E6 Cross-Resolution Generator Limit：從離散 Hypergraph 到連續 Freedom Object

E6 Cross-Resolution Generator Limit: From Discrete Hypergraphs to a Continuous Freedom Object

版本： v0.1
日期： 2026-10-02
前置： E0–E5
狀態： Exact refinement laws + continuum-limit candidate

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

E5 已建立固定 constituent 數量下的 Generator Quotient：

\mathfrak Q_q(X) = [\mathcal H_q(X)]_{\cong}.

但真正困難的問題是解析度改變：

N \rightarrow 2N \rightarrow 4N,

此時 vertex 數、generator 數與 generator cardinality 全都改變，普通 hypergraph isomorphism 不再適用。

E6 因此固定一個連續物理目標：

[0,1],

以及固定 probe / aperture 厚度：

\boxed{ \alpha=\frac14. }

在解析度 $N$ 下：

V_N = \{0,\ldots,N-1\},

h_N = \alpha N,

minimal generators 為所有連續的 $h_N$ -cell blocks：

\boxed{ G_{N,j} = \{j,j+1,\ldots,j+h_N-1\}, }

其中：

0\le j\le N-h_N.

E6 得到六個主要結果。

第一，每個離散 generator 嵌回 physical substrate 後，恰好是：

\left[ \frac jN, \frac jN+\alpha \right].

因此 generator 的物理長度在所有解析度完全不變。

第二，generator start set：

S_N = \left\{ 0,\frac1N,\ldots,1-\alpha \right\}

對連續 start interval：

[0,1-\alpha]

的 Hausdorff distance 精確為：

\boxed{ d_H = \frac{1}{2N}. }

第三，normalized generator overlap 在所有解析度都精確取樣同一函數：

\boxed{ K_\alpha(\delta) = \max(0,\alpha-\delta). }

第四，dyadic refinement $2N\rightarrow N$ 存在 exact closure-preserving coarse map：

even-start fine generator 映到 coarse minimal generator；
odd-start fine generator 映到一個包含兩個相鄰 coarse generators 的 winning super-set；
每個 coarse minimal generator 都有 aligned fine minimal preimage。

第五，對 arbitrary fine states，inner / outer coarse-graining 滿足：

\boxed{ V_N(C^-A) \le V_{2N}(A) \le V_N(C^+A). }

E6 對 $16\rightarrow8$ 的全部：

2^{16}=65536

個 fine states exhaustive PASS。

第六，E4 的 latent closure potential 與 E3 的 constituent capacity field 在 normalization 後都有連續極限。

因此 E6 第一次提供：

\boxed{ \text{different constituent counts} \rightarrow \text{same continuum generator family}. }

1. 連續候選 object

定義：

\boxed{ \mathcal H_\alpha^\infty = \left( [0,1], \{ [s,s+\alpha]: 0\le s\le1-\alpha \} \right). }

它不是有限 hypergraph，因 vertex substrate 與 generator family 都是連續的。

E6 不宣稱它已經是一般 spatial-information theory 的最終 continuum object。

它只是目前最簡單、可以被不同 resolution exact 逼近的候選。

2. 離散化

對：

N\in \{16,32,64,128,256\},

令：

h_N = \alpha N = \frac N4.

因此：

|G_{N,j}|=h_N.

但 normalized generator order 永遠：

\boxed{ \frac{h_N}{N} = \alpha = \frac14. }

結果：

$N$	$h_N$	generators	$h_N/N$	$d_H$	field max error
16	4	13	0.250000	0.03125000	0.12500000
32	8	25	0.250000	0.01562500	0.06250000
64	16	49	0.250000	0.00781250	0.03125000
128	32	97	0.250000	0.00390625	0.01562500
256	64	193	0.250000	0.00195312	0.00781250

雖然：

h_N: 4\rightarrow8\rightarrow16\rightarrow32\rightarrow64,

但：

\frac{h_N}{N}

完全不變。

這是第一個最簡單的 resolution-normalized invariant。

3. Generator Start Hausdorff Limit

離散 start set：

S_N = \left\{ \frac jN: 0\le j\le N-h_N \right\}.

