構成復現命題：材料、幾何與有效物理的多對一映射

系列：跨尺度構成與動態約束域研究，第 3 篇
版本：v0.1
日期：2026-08-23
狀態：公開草稿／可獨立閱讀短論文
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

前兩篇分別建立了「觀測等價」與「跨尺度有效物理等價」：不同本體來源可在有限測量下不可區分，而不同材料、尺度與微觀機制也可能在無量綱參數、粗粒化、普適類或有效動力層共享同一類物理行為。本篇進一步將問題由觀察翻轉為構造：若某一有效物理性質可以被多種底層系統實現，那麼材料、幾何、邊界條件、生成程序與外部控制是否可以被視為一個可搜尋的構成空間，使智能體主動尋找對同一目標有效物理的多重實現？

本文提出「構成復現命題」（Compositional Recurrence Conjecture, CRC）作為工作性框架。其核心不是宣稱任何材料都能構成任何目標，而是主張：對一個非平凡的有效目標類別，存在多組彼此不同的微觀構成，甚至跨材料、跨尺度與跨製程的構成，能在指定容許誤差下落入同一有效物理鄰域。換言之，構成空間到有效物理空間的映射可具有高度多對一性。

2025–2026 年的機械 metamaterials、photonic inverse design、可程式化非線性 metamaterials 與 universal Hamiltonian simulation 已提供多個局部實例：幾何與拓撲可以顯著重寫有效機械、熱、光學與波動響應；inverse design 已能由目標性能反求結構；而 2026 年的 Hamiltonian universality 結果甚至證明某些簡單的一維與二維 Hamiltonian family 能以多項式資源開銷模擬廣泛目標 Hamiltonian。另一方面，composite bounds、passivity、causality、穩定性、資源與製造約束也證明這種可實現性存在明確邊界。

本文因此提出一組可量化量：目標實現集、跨材料覆蓋矩陣、構成多重度與可實現誤差，並給出可驗證的跨材料 inverse-design 實驗。最後，本文將問題推向下一篇：若構成空間本身隨知識、能源、製造與控制能力擴張，則「限制」是否會逐步轉成「控制自由度」，從而使可達物理域隨文明時間演化？

關鍵詞： 構成復現、多重實現、metamaterial、inverse design、architected materials、Hamiltonian simulation、可實現域、材料—幾何映射

1. 從「自然界反覆出現」改成「能否主動重建」

前一篇的核心關係是

X_i\sim^{\mathrm{eff}}_{\Phi,\varepsilon}X_j,

即不同物理系統可以在指定尺度、任務與有效描述 $\Phi$ 下近似等價。

但這仍是一個觀察命題：研究者先遇到 $X_i$ 與 $X_j$ ，再判斷它們是否落入同一有效類。

本篇改問反問題。

給定一個目標有效物理狀態

Y^\star\in\mathcal E,

我們是否能主動尋找不同構成 $c_1,c_2,\ldots$ ，使

d_{\mathcal E}\bigl(\Phi(\Gamma(c_i)),Y^\star\bigr)\leq\varepsilon?

如果可以，而且滿足條件的 $c_i$ 大量存在，那麼跨尺度與跨材料相似便不只是一個自然觀察現象，而是一個可設計的多重實現問題。

這正是構成復現命題的起點。

2. 構成空間：材料不是唯一自由度

令某一時代 $t$ 的可用構成空間為

\mathcal C_t = \mathcal M_t \times \mathcal G_t \times \mathcal B_t \times \mathcal P_t \times \mathcal U_t,

其中：

$\mathcal M_t$ ：可取得與可加工材料；
$\mathcal G_t$ ：幾何、拓撲、階層結構與空間配置；
$\mathcal B_t$ ：邊界條件與環境；
$\mathcal P_t$ ：製造、自組織、化學反應、成長或其他生成程序；
$\mathcal U_t$ ：外場、回授、主動元件與可施加控制。

定義構成—物理映射

\Gamma_t:\mathcal C_t\rightarrow\mathcal X,

將一組構成指令映射為實際物理系統 $X$ ；再由有效描述算子

\Phi:\mathcal X\rightarrow\mathcal E

抽取任務相關的有效物理性質。

因此完整映射是

\mathcal C_t \xrightarrow{\Gamma_t} \mathcal X \xrightarrow{\Phi} \mathcal E.

