多尺度物理實現

從 Physics、Biophysics、Neural Dynamics 與 Computation 到 GPC 的可交換粗粒化、結構保留與載體獨立有效理論

英文題名： Multiscale Physical Realization: Commuting Coarse-Grainings, Structure Preservation, and Substrate-Independent Effective Theory from Physics and Biophysics to Neural Dynamics, Computation, and GPC
系列： 相位載體物理實現論（Phase-Carrier Physical Realization Theory, PCPRT）
Paper： 08
作者： Neo.K（許筌崴）
機構： EveMissLab／一言諾科技有限公司
理論協作： Aletheia（GPT-5.6 Sol）
版本： v1.0
日期： 2026-08-14
狀態： Public Theoretical Paper / Foundation-Cycle Synthesis

摘要

PCPRT Papers 01–07 已分別處理 physical realization、phase reduction、能量／資訊流、plastic carrier、metastability、neural phase routing 與 artificial phase computing。本文完成第一輪總收束，處理一個更根本的跨尺度問題：

一個在微觀物理層成立的載體結構，經過 biophysical、neural、cognitive 或 computational coarse-graining 後，什麼可以被保留？什麼會消失？什麼時候不同 substrate 可以合法地被描述為同一個 GPC effective system？

本文首先拒絕一條過度簡化的單一路徑：

\text{Physics} \rightarrow \text{Biology} \rightarrow \text{Cognition} \rightarrow \text{Computation} \rightarrow \text{GPC}.

人工計算並不需要先經過生物認知才存在。更合理的 PCPRT realization architecture 是兩條主要分支：

\boxed{ \text{Physics} \rightarrow \text{Biophysics} \rightarrow \text{Neural Dynamics} \rightarrow \text{Cognition} \rightarrow \text{GPC} }

與：

\boxed{ \text{Physics} \rightarrow \text{Device Physics} \rightarrow \text{Computation} \rightarrow \text{GPC}. }

兩條分支在高層可以共享：

state；
coupling；
memory；
phase-like relation；
capacity；
plasticity；
dynamical regime；
observability；

等有效結構，但其 microscopic substrate、energy current、time scale 與 physical phase 可以完全不同。

本文將多尺度系統寫成：

\boxed{ \mathcal X_0 \xrightarrow{\Pi_0} \mathcal X_1 \xrightarrow{\Pi_1} \cdots \xrightarrow{\Pi_{L-1}} \mathcal X_L, }

每一層有其 dynamics：

\Phi_k: \mathcal X_k \rightarrow \mathcal X_k.

若每一層 coarse-graining 滿足：

\boxed{ \Pi_k \circ \Phi_k = \Phi_{k+1} \circ \Pi_k, }

則稱該層 exact dynamically closed。本文證明 Exact Multiscale Composition Theorem：若所有相鄰尺度的 square 都精確交換，則任意多層 composite map：

\Pi_{j:i} = \Pi_{j-1} \circ \cdots \circ \Pi_i

也滿足：

\boxed{ \Pi_{j:i} \circ \Phi_i = \Phi_j \circ \Pi_{j:i}. }

因此 exact realization 可以沿多層 composition 傳遞。

對近似 coarse-graining，本文定義 layer defect：

\boxed{ \varepsilon_k(x) = d_{k+1} \left( \Pi_k \Phi_k(x), \Phi_{k+1} \Pi_k(x) \right). }

若每層 defect 有一致上界：

\varepsilon_k

且上層 dynamics 具有 Lipschitz bound：

L_k,

本文證明一個 Multiscale Error-Propagation Bound：多層 realization error 至多為各層 closure defect 經後續 effective dynamics 放大的加權和。這表示：

\boxed{ \text{small local coarse-graining errors} \not\Rightarrow \text{small final error} }

除非後續尺度的 gain / sensitivity 也受控。

這把 PCPRT Paper 01 的 realization defect 與 GPC-CS Paper 09 的 network amplification 統一到同一個跨尺度結構。

本文第二個核心是property preservation。對某層 property：

P_k: \mathcal X_k \rightarrow \mathcal Y_P,

存在上層 property：

P_{k+1}

使：

\boxed{ P_k = P_{k+1} \circ \Pi_k }

當且僅當 $P_k$ 在 $\Pi_k$ 的每個 fiber 上為常數。這意味 coarse-graining 是否「保留某個東西」不是一個抽象形容詞，而必須相對：

要保留的 property；
task；
observable；
safety specification；

判定。

因此本文提出：

\boxed{ \text{good coarse-graining} = \text{compression that preserves the variables relevant to the declared question}. }

這與 information bottleneck 的經典思想一致：Tishby–Pereira–Bialek 將 representation 的目標寫成，在壓縮 $X$ 的同時保留對 relevant variable $Y$ 的資訊。本文將其作為 task-relative coarse-graining 的鄰近理論，而不宣稱所有 physical coarse-graining 都由 information bottleneck 最佳化。

第三，本文使用 Kadanoff–Wilson renormalization group 作為「substrate-independent effective structure」最成熟的物理先例之一。Kadanoff 的 block-spin scaling 與 Wilson 的 renormalization group 顯示，在特定 critical systems 中，不同微觀描述經 coarse-graining 可流向相同 fixed-point / universality structure；Raju–Machta–Sethna 2018 又以 information geometry 顯示 coarse-graining 保留 relevant parameter directions，而 irrelevant directions 在模型可辨識度上收縮。

本文吸收其結構性啟示：

\boxed{ \text{different microscopic details can become irrelevant to selected macroscopic behavior}. }

但明確拒絕：

\boxed{ \text{all brains, computers, and GPC systems belong to one RG universality class}. }

「universality」只有在明確 coarse-graining flow、observable 與 fixed-point structure 下才是嚴格物理主張。

本文第四個核心是 substrate-independent effective realization。令 substrate family：

s \in \mathfrak S

各自具有 physical state space：

\mathcal Z_s,

dynamics：

\Phi_s,

與 realization map：

\Pi_s: \mathcal Z_s \rightarrow \mathcal X.

