# 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 1. 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 2. 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 3. 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 4. 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 5. 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 6. 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 7. Milton, G. W. (2022). *The Theory of Composites*. SIAM. https://doi.org/10.1137/1.9781611977486 8. 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 9. 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 10. 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？