Обучающий алгоритм голона есть натуральный градиент

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

В УГМ эта величина не свободна. Оба множителя вынуждены аксиомами — $g$ Аксиомой 2 (Бюрес есть единственная монотонная риманова метрика), $\kappa$ каноническим диссипатором, чьи операторы Линдблада суть атомы классификатора подобъектов плюс семь Фано-проекторов. Поэтому их связь есть теорема, а не параметр:

$$\kappa^{\uparrow\uparrow}_{\text{at}} \;=\; \frac{\gamma}{4N}\,g^{-1} \qquad\Longleftrightarrow\qquad \Pi\,g\,\kappa_{\text{at}}\,\Pi \;=\; \frac{\gamma}{4N}\,\Pi$$

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

$$a = 1 \quad\text{(натуральный градиент) — точно.}$$

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 $g(\kappa)$ 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 $a$, а $\alpha$ — координатный индекс; в [V2] показатель обозначен $\alpha$. Мы следуем [V1] и пишем $a$. И его $\gamma$ — скорость обучения, наша $\gamma$ — скорость диссипатора: это разные величины, и всякая $\gamma$ на этой странице наша.

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

Центральное следствие для обучающей программы: УГМ предсказывает, что жизнеспособная обучающаяся система реализует натуральный градиентный спуск, а не режим $a=\tfrac12$, предполагаемый для биологической сложности. Её эффективность идёт не от иного показателя, а от Фано-индуцированной анизотропии шума и от удержания чистоты в окне $P\in(2/7,3/7]$. Это резкое, фальсифицируемое расхождение, и §9 даёт для него не требующую метрики тестовую статистику вместе с необходимым размером выборки.

---

1. Две рамки и их словарь

Ковариантная обучающая рамка Ванчурина (далее VL) построена на: обучаемые переменные $q$, функция потерь/приспособленности $\mathcal F$, метрика $g_{\alpha r,\beta s}$ на обучаемом пространстве, ковариация шума $\kappa_{\alpha r,\beta s}=\langle\partial_\alpha\phi\, \partial_\beta\phi\rangle$ (его 6.7) и ковариантное обновление $\dot q = g^{-1}\nabla\mathcal F$ (его 6.3). Алгоритм обучения определяется функциональной связью $g(\kappa)$ (его 6.8–6.9).

УГМ построен на пяти аксиомах: реальность как $\infty$-топос над матрицами плотности, топология Гротендика Бюреса, размерность $N=7$, масштаб $\omega_0$ и разложение Пейджа–Вуттерса (последнее выводимо, T-87). Его динамика — триада, вынужденная полнотой LGKS (T-57):

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

Словарь точен по каждой значимой строке:

Объект VL	Объект УГМ	Статус связи
обучаемое состояние $q$	матрица когерентностей $\Gamma\in\mathcal D(\mathbb C^7)$	структурная
потери $-\mathcal F$	функционал свободной энергии $\mathcal F[\varphi;\Gamma]$	T-39e (вариационная $\varphi$)
метрика $g$	метрика Бюреса/SLD — единственная монотонная (Петц; T-187)	вынуждена, не выбрана
ковариация шума $\kappa$	ковариация одношаговых Краус-приращений $\mathcal D_\Omega$	вынуждена T-41/T-59, относительно канонического Краус-разрешения (§7.2)
ковариантный спуск $\dot q=g^{-1}\nabla\mathcal F$	регенерация $\mathcal R$ к $\rho_*$	T-39f–h
эмерджентное время = индекс блока	$\tau\in\mathbb Z_7$ (Пейдж–Вуттерс)	T-38b, T-87
maxent-тождество $g^{-1}=c$ (его 4.7)	выведено здесь как динамическая теорема (§4)	эта страница
многоуровневая структура	фрактальный голон, сжатие $c_F=1/3=1/\lvert\mathrm{QR}(7)\rvert$	T-72, CC-5
клеточная сеть	плоскость Фано $\mathrm{PG}(2,2)$, единственный оптимальный BIBD$(7,3,1)$	T-41i

---

2. Постановка: ковариация шума голона

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

$$\mathcal K \;=\; \underbrace{\{L_k=|k\rangle\langle k|\}_{k=1}^{7}}_{\text{атомарные}} \;\cup\; \underbrace{\Bigl\{L_p=\tfrac{1}{\sqrt3}\Pi_p\Bigr\}_{p\in\mathrm{PG}(2,2)}}_{\text{Фано}}, \qquad \Pi_p=\sum_{i\in p}|i\rangle\langle i| .$$

