--- title: "MGCP–USE 06：AI 狀態演化逆向器——從軌跡預測到規則、因果與可證偽定律" series: "MGCP–USE / Minimal Generatively Complete Physics & Universal State Evolution" document_id: "MGCP-USE-06" 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" --- # MGCP–USE 06：AI 狀態演化逆向器——從軌跡預測到規則、因果與可證偽定律 **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 05 建立 Cross-Scale State-Evolution Atlas，使量子、量子場論、多體、相變、經典動力、引力與宇宙學資料可以在保留原生表示的前提下，共享 transition interface。本篇正式進入人工智慧層：如何讓 AI 從狀態演化資料中恢復 governing rule、跨尺度 invariant、因果結構與可證偽預測，而不是只學會輸入一條軌跡、輸出下一個狀態。 本文將 AI 能力分成： $$ \boxed{ \text{prediction} \rightarrow \text{surrogate operator} \rightarrow \text{state reconstruction} \rightarrow \text{law reconstruction} \rightarrow \text{causal reconstruction} \rightarrow \text{active falsification}. } $$ 預測能力不能自動升格為「發現物理定律」。一個 neural network 即使能高精度預測： $$ S_t \rightarrow S_{t+1}, $$ 也可能只記住資料流形、離散格式、環境 shortcut 或相關性。真正的 law discovery 至少需要 representation robustness、跨環境穩定性、長期 rollout、counterfactual prediction、equivalent-model competition 與 intervention-sensitive validation。 本文提出 AI State-Evolution Reconstructor： $$ \mathcal R_{\mathrm{AI}}. $$ 輸入： $$ \mathcal A_T+\mathcal A_R+\mathfrak G, $$ 即 Transition Atlas、Residual Atlas 與 Posterior History Ensemble；輸出： $$ \mathcal R_{\mathrm{AI}} \rightarrow ( \widehat{\mathcal F}, \widehat{\mathcal I}, \widehat{\mathcal C}, \widehat{\mathcal Z}, \widehat{\mathcal H}, \widehat{\mathcal E} ), $$ 其中 $\widehat{\mathcal F}$ 是候選 governing laws， $\widehat{\mathcal I}$ 是 invariants， $\widehat{\mathcal C}$ 是 causal structures， $\widehat{\mathcal Z}$ 是 latent variables， $\widehat{\mathcal H}$ 是 competing hypotheses， $\widehat{\mathcal E}$ 是下一步最具鑑別力的實驗。 2025–2026 年的研究已提供重要技術零件：ansatz-free Hamiltonian learning 開始降低對預設 interaction form 的依賴；neural symbolic regression 已能在高維 network dynamics 中恢復顯式解析公式；deep Koopman operator 已被用於非線性 dynamical-system causal discovery；invariant-function learning 已能從不同環境中分離 intrinsic dynamics 與 environment-specific mechanisms；2026 年量子 AI 綜述則把 quantum-system reconstruction 整理為 AI–quantum science 的核心任務之一。同時，AI-driven experimental design 已從參數調整逐步走向高維實驗配置與自主實驗循環。 本文提出「由預測到定律」的升格流程： $$ \boxed{ \text{fit} \rightarrow \text{rollout} \rightarrow \text{invariant test} \rightarrow \text{symbolic extraction} \rightarrow \text{causal challenge} \rightarrow \text{model competition} \rightarrow \text{held-out prediction} \rightarrow \text{active falsification}. } $$ 只有通過整條流程的候選，才有資格進入第 07 篇 Universal State Evolution。 --- ## 1. 預測不是定律 給定： $$ S_t, $$ 模型： $$ \widehat F_\theta $$ 預測： $$ \widehat S_{t+1} = \widehat F_\theta(S_t). $$ 若： $$ \widehat S_{t+1} \approx S_{t+1}, $$ 只能得到： $$ \text{one-step predictive adequacy}. $$ 不能直接得到： $$ \widehat F_\theta = F_{\mathrm{physical}}. $$ --- ## 2. 高準確率可能來自什麼 可能包括： - shortcut learning； - interpolation； - coordinate memorization； - mesh artifact； - spurious correlation； - hidden environmental variable； - narrow-regime effective approximation。 所以： $$ \boxed{ \text{prediction accuracy} \not\Rightarrow \text{physical law identification}. } $$ --- ## 3. 