← Archive
lm-004371 · 2026-10

MGCP–USE 05：跨尺度狀態演化圖譜——建立可比較但不抹平差異的 Transition Atlas

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
title
MGCP–USE 05：跨尺度狀態演化圖譜——建立可比較但不抹平差異的 Transition Atlas
series
MGCP–USE / Minimal Generatively Complete Physics & Universal State Evolution
document_id
MGCP-USE-05
version
0.1
date
2026-09-20
language
zh-TW
status
Research Draft
source_format
UTF-8 Markdown
depends_on
MGCP-USE-00 · MGCP-USE-01 · MGCP-USE-02 · MGCP-USE-03 · MGCP-USE-04

MGCP–USE 05：跨尺度狀態演化圖譜——建立可比較但不抹平差異的 Transition Atlas

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-20
版本： 0.1

摘要

MGCP–USE 00–04 已依序建立最小完備生成物研究綱領、候選最小性判準、原始狀態轉換語言、原始資訊殘跡框架與逆向宇宙方法。本篇開始處理整個系列的資料與比較核心：如何把量子、量子場論、多體系統、相變、經典動力、引力與宇宙學中的「狀態如何變成下一個狀態」整理成一張可比較、可逆向、可供 AI 學習，但又不把不同物理領域硬壓成同一表徵的跨尺度狀態演化圖譜。

本文提出 Cross-Scale State-Evolution Atlas，記為：

AT.\mathcal A_T.

其最小資料單位不是「狀態本身」，而是 transition record：

Di=(Si−,Si+,Ci,Δi,λi,Oi,Ui,Mi,Ri).D_i = ( S_i^-, S_i^+, C_i, \Delta_i, \lambda_i, O_i, U_i, M_i, R_i ).

其中 Si−S_i^- 與 Si+S_i^+ 保留各自領域的原生狀態表示； CiC_i 是邊界、環境與約束； Δi\Delta_i 是時間、尺度或其他序參數差； λi\lambda_i 是解析尺度； OiO_i 是可觀測量； UiU_i 是不確定性； MiM_i 是 governing-model metadata； RiR_i 是前後層級、粗粒化與表示轉換關係。

本篇主張：

跨尺度統一的對象不是 state representation，而是 transition interface。\boxed{ \text{跨尺度統一的對象不是 state representation，而是 transition interface。} }

量子密度矩陣不必轉成與宇宙密度場同型的向量；黑洞 waveform 也不必被假裝成和 lattice spin configuration 相同的資料。真正可比較的是：

  • 哪些自由度被觀察；
  • 哪些自由度被積分掉；
  • 哪些約束保持；
  • 哪些量守恆；
  • 哪些轉換可逆；
  • 哪些規則隨尺度改變；
  • 哪些 emergent variable 出現；
  • 哪些資訊在跨尺度映射中消失；
  • 哪些結構在多域中仍可辨認。

現代研究已提供數個關鍵技術接口。2024 年 QFT Hamiltonian learning 顯示，可以在不同實驗解析尺度下學習不同 Hamiltonian，形成類 renormalization-group flow；2023 年 neural operator 工作建立了在函數空間之間學習 operator、並具有 discretization-invariant 性質的框架；2025 年 multiscale closure review 則明確把 coarse-grained closure、物理守恆、逆問題與科學機器學習連成共同研究區域。

因此，本篇的目標不是建立一個萬能 tensor format，而是建立一套 physics-preserving atlas protocol，使後續 AI 可以在不同尺度之間尋找：

representation change≠effective-law change≠genuine transition structure.\boxed{ \text{representation change} \neq \text{effective-law change} \neq \text{genuine transition structure}. }

這張圖譜將成為第 06 篇 AI State-Evolution Reconstructor 與第 07 篇 Universal State Evolution 的共同資料底座。

1. 為什麼需要一張跨尺度 Transition Atlas

如果最終研究目標是：

U=CommonStructure⁡(Tprimitive,Tquantum,TQFT,Tmany−body,Tphase,Tclassical,Tgravity,Tcosmology),\mathcal U = \operatorname{CommonStructure} ( T_{\mathrm{primitive}}, T_{\mathrm{quantum}}, T_{\mathrm{QFT}}, T_{\mathrm{many-body}}, T_{\mathrm{phase}}, T_{\mathrm{classical}}, T_{\mathrm{gravity}}, T_{\mathrm{cosmology}} ),

就必須先回答：

這些 TT 如何被放進同一套可比較框架？

若沒有共同資料接口，AI 只能在各領域分別學習，最後仍缺乏跨尺度比較層。

因此需要：

AT=Cross-Scale State-Evolution Atlas.\boxed{ \mathcal A_T = \text{Cross-Scale State-Evolution Atlas}. }

2. Atlas 不是「所有物理都轉成同一向量」

錯誤做法是把所有狀態壓成同一個：

x.\mathbf x.