Инвариантность разметки

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

В картине квантовых скачков (unravelling) за время $dt$ скачок $e$ происходит с вероятностью $p_e=\frac{\gamma\,dt}{N}\operatorname{Tr} (L_e\rho L_e^\dagger)$, переводя $\rho$ в $\rho_e=L_e\rho L_e^\dagger/ \operatorname{Tr}(L_e\rho L_e^\dagger)$. Определим ковариацию шума как ковариацию одношагового приращения $\Delta_e=\rho_e-\rho$:

$$\kappa \;:=\; \frac{1}{dt}\sum_{e} p_e\;\Delta_e\otimes\Delta_e .$$

Это $\kappa^{\alpha r,\beta s}$ Ванчурина с поднятыми индексами — ковариация временных изменений, его (7.4). Расположение индексов несёт нагрузку, и именно это читателю стоит проверить первым: $\Delta_e$ — касательный вектор (изменение $\lambda$), поэтому его ковариация контравариантна, а его (7.4) утверждает в точности $\kappa^{\uparrow\uparrow}=g^{-1}\kappa_{\downarrow\downarrow}g^{-1} =\langle\dot q\dot q\rangle-\langle\dot q\rangle\langle\dot q\rangle$. 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, $\rho=\operatorname{diag}(\lambda)$, все объекты живут на популяционном секторе — касательном пространстве $T=\{x\in\mathbb R^N:\mathbf 1^{\!\top}x=0\}$ с проектором $\Pi=I-\tfrac1N J$, где $J=\mathbf 1\mathbf 1^{\!\top}$.

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

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

Значение для Бюреса есть $\tfrac14$, а не $\tfrac12$: из $D_B^2=2(1-F)=\tfrac12\sum_{jk}\lvert\langle j|d\rho|k\rangle\rvert^2/ (\lambda_j+\lambda_k)$ на диагональных членах $\lambda_j+\lambda_k=2\lambda_j$, откуда $D_B^2=\tfrac14\sum_j (d\lambda_j)^2/\lambda_j$. Квантовая информация Фишера в форме SLD равна $4\times$ 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 $c_g$, а что нет. Показатель $a=1$, Фано-множитель $11/9$, закон шум–чистота и эффективный ранг от $c_g$ не зависят. Сдвигаются только абсолютные константы:

величина	Бюрес ($c_g=\tfrac14$)	SLD-QFI ($c_g=1$)
$\Pi g\kappa_{\text{at}}\Pi$	$\frac{\gamma}{4N}\Pi=\frac{\gamma}{28}\Pi$	$\frac{\gamma}{N}\Pi=\frac{\gamma}{7}\Pi$
$\operatorname{Tr}(g\kappa_{\text{at}})$	$\frac{3\gamma}{14}$	$\frac{6\gamma}{7}$
$\operatorname{Tr}(g\kappa_{\text{full}})$	$\frac{11\gamma}{42}$	$\frac{22\gamma}{21}$
на моду	$\frac{11\gamma}{252}$	$\frac{11\gamma}{63}$

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, $\langle\phi\phi'\rangle=C\,\delta(t-t')$, что читается как диффузия; unravelling выше есть составной пуассоновский процесс, скачки которого не малы — каждый уводит $\lambda$ в угол $e_k$ симплекса. Определение поэтому вычисляет скорость квадратичной вариации, то есть интенсивность шума, а для составного пуассоновского процесса с нулевым средним приращение за окно $\Delta t$ имеет ковариацию ровно $\kappa\,\Delta t$. 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 $\rho=\operatorname{diag}(\lambda)$

$$\kappa_{\text{at}} \;=\; \frac{\gamma}{N}\Bigl( \operatorname{diag}(\lambda)-\lambda\lambda^{\!\top}\Bigr),$$

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

Доказательство. Для $L_k=|k\rangle\langle k|$ имеем $L_k\rho L_k^\dagger=\lambda_k|k\rangle\langle k|$, откуда $\operatorname{Tr}(L_k\rho L_k^\dagger)=\lambda_k$, $p_k=\gamma\,dt\,\lambda_k/N$ и $\rho_k=|k\rangle\langle k|$, так что $\Delta_k=e_k-\lambda$ как вектор популяционного сектора. Подставляя:

$$\kappa_{\text{at}}=\frac{\gamma}{N}\sum_k \lambda_k (e_k-\lambda)(e_k-\lambda)^{\!\top} =\frac{\gamma}{N}\Bigl[\sum_k\lambda_k e_ke_k^{\!\top} -\lambda\lambda^{\!\top}-\lambda\lambda^{\!\top} +\lambda\lambda^{\!\top}\Bigr],$$

где использованы $\sum_k\lambda_k=1$ и $\sum_k\lambda_k e_k=\lambda$. Скобка равна $\operatorname{diag}(\lambda)-\lambda\lambda^{\!\top}$. $\blacksquare$

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

Матрица $\operatorname{diag}\lambda-\lambda\lambda^{\!\top}$ 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 натурального градиента

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

Теорема (натуральный градиент) [Т]

На касательном пространстве $T$

$$\Pi\,g\,\kappa_{\text{at}}\,\Pi \;=\; \frac{\gamma}{4N}\,\Pi , \qquad\text{то есть}\qquad \kappa^{\uparrow\uparrow}_{\text{at}}=\frac{\gamma}{4N}\,g^{-1}$$

точно, в нормировке Бюреса. Подстановка $a=1$ в ур. (7.5) Ванчурина даёт в точности $g^{-1}=g^{-1}\kappa g^{-1}=\kappa^{\uparrow\uparrow}$. Поэтому голон реализует $a=1$: натуральный градиентный спуск.