若存在同一 effective dynamics：

\Gamma: \mathcal X \rightarrow \mathcal X

使對所有 $s$ ：

\boxed{ \Pi_s \circ \Phi_s = \Gamma \circ \Pi_s, }

則本文稱 $\Gamma$ 在這個 substrate family 上具有 exact substrate-independent realization。

本文證明 Cross-Substrate Effective Equivalence Theorem：若兩個 substrate $a,b$ 都 exact realize 同一 $\Gamma$ ，且：

\Pi_a(z_a^0) = \Pi_b(z_b^0),

則對所有離散時間 $n$ ：

\boxed{ \Pi_a ( \Phi_a^n(z_a^0) ) = \Pi_b ( \Phi_b^n(z_b^0) ). }

也就是它們在 effective state 層具有完全相同 trajectory。

但本文同時證明反方向不成立：

\boxed{ \text{same effective dynamics} \not\Rightarrow \text{same microscopic physics}. }

一個 mechanical oscillator、photonic oscillator、neural population 或 digital state machine 都可能實現相同有限狀態 transition graph，而其 energy scale、phase structure、noise、material composition 與 microscopic dynamics 完全不同。

因此：

\boxed{ \text{substrate independence} }

在 PCPRT 中是一個相對於指定 effective model 的等價性概念，不是「物理 substrate 不重要」的形上學聲明。

第五，本文提出 phase fate taxonomy，追蹤 physical phase 在跨尺度 coarse-graining 中可能有五種命運：

\boxed{ F_0: \text{Preserved Phase} }

physical phase 可直接 factor 到上層 phase。

\boxed{ F_1: \text{Relationalized Phase} }

個體 phase 被壓成 relative phase / order parameter。

\boxed{ F_2: \text{Latent Phase} }

phase 影響上層 dynamics，但不被上層 state 顯式表示。

\boxed{ F_3: \text{Eliminated Phase} }

在所選 task 上 phase 可被 coarse-grain away。

\boxed{ F_4: \text{Replaced Generalized Phase} }

上層「phase」成為 regime、routing 或 relational coordinate，已不是原 microscopic $S^1$ phase。

這使 PCPRT 能同時正確描述：

neural phase → routing；
oscillator Ising phase → spin；
digital clock phase → 被邏輯層消去；
GPC generalized phase → 高層 relation state。

第六，本文將 neural multiscale modeling 放進同一框架。Wilson–Cowan 1972 已示範將大量 excitatory / inhibitory neurons 壓成 population activities 的經典 mean-field effective dynamics。現代 whole-brain models 進一步將 region-level neural populations作為 coarse nodes。2025 Zheng 等明確指出 coarse-grained macroscopic brain models用 neuron population / brain-region state 取代微觀 neuron-by-neuron modeling，並將其部署到 brain-inspired hardware。

本文因此寫出生物分支：

\boxed{ z_{\mathrm{molecular}} \rightarrow z_{\mathrm{cell}} \rightarrow x_{\mathrm{neuron}} \rightarrow x_{\mathrm{population}} \rightarrow x_{\mathrm{network}} \rightarrow c_{\mathrm{cog}}. }

但認知變量：

c_{\mathrm{cog}}

往往不是單一 instantaneous neural state 的函數，而可能依賴一段 trajectory：

\boxed{ c_t = Q \left( x_{[t-\tau,t]} \right). }

因此跨進 cognition 時，coarse-graining 可以是：

\boxed{ \text{trajectory compression}, }

而不是單點 state compression。

第七，人工計算分支則為：

\boxed{ z_{\mathrm{device}} \rightarrow x_{\mathrm{circuit}} \rightarrow x_{\mathrm{logical}} \rightarrow x_{\mathrm{algorithm}} \rightarrow x_{\mathrm{agent}}. }

同一 algorithm 可以由 digital CMOS、analog crossbar、photonic interference 或 oscillator network 實現，因此 computation 已經提供非常乾淨的 substrate-independent effective-structure testbed。

第八，本文將 cognition 與 artificial computation 放在平行分支，而不是把 cognition 當 computation 的物理祖先。它們共同進入 GPC 的條件是：都能被描述成 carrier-state system：

\boxed{ x^+ = \Gamma ( x,\text{interaction} ). }

因此 GPC 的 substrate-independent core 不應該是：

neuron；
transistor；
theta；
photon；
ATP；

而應該是：

\boxed{ \text{state} + \text{interaction} + \text{update} + \text{memory} + \text{constraints} + \text{observable relations}. }

這才是 GPC 可以跨 biology / computation 使用而不偷換底層物理的理由。

最後，本文提出 Scale-Stopping Principle：

coarse-graining 應在「下一層壓縮會開始丟失當前研究所需 property」之前停止。

若 target property：

P

無法 factor through 下一個：

\Pi,

則對該問題：

\boxed{ \text{the proposed higher scale is too coarse}. }

這提供一個非常實際的跨學科規則：不是越微觀越真，也不是越宏觀越有意義，而是選擇能閉合 dynamics 且保留目標 property 的最低複雜度尺度。

本文不宣稱已找到 physics 到 cognition 的唯一完整 reduction，也不宣稱 GPC 已被證明為自然界普遍定律。PCPRT 第一輪真正完成的是更有限也更可驗證的目標：

\boxed{ \text{建立一套判斷「高層 carrier theory 是否被低層 physical system 合法實現」的多尺度框架。} }

關鍵詞： 多尺度物理實現、coarse-graining、renormalization group、universality、information bottleneck、substrate independence、neural population dynamics、effective theory、GPC、semiconjugacy

0. 第一輪總定位

PCPRT 不試圖建立一條：

\boxed{ \text{所有層級都可精確還原成下一層的單一方程}. }

真正世界的多尺度 description 可能同時含：

exact reduction；
approximate reduction；
stochastic closure；
memory kernel；
trajectory-level variable；
empirical decoder。

本文因此把 multiscale theory 建立在：

\boxed{ \text{commuting maps + explicit defects}. }

1. Scale Tower

令：

\mathcal X_0, \mathcal X_1, \ldots, \mathcal X_L

為不同尺度 state spaces。

coarse maps：

\boxed{ \Pi_k: \mathcal X_k \rightarrow \mathcal X_{k+1}. }

2. Dynamics at Each Scale

每一層有：

\boxed{ \Phi_k: \mathcal X_k \rightarrow \mathcal X_k. }

它可能是：

microscopic physical dynamics；
mesoscopic dynamics；
neural population update；
cognitive-state update；
computational transition；
GPC update。

3. Exact Scale Closure

若：

\boxed{ \Pi_k \circ \Phi_k = \Phi_{k+1} \circ \Pi_k, }

則第 $k\to k+1$ 層 exact dynamically closed。

這就是 PCPRT Paper 01 的 realization square。

4. Composite Coarse-Graining

定義：

\boxed{ \Pi_{j:i} = \Pi_{j-1} \circ \Pi_{j-2} \circ \cdots \circ \Pi_i, }

其中：

i<j.