不同領域的狀態空間可能分別是：

ρ∈D(H),\rho\in\mathcal D(\mathcal H), ϕ(x)∈F,\phi(x)\in\mathcal F, z∈Γphase,\mathbf z\in\Gamma_{\mathrm{phase}}, gμν(x)∈G,g_{\mu\nu}(x)\in\mathcal G, δ(x)∈C.\delta(\mathbf x)\in\mathcal C.

它們沒有必要共享同一原生表示。

因此：

representation homogenization≠physical unification.\boxed{ \text{representation homogenization} \neq \text{physical unification}. }

3. 真正統一的是 Transition Interface

對任意領域 aa：

T(a):Sa−⟹Sa+.T^{(a)} : S_a^- \Longrightarrow S_a^+.

其 state space：

Xa\mathcal X_a

可以完全不同。

但每個 transition 都應提供共同 meta-information：

source+target+condition+scale+observable+constraint+uncertainty+mapping.\boxed{ \text{source} + \text{target} + \text{condition} + \text{scale} + \text{observable} + \text{constraint} + \text{uncertainty} + \text{mapping}. }

4. 第一版 Transition Record

本系列採用：

Di=(Si−,Si+,Ci,Δi,λi,Oi,Ui,Mi,Ri).D_i = ( S_i^-, S_i^+, C_i, \Delta_i, \lambda_i, O_i, U_i, M_i, R_i ).

其中：

  • Si−S_i^-：轉換前的原生狀態表示；
  • Si+S_i^+：轉換後的原生狀態表示；
  • CiC_i：邊界、環境、控制條件與物理約束；
  • Δi\Delta_i：時間、尺度或其他序參數差；
  • λi\lambda_i：解析尺度、能標或 coarse-graining level；
  • OiO_i：可觀測量；
  • UiU_i：不確定性、systematics、model discrepancy；
  • MiM_i：governing model 與理論 metadata；
  • RiR_i：跨表示、跨尺度與 lineage relations。

5. Δi\Delta_i 不應永遠被寫成 Δt\Delta t

原始轉換不必預設外部時間。

因此：

Δi∈{Δt,Δτ,Δλ,ΔE,Δa,Δz,…}.\Delta_i \in \{ \Delta t, \Delta\tau, \Delta\lambda, \Delta E, \Delta a, \Delta z, \ldots \}.

例如 cosmology 可使用 redshift，RG 可使用 energy scale，相變可使用 control parameter，relational-time model 可使用內部 clock reading。

6. Scale Metadata 必須是第一級欄位

每筆資料至少標註：

λ=(λspace,λtime,λenergy,λresolution).\lambda = ( \lambda_{\mathrm{space}}, \lambda_{\mathrm{time}}, \lambda_{\mathrm{energy}}, \lambda_{\mathrm{resolution}} ).

若不標尺度，就容易把：

Fλ1≠Fλ2F_{\lambda_1} \neq F_{\lambda_2}

誤判為：

fundamental law changed.\text{fundamental law changed}.

7. 跨尺度資料的三種關係

7.1 Same-System Multi-Resolution

S(λ1)↔S(λ2).S^{(\lambda_1)} \leftrightarrow S^{(\lambda_2)}.

7.2 Effective-Theory Relation

TUV→TIR.T_{\mathrm{UV}} \rightarrow T_{\mathrm{IR}}.

7.3 Cross-Domain Analogy

TA∼structTB.T_A \sim_{\mathrm{struct}} T_B.

第三種只能稱結構類比，不能直接宣稱本體相同。

8. Atlas 必須把關係類型分開

relation_type:
  same_system_resolution
  coarse_graining
  effective_theory
  state_projection
  representation_change
  emergent_variable
  structural_analogy
  candidate_deep_equivalence

其中 candidate_deep_equivalence 必須是高門檻標籤。

Part I — Native State Preservation

9. Quantum Domain

可能狀態：

∣ψ⟩,|\psi\rangle,

或：

ρ.\rho.

Transition：

∣ψ′⟩=U∣ψ⟩,|\psi'\rangle = U|\psi\rangle,

或：

ρ′=E(ρ).\rho' = \mathcal E(\rho).

Atlas 只要求保存 Hilbert-space metadata、observable set、channel structure、uncertainty 與 control parameters。

10. QFT Domain

QFT 狀態可以由 correlation functions、field configurations、reduced states 或 effective Hamiltonian parameters 表示。

特別需要記錄：

μ\mu

或 experimental resolution scale，因為：

HμH_\mu

可能隨 scale 改變。

11. Many-Body Domain

可能狀態：

ρN\rho_N

或：

{⟨Oi⟩}.\{\langle O_i\rangle\}.

重要 metadata 包括：

  • lattice size；
  • interaction graph；
  • thermodynamic variables；
  • entanglement；
  • conserved quantities；
  • finite-size effects。

12. Phase-Transition Domain

可能包含：

ϕorder,ξcorr,χ,P(ϕ).\phi_{\mathrm{order}}, \qquad \xi_{\mathrm{corr}}, \qquad \chi, \qquad P(\phi).

