки УГМ, говорит иное — по обе стороны ланжевеновского расщепления. Сторона шума: нейтральная райт-фишеровская передискретизация MM особей по dd типам имеет ковариацию приращений ровно (diag⁡p−pp ⁣⊤)/M(\operatorname{diag}p-pp^{\!\top})/M — касательную обратную метрику Фишера (факт с классическим адресом: Антонелли — Штробек 1977 уже описали генетический дрейф как диффузию ровно в этой геометрии — симплекс становится фишеровской сферой радиуса два), так что его же критерий (7.5) читается как a=1a=1 тождественно, с единственной константой 1/M1/M (симуляция при d=3d=3, M=105M=10^5: pooled-форма до 1,9%1{,}9\%, квазистатичное окно до 6,4%6{,}4\% = выборочная ошибка, Маучли 506506 против критических 5,995{,}99 у сферического предсказания). Сторона сноса классична: репликаторная динамика под отбором есть подъём средней приспособленности натуральным градиентом в метрике Шахшахани — Фишера (Shahshahani 1979; Hofbauer — Sigmund 1998). Всё, что реализует a=0a=0 или a=12a=\tfrac12 в биологии, обязано потому ломать мультиномиальный характер шума воспроизводства — положительный, проверяемый вопрос о механизме, а не предпочтение среди показателей. Алгебра обеих сторон — полувековая классика; ново лишь столкновение, которое она создаёт внутри собственной классификации [V2]. Тридцатистрочная симуляция — wf_toy_a1.py.

Оговорка о совпадении уровней

Вывод сделан на уровне внутренней динамики состояния голона. Перенос на популяционную генетику предполагает, что эволюционирующая популяция сама есть голон. Корпус выводит лишь часть этого: фрактальное замыкание (КК-5) и масштабная инвариантность (T-72) — [Т при слабой связи]: канонический агрегат слабо связанных жизнеспособных голонов жизнеспособен, а его инварианты отстоят от инвариантов члена на O(g)O(g) (Теорема 9.5), — но этот агрегат следует собственному генератору членов лишь с точностью до вынуждающей силы, зависит только от их маргиналей и при сильной связи может умереть (Теорема 9.6); отождествление популяции с голоном требует дополнительной предпосылки (HOL). остаётся мостовым допущением [И], а не теоремой о биологии. Если его отвергнуть, математическое ковариационное тождество остаётся верным для указанной модели; вывод об обучении и биологии из него не следует.


10. Что каждая рамка даёт другой​

УГМ → VL.

  1. Определение свободной функции. g(κ)g(\kappa) более не модельный выбор внутри заданной модели шума и метрики: a=1a=1 с вычисленными выше константами. Другие допустимые модели не исключены.

  2. Вывод динамического аналога maxent-постулата. Связь g−1∝κ↑↑g^{-1}\propto\kappa^{\uparrow\uparrow} — то есть его условие a=1a=1 (7.5), для него один модельный выбор из трёх — здесь теорема. Это динамический аналог статического тождества g−1=cg^{-1}=c, которое его §4 получает аргументом максимума энтропии; если принять и статическое тождество, то вместе они дают резкую форму κ↑↑=γ4Nc\kappa^{\uparrow\uparrow}=\frac{\gamma}{4N}c, связывающую рутинно измеряемый объект с неизмеренным.

  3. Заданный репер. Семь осей и положительная трёхформа — входы. Для сравнения кодировщиков нужны общий закон наблюдений и проверки, различающие их записи.

  4. Условный конечный дизайн. При заданном затухании 1/31/3 и минимальной реализации резкими проекторами фановская классификация точна. Одна примитивность не выводит покрытие пар или размер блока.

  5. Выбранный показатель затухания. Значение SAD три относится к заданному показателю и правилу затухания, а не универсальному пределу рекурсивных представлений. Двадцать одна матричная пара не означает двадцать один независимый коммуникационный адрес: нужны инструмент, использование канала и задача различимости. Перемножение этих чисел не доказывает ёмкость контекстов.

