# 《哥德巴赫反向結構閉合綱領》05 ## 質數逼近、歪度場與反例壓力探測 ### Reverse Goldbach Structural Closure Program 05 ### Prime Approximation, Skew Fields, and Counterexample Pressure Probing **系列名稱：** 哥德巴赫反向結構閉合綱領 **英文名稱：** Reverse Goldbach Structural Closure Program **縮寫：** RG-SCP **篇次：** 05 / 預計 08–10 **作者：** Neo.K；Aletheia（GPT-5.6 Sol） **日期：** 2026-09-28 **版本：** v0.1 **性質：** 啟發式探測稿／異常定位稿／proof-promotion 方法論 **狀態：** 非哥德巴赫猜想證明；本文刻意將 prime approximation、$\varepsilon_{\mathrm{full}}$、歪度與任何 fitted predictor 限制在 heuristic channel，除非其輸出被獨立升格成 exact theorem --- ## 摘要 《哥德巴赫反向結構閉合綱領》前四篇已將 hypothetical Goldbach counterexample 逐步改寫為： 1. 可序列化的 failure state； 2. complete proper obstruction system； 3. M6／Wheel coverage-cost state； 4. fixed-point section hole 與 boundary hole 的 dual-hole state。 特別地，對偶數 $N\ge10$，第四篇得到： $$ \boxed{ F_G(N)=1 \Longleftrightarrow \left[ \Delta_6(N)>0 \right] \land \left[ N-3\notin\mathbb P \right]. } $$ 而對： $$ N\ge12, \quad 6\mid N, $$ 更簡化為： $$ \boxed{ F_G(N)=1 \Longleftrightarrow \Delta_6(N)>0. } $$ 本文不嘗試從這些 exact structures 直接跳到全域證明，而引入一個明確分離的 **heuristic discovery layer**，把作者既有的： - 質數累積平均斜率； - $\varepsilon_{\mathrm{full}}$； - prime approximation； - 動態斜率； - 《歪線》中的算術歪度； - 平滑主項與精細殘餘； 接入 RG-SCP。 本文的核心立場是： $$ \boxed{ \text{Approximation is a probe, not a proof source.} } $$ 任何 fitted prime trajectory、regression、local density、frequency reconstruction、skew score 或 anomaly score，都只能用來： 1. 尋找可能的異常區域； 2. 找到 hypothetical failure 可能需要承擔的極端模式； 3. 提議新的 exact invariant； 4. 提議 counterexample family； 5. 提議 source-class escape。 它們不能直接把： $$ R_G(N)>0 $$ 從「高可信」升格成 theorem。 本文因此建立三層探測架構： $$ \boxed{ \text{Smooth Baseline} \to \text{Arithmetic Residual} \to \text{Counterexample Pressure Field}. } $$ 第一層使用質數平均增長與 $\varepsilon_{\mathrm{full}}$ 描述尺度背景；第二層保留 $\pi(x)-\operatorname{Li}(x)$、$\psi(x)-x$ 或 individual-prime residual 等「不被平滑化抹掉的歪」；第三層把這些資訊投影到固定偶數 $N$ 的 prime-complement domain： $$ p \mapsto N-p. $$ 本文進一步定義： - baseline prime field； - fitted-prime residual； - arithmetic skew field； - complement pressure profile； - hard-branch pressure； - shadow-gap pressure； - multi-channel anomaly vector； - anomaly localization； - counterfactual stress test； - proof-promotion gate； - source novelty gate； - adversarial null models； - serialization schema。 本文最重要的結論不是某個數值公式，而是一條方法論邊界： $$ \boxed{ \text{heuristic anomaly} \not\Rightarrow \text{Goldbach exclusion}. } $$ 真正的研究升格只能走： $$ \boxed{ \text{anomaly} \to \text{candidate structural statement} \to \text{independent proof} \to \text{RG-SCP proof constraint}. } $$ --- # 1. 為什麼第五篇需要 heuristic channel 前三篇與第四篇的 exact structures 都很乾淨。 但它們留下的搜尋空間仍然很大。 例如： $$ \Delta_6(N)>0 $$ 只是說 M6 fixed-point section 沒有接觸。 它沒有告訴我們： - 哪些 $N$ 最值得先研究； - 哪些 residue family 最可能暴露新 invariant； - 哪些 obstruction-load patterns 不尋常； - 哪些 primorial branches 具有高壓力； - 哪些 shadow-gap patterns 可能形成可證規律。 如果完全拒絕 heuristic，我們就只能在巨大 state space 中盲走。 所以本文允許 heuristic，但要求： $$ \boxed{ \text{探索自由} + \text{證明邊界嚴格}. } $$ --- # 2. Proof Channel 與 Discovery Channel 定義： $$ \mathcal K^{\mathrm{proof}} $$ 為 exact proof channel。 其中允許： - 已證 theorem； - exact algebra； - exact divisibility； - formal certificate； - machine-checked finite statement； - rigorous asymptotic theorem； - 已證 implication。 另定義： $$ \mathcal H^{\mathrm{disc}} $$ 為 discovery channel。 其中允許： - regression； - fitted curves； - approximate predictors； - numerical correlations； - spectral estimates； - AI-generated conjectures； - anomaly scores； - empirical clustering； - finite-scale extrapolation。 核心規則： $$ \boxed{ \mathcal H^{\mathrm{disc}} \not\subseteq \mathcal K^{\mathrm{proof}}. } $$ 任何 heuristic object 若要進 proof channel，都必須經過 promotion。 --- # 3. Proof-Promotion Gate 定義 promotion pipeline： $$ H \in \mathcal H^{\mathrm{disc}} $$ 先生成 candidate statement： $$ C(H). $$ 再由獨立推導建立： $$ \operatorname{Proof}(C(H)). $$ 只有當 proof 完成後，才允許： $$ C(H) \in \mathcal K^{\mathrm{proof}}. $$ 因此： $$ \boxed{ H \to C(H) \to \operatorname{Proof}(C(H)) \to K. } $$ 而不是： $$ H \to K. $$ --- # 4. Smooth Baseline：累積平均值 令第 $n$ 個質數為： $$ p_n. $$ 定義前 $n$ 個質數的累積平均： $$ A(n) = \frac1n \sum_{j=1}^{n}p_j. $$ 既有 prime-geometry line 研究： $$ \log A(n) $$ 相對： $$ \log n $$ 的局部斜率。 理想化寫成： $$ m(n) = \frac{d\log A(n)}{d\log n}. $$ 並定義： $$ \boxed{ \varepsilon(n) = m(n)-1. } $$ --- # 5. $\varepsilon_{\mathrm{full}}$ 的定位 既有工作建構： $$ \varepsilon_{\mathrm{full}}(n) $$ 作為跨尺度的 cumulative-slope approximation。 其目標不是直接判定： $$ n $$ 是否質數。 它描述的是： $$ \boxed{ \text{prime sequence 的宏觀／中觀尺度增長修正}. } $$ 因此在 RG-SCP 中： $$ \varepsilon_{\mathrm{full}} $$ 屬於： $$ \mathcal H^{\mathrm{disc}}. $$ 即使其中某些大尺度主項來自 rigorous asymptotic theory，整個分段 fitted object 仍不能直接當作 Goldbach proof source。 --- # 6. 三段式尺度背景 既有 $\varepsilon_{\mathrm{full}}$ 工作將尺度分為： ### 小尺度 精確表： $$ n<1000. $$ ### 中尺度 回歸／校準段： $$ 1000\le n<5\times10^6. $$ ### 大尺度 解析漸近段： $$ n\ge5\times10^6. $$ 這個分段本身在 RG-SCP 中有一個重要方法論意義： > 不同尺度可以使用不同觀測器，但不能把不同尺度下的 fitting success 誤當成同一個 global theorem。 --- # 7. Baseline Prime Trajectory 假設使用某一個明確 predictor： $$ \widehat p(n), $$ 它可能來自： - nth-prime asymptotic； - cumulative-average extrapolation； - $\varepsilon_{\mathrm{full}}$ 驅動器； - dynamic slope； - 其他 fitted model。 本文不指定唯一 predictor。 只要求把 provenance 寫清楚。 因此定義： $$ \boxed{ \mathcal B(n) = \widehat p(n) } $$ 為 baseline prime trajectory。 --- # 8. Individual Prime Residual 定義： $$ \boxed{ \rho_p(n) = p_n-\widehat p(n). } $$ 這個 residual 描述： > 真實第 $n$ 個質數相對 chosen baseline 的偏移。 注意： $$ \rho_p(n) $$ 依賴 predictor。 所以它不是 intrinsic invariant。 若換： $$ \widehat p, $$ 則： $$ \rho_p $$ 也改變。 因此它只能是 model-relative skew。 --- # 9. Intrinsic Arithmetic Residual 比 fitted-prime residual 更 canonical 的對象是 counting-function residual。 定義： $$ \boxed{ \Delta_\pi(x) = \pi(x) - \operatorname{Li}(x). } $$ 也可使用 Chebyshev function： $$ \psi(x) = \sum_{p^k\le x} \log p. $$ 定義： $$ \boxed{ \Delta_\psi(x) = \psi(x)-x. } $$ 這些 residual 都是 exact arithmetic objects。 但： > exact object 不代表任何對它的 heuristic interpretation 都自動是 theorem。 --- # 10. 《歪線》的核心接口 《歪線》研究綱領強調： > 平滑主項不是全部；偏離平滑主項的算術殘餘承載結構，不能被當作純雜訊丟掉。 RG-SCP 採用這一方法論，但做一個額外限制： $$ \boxed{ \text{Skew is signal candidate, not automatic proof certificate.} } $$ 也就是： - 可以研究歪； - 可以放大歪； - 可以找歪的頻率； - 可以比較歪的形狀； - 但不能因為某個 $N$ 看起來「太歪」就宣布它不可能是 counterexample。 --- # 11. Smooth vs Skew Decomposition 抽象地，對某個 prime-related observable： $$ X(t), $$ 寫成： $$ X(t) = B(t) + R(t), $$ 其中： - $B(t)$ 為 chosen smooth baseline； - $R(t)$ 為 residual。 RG-SCP 要求保留： $$ R(t) $$ 而不是只保留： $$ B(t). $$ 但同時要求： $$ R(t) $$ 的 provenance 必須可追蹤。 --- # 12. Canonical Residual 優先原則 如果同一個研究問題同時可使用： 1. exact arithmetic residual； 2. fitted-model residual； 則優先保留 exact residual 作 canonical data。 例如優先保存： $$ \Delta_\pi(x) $$ 而不是只保存某個 neural regression error。 原因是： $$ \Delta_\pi $$ 不依賴該模型。 模型 residual 可以作附加 probe，但不能取代 canonical residual。 --- # 13. Counterexample Pressure Domain 對固定偶數： $$ N, $$ 定義 reduced prime-input domain： $$ \mathbb P_N^{-} = \left\{ p\in\mathbb P: 2\le p\le\frac N2 \right\}. $$ RG-SCP 的核心 complement map： $$ C_N(p) = N-p. $$ 因此任何 prime-distribution probe 都可以被 pull back 到： $$ \mathbb P_N^{-}. $$ 這產生一個 $N$-specific pressure profile。 --- # 14. Baseline Complement Field 設： $$ B(x) $$ 為某個平滑 prime-likelihood surrogate。 最簡單的尺度背景可取： $$ B(x) = \frac1{\log x} $$ 只作為局部密度尺度。 注意： $$ \frac1{\log x} $$ 不是某個特定 $x$ 為質數的概率定理。 它只反映 prime density 的經典尺度。 