需要記錄 critical parameter、hysteresis、nucleation、universality class、defect formation、latent heat 與 symmetry change。

13. Classical Dynamical Domain

狀態可能是：

x(t)\mathbf x(t)

或：

u(x,t).u(\mathbf x,t).

保存 governing ODE/PDE、forcing、dissipation、attractor information、Lyapunov properties 與 invariants。

14. Gravity Domain

可能表示：

gμν,Kij,Ψ4,h(t).g_{\mu\nu}, \qquad K_{ij}, \qquad \Psi_4, \qquad h(t).

不同 numerical formulation 不可直接當成不同 physics，因此要保留 representation lineage。

15. Cosmology Domain

可能狀態：

δ(x,z),P(k,z),Cℓ,a(t).\delta(\mathbf x,z), \qquad P(k,z), \qquad C_\ell, \qquad a(t).

特別要保留 cosmological parameters、gauge、redshift、survey selection、bias model 與 cosmic variance。

Part II — Coarse-Graining

16. Coarse-Graining 是 Atlas 的核心而不是雜訊

令：

Cλ:Sfine→Scoarse.\mathcal C_\lambda : S_{\mathrm{fine}} \rightarrow S_{\mathrm{coarse}}.

Atlas 必須保存：

Cλ\mathcal C_\lambda

本身，而不只保存 coarse state。

17. Closure Problem

若 coarse state：

Sˉ\bar S

無法獨立決定下一個 coarse state，就需要 closure term：

dSˉdt=Fresolved(Sˉ)+Q(Sˉ).\frac{d\bar S}{dt} = F_{\mathrm{resolved}}(\bar S) + \mathcal Q(\bar S).

2025 年關於 multiscale closure 的綜述指出，closure problem 是多尺度模擬核心困難之一，並與 inverse problems、Mori–Zwanzig、物理約束機器學習與 discretization-invariant models 緊密相關。

18. Atlas 必須記錄 Unresolved Physics

unresolved_content:
  marginalized_variables
  closure_model
  closure_uncertainty
  memory_effect
  stochastic_term
  known_information_loss

不允許把 coarse model 寫成封閉系統，卻把未解析物理全部藏進誤差。

19. Markovian 與 Non-Markovian

完整系統可能：

St+1=F(St),S_{t+1} = F(S_t),

但 coarse-graining 後：

Sˉt+1=Feff(Sˉt,Sˉt−1,…).\bar S_{t+1} = F_{\mathrm{eff}} ( \bar S_t, \bar S_{t-1}, \ldots ).

因此 coarse-scale non-Markovianity 不必代表 fundamental law 本身有 memory。

20. Mori–Zwanzig 類觀點

將 unresolved degrees of freedom 投影掉後，可出現：

  • resolved drift；
  • memory kernel；
  • fluctuating force。

因此 effective transition 必須正式保存 memory 與 noise metadata。

Part III — RG 與 Scale Flow

21. QFT Hamiltonian Learning 已提供實驗原型

Ott 等人在 2024 年展示：

experimental data→Hλ.\text{experimental data} \rightarrow H_\lambda.

改變 measurement resolution：

λ1→λ2\lambda_1 \rightarrow \lambda_2

可學到：

Hλ1→Hλ2H_{\lambda_1} \rightarrow H_{\lambda_2}

的 Hamiltonian flow，類似 RG。

這證明 scale-dependent governing rules 可以被當成實際可學習與比較的物理對象。

22. RG Flow Record

RG_Flow_Record:
  system_id
  scale_from
  scale_to
  operator_basis_from
  operator_basis_to
  couplings_from
  couplings_to
  coarse_graining_map
  matching_conditions
  uncertainties
  invariants
  fixed_point_status

23. Fixed Point 特別值得標記

若：

β(g∗)=0,\beta(g^\ast)=0,

則 g∗g^\ast 是 RG fixed point。

跨尺度圖譜中特別值得追蹤：

what survives scale flow?\boxed{ \text{what survives scale flow?} }

這是第 07 篇 Universal State Evolution 的直接候選來源。

24. Universality Class 不等於 Universal State Evolution

相變中的 universality 可能讓不同 microscopic systems 共享 critical exponents 等結構。

但：

universality class≠universal state evolution of all physics.\boxed{ \text{universality class} \neq \text{universal state evolution of all physics}. }

Part IV — Operator Layer

25. 為什麼 operator 是好的中介

不同領域 state representation 不同，但都可能有：

T:X→Y.\mathcal T: \mathcal X \rightarrow \mathcal Y.

因此比較 transition operator 有時比比較原始 state 更有意義。

26. Neural Operator 提供的技術接口

Neural operator 直接學習函數空間之間的 operator：

G:X→Y.\mathcal G: \mathcal X \rightarrow \mathcal Y.