六層 AI 能力階梯 ### L0 — Predictor $$ S_t \rightarrow \widehat S_{t+1}. $$ ### L1 — Surrogate Operator $$ \widehat{\mathcal T} : \mathcal X \rightarrow \mathcal X. $$ ### L2 — State Reconstructor $$ D \rightarrow \widehat S. $$ ### L3 — Law Reconstructor $$ D \rightarrow \widehat{\mathcal F}. $$ ### L4 — Causal Reconstructor $$ D \rightarrow \widehat{\mathcal C}. $$ ### L5 — Active Falsifier $$ \widehat{\mathcal H} \rightarrow E^\ast. $$ MGCP–USE 真正需要的是 L3–L5。 --- ## 4. AI State-Evolution Reconstructor 定義： $$ \mathcal R_{\mathrm{AI}} : ( \mathcal A_T, \mathcal A_R, \mathfrak G ) \rightarrow \mathcal H_{\mathrm{candidate}}. $$ 輸出不只一個模型，而是： $$ \widehat{\mathcal F} = \{ F_1,F_2,\ldots,F_n \}, $$ 並保存： $$ P(F_i\mid D). $$ --- ## 5. 模型生成與模型評估要分離 建議角色： $$ \text{Generator} \rightarrow \text{Formalizer} \rightarrow \text{Simulator} \rightarrow \text{Evidence Evaluator} \rightarrow \text{Falsifier}. $$ 避免「自己提出、自己驗證、自己宣布成功」。 --- # Part I — Hamiltonian Learning ## 6. Governing-law reconstruction 的清楚範例 在 quantum system： $$ i\hbar \frac{d|\psi\rangle}{dt} = H|\psi\rangle. $$ 若 $H$ 未知，Hamiltonian learning 問： $$ \text{observations} \rightarrow \widehat H. $$ --- ## 7. 已知 Ansatz 常見形式： $$ H = \sum_j \theta_jP_j. $$ 若 $P_j$ 已知、只未知 $\theta_j$，本質上是 parameter reconstruction。 --- ## 8. Ansatz-Free Hamiltonian Learning 更強問題是： $$ H=? $$ 連 interaction structure 都未知。 2025 年 PRX Quantum 的 ansatz-free Hamiltonian learning 研究提出在不預先知道 interaction structure 的情況下達到 Heisenberg-limited scaling 的理論方法。 對本系列的重要性是： $$ \boxed{ \text{law reconstruction 可以逐步減少對研究者指定函數形式的依賴。} } $$ 但： $$ \boxed{ \text{ansatz-free} \neq \text{assumption-free}. } $$ 它仍依賴 quantum framework、control、measurement 等條件。 --- # Part II — Symbolic Regression ## 9. 從黑箱到顯式候選式 若能由： $$ \widehat F_\theta $$ 抽出： $$ \dot x=f(x,y,\ldots), $$ 便可直接檢查： - dimension； - symmetry； - fixed point； - conservation； - asymptotic behavior； - parameter interpretation。 --- ## 10. Symbolic Regression 目標 $$ f^\ast = \operatorname*{arg\,min}_{f\in\mathcal S} \left[ L_{\mathrm{fit}}(f) + \lambda C(f) \right]. $$ 其中 $C(f)$ 是 complexity penalty。 --- ## 11. 2025–2026 Neural Symbolic Regression Yu、Ding 與 Li 的 neural symbolic regression 工作將高維 network-dynamics 搜尋轉換成較低維公式發現問題，再以 pretrained neural network 引導公式搜索。 這表明： $$ \boxed{ \text{high-dimensional dynamics} \rightarrow \text{explicit equation candidates} } $$ 已具有現實技術路線。 --- ## 12. Symbolic Overfitting 有限區間內： $$ f_1(x) \approx f_2(x), $$ 不代表： $$ f_1=f_2. $$ 因此公式需通過： 1. dimensional consistency； 2. representation robustness； 3. long-horizon rollout； 4. perturbation； 5. held-out regime； 6. competing formula comparison。 --- ## 13. 簡潔不能當作真理 $$ \boxed{ \text{simplicity as prior} + \text{prediction as evidence}. } $$ 而不是： $$ \text{simple} \Rightarrow \text{true}. $$ --- # Part III — Invariant Function Learning ## 14. 跨環境找 intrinsic dynamics 若： $$ F_{e_i} = F_{\mathrm{intrinsic}} + F_{\mathrm{environment},i}, $$ 真正要找的是： $$ F_{\mathrm{intrinsic}}. $$ --- ## 15. 2025 Invariant Function Learning 2025 年 ICML 的 Disentanglement of Invariant Functions 研究以多環境 ODE 資料，分離 intrinsic function 與 environment-specific dynamics。 