5. Exact Multiscale Composition Theorem

定理 5.1

若對所有：

k=i,\ldots,j-1

都有：

\Pi_k\Phi_k = \Phi_{k+1}\Pi_k,

則：

\boxed{ \Pi_{j:i} \Phi_i = \Phi_j \Pi_{j:i}. }

證明

由：

\Pi_i\Phi_i = \Phi_{i+1}\Pi_i

開始，

左乘：

\Pi_{i+1},

並使用：

\Pi_{i+1}\Phi_{i+1} = \Phi_{i+2}\Pi_{i+1}.

反覆代換至第 $j$ 層，即得：

\Pi_{j:i}\Phi_i = \Phi_j\Pi_{j:i}.

證畢。

6. 意義

若每一小步 reduction 都合法，

整條 reduction chain 也是合法的。

因此 exact effective theory 可以 compositional。

7. 但現實多為 Approximate

更常見：

\Pi_k\Phi_k \neq \Phi_{k+1}\Pi_k.

定義：

\boxed{ \varepsilon_k(x) = d_{k+1} \left( \Pi_k\Phi_k(x), \Phi_{k+1}\Pi_k(x) \right). }

8. Layer Defect

研究域：

K_k \subseteq \mathcal X_k.

定義 uniform defect：

\boxed{ \bar\varepsilon_k = \sup_{x\in K_k} \varepsilon_k(x). }

9. Effective Dynamics Sensitivity

假設：

\Phi_{k+1}

在 relevant region 是：

L_{k+1}

-Lipschitz：

d ( \Phi_{k+1}(x), \Phi_{k+1}(y) ) \le L_{k+1} d(x,y).

10. Two-Layer Error Bound

兩層：

\mathcal X_0 \to \mathcal X_1 \to \mathcal X_2.

則 total defect：

d_2 \left( \Pi_1\Pi_0\Phi_0(x), \Phi_2\Pi_1\Pi_0(x) \right)

可以插入：

\Pi_1\Phi_1\Pi_0(x)

並用 triangle inequality 分解。

11. Multiscale Error-Propagation Theorem

定理 11.1

假設：

第 $k$ 層 defect： $\bar\varepsilon_k;$
每個 coarse map： $\Pi_k$ 對 relevant metric 具有 Lipschitz constant： $C_k;$
每個上層 dynamics： $\Phi_k$ 具有 Lipschitz constant： $L_k.$

則 composite realization defect 可由一個有限加權和界定：

\boxed{ \varepsilon_{j:i}^{\mathrm{tot}} \le \sum_{k=i}^{j-1} \left( \prod_{\ell=k+1}^{j-1} C_\ell \right) \bar\varepsilon_k }

在使用「defect 在當前 scale 先發生、後續只經 coarse maps 傳遞」的比較設定中成立。

若 defect 還需經後續 effective dynamics 多步傳播，

相應項還要乘上對應：

L_\ell

gain。

解釋

本文不把此式當作唯一 multiscale error theorem。

重點是：

\boxed{ \text{cross-scale error} = \text{local closure error} \times \text{downstream sensitivity}. }

12. 小 Error 也可能被放大

如果：

C_\ell

或：

L_\ell

很大，

即使：

\bar\varepsilon_k

小，

最終：

\varepsilon^{\mathrm{tot}}

也可以大。

這和 GPC-CS Paper 09：

\text{path gain}

完全同型。

13. Multiscale Path Gain

尺度鏈本身可以視為 directed path：

0 \to1 \to2 \to\cdots\to L.

每一層有：

compression error；
sensitivity gain。

因此多尺度模型也存在：

\boxed{ \text{error becoming dynamics}. }

14. Property Preservation

對 property：

P_k: \mathcal X_k \rightarrow \mathcal Y.

問：

它能不能被第 $k+1$ 層完整表示？

15. Property Factorization Theorem

定理 15.1

存在：

P_{k+1} : \Pi_k(\mathcal X_k) \rightarrow \mathcal Y

使：

\boxed{ P_k = P_{k+1} \circ \Pi_k }

當且僅當：

\boxed{ \Pi_k(x_1)=\Pi_k(x_2) \Rightarrow P_k(x_1)=P_k(x_2). }

證明

同 PCPRT / GPC-CS fiber-factorization principle。

證畢。

16. Coarse-Graining 沒有 Absolute Good / Bad

同一：

\Pi

可能完美保留：

P_1,

卻完全摧毀：

P_2.

所以：

\boxed{ \text{coarse-graining quality is property-relative}. }

17. Task-Relative Compression

如果 task variable：

Y

才是研究目標，

representation：

T

可以丟掉與 $Y$ 無關的細節。

這與 information bottleneck：

\boxed{ \min I(X;T) - \beta I(T;Y) }

的精神一致。

18. Information Bottleneck 的位置

Tishby–Pereira–Bialek 不是在提出所有物理 coarse-graining 的唯一法則。

它回答：

如何壓縮 $X$ ，同時盡量保留對 designated relevant variable $Y$ 的信息？

因此適合 PCPRT 的：

\boxed{ \text{task-relative scale selection}. }

19. Relevant Variable 是問題相對的

對 locomotion task，

某 molecular variable 可能 irrelevant。

對 drug-binding task，

同一 variable 卻可能 critical。

所以：

\boxed{ \text{relevance} \neq \text{intrinsic metaphysical importance}. }

20. Kadanoff Coarse-Graining

Kadanoff 1966 的 block-spin picture：

\boxed{ \text{many local spins} \rightarrow \text{block variable}. }

其目標不是保留每個 microscopic spin identity，

而是描述 near-critical macroscopic behavior。

21. Wilson Renormalization Group

Wilson 1971 將 coarse-graining + parameter flow 系統化。

renormalization：

\boxed{ \mathcal H \rightarrow \mathcal R(\mathcal H) }

在 theory / coupling space 中產生 flow。

22. Relevant / Irrelevant Directions

near fixed point：

relevant directions 放大；
irrelevant directions 收縮；
marginal directions 需更精細分析。

這是严格 RG 語境。

23. Information-Geometric Universality

Raju–Machta–Sethna 2018 顯示：

under RG coarse-graining，

對 relevant parameters 的 data-distinguishability 可被保留，

而 irrelevant directions 逐步變得不可辨。

因此：

\boxed{ \text{universality} }

可以被理解成 microscopic distinctions 對 selected macroscopic observations 的逐步不可見。

24. RG 是先例，不是 GPC 證明

PCPRT 不宣稱：

\boxed{ \text{GPC is an RG fixed point}. }

我們只吸收：

不同 microscopic systems 可以共享同一 macroscopic effective structure。

25. Substrate Family

令：

\boxed{ \mathfrak S = \{ s_1,s_2,\ldots \} }

為 substrate family。

每個 substrate：

s

有：

\mathcal Z_s, \qquad \Phi_s.

