# 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： $$ i 它能不能被第 $k+1$ 層完整表示？ --- # 15. Property Factorization Theorem ## 定理 15.1 存在： $$ 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. $$ --- # 65. Logic → Algorithm register transitions 被重新描述成： - matrix multiply； - attention； - graph update； - search； - state machine。 --- # 66. Algorithm → Agent agent state 可再 coarse-grain： - memory； - belief state； - tool state； - conversation state； - plan state。 這些不直接等於 transistor states。 --- # 67. Computation Gives Clean Multiple Realizability 同一 function： $$ 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}. } $$ --- # 109. Neither Branch Dominates the Other 人工系統較乾淨， 生物系統較自然複雜。 兩者提供不同 evidence。 --- # 110. Final Falsification Boundary 如果未來發現： 1. 無任何自然／人工 system 能建立 stable $\Pi$ ； 2. GPC variables 無法提高跨尺度 prediction； 3. substrate-specific details 永遠不可忽略； 4. purported common $\Gamma$ 只靠語義重新命名才成立； 則： $$ \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 1. Kadanoff, L. P. (1966). Scaling laws for Ising models near $T_c$. *Physics Physique Fizika*, 2, 263–272. DOI: 10.1103/PhysicsPhysiqueFizika.2.263. 2. 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. 3. 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. 4. Zwanzig, R. (1961). Memory Effects in Irreversible Thermodynamics. *Physical Review*, 124, 983–992. DOI: 10.1103/PhysRev.124.983. 5. Mori, H. (1965). Transport, Collective Motion, and Brownian Motion. *Progress of Theoretical Physics*, 33, 423–455. DOI: 10.1143/PTP.33.423. 6. 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. 7. 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. 8. 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. 9. 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. 10. 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. 11. 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. 12. 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. 13. 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. 14. 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. 15. 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. 16. 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