傳統直覺常將「材料」視為性質的主要決定者，即近似寫成

E\approx f(m).

但 architected materials 與 metamaterials 顯示，更一般的表示應是

E = f(m,g,b,p,u),

而且在許多領域， $g$ 、 $p$ 或 $u$ 可以大幅改寫宏觀有效性質。

因此，一種材料的「本性」與由該材料可構成的「有效物理集合」不能被視為同一概念。

3. 目標實現集

對任一目標有效狀態 $Y^\star$ ，定義其在時間 $t$ 、容許誤差 $\varepsilon$ 下的實現集：

\mathfrak R_t(Y^\star,\varepsilon) = \left\{ c\in\mathcal C_t \;\middle|\; d_{\mathcal E}\bigl(\Phi(\Gamma_t(c)),Y^\star\bigr) \leq\varepsilon \right\}.

如果

\left|\mathfrak R_t(Y^\star,\varepsilon)\right|>1,

則目標存在多重構成實現。

但在連續構成空間中直接使用基數沒有太多物理意義，因此更合理的是對構成空間定義解析度 $\delta$ ，並使用 covering number：

\mu_{t,\delta}(Y^\star,\varepsilon) = N_\delta\bigl(\mathfrak R_t(Y^\star,\varepsilon)\bigr).

$\mu$ 可以被理解為在指定構成解析度下，彼此真正可區分的有效實現路徑數量。

若

\mu_{t,\delta}(Y^\star,\varepsilon)\gg1,

則同一有效物理目標不是由單一特殊構型才能產生，而是具有高構成多重度。

4. 構成復現命題 CRC

本文提出下列工作性猜想。

構成復現命題

對宇宙中一個非平凡的有效物理目標類 $\mathcal Y\subseteq\mathcal E$ ，存在一部分 $Y\in\mathcal Y$ ，使其實現集具有非平凡的構成多重度：

\mu_{t,\delta}(Y,\varepsilon)>1.

更強地，對其中部分目標，存在跨材料、跨尺度或跨生成程序的不同構成

c_i\neq c_j,

使得

m(c_i)\neq m(c_j)

或

s(c_i)\neq s(c_j),

但仍有

d_{\mathcal E} \left( \Phi(\Gamma_t(c_i)), \Phi(\Gamma_t(c_j)) \right) \leq\varepsilon.

其核心可壓縮為

\boxed{ \text{different compositions} \rightarrow \text{same or nearby effective physics} }

而不是

\boxed{ \text{anything} \rightarrow \text{anything} }.

這兩者必須嚴格區分。

5. Metamaterials：材料性質已經被幾何重新分配

Metamaterials 與 architected materials 是 CRC 最直接的工程支柱之一。

2026 年對 functional nano-architected mechanical metamaterials 的綜述指出，幾何驅動設計可以藉由 nanoscale architecture 調節機械響應，並透過可重構幾何、多場耦合與 machine-learning reverse design 改變 stiffness、Poisson's ratio 與其他有效性能。

這表示對同一 constituent material，改變 $g$ 可有

f(m,g_1)\neq f(m,g_2).

反過來，若存在不同材料與架構滿足

f(m_1,g_1)\approx f(m_2,g_2),

則便形成跨 substrate 的有效復現。

2026 年對 TPMS architected materials 的研究更顯示，僅由 unit-cell 的幾何特徵即可高精度預測 Young's modulus、shear modulus、yield strength 與 thermal conductivity；對該資料域而言，少量幾何描述量已攜帶相當大的有效性能資訊。

這並不表示材料成分失去意義，而是證明：

\boxed{ \text{effective property} \neq \text{constituent property alone} }

幾何本身已經是物理設計自由度。

6. Inverse design：把 forward physics 反過來搜尋

傳統 forward design 是

c\rightarrow Y.

Inverse design 則要求

Y^\star\rightarrow c^\star.