26. Common Effective Space

假設存在同一：

\boxed{ \mathcal X }

與 substrate-specific coarse maps：

\boxed{ \Pi_s: \mathcal Z_s \rightarrow \mathcal X. }

27. Exact Substrate-Independent Realization

若存在單一：

\boxed{ \Gamma: \mathcal X \rightarrow \mathcal X }

使：

\boxed{ \Pi_s\Phi_s = \Gamma\Pi_s \qquad \forall s\in\mathfrak S, }

稱 $\Gamma$ 在 $\mathfrak S$ 上 exact substrate-independent。

28. Cross-Substrate Effective Equivalence Theorem

定理 28.1

若 substrates：

a,b

都 exact realize 同一：

\Gamma,

且初始 coarse states：

\Pi_a(z_a^0) = \Pi_b(z_b^0) = x_0,

則：

\boxed{ \Pi_a ( \Phi_a^n(z_a^0) ) = \Pi_b ( \Phi_b^n(z_b^0) ) = \Gamma^n(x_0) }

對所有：

n\ge0

成立。

證明

由 exact realization：

\Pi_a\Phi_a^n = \Gamma^n\Pi_a,

\Pi_b\Phi_b^n = \Gamma^n\Pi_b.

代入共同初始 coarse state：

x_0

即得。

證畢。

29. Effective Equivalence 不代表 Physical Identity

定理 28.1 只保證：

\boxed{ \text{coarse trajectory equality}. }

不能推出：

z_a = z_b.

甚至：

\mathcal Z_a

與：

\mathcal Z_b

可以完全不同維度。

30. Simple Multiple Realization

同一 binary flip：

0 \leftrightarrow 1

可以由：

transistor voltage；
magnetic orientation；
optical state；
mechanical bistability；

實現。

因此：

\boxed{ \text{same transition graph} \not\Rightarrow \text{same physics}. }

31. Substrate Independence 是 Relative Concept

必須明示：

\boxed{ (\mathcal X,\Gamma,\Pi_s,\text{timescale},\text{property}). }

沒有這些，

「substrate independent」太模糊。

32. Approximate Substrate Independence

若：

d ( \Pi_s\Phi_s(z), \Gamma\Pi_s(z) ) \le \varepsilon_s,

則是：

\boxed{ \varepsilon_s\text{-realization}. }

33. Cross-Substrate Approximate Bound

定理 33.1

假設：

\Gamma

為 $L$ -Lipschitz，

substrate $a,b$ 的 one-step defects 分別：

\varepsilon_a, \varepsilon_b.

若初始 coarse states 相同，則經 $n$ 步：

\boxed{ d ( \Pi_a\Phi_a^n(z_a^0), \Pi_b\Phi_b^n(z_b^0) ) \le ( \varepsilon_a+\varepsilon_b ) \sum_{k=0}^{n-1} L^k. }

證明

每個 substrate 相對共同 effective trajectory：

\Gamma^n(x_0)

的 error 皆依 recurrence：

e_{n+1} \le Le_n+\varepsilon_s.

故：

e_n \le \varepsilon_s \sum_{k=0}^{n-1} L^k.

再以 triangle inequality 合併兩 substrate errors。

證畢。

34. Contractive Effective Dynamics

若：

L<1,

則：

\sum_{k=0}^{n-1} L^k \le \frac1{1-L}.

因此 cross-substrate discrepancy 有 uniform bound。

35. Expansive / Chaotic Effective Dynamics

若：

L>1,

小 realization error 可以快速放大。

因此：

\boxed{ \text{substrate equivalence has a finite horizon}. }

36. Substrate-Independent Observable

即使 internal effective states 略有差，

task readout：

Y = R(x)

可能仍相同。

因此更弱 equivalence：

\boxed{ R\Pi_a\Phi_a^n \approx R\Pi_b\Phi_b^n. }

37. Behavioral Equivalence

兩 systems 可以：

internal states different；
trajectories different；

但在 specified tests：

Y

上 indistinguishable。

這是：

\boxed{ \text{behavioral equivalence}. }

比 dynamical equivalence 更弱。

38. GPC 要哪一種 Equivalence？

視用途：

Safety theory

需要保留 safety property。

Communication theory

需要保留 transfer / update relation。

Functional equivalence

只需 task output。

Physical claim

需要更底層 dynamics。

不能混用。

39. Phase Fate Across Scales

physical phase：

\theta_0

經 coarse-graining 後可以有不同命運。

40. $F_0$ — Preserved Phase

若：

\boxed{ \theta_0 = \theta_1 \circ \Pi }

則上層完整保留 physical phase。

41. $F_1$ — Relationalized Phase

只保留：

\boxed{ \Delta\theta_{ij}, \quad r e^{i\psi}. }

individual phase detail 被丟掉。

42. $F_2$ — Latent Phase

phase 仍影響 output：

\Omega_{\mathrm{comp}}>0,

但上層 state 沒顯式包含：

\theta.

43. $F_3$ — Eliminated Phase

phase-blind closure 成立。

例如合法 timing abstraction 下 digital logic。

44. $F_4$ — Replaced Generalized Phase

上層：

\varphi

可能是：

routing regime；
dynamical mode；
semantic relation；
collective alignment。

它不再等於 microscopic：

\theta_0.