因此定義： $$ \boxed{ \Lambda_N^{\mathrm{base}}(p) = B(N-p). } $$ --- # 15. Complement Skew Pullback 若選擇 exact residual： $$ R(x), $$ 例如： $$ R(x)=\Delta_\pi(x) $$ 或： $$ R(x)=\Delta_\psi(x), $$ 則定義： $$ \boxed{ K_N(p) = R(N-p). } $$ 這是 arithmetic skew 在 Goldbach complement fiber 上的 pullback。 它不直接判定： $$ N-p $$ 是否質數。 它只描述 complement 落在 arithmetic residual field 的哪個位置。 --- # 16. Fitted Prime-Index Pullback 若使用： $$ \widehat p(n), $$ 可透過近似反函數： $$ \widehat \nu(x) $$ 估計： $$ x $$ 對應的 prime index。 然後定義距離某個 fitted prime trajectory 的 residual，例如： $$ R_{\mathrm{fit}}(x) = x- \widehat p \left( \operatorname{round} \widehat \nu(x) \right). $$ 再 pull back： $$ \boxed{ R_{N,\mathrm{fit}}(p) = R_{\mathrm{fit}}(N-p). } $$ 這完全屬於 heuristic channel。 --- # 17. 為什麼不直接叫「質數概率」 即使： $$ R_{\mathrm{fit}}(x) $$ 非常小， 也不能推出： $$ x\in\mathbb P. $$ 同理，即使 residual 很大，也不能推出： $$ x\notin\mathbb P. $$ 所以本文禁止把這類 score 命名成： $$ \operatorname{PrimeProbability}(x) $$ 除非另有明確概率模型與校準語義。 較安全的名稱是： $$ \boxed{ \text{prime proximity score} } $$ 或： $$ \boxed{ \text{heuristic prime pressure}. } $$ --- # 18. Goldbach Pressure Profile 對固定： $$ N, $$ 定義一個一般性的多通道 probe vector： $$ \mathbf P_N(p) = \left( P_1(N,p), P_2(N,p), \ldots, P_m(N,p) \right). $$ 可包含： - local prime density； - fitted-prime proximity； - arithmetic skew； - wheel survival； - least-factor depth； - fixed-point defect； - shadow-related coordinate。 其中有些是 exact，有些是 heuristic。 所以每個 component 都必須帶 provenance tag。 --- # 19. Exact / Heuristic Tag 定義： $$ \tau(P_i) \in \{ \mathrm{exact}, \mathrm{heuristic}, \mathrm{mixed} \}. $$ 例如： $$ \tau \left( \gcd(N-p,30) \right) = \mathrm{exact}. $$ 而： $$ \tau \left( R_{\mathrm{fit}}(N-p) \right) = \mathrm{heuristic}. $$ 若一個 score 使用 exact input 再經 fitted normalization，則標： $$ \mathrm{mixed}. $$ --- # 20. Hard-Branch Pressure Profile 第三篇定義： $$ \mathbb H_{M_k}(N) = \left\{ p\in\mathbb P_N^{-}: \gcd(N-p,M_k)=1 \right\}. $$ 這些是已避開前 $k$ 個小質因子的 hard inputs。 本文只在這些 hard inputs 上施加更昂貴 heuristic probes。 定義： $$ \mathbf P_{N,k}^{\mathrm{hard}} = \left\{ \mathbf P_N(p): p\in\mathbb H_{M_k}(N) \right\}. $$ 這避免把算力浪費在已被 exact small-factor obstruction 解決的 easy branch。 --- # 21. Dual-Hole Pressure State 第四篇定義 standard failure 必須同時有： $$ \Delta_6(N)>0 $$ 與： $$ N-3\notin\mathbb P. $$ 所以可以定義 heuristic dual-hole stress vector： $$ \boxed{ \mathbf H_G(N) = \left( \Delta_6(N), B_3(N), \eta_{M_k}(N), D_G(N), \mathcal K_N, \mathcal R_N \right), } $$ 其中： - $\Delta_6(N)$ 為 exact section gap； - $B_3(N)$ 為 exact boundary-hole bit； - $\eta_{M_k}(N)$ 為 exact wheel residual ratio； - $D_G(N)$ 若已完整 factor certificate，則 exact； - $\mathcal K_N$ 為 skew-derived features； - $\mathcal R_N$ 為 fitted residual features。 這是一個 mixed research state，不是 theorem score。 --- # 22. 不定義單一「反例分數」 本文刻意不把： $$ \mathbf H_G(N) $$ 壓成單一： $$ S_G(N). $$ 原因是不同分量有不同語義： - exact logical hole； - factor depth； - density proxy； - fitted residual； - arithmetic skew。 若任意加權： $$ S_G(N) = \sum_i w_iH_i(N), $$ 權重： $$ w_i $$ 可能只是研究者主觀選擇。 因此 canonical artifact 保存 vector，不保存唯一總分。 --- # 23. Anomaly Localization heuristic channel 的第一個合法任務是： $$ \boxed{ \text{找哪裡值得看}. } $$ 例如從大量偶數： $$ N\in[4,B] $$ 中選出： - $\Delta_6(N)$ 異常大； - hard-branch residual 異常高； - obstruction depth 異常深； - skew pullback 異常集中； - fitted residual profile 與背景族顯著不同； 的 $N$。 這只產生： $$ \text{candidate research targets}. $$ --- # 24. Control Population 任何 anomaly 都需要對照組。 若研究： $$ N\equiv0\pmod6, $$ 不能直接拿所有偶數當唯一 baseline。 至少應比較： 1. 同 residue class； 2. 相近 magnitude； 3. 相近 divisor smoothness； 4. 相近 wheel signature； 5. 相近 prime-count scale。 否則「異常」可能只是 residue 或尺度差異。 --- # 25. Matched Controls 對 candidate： $$ N, $$ 建立 matched-control set： $$ \mathcal C(N) $$ 使： $$ N' $$ 與 $N$ 在已知 confounders 上相近。 