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

$$g\,\kappa_{\text{at}} =\frac{c_g\gamma}{N}\operatorname{diag}(1/\lambda) \bigl(\operatorname{diag}\lambda-\lambda\lambda^{\!\top}\bigr) =\frac{c_g\gamma}{N}\bigl(I-\mathbf 1\lambda^{\!\top}\bigr).$$

Поскольку $\Pi\mathbf 1=0$, ранг-один член уничтожается: $\Pi(\mathbf 1\lambda^{\!\top})\Pi=(\Pi\mathbf 1)(\lambda^{\!\top}\Pi)=0$, и остаётся $\Pi g\kappa_{\text{at}}\Pi=\frac{c_g\gamma}{N}\Pi$, что при $c_g=\tfrac14$ равно $\frac{\gamma}{4N}\Pi$. $\blacksquare$

Почему это закрывает вопрос о показателе. Диагностика VL (7.5) гласит $g^{-1}=\bigl(g^{-1}\kappa g^{-1}\bigr)^{a/(2a-1)}$, и он прямо выписывает два читаемых конца: $a=0\Rightarrow g^{-1}=I$ и $a=1\Rightarrow g^{-1}=g^{-1}\kappa g^{-1}$. Теорема — второй из них, с константой. Константа несёт размерность скорости — у $\kappa$ размерность (состояние)$^2$/время, у $g$ нет, — поэтому она фиксирует единицу времени в точности так же, как это неявно делает его (6.8); сама же функциональная связь линейна, а это и утверждает $a=1$.

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

4.1 Что это предсказывает о данных

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

$$\kappa^{\uparrow\uparrow}\;=\;\frac{\gamma}{4N}\;c .$$

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 ($c$, его 7.1) и никогда не измеренный ($\kappa^{\uparrow\uparrow}$, его 7.4) предсказаны как одна и та же матрица с точностью до одного числа. Для $N=7$ 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 вынужденности: УГМ не оставляет свободы ни в одном множителе — $g$ по Аксиоме 2, а шум из того, что набор Линдблада есть атомы классификатора (T-41g–i), а не модельный выбор. В §4 VL навязывает $g^{-1}=c$ аргументом максимума энтропии для популяционной ковариации (его 4.3–4.7: изотропное ограничение $\Rightarrow$ сферическое распределение $\Rightarrow$ ковариация $\propto$ единичной в локальных координатах); здесь то же тождество возникает для динамического шума и не постулируется. Результаты §5–§7 не элементарны и несут новое содержание.

УГМ доказывает как динамическую теорему то тождество, которое VL принимает как постулат максимума энтропии — и одновременно фиксирует показатель обучения, который VL оставляет открытым.

---

5. Поправка Фано есть универсальный множитель 11/9

Теорема [Т]

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

$$\frac{\operatorname{Tr}\!\left(g\,\kappa_{\text{full}}\right)} {\operatorname{Tr}\!\left(g\,\kappa_{\text{at}}\right)} \;=\; 1+\frac29 \;=\; \frac{11}{9},$$

независимо от $\lambda$ и от $c_g$. Равносильно: блочный слой несёт ровно $2/11$ всего метрически взвешенного шума, в каждом состоянии. В нормировке Бюреса $\operatorname{Tr}(g\kappa_{\text{at}})= \frac{3\gamma}{14}$ и $\operatorname{Tr}(g\kappa_{\text{full}})= \frac{11\gamma}{42}$.

Доказательство. Для линии Фано $p$ с $s_p=\sum_{i\in p}\lambda_i$: $L_p\rho L_p^\dagger= \tfrac13\operatorname{diag}(\lambda_i[i\in p])$, $\operatorname{Tr}=s_p/3$, $p_e=\frac{\gamma dt}{N}\frac{s_p}{3}$, а пост-скачковый вектор — $u_p$ с $(u_p)_i=\lambda_i[i\in p]/s_p$. Тогда

$$\kappa_{\text{F}}=\frac{\gamma}{N}\sum_{p}\frac{s_p}{3} \,(u_p-\lambda)(u_p-\lambda)^{\!\top}.$$

Метрически взвешенная квадратичная форма вычисляется в замкнутом виде:

$$(u_p-\lambda)^{\!\top}g\,(u_p-\lambda) =c_g\Bigl[\sum_{i\in p}\lambda_i\Bigl(\tfrac1{s_p}-1\Bigr)^{2} +\sum_{i\notin p}\lambda_i\Bigr] =c_g\Bigl[\frac{(1-s_p)^2}{s_p}+(1-s_p)\Bigr] =\frac{c_g(1-s_p)}{s_p}.$$

Отсюда

$$\operatorname{Tr}(g\kappa_{\text F}) =\frac{\gamma}{N}\sum_p\frac{s_p}{3}\cdot\frac{c_g(1-s_p)}{s_p} =\frac{c_g\gamma}{3N}\sum_p(1-s_p) =\frac{c_g\gamma}{3N}\bigl(b-r\bigr),$$