因：

1-\alpha

本身落在 grid 上，所以兩端沒有 truncation error。

相鄰 start spacing 為：

\frac1N.

任何連續 start point 距最近 grid start 最遠為半格：

\boxed{ d_H( S_N, [0,1-\alpha] ) = \frac{1}{2N}. }

所以：

\boxed{ S_N \xrightarrow[N\to\infty]{H} [0,1-\alpha]. }

這不是 empirical fit，而是本模型的 exact discretization law。

4. Generator 本身其實沒有 length error

把 lattice cell $i$ 嵌成：

\left[ \frac iN, \frac{i+1}{N} \right].

則：

G_{N,j}

的 union 恰好是：

\boxed{ \left[ \frac jN, \frac{j+h_N}{N} \right] = \left[ \frac jN, \frac jN+\alpha \right]. }

所以每個 discrete generator 的 physical length：

\boxed{ \alpha }

在所有解析度都 exact。

解析度誤差只存在於：

可取的 generator start positions 有多密。

而不是 generator physical length。

這是一個很重要的世界／表示分離。

5. Cross-Resolution Overlap Kernel

兩個 generators 的 start index 差：

r=|j-k|.

則 overlap cells：

|G_{N,j}\cap G_{N,k}| = \max(0,h_N-r).

定義：

\delta = \frac rN.

normalized overlap：

\frac{ |G_{N,j}\cap G_{N,k}| }{N} = \max \left( 0, \frac{h_N}{N}-\frac rN \right).

因：

\frac{h_N}{N}=\alpha,

得到：

\boxed{ K_\alpha(\delta) = \max(0,\alpha-\delta). }

所以不同 $N$ 的 generator-overlap structure 不是「慢慢才接近」這個函數。

只要 $\delta$ 落在該 resolution 可表示的 grid 上，它就是 exact sample：

\boxed{ K_N(\delta)=K_\alpha(\delta). }

這是 E6 最強的 cross-resolution invariant 之一。

6. Dyadic Refinement Morphism

現在比較：

\mathcal H_{2N}

與：

\mathcal H_N.

把 fine cell：

i

投影到 coarse cell：

c(i)=\left\lfloor\frac i2\right\rfloor.

對 fine minimal generator：

G_{2N,j}

有兩種情況。

若：

j=2k,

則：

\boxed{ c(G_{2N,2k}) = G_{N,k}. }

也就是 minimal-to-minimal exact。

若：

j=2k+1,

則 coarse image 有：

h_N+1

個連續 cells，並包含：

G_{N,k}

與：

G_{N,k+1}.

因此：

\boxed{ c(G_{2N,2k+1}) }

不是 coarse minimal generator，卻仍是 winning set。

統計：

fine $2N$	coarse $N$	fine generators	minimal images	winning-super images
32	16	25	13	12
64	32	49	25	24
128	64	97	49	48
256	128	193	97	96

所以 coarse map 不是嚴格的 minimal-hyperedge homomorphism。

更準確地說，它是：

\boxed{ \text{closure-preserving / winning-preserving refinement morphism}. }

7. Coarse Generator 也都有 Fine Preimage

對每個 coarse generator：

G_{N,k},

取 aligned fine generator：

G_{2N,2k}.

則：

\boxed{ c(G_{2N,2k}) = G_{N,k}. }

因此 coarse freedom generator 不是 refinement 後「憑空出現」。

它在 fine layer 中總有 exact aligned representative。

這提供：

\boxed{ \mathcal G_N \hookleftarrow \mathcal G_{2N}^{\mathrm{aligned}}. }

8. Inner / Outer Coarse-Graining Bracket

對任意 fine released state：

A\subseteq V_{2N},

定義 inner coarse-graining：

C^-(A)

只在一個 coarse cell 的兩個 fine children 全部 released 時，才把 coarse cell 視為 released。

定義 outer coarse-graining：

C^+(A)

則只要任一 child released，就視為 coarse released。

因此：

C^-(A) \subseteq C^+(A).

