# 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。