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

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

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

$$\frac{\operatorname{Tr}(g\kappa_{\text{blocks}})} {\operatorname{Tr}(g\kappa_{\text{at}})}=\frac{b-r}{k\,(v-1)} .$$

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

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

состояние	спектр	анизотропия
$I/7$	$\{\tfrac{11}9\}^{\times6}$	$1{,}0000$
$\lambda=(\tfrac12,\tfrac1{12}^{\times6})$, $P=\tfrac7{24}$	$\{\tfrac{13}{12},\tfrac{13}{12},\tfrac{11}9,\tfrac{11}9,\tfrac{11}9,\tfrac32\}$	$1{,}3846$
$P=\tfrac5{14}$ (центр окна), $\lambda=(\tfrac47,\tfrac1{14}^{\times6})$	$\{\tfrac{16}{15},\tfrac{16}{15},\tfrac{11}9,\tfrac{11}9,\tfrac{11}9,\tfrac{23}{15}\}$	$1{,}4375$

Первая строка сверена с точными дробями до $1{,}78\times10^{-15}$; каждый спектр в сумме даёт $6\cdot\frac{11}9=\frac{22}3$, 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 $a=\tfrac12$, но полученный без ухода от $a=1$.

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 $\kappa_{ij}$ к $\lambda_x$ подавлена — относительно всякой оси вне пары — ровно тогда, когда $x$ есть третья точка прямой через $(i,j)$: при $I/7$ ровно на $\gamma/189$, аналитически и машинно до шести знаков в обоих каналах $\kappa_{OE}$ и $\kappa_{OU}$; 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 $\approx92\%$ случаев. Формулировка и набросок доказательства в корпусе: следствие о подавлении $\kappa_0$; прибор shadow_marks.py рядом со скриптом воспроизводимости.

---

6. Величина шума фиксирована чистотой

Теорема [Т]

$\operatorname{Tr}\kappa_{\text{at}}=\frac{\gamma}{N}(1-P)$ и $\operatorname{Tr}\kappa_{\text{at}}^2=\frac{\gamma^2}{N^2} (P+P^2-2S_3)$, где $P=\operatorname{Tr}\rho^2$ — чистота, а $S_3=\sum_i\lambda_i^3$. Ни то, ни другое не зависит от нормировки метрики.

Доказательство. Немедленно из §3: $\operatorname{Tr}[\operatorname{diag}\lambda-\lambda\lambda^{\!\top}]= \sum_i\lambda_i-\sum_i\lambda_i^2=1-P$; и $\operatorname{Tr}[(\operatorname{diag}\lambda-\lambda\lambda^{\!\top})^2] =P-2S_3+P^2$ раскрытием квадрата с $\operatorname{Tr}(\operatorname{diag}\lambda\cdot\lambda\lambda^{\!\top}) =S_3$ и $\operatorname{Tr}(\lambda\lambda^{\!\top}\lambda \lambda^{\!\top})=P^2$. $\blacksquare$

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

Состояние	$P$	$\operatorname{Tr}\kappa_{\text{at}}$
максимально смешанное $I/7$	$1/7$	$6/49=0{,}122449$
порог жизнеспособности $P_{\text{crit}}$	$2/7$	$5/49=0{,}102041$
центр сознательного окна	$5/14$	$9/98=0{,}091837$
верхний край окна	$3/7$	$4/49=0{,}081633$

Итак, сознательное окно $P\in(2/7,3/7]$ — выведенное в УГМ из независимых соображений (T-124) — соответствует полосе шума обучения $\operatorname{Tr}\kappa\in[4\gamma/49,\,5\gamma/49)$. На языке VL: жизнеспособный обучающийся — тот, чей градиентный шум лежит в узкой полосе; слишком много шума (высокая энтропия, $P\to1/7$) — структура растворяется; слишком мало ($P\to1$) — 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: $\mathcal D_\Omega[\operatorname{diag}\lambda]=0$, равносильно $\sum_e p_e\Delta_e=0$. Поэтому второй момент есть центрированная ковариация его (7.4), а весь популяционный снос несёт $\mathcal R$.

Доказательство. $\sum_k L_k\rho L_k^\dagger= \operatorname{diag}\lambda=\rho$ и $\sum_p L_p\rho L_p^\dagger= \tfrac13\sum_p\operatorname{diag}(\lambda_i[i\in p])= \tfrac13\cdot3\lambda=\rho$, поскольку каждая точка лежит на $r=3$ линиях; и $\sum_k\operatorname{Tr}(L_k\rho L_k^\dagger)= \sum_p\operatorname{Tr}(L_p\rho L_p^\dagger)=1$. Значит $\sum_e p_e\Delta_e=\frac{\gamma}{N}(2\rho-2\rho)=0$. $\blacksquare$

Машинная проверка: $\max\lvert\sum_e p_e\Delta_e\rvert=3{,}64\times10^{-17}$ по 200 состояниям и $\max\lvert\mathcal L_{\text{full}} [\operatorname{diag}\lambda]\rvert=0{,}00$ 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: $\mathcal R$ — снос, $\mathcal D_\Omega$ — 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 $5\gamma/21$: его генератор $49\times49$ имеет спектр ровно $\{0^{\times7},(-5\gamma/21)^{\times42}\}$ и тождественно совпадает с атомарным диссипатором при перемасштабированной скорости $5\gamma/3$.