Kovachki 等人的工作強調 function-space mapping、discretization-invariant parameterization，以及 PDE solution operators。

MGCP–USE 不把 neural operator 當物理定律，而把它視為：

transition surrogate layer.\boxed{ \text{transition surrogate layer}. }

27. Discretization Invariance 的價值

若模型只在某個 mesh 有效，換網格就失效，其物理 operator 地位有限。

discretization-invariant 模型試圖學：

G\mathcal G

而不是單一離散矩陣，這有助於避免把 numerical mesh 誤認為 physical scale。

28. Discretization Invariance 不等於 Scale Invariance

即使：

G\mathcal G

對 grid discretization 不敏感，也不代表：

Gλ1=Gλ2.\mathcal G_{\lambda_1} = \mathcal G_{\lambda_2}.

因此必須分開：

numerical resolution\boxed{ \text{numerical resolution} }

與：

physical resolution.\boxed{ \text{physical resolution}. }

Part V — Transition Equivalence

29. 表示等價

若兩種表示描述同一物理：

TA∼repTB.T_A \sim_{\mathrm{rep}} T_B.

不能當成兩條不同 fundamental law。

30. 操作等價

如果：

P(O∣TA)=P(O∣TB)P(O\mid T_A) = P(O\mid T_B)

對目前所有可達 observable 成立，則：

TA∼opTB.T_A \sim_{\mathrm{op}} T_B.

31. Scale Equivalence

若：

C(Tfine)=Tcoarse,\mathcal C(T_{\mathrm{fine}}) = T_{\mathrm{coarse}},

則記：

Tfine∼CTcoarse.T_{\mathrm{fine}} \sim_{\mathcal C} T_{\mathrm{coarse}}.

Atlas 必須保存這個 map。

32. Structural Analogy

如果兩域都出現 bifurcation，只能先標：

TA∼structTB.T_A \sim_{\mathrm{struct}} T_B.

不能直接升格為物理等價。

Part VI — Invariants

33. 每筆 transition 都應問「什麼沒變」

若：

S−⟹S+,S^- \Longrightarrow S^+,

檢查：

Ij(S−)=?Ij(S+).I_j(S^-) \stackrel{?}{=} I_j(S^+).

可能包括 charge、norm、probability、energy、momentum、topology、causal constraints 與 entropy-related quantities。

34. Invariant Type

invariant_type:
  exact_fundamental
  exact_effective
  approximate
  symmetry_protected
  topological
  statistical
  scale_invariant
  unknown_origin

避免把近似不變量誤寫成 fundamental law。

35. Broken Invariant 也要保存

若：

I(S−)≠I(S+),I(S^-)\neq I(S^+),

還要標記可能原因：

  • open-system exchange；
  • symmetry breaking；
  • anomaly；
  • numerical error；
  • model mismatch；
  • truly broken conservation candidate。

Part VII — Reversibility and Information Loss

36. Reversibility Metadata

reversibility:
  exact_reversible
  approximately_reversible
  microscopically_reversible
  effectively_irreversible
  fundamentally_irreversible_candidate
  unknown

37. Information-Retention Metadata

可記：

ηI=Retention⁡(S−,S+).\eta_I = \operatorname{Retention} ( S^-, S^+ ).

目前不宣稱存在單一通用數值定義。

可先分類：

  • invertible；
  • lossy；
  • many-to-one；
  • stochastic；
  • observationally incomplete。

38. Information Loss 不只是一個數字

不同類型資訊可能有不同保存程度：

I=(Imicro,Imacro,Isym,Itopo,Icorr).\mathbf I = ( I_{\mathrm{micro}}, I_{\mathrm{macro}}, I_{\mathrm{sym}}, I_{\mathrm{topo}}, I_{\mathrm{corr}} ).

例如 microstate 幾乎全失，但 topology 仍可保留。

Part VIII — Emergence

39. 新自由度如何進 Atlas

若 coarse layer 出現：

qemergent,q_{\mathrm{emergent}},

應記：

qemergent=E(Smicro).q_{\mathrm{emergent}} = \mathcal E ( S_{\mathrm{micro}} ).

而不是簡單寫成「憑空出現」。

40. Emergence Map

Emergence_Map:
  source_layer
  target_layer
  microscopic_variables
  emergent_variables
  coarse_graining
  order_parameters
  validity_domain
  reconstruction_limit
  information_loss

41. Strong Emergence 不先作預設

如果目前無法從 micro layer 推導 macro behavior，只標：

unresolved emergence\boxed{ \text{unresolved emergence} }

而不是直接宣稱：

fundamental strong emergence.\boxed{ \text{fundamental strong emergence}. }

Part IX — Atlas Graph

42. Atlas 應該是圖，不只是表格

定義：

AT=(V,E).\mathcal A_T=(V,E).

節點可包括：

V={Si,Ti,Mi,Oi,Ci}.V = \{ S_i, T_i, M_i, O_i, C_i \}.