形式上，可以寫為

c^\star = \arg\min_{c\in\mathcal C_t} \left[ d_{\mathcal E}\bigl(\Phi(\Gamma_t(c)),Y^\star\bigr) +\lambda\Omega(c) \right],

其中 $\Omega(c)$ 可表示製造成本、尺寸限制、材料限制、robustness 或其他正則化條件。

2026 年 Nature Reviews Materials 對 photonic inverse design 的綜述顯示，該領域已從早期 proof-of-concept 發展到大型 3D photonic systems、commercial foundry constraints、多材料系統、不同波長與 quantum-system inverse design。

這一轉變的重要性在於：研究問題不再只是「某結構有什麼性質」，而是

給定所需物理響應，哪一些可製造結構可以實現它？

只要最佳解不是唯一，inverse design 本身就會自然暴露 CRC 所要求的多重實現集合。

7. 從單一最佳解改成「實現族」

現有工程常尋找

c^\star=\arg\min L(c).

但 CRC 更關心的是整個近最佳集合：

\mathcal F_\tau(Y^\star) = \left\{ c: L(c)\leq L^\star+\tau \right\}.

如果 $\mathcal F_\tau$ 中包含大量拓撲不同、材料不同、尺度不同或製程不同的方案，那麼這比單純找到一個高性能設計更有理論價值。

因此未來 inverse design 的一個重要研究方向不是只問：

最佳結構是什麼？

而是：

同一目標的可實現結構族究竟有多大？它由哪些不變量與限制切分？

這將 inverse design 從 optimization 問題提升為 realization-space geometry 問題。

8. 可程式化與可重構材料：構成不必在製造完成時固定

如果材料在製造後仍能因外場、相變、機械致動、電壓、光照或 feedback 改變內部狀態，那麼構成變數本身成為時間依賴：

c=c(t).

有效物理也因而成為

Y(t)=\Phi(\Gamma(c(t))).

可重構 metamaterials、active metasurfaces 與 programmable nonlinear metamaterials 已經提供這種方向的工程實例。

於是同一物理基底不再只對應一個固定有效物性，而可能實現一個可控制軌跡：

m \rightarrow \{Y_1,Y_2,\ldots,Y_k\}.

這對後續「約束—控制轉換」尤其重要，因為它顯示某些原本被視為材料常數或固定幾何的量，可以被重新放進控制空間。

9. 2026 Hamiltonian universality：強版本的局部定理

量子 many-body physics 提供了一個比 metamaterial 更形式化的例子。

Zhou 與 Aharonov 在 2026 年證明，某些簡單的一維與二維 Hamiltonian families 具有 strong universality：對廣泛的 target Hamiltonians，可使用只有多項式 scaling 的 particle number 與 interaction energy overhead 進行 analog simulation。

形式上，可將目標寫為

H,

而 simulator 為

H'.

其要求不是兩者圖片或統計量相似，而是 $H'$ 的適當低能子空間編碼 $H$ 的物理；論文並區分 analog simulation 與只重現時間演化的 dynamics simulation。

對任何 digitally simulable Hamiltonian，該工作給出了由特定 strongly universal families 進行有效 analog simulation 的結果。

這是一個非常重要的局部證據：

\boxed{ \text{restricted simulator family} \rightarrow \text{very broad target-physics family} }

可以成為嚴格 theorem。

但它不能被外推為「任何物質都能模擬任何宇宙物理」。它依賴明確的 Hamiltonian 模型、編碼、誤差定義與資源 scaling；其 universality 是指定形式系統中的 universality。

這恰好示範了 CRC 應採取的科學態度：

不是宣稱無限自由，而是在每一個物理子域中尋找可證明的 realization universality 與其資源界。

10. 構成復現不等於沒有邊界

固定 constituent materials 的 composite effective properties 本身就存在嚴格 bounds。

Hashin–Shtrikman 類變分界提供了經典例子：在指定相材料與體積分率下，有效導電率、彈性模量等不能靠任意微結構無界越過相應物理界限。

光學與電磁系統也存在由 Maxwell equations、passivity、causality、energy conservation、material susceptibility 等條件導出的 response limits。

因此對固定材料集合 $\mathcal M$ ，可以定義可實現有效域

\mathcal E_{\mathrm{real}}(\mathcal M) \subsetneq \mathcal E.