這與本系列核心問題直接呼應： $$ \boxed{ \text{環境改變後，什麼規則仍然存在？} } $$ --- ## 16. Invariant Ladder ### I1 — Dataset Invariant 只在訓練資料穩定。 ### I2 — Environment Invariant 跨環境穩定。 ### I3 — Representation Invariant 跨座標／basis 穩定。 ### I4 — Scale-Robust 跨尺度穩定。 ### I5 — Domain-Robust 跨物理域仍有非平凡結構對應。 只有 I4–I5 才適合送入第 07 篇。 --- # Part IV — Koopman Operator ## 17. 非線性系統的 observable-space operator 對： $$ x_{t+1} = F(x_t), $$ Koopman operator： $$ \mathcal K g = g\circ F. $$ 它在 observable space 上是線性的，可用於 spectral analysis、mode decomposition 與 invariant subspace 分析。 --- ## 18. Deep Koopman Causal Discovery 2025 年 Communications Physics 的研究利用 deep Koopman operator 尋找 optimal observables，並比較 joint dynamics 與 marginal dynamics，以推斷非線性系統中的 causal signals。 這代表 Koopman 方法已從： $$ \text{decomposition} $$ 逐步延伸到： $$ \text{causal inference}. $$ --- ## 19. 仍不能把 causal score 當最終因果 可能受到： - hidden confounder； - sampling rate； - nonstationarity； - omitted variable； 影響。 因此： $$ \boxed{ \text{observational causal score} \neq \text{final physical causality}. } $$ --- # Part V — Causal Discovery ## 20. 相關性與因果不同 若： $$ P(B\mid A) \neq P(B), $$ 不能直接推出： $$ A\rightarrow B. $$ 可能存在： $$ Z\rightarrow A, \qquad Z\rightarrow B. $$ --- ## 21. 最低 causal challenge 候選： $$ A\rightarrow B $$ 至少檢查： - ordering； - conditional independence； - mechanism stability； - hidden confounder； - intervention sensitivity。 --- ## 22. Intervention 理想上比較： $$ P(B\mid A) $$ 與： $$ P(B\mid do(A)). $$ laboratory physics 的優勢就是可真正干預系統。 宇宙整體則通常無法： $$ do(\text{initial universe}), $$ 所以需要 natural experiment、analog system、simulation 與 structural constraint。 --- # Part VI — Latent Variable Discovery ## 23. Hidden variable 會偽裝成 rule change 真實系統： $$ S_{t+1} = F(S_t,Z_t). $$ 但只觀測 $S_t$。 則 AI 可能得到： $$ \widehat F_A \neq \widehat F_B $$ 並誤判規則真的變了。 --- ## 24. Latent Candidate 必須可淘汰 ```text Latent_Candidate: latent_id necessity predictive_gain causal_gain observable_implications eliminability equivalence_class intervention_test ``` --- ## 25. 禁止 Latent Inflation 任意加入： $$ Z_1,Z_2,\ldots $$ 總能改善 fit。 所以 latent 必須有 observable consequence 或能被消融。 --- # Part VII — Rule-Change Discrimination ## 26. Rule-Change Hypothesis Set 觀察： $$ \widehat F_A \neq \widehat F_B. $$ 候選解釋： $$ \mathcal H_R = \{ H_{\mathrm{rep}}, H_{\mathrm{scale}}, H_{\mathrm{env}}, H_{\mathrm{latent}}, H_{\mathrm{phase}}, H_{\mathrm{misspec}}, H_{\mathrm{genuine}} \}. $$ 比較： $$ P(H_i\mid D). $$ --- ## 27. Genuine Rule Evolution 必須最後才進 representation、scale、environment、latent、phase transition 與 model misspecification 都無法解釋後，才提高： $$ P(H_{\mathrm{genuine}}\mid D). $$ 這就是第 02 篇 meta-rule 問題的實證入口。 --- # Part VIII — Neural / Learned Operators ## 28. 先學高維 operator $$ D \rightarrow \widehat{\mathcal G}_{\mathrm{neural}}. $$ 再嘗試： $$ \widehat{\mathcal G}_{\mathrm{neural}} \rightarrow \widehat{\mathcal F}_{\mathrm{symbolic}}. $$ --- ## 29. 不強迫所有物理都有短公式 真正 law 可能需要： - operator； - implicit equation； - algorithm； - constraint system。 所以： $$ \boxed{ \text{no short symbolic form} \not\Rightarrow \text{no law}. } $$ --- # Part IX — Model Competition ## 30. 