Машинная проверка: атомарный спектр $\{0^{\times7},(-\gamma/7)^{\times42}\}$, полный спектр $\{0^{\times7},(-5\gamma/21)^{\times42}\}$ и $\max\lvert\mathcal L_{\text{full}}(\gamma)-\mathcal L_{\text{at}} (5\gamma/3)\rvert=2{,}78\times10^{-17}$.

warning

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

Два разных Краус-разрешения одного и того же генератора дают разную $\kappa$. Поэтому $\kappa$ 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 $11/9$, которую эксперимент обязан соблюсти:

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

Оба точны. Приводить $11/9$ 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 $\rho$) всякое приращение $\Delta_e$ диагонально и $\kappa^{\text{coh}}=0$ точно, а когерентности детерминированно сжимаются со скоростью $\lambda_{\text{deco}}=\frac{5\gamma}{3N}= \frac{5\gamma}{21}$ (T-59, подтверждено супероператором $49\times49$ выше).

Доказательство. $L_k=|k\rangle\langle k|$ и $L_p=\Pi_p/\sqrt3$ диагональны; сопряжение диагональной $\rho$ диагональным оператором диагонально; значит $\rho_e$ и $\Delta_e$ 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 $c$, внесённых в иначе диагональное состояние, $\max\lvert\kappa^{\text{coh}}\rvert=1{,}079\times10^{-4}$ при $c=0{,}02$ и $2{,}698\times10^{-3}$ при $c=0{,}10$ — отношение $25{,}0$ при пятикратном росте $c$, то есть ровно $O(c^2)$. Поскольку сами когерентности гаснут со скоростью $5\gamma/21$, $\kappa^{\text{coh}}$ гаснет со скоростью $10\gamma/21$. Декогерированное многообразие — аттрактор, поэтому $\kappa^{\text{coh}}\to0$ всегда; но тождественно нулём везде она не является.

Интерпретация и подлинное напряжение с VL. УГМ предсказывает двухсекторную структуру: популяционный сектор со стохастическим обучением натуральным градиентом ($a=1$, анизотропный через Фано) и сектор когерентностей, бесшумный и чисто детерминированный со скоростью $5\gamma/21$.

VL называет $a=1$ «квантовым режимом», поскольку тот даёт шрёдингеровскую динамику обучаемых переменных из дискретной сдвиговой симметрии [V2]. В УГМ сектор $a=1$ — это популяционный (диагональный) сектор, то есть классические степени свободы, тогда как буквальная квантовая когерентность живёт в секторе, где $\kappa$ 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 $\tau$-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 $r_{\text{eff}}=\zeta(\alpha)^2/\zeta(2\alpha)$ (его 7.3) порядка $10^2$ против $\dim(g)\sim10^9$. Для голона та же величина имеет точную замкнутую форму. При $r_{\text{eff}}=(\operatorname{Tr}\kappa)^2/ \operatorname{Tr}\kappa^2$ по популяционному сектору §6 даёт сразу

$$r_{\text{eff}}=\frac{(1-P)^2}{P+P^2-2S_3},\qquad S_3=\sum_i\lambda_i^3 ,$$

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

Эффективный ранг не является функцией одной чистоты

Это тождество двух моментов, и оно делает явным, что $r_{\text{eff}}$ зависит от $S_3$ наравне с $P$. При равной чистоте:

$P$	одна доминанта $+$ шесть равных	две доминанты $+$ пять равных
$1/7$	$6{,}0000$ (максимум, $=N-1$)	—
$2/7$	$4{,}2247$	$3{,}0854$
$5/14$	$27/7=3{,}8571$	$2{,}1858$
$3/7$	$3{,}5931$	$1{,}5047$

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

---

9. Предсказания и способ их фальсифицировать

Все утверждения ниже — следствия результатов выше; ни одно не подогнано. Столбец «нужна $g$?» важен на практике: предсказания, не требующие оценки метрики, невосприимчивы к вопросу о нормировке из §2.1 и измеряются гораздо легче.