  6. Переменная, которая обязана быть необучаемой. Организующее различение ВЛ — обучаемое против необучаемого, — и для любой конкретной величины вопрос, по какую она сторону, остаётся открытым. Для одной величины ответ теперь измерен: это адресация. Политика, решающая, какая подсистема чем занимается, оптимизируемая по той же потере, что и маршрутизируемая ею задача, не стоит на месте достаточно долго, чтобы подсистема успела специализироваться; деление при такой политике измеримо не стоит почти ничего, тогда как то же деление при адресе, объявленном однажды и замороженном, выигрыш возвращает, а объявление по наименьшей загрузке возвращает остальное. Устойчивость — предусловие, баланс — множитель (ХОЛАРХ §9). Инженерное чтение остро и фальсифицируемо в собственных терминах ВЛ: маршрутная переменная принадлежит необучаемой стороне, а фреймворк, который её обучает, платит за свободу дороже, чем она приносит.

  7. Обучение и инвариантность предикатов. T-55 доказывает собственность подмножества лишь при заданной нетождественной карте и разделяющих предикатах. Постоянный Gap состояния/самомодели и положительная энергия вакуума не следуют; T-71 — гипотеза физического моста. Бесконечному самообучению нужны отдельные задача, закон обновления и ресурсы.

VL → УГМ.

  1. Операциональное прочтение R\mathcal R: регенерация как ковариантный градиентный подъём по приспособленности, с потерей, отождествлённой с отрицательной мальтузианской приспособленностью, — мост к измеримой биологии. УГМ отвечает взаимностью, доказывая расщепление снос/шум (§7.1), которое его ланжевеновская форма предполагает.
  2. Экспериментальная цель: его предложение измерить ковариацию временных изменений есть ровно то измерение, что проверяет P1–P5, а его (7.5) даёт критерий в форме, которой УГМ отвечает точно.
  3. Макроскопический маршрут вывода: разделение клеток и агентов в Самообучающейся вселенной (память против обработки) — физически мотивированный вариационный принцип, чей аналог в УГМ — заданная тензорная характеристика и эффективный потенциал VGapV_{\rm Gap}. Для почленного сравнения нужны отображения наблюдений и коэффициенты действий обеих моделей.

Вычисление, исследование и повторное использование [Г]. Это полезные архитектурные роли, но присвоение им численных показателей a=1/2,1,0a=1/2,1,0 не является доказанным отождествлением. Накопитель вторых моментов градиентов Adam в общем случае не равен метрике Фишера. Для равенства сопряжённого байесовского/KT-обновления шагу зеркального или натурального градиента нужно явно задать потерю, зеркальное отображение и соглашение о шаге. Само исполнение приобретённой программы не определяет такого показателя.

Инженерный вопрос остаётся конкретным: снижает ли проверенная повторно используемая программа стоимость поиска, сохраняя обучение на новых данных? Исторические замеры переноса на этой странице описывают свой эксперимент; они не оценивают универсальную экспоненту и не доказывают закон наследования.

Кривая автодидактии: конечная проверка продолжающегося обучения. Фазовая картина делает одно фальсифицируемое предсказание о любом одиночном ученике: если решённое лишь сужает место, где происходит вычисление (а не гасит вычисляющий орган), то никакой объём накопленного знания не должен разрушать способность учиться дальше. Текстовая сторона кремния поставила это на прибор. Единая битовая CTW-основа предобучается на префиксе длины T0T_0, затем живёт на фиксированном общем окне текста; уровень падает монотонно по T0T_0 (2.416 до 2.000 бит на байт) — основа помогает жизни, которой предшествует, — а контент-контролируемый прогресс обучения LP∗LP^{*}, оценённый против замороженного близнеца той же основы на тех же двух половинах окна, положителен при каждом T0T_0 (от +0.278 до +0.109). В этом опыте обучение сохраняется на исследованных префиксах; конечный эксперимент не доказывает результат для произвольного объёма наследуемого знания. Сам замороженный близнец платит 2.220 против живых 2.000 — заморозка стоит реальных бит, — а малый живой леджер первого порядка, смешанный поверх замороженной основы, отыгрывает лишь пять процентов этого разрыва: лёгкий остаточный орган смягчает заморозку, но не заменяет продолжающееся обучение глубокой основы. На фазовом языке: исполнение — экономия, заморозка — налог, а измеренный прирост обучения положителен в этом эксперименте.