45. Phase Cannot Be Assumed to Survive

所以：

\boxed{ \text{physical phase at lower scale} \not\Rightarrow \text{phase variable at every higher scale}. }

46. Neural Branch

生物／神經分支：

\boxed{ \mathcal Z_{\mathrm{molecular}} \rightarrow \mathcal Z_{\mathrm{cell}} \rightarrow \mathcal X_{\mathrm{neuron}} \rightarrow \mathcal X_{\mathrm{population}} \rightarrow \mathcal X_{\mathrm{network}} \rightarrow \mathcal C_{\mathrm{cog}}. }

47. Molecular → Cellular

ions、receptors、ATP、channel states 等被 coarse-grain 成：

membrane voltage；
conductance；
biochemical state；
excitability parameter。

48. Cellular → Neuronal State

完整 molecular detail 通常不被神經 dynamical model 保留。

保留：

\boxed{ V_m, g_k, w_{ij}, \theta, a,\lambda. }

取決於 model。

49. Neuron → Population

Wilson–Cowan 1972 以 excitatory / inhibitory population activity：

E(t), I(t)

描述大量 model neurons 的 collective dynamics。

這是 neuroscience 中最經典的 coarse-grained effective-state precedent 之一。

50. Population Model Can Show New Regimes

Wilson–Cowan equations 本身可呈現：

hysteresis；
multiple states；
limit cycles。

因此：

\boxed{ \text{coarse-graining} }

不表示 dynamics 必然變簡單到只剩 linear average。

51. Population State ≠ Mean of Everything

好的 coarse variable 需要保留：

interaction；
nonlinear feedback；
relevant heterogeneity；

而不是盲目平均。

52. 2025 Network-Flow Coarse-Graining

Zhang 等 2025 以 statistical-physics descriptors + graph neural network coarse-grain large networks，

目標不是只保留 adjacency structure，

而是保留：

\boxed{ \text{information-flow properties}. }

這提供：

coarse-graining 應針對 dynamical function，而不只結構相似

的現代實例。

53. Neural Population → Brain Region

whole-brain models 把 brain region 當 node。

每個 node 可以是：

Wilson–Cowan；
Hopf；
dynamic mean field；
other neural-mass model。

54. 2025 Macroscopic Brain Modeling

Zheng 等 2025 明確區分：

neuron-level fine-grained models；
population / region-level coarse-grained models。

並指出 coarse-grained models 能整合：

fMRI；
dMRI；
EEG；

等宏觀 empirical data。

55. Same Brain Can Have Multiple Valid Models

同一 empirical brain：

DMF model；
Hopf model；
Wilson–Cowan-like model；

都可能在不同問題上有效。

因此：

\boxed{ \text{one physical system} \not\Rightarrow \text{one unique coarse model}. }

56. Model Selection Is Question-Relative

如果關心：

oscillation phase；
energy；
spiking variability；
functional connectivity；

所需 state variables 不同。

57. Neural → Cognitive Is Harder

cognitive variable：

c_t

未必是：

c_t = Q(x_t)

的 instantaneous function。

58. Trajectory-Level Cognitive Variable

更一般：

\boxed{ c_t = Q \left( x_{[t-\tau,t]} \right). }

例如：

evidence accumulation；
sequence memory；
working-memory state；
context。

59. Cognitive State Can Be History-Compressed State

只要：

c_t

足以預測 relevant future behavior，

它可以作 effective state。

但 closure 需要重新驗證。

60. Cognition Is Not a New Force

高層 cognitive variable：

c

不需要對 microphysics 增加第五種 force。

它可以是：

\boxed{ \text{coarse description of distributed physical state and history}. }

61. Top-Down Language

說：

\text{attention changes visual gain}

在高層有效語言成立。

底層仍由：

synaptic；
oscillatory；
neuromodulatory；
network；

physical processes 實現。

所以：

\boxed{ \text{top-down effective causation} }

不必意味違反 microphysical causality。

62. Artificial Branch

人工計算分支：

\boxed{ \mathcal Z_{\mathrm{device}} \rightarrow \mathcal X_{\mathrm{circuit}} \rightarrow \mathcal X_{\mathrm{logical}} \rightarrow \mathcal X_{\mathrm{algorithm}} \rightarrow \mathcal X_{\mathrm{agent}}. }

63. Device → Circuit

transistor / optical / spin / memristive physics 被 coarse-grain 成：

logic gate；
oscillator；
synapse；
multiply-accumulate primitive。

64. Circuit → Logic

analog voltage：

V

被 coarse-grain 成：

b\in\{0,1\}

或 analog activation：

x\in\mathbb R.

65. Logic → Algorithm

matrix multiply；
attention；
graph update；
search；
state machine。

66. Algorithm → Agent

agent state 可再 coarse-grain：

memory；
belief state；
tool state；
conversation state；
plan state。

這些不直接等於 transistor states。

67. Computation Gives Clean Multiple Realizability

同一 function：

f(x)

可以在：

CPU；
GPU；
photonic chip；
analog crossbar；

實現。

因此：

\boxed{ \text{same effective computation} }

跨 substrate 是工程常態。

68. But Physical Costs Differ

同一：

f

的：

energy；
latency；
noise；
heat；
phase relevance；

可以完全不同。

所以：

\boxed{ \text{functional substrate independence} \neq \text{physical equivalence}. }

69. Two Branches Meet at GPC

biology branch：

c_{\mathrm{cog}}

與 artificial branch：

x_{\mathrm{agent}}

都可能進入：

\boxed{ \mathcal X_{\mathrm{GPC}}. }

70. Common GPC Interface

高層只要求：

\boxed{ x^+ = \Gamma ( x, u, \text{relations} ). }

不要求 $x$ 一定是 neuron 或 transistor。

71. GPC Substrate-Independent Core

本文提出最低核心：

\boxed{ \mathfrak G_{\mathrm{core}} = ( \mathcal X, \mathcal U, \Gamma, \mathcal M, \mathcal C, H ). }

其中：

$\mathcal X$ ：effective carrier state；
$\mathcal U$ ：interaction/input；
$\Gamma$ ：update law；
$\mathcal M$ ：memory / history state；
$\mathcal C$ ：constraints / relation structure；
$H$ ：observation map。

72. Physical Details Stay Below

每個 realization：

R_s

另外有：

energy；
phase；
current；
temperature；
material；
noise；
timescale。

所以：

\boxed{ \mathfrak G_{\mathrm{core}} }

不是完整 physical description。

73. Why GPC Can Span Biology and Computation

因為其核心是：

\boxed{ \text{state transformation under relation}. }

這種結構：

neuron network；
adaptive hardware；
software agent；

都可以有。

74. But GPC Is Not Fundamental Physics

如果 GPC state：

x

找不到任何有效 physical realization map：

\Pi,

那它只是 formal model。

所以：

\boxed{ \text{formal universality} \neq \text{physical universality}. }

75. Cross-Branch Homology

biology / computation 可以共享：

bistability；
oscillation；
memory；
adaptive coupling；
metastability；
routing；
phase code。

這叫：

\boxed{ \text{structural homology}. }

不叫 microscopic identity。

76. Homology Must Be Mapping-Based

聲稱兩 systems 「同構」至少應提供：

\boxed{ \Pi_a, \Pi_b, \Gamma }

或其他明確 correspondence。

不能只因圖長得像就說同一。

77. Emergence

本文使用最弱、可驗證的 emergence 定義：

上層存在能穩定描述、預測或壓縮 lower-scale dynamics 的 effective variables，而這些 variables 不等於任一單一 microstate component。

78. Emergence ≠ Independence from Physics

上層 variable：

x

仍由：

x=\Pi(z)

實現。

所以：

\boxed{ \text{emergent} \neq \text{nonphysical}. }

79. Emergence ≠ Easily Derivable

即使：

x=\Pi(z)

存在，

從 micro laws 計算：

\Gamma

仍可能：

computationally hard；
analytically impossible；
require empirical fitting。

80. Effective Theory Has Its Own Validity Domain

\boxed{ \Gamma }

只在：

state domain；
timescale；
environmental regime；
task；

內有效。

81. Scale-Stopping Principle

給定 target property：

P.