CRC 只主張在這個可實現域內可能存在大量多重實現，而不主張

\mathcal E_{\mathrm{real}}(\mathcal M)=\mathcal E.

這個差異極重要。

幾何可以重新分配與耦合物理自由度，但不能被預設為可以任意違反守恆律、穩定性、因果性與資源界。

11. 跨材料覆蓋矩陣

為了把「某材料能否復現某目標」變成可測量問題，設材料族

\mathcal M= \{m_1,m_2,\ldots,m_p\}

與有效目標族

\mathcal Y= \{Y_1,Y_2,\ldots,Y_q\}.

定義跨材料可實現矩陣

Q_{ij}(t,\varepsilon)= \begin{cases} 1, &\exists c\in\mathcal C_t(m_i) \text{ such that } d_{\mathcal E}(\Phi(\Gamma_t(c)),Y_j)\leq\varepsilon,\\ 0, &\text{otherwise}. \end{cases}

其中 $\mathcal C_t(m_i)$ 表示以 $m_i$ 為指定 substrate 的可用構成空間。

對材料 $m_i$ 定義目標覆蓋率

\kappa_t(m_i;\varepsilon) = \frac{1}{q} \sum_{j=1}^{q}Q_{ij}(t,\varepsilon).

對目標 $Y_j$ 則可以定義 substrate multiplicity：

\sigma_t(Y_j;\varepsilon) = \sum_{i=1}^{p}Q_{ij}(t,\varepsilon).

若 $\sigma_t(Y_j;\varepsilon)$ 很大，就代表同一有效目標可由大量不同材料基底實現。

這提供一個比「看起來很像」強得多的實驗指標。

12. 最小可實現誤差

固定材料 $m$ 與目標 $Y$ ，定義

\epsilon_t^\star(m,Y) = \inf_{c\in\mathcal C_t(m)} d_{\mathcal E} \bigl( \Phi(\Gamma_t(c)),Y \bigr).

這個量回答：

在當代可用材料、製造與控制條件下，以材料 $m$ 為基底，最多能把有效物理做到多像目標 $Y$ ？

若

\epsilon_t^\star(m_1,Y) \approx \epsilon_t^\star(m_2,Y) \approx0,

則兩種不同 substrate 都能高精度復現同一目標。

而下一篇的核心問題將是：

\epsilon_{t+\Delta t}^\star(m,Y) \leq \epsilon_t^\star(m,Y)

是否會隨技術能力擴張而在廣泛目標上出現？

這就是從 CRC 走向動態約束域的數學接口。

13. 可直接執行的跨材料實驗

可以建立一個不需要等待極端未來科技的 CRC baseline。

13.1 選取目標響應

例如定義無量綱有效目標向量

Y^\star = ( E^\star, \nu^\star, G^\star, K^\star, R^\star(\omega) ),

可分別代表正規化彈性模量、Poisson ratio、剪切響應、熱傳或頻率響應。

13.2 選取異質 substrate

選擇機械與材料性質明顯不同的基材族：

\{m_1,m_2,m_3,m_4,m_5\}.

不要求它們本身具有相同 bulk properties。

13.3 對每一種材料獨立 inverse design

求解

c_i^\star = \arg\min_{c\in\mathcal C(m_i)} d_{\mathcal E} \bigl( \Phi(\Gamma(c)),Y^\star \bigr).

13.4 製造與量測

比較實體 specimen，而不是只比較 simulation。

13.5 擾動測試

對所有候選施加對應 load、frequency sweep、temperature change 或其他 perturbation，檢查整個 response trajectory，而非單點性能。

13.6 計算跨材料復現度

若多種 substrate 在同一 $\varepsilon$ 下皆進入 $Y^\star$ 鄰域，即直接得到

\sigma_t(Y^\star;\varepsilon)>1.