例如要求： $$ N'\equiv N\pmod{M_k}, $$ $$ \log N' \approx \log N, $$ 以及： $$ \omega(N') \approx \omega(N), $$ 其中： $$ \omega(N) $$ 為 distinct prime divisor count。 然後再比較 residual / skew features。 --- # 26. Null Model A：Residue-Preserved Shuffle 保留： $$ p\bmod M_k $$ 與： $$ N\bmod M_k $$ 的有限 quotient structure， 但打亂更高階順序資訊。 若 heuristic anomaly 在 shuffle 後消失，可能表示它依賴非平凡序列結構。 若不消失，可能只是 residue artifact。 --- # 27. Null Model B：Density-Matched Synthetic Prime Set 建立一個 synthetic set： $$ \widetilde{\mathbb P} $$ 使其在局部區間具有相近密度： $$ \approx \frac1{\log x}, $$ 但不保留真實 prime multiplicative structure。 再比較 RG-SCP pressure profile。 若某 signal 在真 primes 中存在、在 density-matched synthetic set 中消失，表示它不只是密度效應。 --- # 28. Null Model C：Wheel-Preserved Surrogate 建立 surrogate sequence，使其只保留： $$ \gcd(n,M_k)=1 $$ 的 wheel candidate structure。 再測： $$ \Delta_6 $$ 類 proxy 或 complement-pressure profile。 若真 primes 與 wheel surrogate 幾乎無差別，表示 heuristic signal 可能仍困在 finite quotient source。 --- # 29. Null Model D：Index-Perturbed Prime Trajectory 對： $$ p_n $$ 使用小幅 index permutation 或 residual-preserving perturbation，保留宏觀： $$ p_n\sim n\log n, $$ 但破壞局部真實順序。 若某 anomaly 對此極敏感，表示它可能依賴 local prime arrangement。 這可以幫助區分： $$ \text{macro-density signal} $$ 與： $$ \text{fine-order signal}. $$ --- # 30. $\varepsilon_{\mathrm{full}}$ 在 RG-SCP 的正確用途 $\varepsilon_{\mathrm{full}}$ 最適合提供： $$ \boxed{ \text{scale calibration}. } $$ 例如同樣大小的 raw residual： $$ r $$ 在不同： $$ N $$ 尺度下意義不同。 可定義某種 scale-normalized fitted residual： $$ \widetilde\rho(n) = \frac{ p_n-\widehat p(n) }{ S_\varepsilon(n) }, $$ 其中： $$ S_\varepsilon(n) $$ 是由 $\varepsilon_{\mathrm{full}}$ 或其他 baseline 推出的尺度單位。 但： $$ S_\varepsilon $$ 的具體定義必須預註冊。 不能看完資料後再調。 --- # 31. 預註冊原則 任何 RG-SCP heuristic experiment 應預先寫下： - domain； - sample size； - baseline； - $\varepsilon$ version； - skew observable； - normalization； - anomaly threshold； - control family； - null model； - stopping rule； - promotion rule。 這樣避免： $$ \boxed{ \text{pattern after seeing data} } $$ 被誤認為預測。 --- # 32. Arithmetic Skew Probe 對 fixed $N$，可定義： $$ K_N^{\psi}(p) = \Delta_\psi(N-p) = \psi(N-p)-(N-p). $$ 或： $$ K_N^{\pi}(p) = \Delta_\pi(N-p) = \pi(N-p)-\operatorname{Li}(N-p). $$ 這些是 exact data pullbacks。 但任何： $$ \text{large }K_N \Rightarrow N-p\text{ composite} $$ 都不是自動成立的。 所以 skew probe 只用來找 cross-$p$ structure。 --- # 33. Cross-$p$ Skew Coupling Goldbach failure 是一個： $$ \forall p $$ 的同步事件。 所以比單點 skew 更值得研究的是： $$ \left\{ K_N(p) \right\}_{p\in\mathbb P_N^{-}}. $$ 例如研究： - mean； - variance； - autocorrelation； - residue-conditioned profile； - hard-branch restricted profile； - spectral transform。 目標是找： $$ \boxed{ \text{many complements must become jointly unusual}. } $$ 而不是找某一個 complement 很奇怪。 --- # 34. Complement Skew Spectrum 對 ordered prime inputs： $$ p_1 hypothetical failure 是否要求某一類頻譜模式，而 Goldbach-success controls 不要求？ 如果是，再把該模式翻成 candidate exact statement。 --- # 35. Skew 不等於零點證明 《歪線》把 arithmetic residual 與 explicit-formula spectral structure聯繫起來。 但 RG-SCP 不做以下跳躍： $$ \text{observed skew} \Rightarrow \text{specific zeta-zero configuration} \Rightarrow \text{Goldbach proof}. $$ 除非中間每一步都被 rigorous theorem 支撐。 本文只保留： $$ \boxed{ \text{spectral viewpoint as source-search guidance}. } $$ --- # 36. Prime Approximation Probe 若有 predictor： $$ \widehat p(n), $$ 可以建立 nearest-predicted-prime distance： $$ d_{\mathrm{pred}}(x) = \min_n |x-\widehat p(n)|. $$ 對 complement： $$ x=N-p, $$ 得到： $$ d_N(p) = d_{\mathrm{pred}}(N-p). $$ 這可以找「遠離 fitted prime trajectory」的 complement。 但： $$ d_N(p)>0 $$ 永遠不能當 compositeness certificate。 --- # 37. Predictor Miss Certificate 不存在 除非 predictor 本身已被證明： $$ x\in\mathbb P \Longrightarrow x \in \mathcal W_{\mathrm{pred}} $$ 對所有 $x$ 成立， 否則： $$ x\notin \mathcal W_{\mathrm{pred}} $$ 不能推出： $$ x\notin\mathbb P. $$ 所以一般 fitted predictor 沒有： $$ \boxed{ \text{miss certificate}. } $$ 這是 heuristic/proof 分界的重要判準。 --- # 38. Candidate Window 若 predictor 給出一個 window： $$ W_n = [ \widehat p(n)-r_n, \widehat p(n)+r_n ], $$ 而未證： $$ p_n\in W_n $$ 對所有 $n$， 則： $$ W_n $$ 只是一個 search window。 它不是 theorem enclosure。 RG-SCP 中只能標： $$ \operatorname{WindowType} = \mathrm{heuristic}. $$ --- # 39. 如果未來能得到 rigorous enclosure 假設未來某方法真的證明： $$ p_n \in [L(n),U(n)] $$ 對所有： $$ n\ge n_0. $$ 則這個 interval 可以進： $$ \mathcal K^{\mathrm{proof}}. $$ 此時才可能用來排除某些 complement positions。 所以同一類「逼近」在 rigorous enclosure 出現後，角色可以改變。 --- # 40. Approximation-to-Theorem Promotion Pattern 典型 promotion route： $$ \widehat p(n) $$ 先觀察出： $$ p_n-\widehat p(n) $$ 似乎滿足： $$ |p_n-\widehat p(n)| \le f(n). $$ 接著不再用 fitting data，而是獨立嘗試證： $$ \boxed{ |p_n-\widehat p(n)| \le f(n) } $$ 對某範圍或所有充分大 $n$ 成立。 只有證完後： $$ f(n) $$ 才變成 proof constraint。 --- # 41. Shadow-Gap Pressure Probe 第四篇定義： $$ \Delta_6(N) = N-\max\mathcal S_6(N). $$ 這是一個 exact integer-valued quantity。 可以研究其 finite data： $$ N \mapsto \Delta_6(N). $$ 並用 heuristic tools 找： - residue dependence； - scale trend； - rare spikes； - coupling with $\omega(N)$； - coupling with wheel residual； - coupling with $\Delta_\pi$。 但任何 fitted law： $$ \widehat\Delta_6(N) $$ 都不能直接取代 exact： $$ \Delta_6(N). $$ --- # 42. Shadow-Gap Skew 定義某 smooth baseline： $$ B_\Delta(N) $$ 例如由 matched controls 或 local median 得到。 再定義： $$ \boxed{ K_\Delta(N) = \Delta_6(N)-B_\Delta(N). } $$ 這是 section-hole geometry 的 model-relative skew。 如果某些 $N$ 的： $$ K_\Delta(N) $$ 極端大， 它們適合作為 deep-audit targets。 --- # 43. Obstruction-Depth Skew 同樣對： $$ D_G(N) $$ 建立 baseline： $$ B_D(N). $$ 定義： $$ K_D(N) = D_G(N)-B_D(N). $$ 若 highly smooth： $$ N $$ 同時出現： $$ K_D(N)\gg0, $$ 可能支持第三篇的 self-suppression pressure hypothesis。 但這仍是 hypothesis generation。 --- # 44. Wheel-Residual Skew 對： $$ \eta_{M_k}(N) $$ 可在 matched residue family 內建立： $$ B_{\eta,k}(N). $$ 再定義： $$ K_{\eta,k}(N) = \eta_{M_k}(N) - B_{\eta,k}(N). $$ 這可以測： > 某 candidate 是否比同尺度、同 residue 的一般偶數留下異常多的 hard complements。 --- # 45. Multi-Field Coupling 比單一 skew 更有價值的是： $$ \boxed{ \mathbf K_G(N) = \left( K_\Delta(N), K_D(N), K_{\eta,2}(N), K_{\eta,3}(N), \ldots, K_{\pi}(N), K_{\mathrm{fit}}(N) \right). } $$ 其中： - 某些分量來自 exact observables 的 baseline deviation； - 某些來自純 heuristic predictor。 研究目標是找 cross-field coupling。 --- # 46. Cross-Field Candidate Invariant 如果大量數據顯示： $$ K_\Delta(N)>a $$ 總伴隨： $$ K_D(N)a \Longrightarrow K_D(N) 把 $C$ 翻譯成不依賴 fitted baseline 的 exact arithmetic statement。 只有這一步成功，才有機會升格。 --- # 47. Baseline Removal Test 任何 heuristic relation： $$ R(B_1,B_2,\ldots) $$ 在 promotion 前都應嘗試移除 baseline dependence。 例如把： $$ K_D(N)>0 $$ 改寫成： $$ D_G(N) > f(N,\omega(N),N\bmod M_k) $$ 其中： $$ f $$ 若能由 theorem 定義，就比 arbitrary local median 更接近 proof language。 --- # 48. Counterfactual Failure Injection 因為真實 Goldbach counterexample 目前未知， 可人工構造 surrogate failure states 作壓測。 例如對某固定 $N$： 1. 保留 prime inputs； 2. 人工把所有 prime complements 標為 blocked； 3. 指派 synthetic obstruction factors； 4. 生成 fake complete cover； 5. 比較 pressure signatures。 目標不是模擬真反例真實分布。 而是測： > 我們設計的 heuristic metric 是否至少能辨識被人工注入的 failure structure。 --- # 49. Adversarial Surrogate 更嚴格地，可以構造一個 surrogate，使它： - 通過 mod $6$； - 通過 mod $30$； - 通過 mod $210$； - matching local density； - matching $\varepsilon_{\mathrm{full}}$ scale； - matching approximate skew moments； 但仍故意沒有 prime-pair representation。 若 heuristic system 無法區分它與真實資料，表示目前 probes 還不夠。 