邊包含：

  • evolves_to；
  • coarse_grains_to；
  • measured_by；
  • generated_by；
  • constrained_by；
  • equivalent_to；
  • emerges_as；
  • contradicts；
  • predicts。

43. Layered Graph

不同尺度：

L0,L1,…,Ln.L_0,L_1,\ldots,L_n.

同層 evolution：

Si(L)→Sj(L).S_i^{(L)} \rightarrow S_j^{(L)}.

跨層 map：

Si(L)→Sk(L+1).S_i^{(L)} \rightarrow S_k^{(L+1)}.

形成：

evolution edges+scale edges.\boxed{ \text{evolution edges} + \text{scale edges}. }

44. 兩種 edge 必須分開

S(t0)→S(t1)S(t_0) \rightarrow S(t_1)

與：

Sfine→ScoarseS_{\mathrm{fine}} \rightarrow S_{\mathrm{coarse}}

是概念不同的 maps。

若混用，AI 可能把資料處理步驟誤認成自然演化。

Part X — Uncertainty

45. 不確定性不是附註

每個 transition 應包含：

Ui=(Umeasurement,Umodel,Unumerical,Usampling,Ustructural).U_i = ( U_{\mathrm{measurement}}, U_{\mathrm{model}}, U_{\mathrm{numerical}}, U_{\mathrm{sampling}}, U_{\mathrm{structural}} ).

46. Structural Uncertainty

UstructuralU_{\mathrm{structural}}

表示可能選錯 governing model class。

它不能被普通 parameter error bar 取代。

47. Cross-Scale Uncertainty Propagation

如果：

S0→S1→S2,S_0 \rightarrow S_1 \rightarrow S_2,

則 uncertainty 會向後傳遞。

跨尺度 atlas 應保存條件映射或近似：

P(SL+1∣SL),P(S_{L+1}\mid S_L),

而不是讓每一層的誤差彼此獨立。

Part XI — Data Provenance

48. 每筆 Atlas 資料必須可追溯

至少保存：

  • source publication；
  • experiment；
  • dataset version；
  • simulation-code version；
  • preprocessing；
  • calibration；
  • parameter assumptions；
  • timestamp。

49. Simulation 與 Observation 必須分開

evidence_origin:
  direct_observation
  controlled_experiment
  numerical_simulation
  analytic_derivation
  surrogate_model
  synthetic_data
  reconstructed_latent_state

50. Reconstructed State 不是 Raw Observation

第 04 篇的：

S^0\widehat S_0

是 posterior reconstruction，不是 direct observation。

否則 AI 之後可能把自己的推論重新當成證據，形成 self-reinforcing loop。

Part XII — Cross-Scale Matching

51. Matching 問題

若高能理論：

THT_H

與低能理論：

TL,T_L,

需要：

MH→L.\mathcal M_{H\rightarrow L}.

matching 錯誤會把不相關的層硬接在一起。

52. Matching Evidence Levels

M0 — speculative analogy

M1 — formal mapping

M2 — numerically demonstrated

M3 — experimentally constrained

M4 — multi-domain validated

M5 — operationally robust across scales

多數涉及未知最深層的跨尺度連接，現階段不應被高估。

Part XIII — AI-Ready Representation

53. AI 不應直接吃一個巨大混合 tensor

推薦：

NativeEncodera:Xa→Za.\text{NativeEncoder}_a : \mathcal X_a \rightarrow Z_a.

再由：

TransitionEncoder:(Za−,Za+,C,λ,O,U)→ZT.\text{TransitionEncoder} : (Z_a^-,Z_a^+,C,\lambda,O,U) \rightarrow Z_T.

最後才進 Cross-Domain Comparator。

54. Native Encoder 的限制

ZaZ_a 是 computational latent。

不能宣稱：

ZaZ_a

就是自然界真正 hidden state。

因此所有 latent 都標記：

model representation, not discovered ontology.\boxed{ \text{model representation, not discovered ontology}. }

55. Physics-Preserving Loss

AI 訓練可加入：

L=Ldata+αLconstraint+βLsymmetry+γLconservation+δLcross−scale.L = L_{\mathrm{data}} + \alpha L_{\mathrm{constraint}} + \beta L_{\mathrm{symmetry}} + \gamma L_{\mathrm{conservation}} + \delta L_{\mathrm{cross-scale}}.

若某物理律必須 exact，應優先用 hard constraint、architectural constraint 或 invariant parameterization，而非只靠 soft penalty。

56. 2025 Closure Review 的直接教訓

2025 年 multiscale closure review 強調：已知物理應進入 reduced model，symmetry 與 conservation law 應被維持；a priori 與 a posteriori learning 必須區分；discretization-invariant models 是重要方向，而 generalizability 與 interpretability 仍是主要瓶頸。

這些可直接成為 Atlas AI layer 的工程原則。

Part XIV — A Priori vs A Posteriori

57. A Priori Transition Fit

只看：

(St,St+1)(S_t,S_{t+1})

學：

F^.\widehat F.