不只比 fit 對： $$ M_i $$ 比較： $$ \mathbf V(M_i) = ( V_{\mathrm{fit}}, V_{\mathrm{predict}}, V_{\mathrm{rollout}}, V_{\mathrm{invariant}}, V_{\mathrm{causal}}, V_{\mathrm{complexity}}, V_{\mathrm{transfer}} ). $$ --- ## 31. 不壓成單一總分 若模型 A 預測強但因果弱，模型 B 簡潔但 held-out 差，不應用任意權重直接決定 winner。 保留 Pareto structure 與 posterior model family。 --- ## 32. Operational Equivalence 若： $$ P(O\mid M_A) = P(O\mid M_B) $$ 對所有當前可達觀測成立，則： $$ M_A \sim_{\mathrm{op}} M_B. $$ AI 應輸出 equivalence class。 --- # Part X — Held-Out / Rollout Validation ## 33. 不可把全部資料拿去擬合 分： $$ D_{\mathrm{train}}, D_{\mathrm{validation}}, D_{\mathrm{heldout}}. $$ held-out 最好包含： - new scale； - new environment； - new initial condition； - new phase； - new apparatus。 --- ## 34. One-Step Accurate 仍可能失敗 如果： $$ \epsilon_1 = \|\widehat S_{t+1}-S_{t+1}\| $$ 很小， 但長期： $$ \epsilon_T \gg \epsilon_1, $$ 就代表模型只會局部擬合。 --- ## 35. Long-Horizon Criteria 保存： - trajectory divergence； - attractor fidelity； - invariant drift； - phase-space occupancy； - conserved-quantity error； - distributional error。 chaotic system 則需比較 invariant measure、Lyapunov spectrum 與 attractor geometry，而非要求逐點長期重合。 --- # Part XI — Invariant Discovery ## 36. 找出什麼沒有變 尋找： $$ I(S_t) = \text{constant} $$ 或： $$ \frac{dI}{dt} \approx0. $$ 候選可以是： - scalar invariant； - symmetry group； - conserved subspace； - topological class； - monotonic functional； - entropy-production bound。 --- ## 37. Universal Candidate 必須跨 Atlas 重複 若： $$ I_a $$ 與： $$ I_b $$ 分別出現在不同 domain，還要建立： $$ I_a \leftrightarrow I_b $$ 的非平凡 structural mapping。 只有這樣才可能是 Universal State Evolution 的候選。 --- # Part XII — Active Experiment Design ## 38. AI 不只回答，也要選下一個最好問題 給定 competing models： $$ M_1,\ldots,M_n, $$ 選： $$ E^\ast = \operatorname*{arg\,max}_E \mathbb E[ \operatorname{InformationGain}(E) ]. $$ --- ## 39. 2025–2026 的實驗設計接口 AI-driven experimental design 已逐步由 active learning 與 Bayesian optimization 走向： - 高維 configuration search； - simulator-assisted design； - autonomous laboratory； - de novo experimental layout。 2026 年 Nature 的 physics-experiment-design Review 把問題整理為 search space、simulator、objective 與 AI exploration 四個核心。 對本系列最重要的是： $$ \boxed{ \text{AI 可以主動選擇最能區分 competing physical hypotheses 的觀測。} } $$ --- ## 40. Active Falsification 優先於 Active Confirmation 不是問： > 哪個實驗最容易看到想看的訊號？ 而是： > 哪個實驗最能讓目前等價的候選產生不同結果？ 可寫： $$ E^\ast = \operatorname*{arg\,max}_E D[ P(O\mid M_A,E), P(O\mid M_B,E) ]. $$ --- ## 41. Falsification Gain 定義： $$ G_F(E) = \mathbb E[ \text{candidate classes eliminated by }E ]. $$ 與 information gain 一起使用。 成本則另記： $$ C_E = \text{cost} + \text{time} + \text{risk} + \text{feasibility}. $$ --- # Part XIII — Autonomous Science Loop ## 42. 完整閉環 $$ \boxed{ D \rightarrow \text{Hypotheses} \rightarrow \text{Predictions} \rightarrow \text{Experiment} \rightarrow D' \rightarrow \text{Update}. } $$ --- ## 43. Hypothesis 不可自動升格 狀態： ```text hypothesis formalized_candidate simulated_candidate experimentally_tested replicated cross-domain_supported provisionally_accepted ``` --- ## 44. Replication Gate 需考慮： - independent apparatus； - independent analysis； - different scale； - different observable。 --- # Part XIV — Reconstruction Record ## 45. 第一版資料結構 ```text AI_State_Evolution_Reconstruction_Record: reconstruction_id target_domain target_scale input_atlas_refs task_level state_representation model_family learned_operator symbolic_candidates invariant_candidates latent_candidates causal_candidates competing_models posterior_weights one_step_accuracy long_horizon_accuracy invariant_drift held_out_regimes cross_domain_tests intervention_tests ood_status falsifiers proposed_experiments evidence_level provenance ``` --- # Part XV — Law-Discovery Acceptance Gate ## 46. Gate LD-A：Predictive Adequacy held-out data 必須預測成功。 ## 47. Gate LD-B：Rollout Adequacy 適合 rollout 的系統不能只 one-step 準。 ## 48. Gate LD-C：Representation Robustness 換 coordinate、basis、mesh 後核心物理不能任意消失。 ## 49. Gate LD-D：Scale Declaration 必須標： $$ \lambda_{\mathrm{valid}}. $$ ## 50. Gate LD-E：Competing Models 至少與其他候選比較。 ## 51. Gate LD-F：Invariant / Constraint Check 不得違反已知 exact constraints。 ## 52. Gate LD-G：Causal Challenge 聲稱 causal law 時必須通過介入或等價 causal falsification。 ## 53. Gate LD-H：OOD Audit 超出訓練 domain 必須降低信心或 abstain。 ## 54. Gate LD-I：Active Falsifier 必須能回答： $$ \boxed{ \text{什麼結果會使這個候選失敗？} } $$ --- # Part XVI — Evidence Levels ## 55. AI-L0：Predictive Pattern 只有預測能力。 ## 56. AI-L1：Stable Surrogate 可穩定 rollout。 ## 57. AI-L2：Interpretable Candidate 具有 symbolic / invariant structure。 ## 58. AI-L3：Cross-Environment Candidate 跨環境穩定。 ## 59. AI-L4：Causally Challenged Candidate 已通過因果挑戰。 ## 60. AI-L5：Cross-Scale Law Candidate 跨尺度與 representation 穩健。 ## 61. AI-L6：Actively Falsified-and-Surviving Candidate 經高 information-gain 實驗主動挑戰後仍存活。 只有 AI-L5–L6 才送入第 07 篇。 --- # Part XVII — 失敗模式 ## 62. Failure 1：Black-Box Deification 預測很準就宣布 AI 發現定律。 ## 63. Failure 2：Symbolic Overfitting 漂亮短公式只在 training range 成立。 ## 64. Failure 3：Causal Inflation 相關性被寫成因果。 ## 65. Failure 4：Latent Ontology Inflation neural latent 被當成自然界真實 hidden variable。 ## 66. Failure 5：Scale Confusion effective-law variation 被誤判為 fundamental rule evolution。 ## 67. Failure 6：Environment Leakage apparatus-specific feature 被當 intrinsic law。 ## 68. Failure 7：Single-Model Capture 所有 anomaly 都被迫塞入單一主模型。 ## 69. Failure 8：Metric Gaming AI 最佳化 benchmark，而不是物理正確性。 ## 70. Failure 9：Self-Evidence Loop AI reconstruction 被重新當 direct evidence。 ## 71. Failure 10：Active Confirmation Bias AI 只選最容易支持自己的實驗。 --- # Part XVIII — AI 科學代理分工 ## 72. Generator 提出： $$ \mathcal H. $$ ## 73. Formalizer 轉成 equation、graph、operator 或 constraint set。 ## 74. Simulator 生成： $$ D_{\mathrm{sim}}. $$ ## 75. Critic 尋找 contradiction、redundancy、known-law violation。 ## 76. Falsifier 尋找最能淘汰候選的實驗。 ## 77. Auditor 檢查 provenance、data leakage、prior dominance、OOD 與 duplicated evidence。 --- # Part XIX — 從局部規則到跨尺度候選 ## 78. Local Rule Set 對每個 domain： $$ a $$ 得到： $$ \mathcal F_a = \{ F_{a1},F_{a2},\ldots \}. $$ --- ## 79. Cross-Scale Alignment 建立： $$ \Phi_{ab} : F_a \rightarrow F_b. $$ 並問： $$ \Phi_{ab} $$ 保留了什麼、丟掉了什麼。 --- ## 80. Alignment 不等於 Reduction 即使建立 mapping，也必須檢查： - lost variables； - emergent variables； - noninvertibility； - closure terms。 --- ## 81. Candidate Universal Primitive 若： $$ P $$ 在多個 domain 的高可信規則中都有結構對應： $$ P\subseteq F_a, \qquad P\subseteq F_b, $$ 則建立： $$ P_{\mathrm{candidate}}. $$ 第 07 篇才正式檢驗其 universal status。 --- # Part XX — USE Candidate Pack ## 82. 正式候選格式 ```text USE_Candidate: candidate_id source_domains mathematical_form semantic_interpretation representation_invariance scale_robustness environment_robustness causal_status predictive_status counterfactual_status competing_explanations failure_cases active_falsification_results evidence_level ``` --- ## 83. 不可只保存自然語言摘要 正式候選還需要： - source equation； - machine-readable schema； - code / simulator reference； - assumptions； - units； - domain； - uncertainty。 --- # Part XXI — 第 06 篇核心結論 ## 84. 結論一：AI 預測器不等於定律發現器 $$ \boxed{ \text{prediction} \not\Rightarrow \text{law discovery}. } $$ --- ## 85. 結論二：Law Reconstruction 需要多層證據 $$ \boxed{ \text{held-out} + \text{rollout} + \text{invariance} + \text{causal challenge} + \text{model competition}. } $$ --- ## 86. 結論三：現代 AI 已開始跨過單純 prediction ansatz-free Hamiltonian learning、neural symbolic regression、invariant-function learning、deep Koopman causal discovery 與 quantum-system reconstruction 已證明「由資料回推規則與結構」是可操作研究問題，而不是單純哲學口號。 --- ## 87. 結論四：AI 最有價值的科學下一步是主動淘汰候選 $$ \boxed{ \text{AI scientist} \rightarrow \text{active falsifier}. } $$ --- ## 88. 結論五：Rule Evolution 必須是殘餘假說 只有較弱解釋皆不足時，才考慮 genuine rule evolution。 --- ## 89. 結論六：Universal State Evolution 不得從單一 domain 產生 至少要經： $$ \boxed{ \text{cross-environment} + \text{cross-representation} + \text{cross-scale}. } $$ --- ## 90. 結論七：正式輸出應是候選包，而不是 AI 的單一答案 $$ \boxed{ \text{candidate law} + \text{assumptions} + \text{domain} + \text{falsifier} + \text{uncertainty}. } $$ --- # Part XXII — 對第 07 篇的接口 ## 91. 下一篇才正式問「什麼是通用狀態演化？」 第 06 篇輸出： $$ \mathcal P = \{ P_1,P_2,\ldots,P_n \}. $$ 第 07 篇將問： $$ \boxed{ \text{哪些候選在跨尺度、跨表示、跨環境比較後仍然不可消除？} } $$ --- ## 92. 第 07 篇必須區分三種共同性 ### Fundamental Invariant 真正底層不可刪除。 ### Scale / RG Invariant 只是在尺度流下不變。 ### Emergent Regularity 宏觀上反覆出現，但未必 fundamental。 --- ## 93. Universal State Evolution 不能只取字面集合交集 不同 domain 可能用完全不同數學語言。 因此需要： $$ \operatorname{StructuralEquivalence}(P_a,P_b). $$ 而不是只比較名稱是否相同。 --- ## 94. 最後驗證仍然是未見狀態 如果： $$ P^\ast $$ 具有真正通用性，它必須對未被用來發現它的 transition 產生額外限制： $$ P^\ast \rightarrow \text{new prediction}. $$ 否則「通用」只是事後抽象。 --- # 參考文獻 1. Hu, H., Ma, M., et al. "Ansatz-Free Hamiltonian Learning with Heisenberg-Limited Scaling." *PRX Quantum* 6, 040315 (2025). https://doi.org/10.1103/j7b8-pb77 2. Yu, Z., Ding, J., Li, Y. "Discovering network dynamics with neural symbolic regression." *Nature Computational Science* 6, 156–168 (2026; published online 2025). https://doi.org/10.1038/s43588-025-00893-8 3. Iacopini, I., Valdano, E. "Discovering the laws behind complex networked systems." *Nature Computational Science* 6, 117–118 (2026). https://doi.org/10.1038/s43588-025-00929-z 4. Nathaniel, J., Roesch, C., Buch, J., et al. "Deep Koopman operators for causal discovery." *Communications Physics* 8, 513 (2025). https://doi.org/10.1038/s42005-025-02426-1 5. Gui, S., Li, X., Ji, S. "Discovering Physics Laws of Dynamical Systems via Invariant Function Learning." *Proceedings of the 42nd International Conference on Machine Learning*, PMLR 267, 20662–20693 (2025). https://proceedings.mlr.press/v267/gui25a.html 6. Du, Y., Zhu, Y., Zhang, Y.