№	Предсказание	Значение	Нужна $g$?	Проверка
P1	Показатель обучения жизнеспособного голона	$a=1$ точно (натуральный градиент), не $a=\tfrac12$	нет	Сферичность $\kappa^{\uparrow\uparrow}$ — §9.1
P2	Тождество формы со статической ковариацией	$\kappa^{\uparrow\uparrow}=\frac{\gamma}{4N}c$ (с его 4.7)	нет	Сравнить ковариацию временных изменений со статической ковариацией популяции: предсказаны равными с точностью до одного скаляра
P3	Универсальный Фано-множитель	$11/9$ при равной скорости на канал; $11/15$ при равном генераторе; доля блока $2/11$	да	Разрешить один процесс на уровне сайтов и на уровне блоков, удерживая заявленную нормировку
P4	Закон шум–чистота	$\operatorname{Tr}\kappa=\frac{\gamma}{N}(1-P)$; жизнеспособная полоса $[4\gamma/49,5\gamma/49)$	нет	Регрессия $\operatorname{Tr}\hat\kappa$ на $1-\hat P$ без свободного члена; наклон $=\gamma/N$
P5	Второй момент / эффективный ранг	$r_{\text{eff}}=\frac{(1-P)^2}{P+P^2-2S_3}$ точно	нет	Два момента $\hat\kappa$ против двух моментов состояния
P6	Секторное расщепление	$\kappa^{\text{coh}}=0$ на декогерированном многообразии, $O(\lVert\rho_{\text{coh}}\rVert^2)$ вне него; когерентности гаснут со скоростью $5\gamma/21$	нет	Интерферометрия / томография процесса
P7	Абсолютная нормировка	$\operatorname{Tr}(g\kappa_{\text{full}})=\frac{11\gamma}{42}$ (Бюрес) или $\frac{22\gamma}{21}$ (SLD-QFI)	да	Фиксирует $\gamma$ одним измерением, далее переопределяет остальное
P8	Топология сети «клеточного» слоя	Для $N=7$ с полным парным покрытием координирующий дизайн вынужденно есть $\mathrm{PG}(2,2)$; он же — дизайн, при котором блочный слой самонормирован ($r=k$)	нет	Любая архитектура с $N=7$, 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 $a=\tfrac12$: показатель $a/(2a-1)$ расходится, и действительно $\kappa^{\uparrow\uparrow}=g^{1/a-2}=I$ не несёт о $g$ никакой информации вовсе. Именно это вырождение и делает возможной чистую проверку, поскольку две гипотезы делают противоположные утверждения о форме одного измеряемого объекта:

• $a=\tfrac12$ $\Longrightarrow$ $\kappa^{\uparrow\uparrow}$ сферична на $T$ (все шесть собственных значений равны);
• $a=1$ $\Longrightarrow$ $\kappa^{\uparrow\uparrow}\propto \operatorname{diag}\lambda-\lambda\lambda^{\!\top}$, полностью вычислимо по измеренной $\lambda$.

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

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

где $\Sigma_0=\Pi$ для проверки $a=\tfrac12$ и $\Sigma_0=\operatorname{diag}\lambda-\lambda\lambda^{\!\top}$ для проверки $a=1$. Разделяющую способность теория даёт точно: $\Delta(\lambda)=6\ln(\text{ср.арифм.}/\text{ср.геом.})$ собственных значений $\kappa^{\uparrow\uparrow}$, откуда $\Delta=0$ в $I/7$ и $0{,}8159$, $1{,}0465$, $1{,}2384$ при $P=2/7$, $5/14$, $3/7$.

Два практических предупреждения, оба измерены, а не заявлены

Асимптотический размер выборки — мираж. Наивная оценка $M\gtrsim\text{ncp}/\Delta$ даёт $M\gtrsim17$–$26$, но при таких размерах калибровка $\chi^2_{20}$ грубо ломается: симулированный размер номинально $5\,\%$-го теста равен $10{,}0\,\%$ при $M=25$, $8{,}0\,\%$ при $M=50$, $6{,}1\,\%$ при $M=100$, $5{,}5\,\%$ при $M=200$. Мощность при $M=100$ равна $100\,\%$ всюду в окне (при $M=25$ — $77{,}3\,\%$, $88{,}2\,\%$, $93{,}1\,\%$ для $P=2/7$, $5/14$, $3/7$). Берите $M\approx100$ независимых окон; ниже $M\approx50$ тест антиконсервативен и не должен публиковаться.

Приращения обязаны агрегироваться. Один идеализованный скачок имеет всего семь исходов, поэтому $\hat\kappa=\operatorname{diag}\hat p-\hat p\lambda^{\!\top}- \lambda\hat p^{\!\top}+\lambda\lambda^{\!\top}$ параметризована шестью числами, а не двадцатью одним, и не является вишартовой; калибровка $\mathrm{df}=20$ к ней не применима. Агрегируйте по окнам с $\Lambda\Delta t\gg1$, где $\Lambda=2\gamma/N$ — полная скорость скачков, чтобы работала центральная предельная теорема; ковариация окна тогда равна ровно $\kappa\,\Delta t$ (Кэмпбелл). Поскольку $\kappa$ зависит от состояния, окно обязано лежать между двумя временами, $1/\Lambda\ll\Delta t\ll\tau_{\text{сноса}}$; 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 ($\Delta=0$): там $a=1$ и $a=\tfrac12$ неразличимы принципиально. Тесту нужно состояние, ушедшее от равномерности, — а окно жизнеспособности $P\in(2/7,3/7]$ 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 $a=\tfrac12$, режиму «эффективного обучения» Adam/AdaBelief (его 6.9). УГМ говорит: жизнеспособный обучающийся сидит при $a=1$ 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 $a=0$. Игрушечная модель, в которой нет ни строчки УГМ, говорит иное — по обе стороны ланжевеновского расщепления. Сторона шума: нейтральная райт-фишеровская передискретизация $M$ особей по $d$ типам имеет ковариацию приращений ровно $(\operatorname{diag}p-pp^{\!\top})/M$ — 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 $a=1$ тождественно, с единственной константой $1/M$ (симуляция при $d=3$, $M=10^5$: pooled-форма до $1{,}9\%$, квазистатичное окно до $6{,}4\%$ = выборочная ошибка, Маучли $506$ против критических $5{,}99$ 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 $a=0$ или $a=\tfrac12$ 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, — а это ровно то, что утверждает теорема масштабной инвариантности УГМ (T-72 со сжатием $c_F=1/3$), но что остаётся мостовым допущением [И], а не теоремой о биологии. Если отождествление отвергнуть, P1 всё равно остаётся в силе для физических голонов и для инженерных обучающихся систем, построенных на ядре УГМ.