若：

P = P_{k+1} \circ \Pi_k,

可以繼續 coarse-grain。

若不存在此 factorization，

則：

\boxed{ \text{the next scale is too coarse for }P. }

82. Scale-Stopping Is Property-Relative

對：

P_1

可以停在 brain-region level。

對：

P_2

可能必須回到 synapse / molecular level。

83. Minimum Sufficient Scale

定義：

\boxed{ k^\star(P) = \max \left\{ k: P \text{ is still representable at scale }k \right\}. }

依 index convention 可視為最粗但仍充分的尺度。

84. No Universal Finest or Best Scale

微觀最細不等於所有問題最有效。

宏觀最簡也不等於足夠。

真正目標是：

\boxed{ \text{minimum complexity subject to property preservation and dynamical closure}. }

85. Observability Also Changes with Scale

micro property：

P_0

可能不可直接測。

macro observable：

Y

較容易量測。

因此：

\boxed{ \text{physical fidelity} }

與：

\boxed{ \text{experimental accessibility} }

之間有 tradeoff。

86. Coarse-Graining Can Be Necessary Experimentally

2022 continuous-space coarse-graining work甚至指出，在某些 empirical density / current observables 中，有限解析度 coarse-graining 不只是方便，而與數學／熱力學／實驗可定義性相關。

PCPRT 因此不把 coarse-graining 當「資訊不足的缺點」。

87. Coarse-Graining Can Also Break Thermodynamics

另一方面，2023 nonequilibrium lumping work 顯示：

即使有明顯 time-scale separation，

coarse-graining 仍可能破壞 local detailed balance。

所以：

\boxed{ \text{Markov closure} \not\Rightarrow \text{all thermodynamic structure preserved}. }

88. Preserve Dynamics ≠ Preserve Thermodynamics

一個 coarse model 可以：

transition rates 很準；
observables 很準；

但：

entropy production；
hidden current；
local detailed balance；

不準。

因此 property preservation 必須明示。

89. Preserve Function ≠ Preserve Mechanism

兩 models 都能完成：

f(x)

不表示 mechanism 相同。

人工 neural network 與 biological neural network 尤其如此。

90. Preserve Phase ≠ Preserve Energy

兩 substrate 有相同 effective phase equation：

\dot\theta = f(\theta),

其：

energy；
dissipation；
noise；

可以完全不同。

91. Preserve GPC ≠ Preserve Consciousness

即使兩 systems 都 realize：

\Gamma_{\mathrm{GPC}},

也不能推出：

same phenomenology；
same identity；
same first-person experience。

GPC-CS Paper 07 的邊界仍然保留。

92. GPC Realization Claim Record

本文建議任一 physical-GPC claim 都寫成：

\boxed{ \mathfrak R = ( S, \mathcal Z, \Pi, \mathcal X, \Phi, \Gamma, K, T, \varepsilon, P ). }

其中：

$S$ ：substrate；
$\mathcal Z$ ：physical state；
$\Pi$ ：coarse map；
$\mathcal X$ ：effective state；
$\Phi$ ：physical dynamics；
$\Gamma$ ：effective dynamics；
$K$ ：valid state domain；
$T$ ：valid time horizon；
$\varepsilon$ ：realization error；
$P$ ：preserved property set。

93. Without This Record, "Realized" Is Too Vague

聲稱：

brain realizes GPC

需要至少回答：

哪個 brain scale？
哪個 $\Pi$ ？
哪個 $x$ ？
哪個 experiment？
哪個 timescale？
哪個 property？

94. Same for AI

聲稱：

AI realizes generalized phase

也需要回答：

phase 是 physical、computational 還是 relational？
phase 是否 task-relevant？
physical substrate 是否需要它？
是否可被 coarse-grain away？

95. Multiscale Falsifiability

PCPRT multiscale bridge 可被逐層推翻。

若：

\Pi_k

closure defect 大，

就不能跳過該 scale。

96. Cross-Scale Claim Can Fail Even If Endpoints Correlate

即使：

X_0

與：

X_L

高度相關，

中間 causal / dynamical map 不一定已證明。

所以：

\boxed{ \text{endpoint correlation} \neq \text{multiscale realization chain}. }

97. Composition Requires Every Bridge

若：

0\to1

與：

2\to3

成立，

但：

1\to2

未證，

不能宣稱：

0\to3

physical realization 已完成。

98. Branching Realization Graph

真實 multiscale theory 更像 graph：

\boxed{ \mathcal G_{\mathrm{scale}} = (V_{\mathrm{scale}},E_{\mathrm{realization}}) }

而不是單一 hierarchy。

99. Biological and Artificial Branches

最重要兩支：

\boxed{ \text{Physics} \rightarrow \text{Biophysics} \rightarrow \text{Neural} \rightarrow \text{Cognitive} }

以及：

\boxed{ \text{Physics} \rightarrow \text{Device} \rightarrow \text{Computational}. }