-H., et al. "Artificial intelligence for representing and characterizing quantum systems." *Nature Reviews Physics* 8, 579–596 (2026). https://doi.org/10.1038/s42254-026-00962-5 7. 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 8. Ott, R., Zache, T. V., Prüfer, M., et al. "Hamiltonian learning in quantum field theories." *Physical Review Research* 6, 043284 (2024). https://doi.org/10.1103/PhysRevResearch.6.043284 9. Kovachki, N., Li, Z., Liu, B., et al. "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 10. Brunton, S. L., Proctor, J. L., Kutz, J. N. "Discovering governing equations from data by sparse identification of nonlinear dynamical systems." *Proceedings of the National Academy of Sciences* 113, 3932–3937 (2016). https://doi.org/10.1073/pnas.1517384113 11. 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 12. Pearl, J. *Causality: Models, Reasoning, and Inference*. Cambridge University Press, 2nd ed. (2009). 13. Peters, J., Janzing, D., Schölkopf, B. *Elements of Causal Inference*. MIT Press (2017). 14. Ren, Z., Ren, Z., Zhang, Z., Buonassisi, T., Li, J., et al. "Autonomous experiments using active learning and AI." *Nature Reviews Materials* 8, 563–564 (2023). https://doi.org/10.1038/s41578-023-00588-4 15. Neudecker, D., Cutler, T. E., Devlin, M., et al. "Machine Learning to Select Experiments Driven by Fundamental Science and Applications for Targeted Nuclear Data Improvement." *Physical Review X* 15, 021086 (2025). https://doi.org/10.1103/PhysRevX.15.021086 16. Go, J., Chen, P. "Sequential infinite-dimensional Bayesian optimal experimental design with derivative-informed latent attention neural operator." *Journal of Computational Physics* 532, 113976 (2025). https://doi.org/10.1016/j.jcp.2025.113976 17. Yang, H., Dong, X., Wu, J.-L. "Bayesian experimental design for model discrepancy calibration: An auto-differentiable ensemble Kalman inversion approach." *Journal of Computational Physics* 545, 114469 (2026). https://doi.org/10.1016/j.jcp.2025.114469 18. "Designing physics experiments with artificial intelligence." *Nature* (2026). https://doi.org/10.1038/s41586-026-10898-6 --- ## 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 00–05 的「從零開始」約束，不使用作者既有私人理論作為前提。AI State-Evolution Reconstructor、Law-Discovery Acceptance Gate、AI-L0–L6 evidence levels、USE Candidate Pack、Active Falsifier 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 Hamiltonian learning、neural symbolic regression、Koopman causal discovery、invariant-function learning、quantum-system reconstruction 與 active experiment design 等研究，目的在於建立「AI 可以逐步由狀態資料回推規則」的現代技術基礎。這些工作不代表 AI 已能從現有宇宙資料直接恢復唯一基本定律，也不代表任何 machine-learned latent variable 或 symbolic equation 已具有本體論地位。