---

10. Что каждая рамка даёт другой

УГМ → VL.

1. Определение свободной функции. $g(\kappa)$ более не модельный выбор: $a=1$ с точными константами выше.

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

3. Предпочтительный базис. VL наследует открытый вопрос einselection («почему такое взаимодействие?»); УГМ фиксирует базис как атомы классификатора подобъектов, жёсткий с точностью до $G_2=\operatorname{Aut}(\mathbb O)$ (T-42a), причём семь направлений функционально единственны (минимальность 7/7).

4. Вынужденная сеть. «Клеточная сеть», координирующая агентов, при $N=7$, полном парном покрытии и оптимальном размере блока есть единственно плоскость Фано (T-41c, T-41i) — и притом тот самый случай $r=k$, в котором блочный слой не требует перенормировки.

5. Потолок самоотнесения — и второй потолок, на ширину. Лестница $P_{\text{crit}}$ по уровням даёт $\mathrm{SAD}_{\max}=3$: самообучающаяся система не может вкладывать рефлексию бесконечно — структурный предел, которого у ВЛ нет. Второй предел идёт поперёк. Холон типизирует ровно $\binom{7}{2}=21$ непересекающийся канал, а узел, согласующий других, тратит по каналу на каждого, поэтому никакой узел не адресует более $21$ подчинённого. Два предела перемножаются: одна холархия охватывает не более $21^{3}=9261$ адресуемого контекста (T-304). Это не размерность $\dim\mathrm{Cog}_n=7^{\,n+1}$ из §9 — там речь о том, насколько велико пространство состояний уровня, здесь о том, сколько положений он способен различить, — и различие существенно, потому что сети ВЛ масштабируются без обоих пределов.

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. Причина, по которой обучение никогда не завершается. Неполнота Ловера (T-55: $\mathrm{Th}_{\text{УГМ}}\subsetneq\Omega$) влечёт постоянный зазор между состоянием и его самомоделью; в УГМ этот зазор есть источник положительной энергии вакуума (T-71). Самообучающаяся вселенная — доказуемо та, что не может доучиться до самой себя.

VL → УГМ.

1. Операциональное прочтение $\mathcal R$: 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 — кривизна Gap, $\lVert\mathrm{Curv}\rVert^2=\omega_0^2 \lVert\gamma_{ij}\rVert^2\mathrm{Gap}^2$ (T-73), и $V_{\text{Gap}}$ из спектрального действия (T-74) — можно сравнивать член за членом.

Три способа жить в одной геометрии. Замечание, которое уточняет, где обе рамки стоят относительно машинного обучения. Обучение — во всех случаях этой страницы — есть движение вдоль информационной геометрии; случаи различаются лишь тем, как добывается шаг. В машинном обучении шаг аппроксимируется: постериор по континууму весов невычислим, и его догоняют итерациями локальных ходов (прекондиционер вторых моментов Adam — диагональный $g^{-1/2}$, режим $a=1/2$ у ВЛ). В эволюции шаг порождён физикой: мультиномиальный шум размножения при конечной популяции имеет ковариацию, точно равную обратной метрике Фишера (игрушка Райта–Фишера выше), так что $a=1$ не выбирает никакой оптимизатор — он выпадает из дискретного копирования. А в когнитивном слое УГМ шаг вычисляется в замкнутой форме: сопряжённый Байес на счётчиках (KT-оценщики, смеси Виллемса) — это зеркальный спуск с точным шагом, то есть градиент проинтегрирован, а не итерируется — потому в кремнии вовсе нет процедуры спуска, хотя он живёт в той же геометрии, и потому диссипативный поток физического слоя (шаг BKM/Бюреса) прочно сидит в семье $a=1$. Аппроксимирован, порождён, вычислен: одна геометрия, три способа взять шаг.