共同：

\boxed{ \rightarrow \text{GPC Effective Theory}. }

100. PCPRT 第一輪八篇論文

Paper 01

Physical realization / coarse-graining。

Paper 02

Physical phase / phase-amplitude / carrier deformation。

Paper 03

Energy / dissipation / information flow。

Paper 04

Plastic carrier / metaplasticity / adaptive coupling。

Paper 05

Metastability / bifurcation / dynamical repertoire。

Paper 06

Neural phase / cognitive routing。

Paper 07

Artificial phase systems / physical computation。

Paper 08

Multiscale realization / substrate-independent effective structure。

101. 第一輪統一方程

最底層：

\boxed{ z_{t+\Delta} = \Phi_{\mathrm{phys}} ( z_t ). }

粗粒化：

\boxed{ x = \Pi(z). }

effective dynamics：

\boxed{ x^+ = \Gamma(x,u). }

realization defect：

\boxed{ \varepsilon = d ( \Pi\Phi(z), \Gamma\Pi(z) ). }

102. Plastic Extension

\boxed{ q = ( z,\lambda,\mu ), }

\boxed{ \dot\lambda = G(q,u), }

\boxed{ \dot\mu = M(q,u). }

103. Phase Extension

若 physical phase 合法：

\boxed{ \theta = \Theta(z). }

其命運由：

F_0,\ldots,F_4

分類。

104. Network Extension

多 carrier：

\boxed{ \mathbf X^+ = \Gamma_G ( \mathbf X ). }

physical realization：

\boxed{ \Pi_G \Phi_G^{\mathrm{phys}} \approx \Gamma_G \Pi_G. }

105. GPC Position

因此 GPC 最合理的位置不是：

\boxed{ \text{fundamental physics}. }

也不是：

\boxed{ \text{pure metaphor}. }

而是：

\boxed{ \text{candidate substrate-independent effective carrier theory}. }

106. Substrate Independence Has to Be Earned

只有當多個 physical systems 能提供：

\Pi_s

並近似共享：

\Gamma,

才有資格說某 GPC structure substrate-independent。

107. Artificial Systems Are Useful Validation Platforms

因：

phase 可直接量；
coupling 可程式化；
hardware state 清楚；

可以先測：

\boxed{ \text{theory realizability}. }

108. Biology Tests Ecological Validity

神經／生物系統則測：

\boxed{ \text{whether the same structure survives real adaptive multiscale complexity}. }

109. Neither Branch Dominates the Other

人工系統較乾淨，

生物系統較自然複雜。

兩者提供不同 evidence。

110. Final Falsification Boundary

如果未來發現：

無任何自然／人工 system 能建立 stable $\Pi$ ；
GPC variables 無法提高跨尺度 prediction；
substrate-specific details 永遠不可忽略；
purported common $\Gamma$ 只靠語義重新命名才成立；

則：

\boxed{ \text{substrate-independent GPC claim must collapse}. }

111. 本文的十一個主命題

命題 A：Multiscale realization 是 map composition，不是語言類比

需要：

\Pi_k.

命題 B：Exact local closure 可以沿 scale chain composition

由定理 5.1。

命題 C：Approximate errors 可以沿後續 sensitivity 被放大

由定理 11.1 的比較結構。

命題 D：Property preservation 是 fiber factorization 問題

由定理 15.1。

命題 E：Renormalization 提供 microscopic irrelevance / universality 的成熟物理先例

但不能無條件外推到 cognition / AI。

命題 F：Substrate-independent effective theory 需要多 substrate 共同 semiconjugate 到同一 $\Gamma$

由定理 28.1。

命題 G：Same effective dynamics 不推出 same microscopic physics

multiple realization 是允許的。

命題 H：Physical phase 跨尺度可以被保留、關係化、潛伏、消去或被 generalized phase 取代

由 $F_0$ – $F_4$ 分類。

命題 I：Cognition 與 artificial computation 是平行 realization branches

不是單一先後因果鏈。

命題 J：Scale 應在下一次 compression 會丟失 target property 前停止

Scale-Stopping Principle。

命題 K：GPC 第一輪最合理定位是 candidate substrate-independent effective carrier theory

其物理普遍性仍需逐 substrate 驗證。

112. 結論

PCPRT 第一輪真正要解決的，不是：

世界是不是由 phase 組成？

而是：

當我們用 phase、state、coupling、memory、routing、plasticity 等高層變量描述不同物理載體時，這些變量到底是不是合法 coarse-grained state？

所以第一個核心條件始終是：

\boxed{ \Pi \circ \Phi_{\mathrm{phys}} \approx \Gamma \circ \Pi. }

本文進一步把它擴成：

\boxed{ \mathcal X_0 \xrightarrow{\Pi_0} \mathcal X_1 \xrightarrow{\Pi_1} \cdots \xrightarrow{\Pi_{L-1}} \mathcal X_L. }

如果每個 square 都 exact commute，

整條 chain exact commute。

如果不是，

每層都留下：

\varepsilon_k,

而上層 gain 會決定這些 error 最後是否仍可接受。

第二個核心是：

\boxed{ P = P'\circ\Pi }

的 property preservation。

不是所有 micro detail 都必須被保存。

真正需要保存的是：

\boxed{ \text{the variables relevant to the declared physical, functional, or safety question}. }

第三個核心是 substrate independence。

若 biological substrate：

\mathcal Z_{\mathrm{bio}}

與 artificial substrate：

\mathcal Z_{\mathrm{art}}

都能映到同一：

\mathcal X_{\mathrm{GPC}}

並共享：

\Gamma_{\mathrm{GPC}},

那我們就有：

\boxed{ \text{effective structural equivalence}. }

但永遠不能從這裡直接推出：

\boxed{ \text{same microscopic physical existence}. }

因此 PCPRT 的整個第一輪可以壓成一句：

\boxed{ \text{Do not ask whether different carriers "are the same"; ask whether they preserve the same effective relations under explicit realization maps.} }

這使我們終於能同時保留：

物理學的 substrate realism；
生物學的多尺度 adaptation；
認知科學的高層 functional variables；
計算機科學的 multiple realization；
GPC 的 generalized relational theory。

而不必犧牲其中任何一個領域。

PCPRT Foundation Cycle 因此完成：

\boxed{ \text{Physical Dynamics} \rightarrow \text{Multiscale Realization} \rightarrow \text{Effective Carrier Theory} \rightarrow \text{Observable / Falsifiable GPC}. }