單步誤差可能很低。

58. A Posteriori Rollout

真正反覆使用：

S^t+1=F^(S^t).\widehat S_{t+1} = \widehat F(\widehat S_t).

若長時間偏離真實 attractor，表示模型雖會局部擬合，卻沒有學到穩定 dynamics。

59. Atlas 必須保存 Rollout Stability

每個 learned transition model 保存：

  • one-step error；
  • long-horizon error；
  • invariant drift；
  • stability；
  • attractor fidelity；
  • OOD behavior。

Part XV — Transition Taxonomy

60. 第一版 Transition Type

transition_type:
  deterministic
  stochastic
  unitary
  dissipative
  open_quantum
  phase_transition
  bifurcation
  symmetry_breaking
  decay
  scattering
  coarse_graining
  rg_flow
  emergent_mapping
  causal_reordering
  topology_change_candidate
  constraint_selection
  unknown

61. 不要把 Coarse-Graining 當成 Physical Evolution

雖然都可以畫箭頭：

A→B,A\rightarrow B,

但 evolution edge 與 description edge 必須不同 type。

Part XVI — Atlas Acceptance Gate

62. Gate AT-A：Native-State Integrity

原生物理狀態不得因格式統一被不可逆破壞，除非另存 loss metadata。

63. Gate AT-B：Scale Explicitness

每筆 transition 必須標 scale / resolution。

64. Gate AT-C：Edge-Type Integrity

evolution、coarse-graining、representation-change 不得混用。

65. Gate AT-D：Constraint Metadata

已知 symmetry、conservation、boundary 必須保存。

66. Gate AT-E：Uncertainty

沒有 uncertainty 的 observational record 不進核心 atlas。

67. Gate AT-F：Provenance

每筆 record 必須可回到來源。

68. Gate AT-G：Cross-Scale Mapping Evidence

任何跨層 edge 必須標 mapping evidence level。

69. Gate AT-H：No Self-Evidence Loop

AI reconstructed latent 不能未標記地重新當作 direct evidence。

Part XVII — Minimal Atlas Schema

70. 第一版結構

Transition_Record:
  transition_id
  domain
  source_state_ref
  target_state_ref
  native_state_type
  transition_type
  ordering_parameter
  interval
  physical_scale
  numerical_resolution
  environment
  boundary_conditions
  governing_model
  constraints
  invariants
  observables
  uncertainty
  reversibility
  information_retention
  unresolved_variables
  closure_model
  evidence_origin
  provenance
  cross_scale_relations
  representation_relations
  validation_status

71. State Record

State_Record:
  state_id
  domain
  native_representation
  physical_interpretation
  scale
  gauge_or_basis
  observables
  uncertainty
  evidence_origin
  provenance
  equivalence_class

72. Scale Relation Record

Scale_Relation_Record:
  relation_id
  source_layer
  target_layer
  relation_type
  coarse_graining_map
  matching_conditions
  retained_variables
  marginalized_variables
  emergent_variables
  closure_terms
  information_loss
  uncertainty
  evidence_level

Part XVIII — Example Walkthroughs

73. Quantum Example

ρ0→ρt.\rho_0 \rightarrow \rho_t.

保存 channel、measured observables、noise model、conserved quantities 與 tomography uncertainty。

跨尺度時，另建：

Cq→eff.\mathcal C_{\mathrm{q\rightarrow eff}}.

74. Phase Transition Example

ϕsym→ϕbroken.\phi_{\mathrm{sym}} \rightarrow \phi_{\mathrm{broken}}.

保存 symmetry group、order parameter、temperature、critical scale、defects、hysteresis 與 GW candidate map。

75. Cosmology Example

δ(x,z1)→δ(x,z2).\delta(\mathbf x,z_1) \rightarrow \delta(\mathbf x,z_2).

保存 redshift、gravity solver、bias、survey mask 與 posterior field ensemble。

若 initial state 是 reconstruction，標為 reconstructed latent state。

76. QFT Scale-Flow Example

Hλ1→Hλ2.H_{\lambda_1} \rightarrow H_{\lambda_2}.

這不是 time evolution。

Atlas type 應標：

rg_flow.\text{rg\_flow}.

Part XIX — Atlas 與 Residual Atlas 的連接

77. Residual Atlas 描述「留下什麼」

AR\mathcal A_R

回答：

what is observed today?\text{what is observed today?}

Transition Atlas：

AT\mathcal A_T

回答：

what transitions connect states and scales?\text{what transitions connect states and scales?}

78. 兩張 Atlas 必須雙向連接

AT→AR\mathcal A_T \rightarrow \mathcal A_R

表示某 transition 預測哪些 residual。

反向：

AR→AT\mathcal A_R \rightarrow \mathcal A_T

表示哪些 transition 被資料支持或排除。

79. 第 04 篇的 History Ensemble 也要接入

每條：

Γi\Gamma_i

可看成 transition path：

Γi=Path⁡AT(Searly,Stoday).\Gamma_i = \operatorname{Path}_{\mathcal A_T} ( S_{\mathrm{early}}, S_{\mathrm{today}} ).