11. Воспроизводимость​

Историческую численную таблицу ниже печатает full_predictions.py (детерминированно, сиды 20260806 / 20260807 / 20260808; NumPy + SciPy); нормировка метрики считается его же отдельным блоком §0, а поосевой экран третьей точки из §5 печатает скрипт-компаньон shadow_marks.py (сиды 20260807 / 20260808).

§ПроверкаРезультат
0Бюрес =14=\tfrac14 Фишера на коммутирующем секторе0,24997277560{,}2499727756 при ε=10−5\varepsilon=10^{-5}
1Мультиномиальное тождество, 2000 случайных состояний2,78×10−172{,}78\times10^{-17}
2Ковариационное тождество, 200 состояний; обе нормировки; его (7.5)разброс 8,33×10−178{,}33\times10^{-17}; 1,73×10−171{,}73\times10^{-17}
3Фано-множитель, 300 состояний; анизотропия; три BIBD4,4×10−164{,}4\times10^{-16}; 1,78×10−151{,}78\times10^{-15}; ≤1,7×10−16\le1{,}7\times10^{-16}
4Оба момента шума в четырёх опорных состоянияхточное совпадение
5Генератор 49×4949\times49; Lfull(γ)=Lat(5γ/3)\mathcal L_{\text{full}}(\gamma)=\mathcal L_{\text{at}}(5\gamma/3); κcoh\kappa^{\text{coh}} на диагонали и вне{0×7,(−5γ/21)×42}\{0^{\times7},(-5\gamma/21)^{\times42}\}; 2,78×10−172{,}78\times10^{-17}; O(c2)O(c^2)
6Замкнутая форма reffr_{\text{eff}}; диапазон по окну6,66×10−156{,}66\times10^{-15}; [1,4719;4,1262][1{,}4719;4{,}1262]
7Нулевой снос3,64×10−173{,}64\times10^{-17}; 0,000{,}00
8Тест сферичности: разделяющая способность, симулированные размер и мощность; оконное тождество КэмпбеллаM≈100M\approx100
9Экран третьей точки: разрыв при I/7I/7 ≡γ/189\equiv\gamma/189; доля argmin среди внешних осейшесть знаков; 9191–96%96\%

Сжатое изложение этого моста, поставленное рядом с многомировой программой Дойча, — §2.9 страницы Многомировая интерпретация (Эверетт–Дойч) и УГМ.

УГМ связывает свойства канала со коэффициентом сжатия для BIBD и действием атомарного канала на когерентности. Скорость дефазирования вычислена в §7.2. Условия для натурального градиента, отношения следов и закона шума приведены в реестре УГМ под номерами T-293, T-294 и T-295.


12. Резюме​

Рамка Ванчурина спрашивает: какой алгоритм обучения реализует природа? Выбранный инструмент УГМ даёт следующие условные тождества:

κat↑↑=γ4N g−1(популяционный сектор),Tr⁡(gκfull)Tr⁡(gκat)=119,Tr⁡κ=γN(1−P),\kappa^{\uparrow\uparrow}_{\text{at}}=\frac{\gamma}{4N}\,g^{-1} \quad\text{(популяционный сектор)}, \qquad \frac{\operatorname{Tr}(g\kappa_{\text{full}})} {\operatorname{Tr}(g\kappa_{\text{at}})}=\frac{11}{9}, \qquad \operatorname{Tr}\kappa=\frac{\gamma}{N}(1-P), reff=(1−P)2P+P2−2S3,κcoh∣диаг=0.r_{\text{eff}}=\frac{(1-P)^2}{P+P^2-2S_3}, \qquad \kappa^{\text{coh}}\big|_{\text{диаг}}=0 .

Тождества описывают выбранный популяционный инструмент и его Фано-реализацию. Обучение натуральным градиентом дополнительно требует цели и сноса. Полоса чистоты — дополнительное ограничение состояния; одна декогеренция её не задаёт. Перенос сравнения на меняющийся мир, биологическую систему или SYNARC остаётся программой с отдельными эмпирическими обязательствами.

Первое из этих утверждений измеримо вообще без оценки метрики и требует около сотни окон данных. Если ковариация временных изменений когда-нибудь будет измерена так, как предлагает Ванчурин, — вот числа для сравнения.