參考文獻

Kadanoff, L. P. (1966). Scaling laws for Ising models near $T_c$ . Physics Physique Fizika, 2, 263–272. DOI: 10.1103/PhysicsPhysiqueFizika.2.263.
Wilson, K. G. (1971). Renormalization Group and Critical Phenomena. I. Renormalization Group and the Kadanoff Scaling Picture. Physical Review B, 4, 3174–3183. DOI: 10.1103/PhysRevB.4.3174.
Wilson, K. G. (1971). Renormalization Group and Critical Phenomena. II. Phase-Space Cell Analysis of Critical Behavior. Physical Review B, 4, 3184–3205. DOI: 10.1103/PhysRevB.4.3184.
Zwanzig, R. (1961). Memory Effects in Irreversible Thermodynamics. Physical Review, 124, 983–992. DOI: 10.1103/PhysRev.124.983.
Mori, H. (1965). Transport, Collective Motion, and Brownian Motion. Progress of Theoretical Physics, 33, 423–455. DOI: 10.1143/PTP.33.423.
Wilson, H. R., & Cowan, J. D. (1972). Excitatory and Inhibitory Interactions in Localized Populations of Model Neurons. Biophysical Journal, 12, 1–24. DOI: 10.1016/S0006-3495(72)86068-5.
Tishby, N., Pereira, F. C., & Bialek, W. (1999/2000). The Information Bottleneck Method. Proceedings of the 37th Annual Allerton Conference on Communication, Control, and Computing; arXiv:physics/0004057.
Raju, A., Machta, B. B., & Sethna, J. P. (2018). Information loss under coarse graining: A geometric approach. Physical Review E, 98, 052112. DOI: 10.1103/PhysRevE.98.052112.
Dieball, C., Godec, A., & coauthors (2022). Mathematical, Thermodynamical, and Experimental Necessity for Coarse Graining Empirical Densities and Currents in Continuous Space. Physical Review Letters, 129, 140601. DOI: 10.1103/PhysRevLett.129.140601.
Hartich, D., Barato, A. C., & Seifert, U. (2023). Violation of local detailed balance upon lumping despite a clear timescale separation. Physical Review Research, 5, L032017.
Zhang, Z., Ghavasieh, A., Zhang, J., & De Domenico, M. (2025). Coarse-graining network flow through statistical physics and machine learning. Nature Communications, 16, 1605. DOI: 10.1038/s41467-025-56034-2.
Zheng, Z., Wei, J., Xu, Y., Li, C., Lu, T., Guo, Q., Ji, X., Guo, H., Wang, G., & Deng, L. (2025). Modeling macroscopic brain dynamics with brain-inspired computing architecture. Nature Communications, 16, 9424. DOI: 10.1038/s41467-025-64470-3.
Murray, J. D., Bernacchia, A., Freedman, D. J., Romo, R., Wallis, J. D., Cai, X., Padoa-Schioppa, C., Pasternak, T., Seo, H., Lee, D., & Wang, X.-J. (2014). A hierarchy of intrinsic timescales across primate cortex. Nature Neuroscience, 17, 1661–1663. DOI: 10.1038/nn.3862.
Roberts, J. A., Gollo, L. L., Abeysuriya, R. G., et al. (2019). Metastable brain waves. Nature Communications, 10, 1056. DOI: 10.1038/s41467-019-08999-0.
Moy, W., Ahmed, I., Chiu, P.-w., et al. (2022). A 1,968-node coupled ring oscillator circuit for combinatorial optimization problem solving. Nature Electronics, 5, 310–317. DOI: 10.1038/s41928-022-00749-3.
Vandoorne, K., Mechet, P., Van Vaerenbergh, T., et al. (2014). Experimental demonstration of reservoir computing on a silicon photonics chip. Nature Communications, 5, 3541. DOI: 10.1038/ncomms4541.

系列狀態

Series: Phase-Carrier Physical Realization Theory
Paper: 08
Version: v1.0
Canonical source encoding: UTF-8
Canonical mathematics delimiters: $...$ and $$...$$ only
Operational high-risk intervention details: Excluded
Depends on: PCPRT Papers 01–07; GPC-CS Papers 00–10
Foundation Cycle Status: CLOSED — Papers 01–08 complete

多尺度物理實現

多尺度物理實現

從 Physics、Biophysics、Neural Dynamics 與 Computation 到 GPC 的可交換粗粒化、結構保留與載體獨立有效理論

摘要

0. 第一輪總定位

1. Scale Tower

2. Dynamics at Each Scale

3. Exact Scale Closure

4. Composite Coarse-Graining

5. Exact Multiscale Composition Theorem

定理 5.1

證明

6. 意義

7. 但現實多為 Approximate

8. Layer Defect

9. Effective Dynamics Sensitivity

10. Two-Layer Error Bound

11. Multiscale Error-Propagation Theorem

定理 11.1

解釋

12. 小 Error 也可能被放大

13. Multiscale Path Gain

14. Property Preservation

15. Property Factorization Theorem

定理 15.1

證明

16. Coarse-Graining 沒有 Absolute Good / Bad

17. Task-Relative Compression

18. Information Bottleneck 的位置

19. Relevant Variable 是問題相對的

20. Kadanoff Coarse-Graining

21. Wilson Renormalization Group

22. Relevant / Irrelevant Directions

23. Information-Geometric Universality

24. RG 是先例，不是 GPC 證明

25. Substrate Family

26. Common Effective Space

27. Exact Substrate-Independent Realization

28. Cross-Substrate Effective Equivalence Theorem

定理 28.1

證明

29. Effective Equivalence 不代表 Physical Identity

30. Simple Multiple Realization

31. Substrate Independence 是 Relative Concept

32. Approximate Substrate Independence

33. Cross-Substrate Approximate Bound

定理 33.1

證明

34. Contractive Effective Dynamics

35. Expansive / Chaotic Effective Dynamics

36. Substrate-Independent Observable

37. Behavioral Equivalence

38. GPC 要哪一種 Equivalence？

Safety theory

Communication theory

Functional equivalence

Physical claim

39. Phase Fate Across Scales

40. F0F_0F0​ — Preserved Phase

41. F1F_1F1​ — Relationalized Phase

42. F2F_2F2​ — Latent Phase

43. F3F_3F3​ — Eliminated Phase

44. F4F_4F4​ — Replaced Generalized Phase

45. Phase Cannot Be Assumed to Survive

46. Neural Branch

47. Molecular → Cellular

48. Cellular → Neuronal State

49. Neuron → Population

50. Population Model Can Show New Regimes

51. Population State ≠ Mean of Everything

52. 2025 Network-Flow Coarse-Graining

53. Neural Population → Brain Region

54. 2025 Macroscopic Brain Modeling

55. Same Brain Can Have Multiple Valid Models

56. Model Selection Is Question-Relative

57. Neural → Cognitive Is Harder

58. Trajectory-Level Cognitive Variable

59. Cognitive State Can Be History-Compressed State

60. Cognition Is Not a New Force

61. Top-Down Language

40. $F_0$ — Preserved Phase

41. $F_1$ — Relationalized Phase

42. $F_2$ — Latent Phase

43. $F_3$ — Eliminated Phase

44. $F_4$ — Replaced Generalized Phase

命題 F：Substrate-independent effective theory 需要多 substrate 共同 semiconjugate 到同一 $\Gamma$