改變 $Y^\star$ 後重複，即可得到整張 $Q$ matrix。

這會把構成復現從哲學命題變成一個可累積的工程資料庫。

14. AI 的角色：搜尋巨大構成空間

CRC 的實際困難不是只有物理限制，還包括搜索複雜度。

即使某個目標可實現，也可能有

\left|\mathcal C_t\right| \gg \text{可人工枚舉規模}.

因此 AI、surrogate models、Bayesian optimization、generative models、graph search、topology optimization 與 differentiable physics 可以被視為構成空間的 search operators。

但 AI 不應被當成物理真理判定器。

合理流程應是

\text{AI proposal} \rightarrow \text{physics simulation} \rightarrow \text{constraint check} \rightarrow \text{fabrication} \rightarrow \text{measurement}.

如果 AI 只在 learned surrogate 上找到高分結構，而真實物理不可製造、不穩定或違反模型假設，則不能算作 CRC 的有效實例。

15. 可證偽性：什麼結果會削弱 CRC？

CRC 並不是「只要看到相似就算成功」。

至少有以下幾種情況會削弱其強版本：

第一，若對大多數非平凡目標 $Y$ ，在增加幾何與製程複雜度後仍有

\sigma_t(Y;\varepsilon)=1

或

0,

則跨 substrate recurrence 比預期稀少。

第二，若不同材料能匹配靜態單點性能，但在 response function、破壞模式、時間演化或擾動測試中立刻分離，則只能支持弱有效等價。

第三，若構成多重度增加主要來自幾何上幾乎相同的微小變體，而不是拓撲、材料或尺度上真正不同的實現，那麼「跨構成」的強度需要下修。

第四，若實現集合長期被 fundamental bounds 壓縮在極窄區域，則任意逼近型的強構成命題不成立。

因此 CRC 本身可以形成不同強度：

\text{within-material recurrence} < \text{cross-material recurrence} < \text{cross-scale recurrence} < \text{broad realization universality}.

每一級都必須用獨立證據支持。

16. CRC 與「任何材料都能變成任何東西」的距離

最強但目前沒有根據的命題是

\forall m,\forall Y, \quad \epsilon_t^\star(m,Y)=0.

這相當於宣稱任何 substrate 都能完美實現任何有效物理目標。

本文不採取這個命題。

CRC 的保守版本只是：

\exists Y, \exists m_i\neq m_j: \quad \epsilon_t^\star(m_i,Y)\leq\varepsilon, \qquad \epsilon_t^\star(m_j,Y)\leq\varepsilon.

中等版本則問：這種 $Y$ 是否在有效物理空間中占據相當大的區域？

更強版本則進一步研究，隨文明能力增加，滿足條件的 $(m,Y)$ pair 是否系統性增加。

因此，本系列不是從「任何東西都可以」出發，而是反過來建立：

\boxed{ \text{哪些東西可由哪些東西實現，精度多少，成本多少，限制在哪裡？} }

這才是一個真正可計算的問題。

17. 從 CRC 通往動態約束域

構成空間中的每一個分量都具有歷史性：

\mathcal M_t, \mathcal G_t, \mathcal P_t, \mathcal U_t

都可能因科學與工程進步而改變。

因此

\mathcal C_t \neq \mathcal C_{t+\Delta t}.

若新技術增加可控自由度，則可能有

\mathcal C_t \subseteq \mathcal C_{t+\Delta t}

作為理想化近似。

這會導致

\mathfrak R_t(Y,\varepsilon) \subseteq \mathfrak R_{t+\Delta t}(Y,\varepsilon)

以及可能的

\epsilon_{t+\Delta t}^\star(m,Y) \leq \epsilon_t^\star(m,Y).