這是一種： $$ \boxed{ \text{adversarial source sufficiency test}. } $$ --- # 50. Why This Matters 如果一個 fake failure 可以在所有現有 heuristic probes 下偽裝成真 prime system， 那麼： $$ \mathcal H^{\mathrm{disc}} $$ 還沒有抓到 Goldbach-relevant structure。 這與 SDRPC 的 contradictory-fiber 思路一致： > 若 observation signatures 相同但 target 不同，該 observation class 不 task-sufficient。 --- # 51. Heuristic Contradictory Fiber 定義 heuristic joint observation： $$ J_H(N) = \mathbf K_G(N). $$ 若存在： $$ N_1,N_2 $$ 使： $$ J_H(N_1) \approx J_H(N_2), $$ 但： $$ F_G(N_1)\neq F_G(N_2) $$ 在 surrogate world 中成立， 則該 heuristic family 不能單獨決定 target。 這是一個 empirical insufficiency witness。 --- # 52. Approximate Fiber 與 Exact Fiber 的區分 heuristic signature 通常有連續值，所以使用： $$ \|J_H(N_1)-J_H(N_2)\| \le\epsilon. $$ 這只是 approximate fiber。 不能與 exact observation kernel： $$ J(N_1)=J(N_2) $$ 混為一談。 因此任何「heuristic insufficiency」都應明確標： $$ \mathrm{empirical}. $$ --- # 53. Pressure Field on the $6\mid N$ Branch 第四篇指出： $$ 6\mid N $$ 是最乾淨的 fixed-point branch。 在此： $$ F_G(N)=1 \Longleftrightarrow \Delta_6(N)>0. $$ 所以 heuristic 探測可優先限定： $$ N\in6\mathbb N. $$ 這樣可以移除 boundary-$3$ confounder。 --- # 54. Primorial Pressure Field 對： $$ M_k\mid N, $$ 第三篇得到： $$ p>p_k \Longrightarrow \operatorname{lpf}(N-p)>p_k $$ 在 failure 假設下。 因此 primorial branch 的 heuristic 目標可改成： > 在真實 Goldbach-success data 中，當 $M_k\mid N$ 時，哪些 prime inputs 最早打破 small-factor-avoiding composite wall？ 也就是尋找第一個： $$ p>p_k $$ 使： $$ N-p $$ 為 prime。 --- # 55. Escape Prime 對： $$ M_k\mid N, $$ 定義： $$ \boxed{ p_{\mathrm{esc}}(N;k) = \min \left\{ p\in\mathbb P: p>p_k, \quad p\le\frac N2, \quad N-p\in\mathbb P \right\} } $$ 若集合非空。 這是一個 exact finite observable。 對 Goldbach-success state，它可能存在。 對 hypothetical failure，則不存在。 --- # 56. Escape Depth 若： $$ p_{\mathrm{esc}}(N;k) $$ 存在，定義： $$ \boxed{ D_{\mathrm{esc}}(N;k) = \pi \left( p_{\mathrm{esc}}(N;k) \right) - \pi(p_k). } $$ 它表示： > 從 primorial cutoff 之後，要走過多少個 prime inputs 才第一次穿破 composite wall。 這是 exact observable。 可以被 heuristic model 預測，但其真值仍可直接驗證。 --- # 57. Why Escape Depth is Useful 相比直接問： $$ R_G(N)>0, $$ escape depth 提供一個更細的成功結構。 可以研究： - $D_{\mathrm{esc}}$ 的分布； - 與 $\omega(N)$ 的關係； - 與 $\varepsilon_{\mathrm{full}}$ scale 的關係； - 與 $\Delta_6(N)$ 的關係； - 與 wheel residual 的關係。 若發現可證 upper bound： $$ D_{\mathrm{esc}}(N;k) \le f(N,k), $$ 且： $$ f $$ 有限， 就可能成為真正 proof direction。 --- # 58. Escape Depth 目前仍不是 theorem route 有限資料顯示： $$ D_{\mathrm{esc}} $$ 很小， 不能推出： $$ \forall N. $$ 因此： $$ \boxed{ \text{small observed escape depth} \neq \text{uniform bounded escape theorem}. } $$ promotion 的目標正是從 empirical smallness 轉成 rigorous bound。 --- # 59. Escape Prime Approximation 可用 baseline prime trajectory 預測： $$ \widehat p_{\mathrm{esc}}(N;k). $$ 但這只是 search prioritization。 實際 escape prime 必須以 exact primality verification 確認。 因此： $$ \boxed{ \widehat p_{\mathrm{esc}} \to \text{candidate search order}, } $$ 而不是： $$ \widehat p_{\mathrm{esc}} \to \text{proof}. $$ --- # 60. Counterexample Pressure Surface 把： $$ N $$ 與： $$ p $$ 都視為座標，可定義一個二維資料面： $$ \boxed{ \mathcal P(N,p). } $$ 其中可包含： - complement density background； - wheel survival； - lpf depth； - fixed-point defect； - skew pullback； - fitted proximity。 這個 surface 的用途是視覺化： > 哪些 $(N,p)$ 區域聚集大量 hard complement structure。 --- # 61. Pressure Ridge 若在： $$ \mathcal P(N,p) $$ 中出現跨很多： $$ N $$ 持續存在的 ridge， 可把 ridge 方程近似寫成： $$ p \approx f(N). $$ 下一步應檢查： $$ f(N) $$ 是否對應： - residue relation； - divisor relation； - known prime asymptotic； - fixed-point fiber law； - spectral structure。 若只是 regression artifact，就停止。 --- # 62. Pressure Valley 同樣可研究： $$ p \approx g(N) $$ 附近是否特別容易產生 Goldbach pair。 若存在 robust valley， 可提出： > 是否總能在某一 narrow structured window 中找到 representation？ 