Экспонента как фаза знания. Дальнейшее уточнение, рождённое экспериментами с валютой цели в кремнии. Внутри одной живой системы экспонента $a$ — не фиксированное свойство, а фаза её знания. Невиданное вычисляется: каждый такт сопряжённого счёта — точный шаг натурального градиента, $a=1$. Доказанное исполняется: когда дорога установлена законом повтора, агент воспроизводит её, ничего не пересчитывая — шаг слеп к информационной различимости, и это в точности режим $a=0$. В кремнии это исполнитель золотой тропы, и он не дефект, а несущая экономия: в стенде переноса третья сессия берёт три уровня за 79 тактов вместо 1107, исполняя доказанные трассы. Граница между фазами — сама решённость. В этом прочтении классификация ВЛ получает архитектурный перевод: «классическая биология при $a=0$» означает, что наблюдаемая крупномасштабная биология — по преимуществу исполнение окаменевших решений (ДНК — золотая тропа эволюции), тогда как такт выборки поколения остаётся при $a=1$ по мультиномиальному тождеству выше; шкала кроссовера между двумя фазами — это место, где живёт алгоритмический слой наследственности, и она измерима.

Кривая автодидактии: большее знание никогда не убивает дальнейшую учёбу. 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 $T_0$, затем живёт на фиксированном общем окне текста; уровень падает монотонно по $T_0$ (2.416 до 2.000 бит на байт) — основа помогает жизни, которой предшествует, — а контент-контролируемый прогресс обучения $LP^{*}$, оценённый против замороженного близнеца той же основы на тех же двух половинах окна, положителен при каждом $T_0$ (от +0.278 до +0.109). Окаменелости от начитанности не существует: орган $a=1$ переживает любые объёмы наследия $a=0$. 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 вычисляющая фаза неразрушима одним лишь знанием.

---

11. Воспроизводимость

Всякое число этой страницы 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).

§	Проверка	Результат
0	Бюрес $=\tfrac14$ Фишера на коммутирующем секторе	$0{,}2499727756$ при $\varepsilon=10^{-5}$
1	Мультиномиальное тождество, 2000 случайных состояний	$2{,}78\times10^{-17}$
2	Тождество натурального градиента, 200 состояний; обе нормировки; его (7.5)	разброс $8{,}33\times10^{-17}$; $1{,}73\times10^{-17}$
3	Фано-множитель, 300 состояний; анизотропия; три BIBD	$4{,}4\times10^{-16}$; $1{,}78\times10^{-15}$; $\le1{,}7\times10^{-16}$
4	Оба момента шума в четырёх опорных состояниях	точное совпадение
5	Генератор $49\times49$; $\mathcal L_{\text{full}}(\gamma)=\mathcal L_{\text{at}}(5\gamma/3)$; $\kappa^{\text{coh}}$ на диагонали и вне	$\{0^{\times7},(-5\gamma/21)^{\times42}\}$; $2{,}78\times10^{-17}$; $O(c^2)$
6	Замкнутая форма $r_{\text{eff}}$; диапазон по окну	$6{,}66\times10^{-15}$; $[1{,}4719;4{,}1262]$
7	Нулевой снос	$3{,}64\times10^{-17}$; $0{,}00$
8	Тест сферичности: разделяющая способность, симулированные размер и мощность; оконное тождество Кэмпбелла	$M\approx100$
9	Экран третьей точки: разрыв при $I/7$ $\equiv\gamma/189$; доля argmin среди внешних осей	шесть знаков; $91$–$96\%$

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

Перекрёстные ссылки корпуса: T-41 (семейство Фано-каналов), T-42a ($G_2$-жёсткость), T-55 (неполнота Ловера), T-57 (полнота триады), T-59 ($\lambda_{\text{deco}}=5\gamma/21$), T-71 (энергия вакуума), T-72 (масштабная инвариантность), T-73/T-74 (кривизна Gap, спектральное действие), T-87 (выводимость A5), T-124 (сознательное окно), T-187 (почему Бюрес). Строки реестра: T-293, T-294, T-295; поосевой экран живёт под T-298; потолок композиции и режим адресации — T-304.

---

12. Резюме

Рамка Ванчурина спрашивает: какой алгоритм обучения реализует природа? УГМ отвечает без подгоночных параметров:

$$\kappa^{\uparrow\uparrow}_{\text{at}}=\frac{\gamma}{4N}\,g^{-1} \;\Longrightarrow\; a=1, \qquad \frac{\operatorname{Tr}(g\kappa_{\text{full}})} {\operatorname{Tr}(g\kappa_{\text{at}})}=\frac{11}{9}, \qquad \operatorname{Tr}\kappa=\frac{\gamma}{N}(1-P),$$ $$r_{\text{eff}}=\frac{(1-P)^2}{P+P^2-2S_3}, \qquad \kappa^{\text{coh}}\big|_{\text{диаг}}=0 .$$

Природа — на уровне жизнеспособного голона — выполняет натуральный градиентный спуск по геометрии Бюреса, предобусловленный дизайном Фано, в полосе чистоты, удерживающей эффективный ранг заметно ниже максимума, на секторе, строго дополнительном к тому, где живёт квантовая когерентность.

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.