Part XX — Universal State Evolution 的預備工作

80. Atlas 完成後才有資格問「通用」

沒有 Atlas，直接比較不同領域很容易只是在比較語言。

有 Atlas 後，才能問：

Pattern⁡(Ti)\operatorname{Pattern}(T_i)

是否跨 domain 持續存在。

81. 第一批候選共同結構

只作待驗證候選：

{difference,constraint,transition,invariant,selection,stability,irreversibility,coarse-graining}.\{ \text{difference}, \text{constraint}, \text{transition}, \text{invariant}, \text{selection}, \text{stability}, \text{irreversibility}, \text{coarse-graining} \}.

82. 通用結構必須跨表示存活

若模式換 representation 就消失，可能只是 notation artifact。

強候選需要：

representation robustness.\boxed{ \text{representation robustness}. }

83. 通用結構必須跨尺度存活

只在：

λ>λc\lambda>\lambda_c

成立的規則，屬 effective law，而不是自動成為 universal primitive。

84. 通用結構必須具有預測力

只得到「某些條件下會變化」沒有足夠科學增益。

因此第 07 篇要求：

universality+nontrivial predictive constraint.\boxed{ \text{universality} + \text{nontrivial predictive constraint}. }

Part XXI — AI Reconstructor 的接口

85. 第 06 篇輸入

第 06 篇 AI State-Evolution Reconstructor 將讀取：

AT+AR+G.\mathcal A_T + \mathcal A_R + \mathfrak G.

86. AI 的四個主要工作

A. Governing-Law Inference

DT→F^.D_T \rightarrow \widehat F.

B. Scale-Mapping Inference

Tλ1→Tλ2.T_{\lambda_1} \rightarrow T_{\lambda_2}.

C. Invariant Discovery

Ti→I.T_i \rightarrow I.

D. Model Competition

F1,F2,…→P(Fi∣D).F_1,F_2,\ldots \rightarrow P(F_i\mid D).

87. AI 不應被允許自動修改 Atlas Ground Truth

模型可提出 candidate relation，但不能直接 commit 成 validated relation。

需要 validation、provenance 與 evidence-level promotion。

Part XXII — Versioning

88. Atlas 必須可演化

AT(2026)→AT(2027)→⋯ .\mathcal A_T^{(2026)} \rightarrow \mathcal A_T^{(2027)} \rightarrow \cdots.

每條 record 都應有 version 與 supersession history。

89. 理論也會被取代

若模型被新資料排除，不直接刪除，而標：

excluded under data version Dv.\text{excluded under data version }D_v.

這對研究歷史與 AI 訓練都很重要。

Part XXIII — Failure Modes

90. Failure 1：False Unification

把不同 state representation 壓成同格式後，誤以為找到共同物理。

91. Failure 2：Scale Erasure

不標 scale，導致 effective law 被誤當 fundamental law。

92. Failure 3：Projection Confusion

把：

C(S)\mathcal C(S)

誤認為 SS 本身。

93. Failure 4：Simulation–Observation Collapse

把 simulation output 與 real observation 等權。

94. Failure 5：AI Self-Confirmation

AI 推論出 latent state，之後又把該 latent state 當成新證據支持自己。

95. Failure 6：Numerical Grid Ontology

把 mesh cell、time step、solver artifact 誤當自然界基本離散結構。

96. Failure 7：Analogy Inflation

看到兩域都有 bifurcation，就宣稱兩者共享同一底層物理。

97. Failure 8：Closure Blindness

粗粒模型忽略 unresolved variables，卻把 closure error 誤認為 law evolution。

Part XXIV — 第 05 篇核心結論

98. 結論一：跨尺度統一不需要共享同一 state representation

native state diversity+common transition interface\boxed{ \text{native state diversity} + \text{common transition interface} }

比強制單一表示更合理。

99. 結論二：Scale 與 Representation 必須顯式化

physical scale≠numerical resolution≠representation.\boxed{ \text{physical scale} \neq \text{numerical resolution} \neq \text{representation}. }

100. 結論三：Coarse-Graining 本身是研究對象

它決定哪些資訊留下、哪些 closure term 出現，以及哪些 non-Markovian behavior 湧現。

101. 結論四：QFT Hamiltonian Learning 已提供跨解析尺度學習的物理先例

它顯示 scale-dependent Hamiltonian flow 可以從實驗資料中被直接學習與比較。

102. 結論五：Neural Operator 適合作 transition surrogate，不是自動成為物理定律

learned operator≠discovered fundamental law.\boxed{ \text{learned operator} \neq \text{discovered fundamental law}. }

103. 結論六：Atlas 應是 graph，而不是平面資料表

因為我們需要同時表示：

evolution+scale+equivalence+evidence+emergence.\text{evolution} + \text{scale} + \text{equivalence} + \text{evidence} + \text{emergence}.