E6 得到：

\boxed{ V_N(C^-A) \le V_{2N}(A) \le V_N(C^+A). }

對：

16\rightarrow8

全部 $65536$ 個 fine states exhaustive 結果：

class	count	fraction
`lower0_mid0_upper0`	1159	0.017685
`lower0_mid0_upper1`	38489	0.587296
`lower0_mid1_upper1`	4983	0.076035
`lower1_mid1_upper1`	20905	0.318985

沒有任何違例。

所以 coarse representation 可以提供一個上下界，而不是強迫一個可能失真的單一 truth value。

9. 這很像 SOBTA 的 non-annexation

inner representation 比較保守：

C^-.

outer representation 比較寬鬆：

C^+.

fine world state：

A

未必能被某一個 coarse state完全等同。

因此：

\boxed{ \text{coarse projection} \neq \text{fine ontological identity}. }

但 coarse layer 仍可以提供合法 bracket。

這與 SOBTA 的：

\boxed{ \text{Projection without Annexation} }

在數學上出現了一個非常直接的類比。

10. Latent Freedom Potential 的連續極限

對一段 physical released interval：

I=[s,s+\ell],

連續模型的直觀 closure deficit 是：

\boxed{ d_\infty(I) = \max(0,\alpha-\ell). }

在 resolution $N$ ，用 cell centers 位於 $I$ 內的 cells 形成：

A_N(I).

再計算：

d_N(A_N).

normalization：

\delta_N(I) = \frac{ d_N(A_N) }{N}.

則：

\boxed{ \delta_N(I) \rightarrow d_\infty(I). }

本模型中 center sampling 誤差受：

\boxed{ \left| \delta_N-d_\infty \right| \le \frac1N }

控制。

$N=64$ ：

released physical length $\ell$	$d_{64}/64$	continuum target	error
0.05	0.203125	0.200000	0.003125
0.12	0.125000	0.130000	0.005000
0.20	0.046875	0.050000	0.003125
0.24	0.015625	0.010000	0.005625
0.26	0.000000	0.000000	0.000000

因此 E4 的 latent freedom potential 不只存在於固定-size subset lattice；它可以在適當 normalization 下跨 resolution。

11. Constituent Capacity Field 的極限

E3 對 capacity game 得到：

\phi_i = \frac{n_i(h_N)}{h_N},

其中 $n_i$ 是包含 constituent $i$ 的 minimal generators 數。

把 constituent $i$ 放在 physical center：

x_i = \frac{i+1/2}{N}.

則 continuum field 為：

\boxed{ \Phi_\alpha(x) = \min \left( 1, \frac{x}{\alpha}, \frac{1-x}{\alpha} \right). }

也就是：

左邊界 ramp；
中央 plateau；
右邊界 ramp。

E6 驗證：

\boxed{ \Phi_N(x_i) \rightarrow \Phi_\alpha(x_i) }

且最大誤差受：

\boxed{ \|\Phi_N-\Phi_\alpha\|_\infty \le \frac{1}{2\alpha N}. }

在：

\alpha=\frac14

時：

\le \frac2N.

因此「纖維資訊場」也開始具有 resolution limit，而不是純 pixel artifact。

12. Resolution Quotient 不應只是普通 Isomorphism

E5 的：

[\mathcal H_q]_{\cong}

在 vertex count 固定時很好用。

E6 顯示解析度改變後需要新的 equivalence notion。

目前最自然的候選不是：

\mathcal H_N \cong \mathcal H_{2N},

因為它們根本不同 cardinality。

而是把整個 refinement system：

\boxed{ \mathfrak R_\alpha = \left( \{ \mathcal H_N \}, \{ c_{2N\rightarrow N} \}, \iota_N \right) }

視為一個 object，其中：

$\mathcal H_N$ ：resolution- $N$ generator hypergraph；
$c_{2N\rightarrow N}$ ：closure-preserving coarse map；
$\iota_N$ ：嵌入 physical substrate 的 map。