也就是：昨天的材料限制、加工限制、穩定性限制或控制限制，可能在明天轉變成可選參數。

這正是下一篇的核心：

\boxed{ \text{Constraint} \rightarrow \text{Control Variable} }

以及由此產生的時變 reachable physical domain。

18. 結論

前兩篇回答了：

\text{為什麼不同來源可能看起來像？}

以及

\text{為什麼不同來源可能在有效物理上真的像？}

本篇則把問題改成：

\boxed{ \text{能否主動找到不同構成，使它們真的實現同一有效物理？} }

現代 metamaterials、architected materials 與 inverse design 已經證明，材料成分之外的幾何、拓撲、生成程序與主動控制可以深刻改寫有效物性；Hamiltonian simulation 更提供一個形式化極強的局部 universality 範例。另一方面，composite bounds、electromagnetic limits、穩定性、因果性與資源要求證明，可實現域並非無限制。

因此，本文提出的 CRC 不是「萬物皆可由萬物構成」，而是研究一個多對一映射：

\boxed{ \mathcal C_t \xrightarrow{\Gamma_t} \mathcal X \xrightarrow{\Phi} \mathcal E }

以及同一 $Y\in\mathcal E$ 究竟有多少彼此真正不同的 preimages。

如果這些 preimages 在材料、尺度、拓撲與生成程序上高度多樣，那麼「自然與人工系統反覆長得像、動得像、功能像」就可以被提升為一個更強的科學問題：

宇宙中的有效物理是否具有高度多重實現性，而智能體能否有系統地搜尋並製造這些實現？

下一篇將再向前一步：如果一個時代的構成空間不是常數，那麼「限制」也不應被一律當成常數。我們將建立動態約束域，區分 fundamental prohibition 與 agent-time reachability，並研究科學進步是否可以被描述成將一部分 constraint 持續轉換為 controllable degrees of freedom。

參考文獻

Guo, K., Li, Y., Lu, Y., et al. (2026). “Functional nano-architected mechanical metamaterials and devices.” npj Metamaterials. https://doi.org/10.1038/s44455-025-00010-9
Rodopoulos, D. C., Mermigkis, G., Hadjidoukas, P., et al. (2026). “Machine learning-based mechanics of TPMS architected materials driven by unit-cell geometric features.” npj Metamaterials, 2, 16. https://doi.org/10.1038/s44455-026-00026-9
Schul, L., Mason, S., Eun, S., Ahn, G. H., et al. (2026). “Inverse design for scalable photonic systems.” Nature Reviews Materials, 11, 621–631. https://doi.org/10.1038/s41578-026-00915-5
Maurizi, M., Xu, D., Wang, Y.-T., et al. (2025). “Designing metamaterials with programmable nonlinear responses and geometric constraints in graph space.” Nature Machine Intelligence, 7, 1023–1036. https://doi.org/10.1038/s42256-025-01067-x
Dudek, K. K., Kadic, M., Coulais, C., et al. (2025). “Shape-morphing metamaterials.” Nature Reviews Materials, 10, 783–798. https://doi.org/10.1038/s41578-025-00828-9
Zhou, L., & Aharonov, D. (2026). “Universal Hamiltonian simulators in one and two dimensions.” Nature Communications, 17, 6888. https://doi.org/10.1038/s41467-026-71686-4
Milton, G. W. (2022). The Theory of Composites. SIAM. https://doi.org/10.1137/1.9781611977486
Chao, P., Strekha, B., Kuate Defo, R., Molesky, S., et al. (2022). “Physical limits in electromagnetism.” Nature Reviews Physics, 4, 543–559. https://doi.org/10.1038/s42254-022-00468-w
Molesky, S., Lin, Z., Piggott, A. Y., Jin, W., Vučković, J., & Rodriguez, A. W. (2018). “Inverse design in nanophotonics.” Nature Photonics, 12, 659–670. https://doi.org/10.1038/s41566-018-0246-9
Nakarmi, S., Daphalapurkar, N. P., Lee, K.-S., et al. (2026). “Inverse design of cellular structures with the targeted nonlinear mechanical response.” Scientific Reports, 16, 3185. https://doi.org/10.1038/s41598-025-33184-3

系列銜接

第 1 篇：從香腸到恆星：觀測等價、逆問題與跨尺度表象退化
第 2 篇：不同材料為何能真的相像：普適類、多重實現與跨尺度物理等價
第 3 篇：構成復現命題：材料、幾何與有效物理的多對一映射
第 4 篇：約束不是常數：從限制到控制變量的動態可達物理域
第 5 篇：強構成命題：智能體可達域能否逼近宇宙物理可能域？