104. 結論七：Universal State Evolution 必須建立在 Atlas 之後

否則 cross-domain commonality 很容易只是語言共性。

Part XXV — 對第 06 篇的接口

105. 下一篇正式進入 AI State-Evolution Reconstructor

第 06 篇將回答：

AI 如何從 Atlas 中學出規則，而不只學會模仿軌跡？\boxed{ \text{AI 如何從 Atlas 中學出規則，而不只學會模仿軌跡？} }

106. 第 06 篇核心模組

預計包括：

  1. Hamiltonian learning；
  2. symbolic regression；
  3. neural operators；
  4. Koopman methods；
  5. causal discovery；
  6. invariant discovery；
  7. latent-variable inference；
  8. multi-model Bayesian competition；
  9. rule-change discrimination；
  10. active experiment design。

107. 第 06 篇最重要的限制

AI 必須區分：

prediction\boxed{ \text{prediction} } compression\boxed{ \text{compression} } causal reconstruction\boxed{ \text{causal reconstruction} } law discovery.\boxed{ \text{law discovery}. }

預測準確的 black-box model，不自動等於發現 governing law。

參考文獻

  1. Ott, R., Zache, T. V., Prüfer, M., Erne, S., Tajik, M., Pichler, H., Schmiedmayer, J., Zoller, P. "Hamiltonian learning in quantum field theories." Physical Review Research 6, 043284 (2024).
    https://doi.org/10.1103/PhysRevResearch.6.043284

  2. Kovachki, N., Li, Z., Liu, B., Azizzadenesheli, K., Bhattacharya, K., Stuart, A., Anandkumar, A. "Neural Operator: Learning Maps Between Function Spaces With Applications to PDEs." Journal of Machine Learning Research 24, 1–97 (2023).
    https://www.jmlr.org/papers/v24/21-1524.html

  3. Sanderse, B., Stinis, P., Maulik, R., Ahmed, S. E. "Scientific machine learning for closure models in multiscale problems: A review." Foundations of Data Science 7(1), 298–337 (2025).
    https://doi.org/10.3934/fods.2024043

  4. Brunton, S. L., Kutz, J. N. "Promising directions of machine learning for partial differential equations." Nature Computational Science 4, 483–494 (2024).
    https://doi.org/10.1038/s43588-024-00643-2

  5. Haah, J., Kothari, R., Tang, E. "Learning quantum Hamiltonians from high-temperature Gibbs states and real-time evolutions." Nature Physics 20, 1027–1031 (2024).
    https://doi.org/10.1038/s41567-023-02376-x

  6. Wilson, K. G. "The renormalization group and critical phenomena." Reviews of Modern Physics 55, 583 (1983).
    https://doi.org/10.1103/RevModPhys.55.583

  7. Kadanoff, L. P. "Scaling laws for Ising models near TcT_c." Physics Physique Fizika 2, 263 (1966).
    https://doi.org/10.1103/PhysicsPhysiqueFizika.2.263

  8. Mori, H. "Transport, collective motion, and Brownian motion." Progress of Theoretical Physics 33, 423–455 (1965).
    https://doi.org/10.1143/PTP.33.423

  9. Zwanzig, R. "Memory effects in irreversible thermodynamics." Physical Review 124, 983 (1961).
    https://doi.org/10.1103/PhysRev.124.983

  10. Williams, M. O., Kevrekidis, I. G., Rowley, C. W. "A Data–Driven Approximation of the Koopman Operator: Extending Dynamic Mode Decomposition." Journal of Nonlinear Science 25, 1307–1346 (2015).
    https://doi.org/10.1007/s00332-015-9258-5

  11. Raissi, M., Perdikaris, P., Karniadakis, G. E. "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations." Journal of Computational Physics 378, 686–707 (2019).
    https://doi.org/10.1016/j.jcp.2018.10.045

  12. Appelquist, T., Carazzone, J. "Infrared Singularities and Massive Fields." Physical Review D 11, 2856 (1975).
    https://doi.org/10.1103/PhysRevD.11.2856

Source Integrity Note

本文件為 UTF-8 Markdown canonical source。數學原始碼只使用 $...$ 與 $$...$$ delimiter，不進行 LaTeX-to-Unicode 數學替換，不使用 unicode-escape round-trip。

本文延續 MGCP–USE 00–04 的「從零開始」約束，不使用作者既有私人理論作為前提。Cross-Scale State-Evolution Atlas、Transition Record、Scale Relation Record、Emergence Map、Atlas Acceptance Gate 等為本系列研究工作結構，並非宣稱已是物理學界既有標準。

本文引用 QFT Hamiltonian learning、neural operator、multiscale closure、renormalization group 與 Mori–Zwanzig 等研究，目的在於建立跨尺度資料與轉換接口的現代技術基礎。本文不宣稱這些方法已提供跨越所有物理尺度的統一狀態演化理論。