其極限候選為：

\boxed{ \mathcal H_\alpha^\infty. }

這比單一 finite hypergraph quotient 更接近真正的 substrate-resolution invariant。

13. E6 對「構成元由容器決定」的再修正

$N=16$ 的 constituent：

x_i

與 $N=256$ 的 constituent：

x_j

不是同一個離散原子。

如果把 constituent 當終極本體，就很難說兩層為何描述同一個 physical freedom problem。

E6 的結果反而支持：

\boxed{ \text{constituent} = \text{resolution-relative carrier of a deeper admissibility relation}. }

也就是 constituent identity 可以換掉，而：

\alpha, \quad K_\alpha, \quad \mathcal H_\alpha^\infty

仍保存。

這與一開始「構成元由容器／表示層決定，而不是構成元自己決定整個容器」的方向非常一致。

14. ACTM：Resolution Transport

現在可以把 ACTM-style transport 提升成：

\boxed{ \mathcal H_N \xrightarrow{\mathrm{refine}} \mathcal H_{2N}. }

audit：

Preserve exactly

\frac{h_N}{N} = \alpha,

以及 sampled overlap kernel：

K_\alpha.

Refine

generator start set：

S_N \subset S_{2N}.

Split representation

coarse cell：

\rightarrow

two fine cells。

Preserve closure in bracket form

V_N(C^-A) \le V_{2N}(A) \le V_N(C^+A).

Converge

S_N \rightarrow [0,1-\alpha],

\Phi_N \rightarrow \Phi_\alpha,

d_N/N \rightarrow d_\infty.

因此這已不是單純 representation-preserving operator，而是一個：

\boxed{ \text{refinement transport with invariant physical structure}. }

15. E6 Verdict

E6 沒有證明所有 spatial-information systems 都有 continuum limit。

但對這個最小 interval-generator family，我們得到：

\boxed{ \text{different resolution hypergraphs} \rightarrow \text{one continuous generator family}. }

更具體：

\boxed{ \mathcal H_{q,N} \rightsquigarrow \mathcal H_q^\infty }

有：

exact normalized generator order；
exact overlap-kernel collapse；
exact dyadic closure-preserving refinement law；
exhaustive coarse-grain bracketing；
latent potential convergence；
constituent field convergence。

因此：

\boxed{\mathrm{E6\ PASS}}.

16. E0–E6 之後發生了什麼

到 E5 為止，我們找到：

[\mathcal H_q]_{\cong}.

E6 現在顯示還需要更高一層：

\boxed{ \text{finite quotient} \rightarrow \text{refinement system} \rightarrow \text{continuum generator object}. }

這使最開始的「跨進位制的信息不變量跟幾何」開始分成兩級：

第一級：

\boxed{ \text{representation invariant} }

例如 radix、label、embedding change。

第二級：

\boxed{ \text{substrate-resolution invariant} }

即 constituent 數目本身改變，仍可重建同一 physical generator relation。

17. 下一步：E7

現在最值得做的已經不是再證一次 interval model。

E7 應該測試：

\boxed{ \text{2D generator complexes / curved boundaries} }

也就是讓 continuous generator 不再只是 interval，而是真正二維：

disk probe；
square probe；
curved aperture；
irregular boundary；
rotation / translation 同時存在。

然後問：

E6 的 generator-family limit、overlap kernel、coarse bracket 與 refinement morphism，是否還能升到二維？

如果可以，這條研究線就會從一維 aperture toy model 正式回到最開始的：

\boxed{ \text{circle / square / irregular geometry} + \text{container freedom}. }

那也會是第一次真正把 E0 的圓方問題與 E3–E6 的 generator algebra 完整接回來。

Reproducibility

E6_cross_resolution_generator_limit.py
E6_resolution_summary.csv
E6_overlap_kernel.csv
E6_refinement_morphism.csv
E6_refinement_summary.csv
E6_latent_distance.csv
E6_capacity_field.csv
E6_bracketing_exhaustive.csv
images/
manifest.json

核心 claims 均使用 exact rational / integer assertions； $16\rightarrow8$ coarse bracketing 窮舉全部 $65536$ fine states。