這可能比 unrestricted Goldbach 更適合逐步證明。 --- # 63. Windowed Goldbach Subproblem 例如定義： $$ W(N) = [ L(N), U(N) ] \cap \mathbb P. $$ 研究： $$ \exists p\in W(N) $$ 使： $$ N-p\in\mathbb P. $$ 若能對某個 narrow window 證明： $$ \forall N\ge N_0, $$ 就得到 strong result。 heuristic pressure field 可以用來猜： $$ L(N), U(N). $$ 但 window 本身必須之後獨立證明。 --- # 64. Why Approximation May Help Without Proving Primes prime approximation 的真正價值可能不是精準猜中每個： $$ p_n. $$ 而是： $$ \boxed{ \text{compress the search region}. } $$ 如果能把： $$ p\in[2,N/2] $$ 壓到： $$ p\in W(N) $$ 且後續可證： $$ W(N) $$ 內一定有 Goldbach pair， 那 approximation 就成功完成 discovery role。 --- # 65. Skew-Preserving Window 與平滑 approximation 不同， 還可以要求： $$ W(N) $$ 根據 arithmetic residual 調整。 也就是： $$ W(N) = W \left( N, \Delta_\pi, \Delta_\psi, \varepsilon_{\mathrm{full}} \right). $$ 這可讓 search window 保留部分「歪」。 但仍屬 heuristic，直到 window coverage theorem 被證明。 --- # 66. Generation-Preserving Probe 借用《歪線》的語言， 定義一個 probe： $$ P $$ 為 generation-preserving，如果它不只保留 smooth density，還保留某些 discrete generation events，例如： - prime locations； - exact jump measure； - exact residue transitions； - exact obstruction certificates。 這不是 formal standard term。 它是本系列的 design criterion。 --- # 67. Closure-Preserving vs Generation-Preserving 一個 purely smooth model 可能只保留： $$ \pi(x)\approx \frac{x}{\log x}. $$ 它保留 global closure。 而 exact prime indicator： $$ \mathbf1_{\mathbb P}(n) $$ 保留逐點 generation。 RG-SCP 的 heuristic tool 若只看 smooth side， 容易失去 Goldbach 所依賴的 additive coincidence。 所以應盡量加入 generation-preserving channels。 --- # 68. Prime Indicator as Ultimate Exact Signal 對 Goldbach： $$ R_G(N) = \sum_{p\le N} \mathbf1_{\mathbb P}(p) \mathbf1_{\mathbb P}(N-p). $$ 真正 target 是 prime indicator 的 additive autocorrelation。 任何 heuristic model 最終都必須被問： > 它到底保留了多少 $\mathbf1_{\mathbb P}$ 的二點相關？ 這是比單點 prime density 更核心的評估。 --- # 69. Two-Point Retention Test 對一個 approximation： $$ \widehat{\mathbf1}_{\mathbb P}(n), $$ 不能只測： $$ \sum_{n\le X} \widehat{\mathbf1}_{\mathbb P}(n) $$ 是否接近： $$ \pi(X). $$ 還應測： $$ \widehat R_G(N) = \sum_{a=2}^{N-2} \widehat{\mathbf1}_{\mathbb P}(a) \widehat{\mathbf1}_{\mathbb P}(N-a) $$ 是否保留真實： $$ R_G(N) $$ 的 structural variation。 --- # 70. Density Fit 不足 一個 synthetic model 可以非常精準地重現： $$ \pi(x) $$ 卻完全破壞： $$ R_G(N). $$ 因此： $$ \boxed{ \text{one-point density fit} \neq \text{two-point additive sufficiency}. } $$ 這是 RG-SCP 對所有 prime approximation 的最低審計要求。 --- # 71. Skew Fit 仍可能不足 即使一個 model 同時重現： $$ \pi(x) $$ 與： $$ \Delta_\pi(x), $$ 也不保證它保留： $$ \mathbf1_{\mathbb P}(a) \mathbf1_{\mathbb P}(N-a) $$ 的二點結構。 所以： $$ \boxed{ \text{one-point skew fit} \neq \text{Goldbach-pair fidelity}. } $$ 這也是為什麼本文不直接用《歪線》去「證 Goldbach」。 --- # 72. Goldbach-Relevant Fidelity 定義 heuristic model 的 Goldbach fidelity： $$ \operatorname{GFid}(B) $$ 不以單一數值先固定，而要求至少比較： 1. one-point count； 2. residue occupancy； 3. pair correlation； 4. representation-count profile； 5. hard-branch profile； 6. shadow-gap profile。 只有在多層都保留時，model 才值得用來搜尋新 structure。 --- # 73. Counterexample-Surrogate Benchmark 可以建立 benchmark： ### Positive world 使用真實 prime data。 ### Density-only world 只保留： $$ 1/\log x. $$ ### Wheel world 保留： $$ M_k $$ candidate residues。 ### Skew-matched world 保留某些 residual moments。 ### Adversarial no-Goldbach world 刻意破壞 pair representation。 比較各 heuristic probes 能否辨識世界差異。 這會直接測： $$ \boxed{ \text{probe relevance to Goldbach target}. } $$ --- # 74. Heuristic Source Residual 定義： $$ R_H \left( F_G \mid \mathcal H \right) $$ 表示： > 在某 heuristic source family 下，Goldbach target 尚未被解釋的 residual。 這不是 formal information-theoretic quantity。 初期可以用 benchmark classification ambiguity 或 surrogate contradictory fibers 作 proxy。 --- # 75. 何時應停止 fitting 如果新增： - 更多 polynomial terms； - 更多 Fourier components； - 更深 neural model； - 更大 context； 只提高 in-sample fit， 卻沒有： - cross-domain stability； - null-model discrimination； - theorem candidate； - source novelty； 則應停止。 因為： $$ \boxed{ \text{better fit} \neq \text{better proof source}. } $$ --- # 76. AI 在這一篇的角色 AI 可以大量生成： - candidate baselines； - residual transforms； - anomaly detectors； - surrogate worlds； - cross-field relations； - conjectured inequalities。 但每一個候選都必須進： $$ \boxed{ \text{falsification queue}. } $$ 而不是直接進 paper theorem list。 --- # 77. AI Hypothesis Ledger 建議每個 AI-generated hypothesis 存： ```yaml hypothesis: id: statement: source_features: discovery_dataset: heldout_dataset: null_models: known_counterexamples: exact_reformulation: proof_status: formalization_status: promoted_to_proof_channel: false ``` 這防止 heuristic hypothesis 在多輪研究後被誤記成「已證」。 --- # 78. Cross-AI Reconstruction 高價值 candidate relation 應交給不同模型／不同上下文： 1. 不提供原 fitted coefficients； 2. 只提供 exact data definition； 3. 要求重新發現 relation； 4. 比較是否獨立重現。 若 relation 只在原 prompt 下存在，可信度很低。 若跨 AI 重建，才值得進 proof search。 --- # 79. Heuristic-to-Exact Translation 假設 AI 發現： > 當 $6\mid N$ 且 $\omega(N)$ 很大時，$\Delta_6(N)$ 幾乎總很小。 真正該做的不是寫： $$ \Delta_6(N)\approx0. $$ 而是問： > 能否找到一個 exact mechanism，使 $N$ 的 smoothness 強迫某個 $p$ 具有 $N-p$ prime？ 這樣 heuristic 被翻譯成 structural question。 --- # 80. Example Promotion Template 發現： $$ \eta_{M_k}(N) $$ 在： $$ M_k\mid N $$ branch 有某種 sharp pattern。 候選 theorem 可寫成： $$ \exists p\in\mathbb P, \quad p_k0 $$ 證出來。 Goldbach 是二點 additive problem。 因此若走 spectral route，真正需要的是： $$ \boxed{ \text{one-point spectral information} \to \text{two-point additive positivity}. } $$ 這中間仍有 substantial proof burden。 --- # 85. Pair-Spectral Target 若未來使用 Fourier language， 應直接研究： $$ r_2(N) = \sum_a \mathbf1_{\mathbb P}(a) \mathbf1_{\mathbb P}(N-a). $$ 而不是只研究： $$ \pi(x). $$ 所以 spectral heuristic 應朝： - pair correlation； - convolution； - major/minor structure； - additive energy； 方向發展。 --- # 86. RG-SCP Heuristic Checkpoint 每輪 heuristic run 應保存： $$ \mathfrak H_t = \left( D_t, B_t, R_t, P_t, C_t, N_t, A_t, Q_t \right), $$ 其中： - $D_t$：dataset； - $B_t$：baseline； - $R_t$：residual fields； - $P_t$：pressure profiles； - $C_t$：controls； - $N_t$：null models； - $A_t$：anomalies； - $Q_t$：candidate theorem queue。 --- # 87. Serialization Schema ```yaml rg_scp_heuristic_state: version: domain: prime_data: exact_observables: pi: psi: delta_6: wheel_residual: obstruction_depth: escape_depth: baselines: epsilon_full_version: prime_predictor: local_density: residual_fields: fitted_prime_residual: delta_pi: delta_psi: shadow_gap_skew: obstruction_depth_skew: complement_pressure: N: prime_inputs: hard_branch: feature_vectors: controls: matched_controls: residue_controls: scale_controls: null_models: residue_shuffle: density_matched: wheel_surrogate: index_perturbed: adversarial_no_goldbach: anomalies: candidate_windows: candidate_invariants: promotion_queue: source_audit: certificates: provenance: checkpoint_hash: ``` --- # 88. 最小可行實驗 MVE-1 第一輪不需要跑超大。 建議： $$ N \le 10^6 $$ 先建立： - exact $R_G(N)$； - $\Delta_6(N)$； - $D_G(N)$； - $\eta_6(N)$； - $\eta_{30}(N)$； - $\eta_{210}(N)$； - $\omega(N)$； - $D_{\mathrm{esc}}(N;k)$； - selected skew fields。 目的是建立 pipeline，不是做結論。 --- # 89. MVE-2：Primorial branch 專門取： $$ N $$ 滿足： $$ M_k\mid N. $$ 比較： - escape depth； - hard residual； - section gap； - divisor suppression； - arithmetic skew。 這最直接接第三、四篇。 --- # 90. MVE-3：Dual-hole surrogate 因真 Goldbach failure 不存在已知樣本， 人工生成 dual-hole surrogate： $$ \Delta_6^{\mathrm{sur}}(N)>0 $$ 並封死 boundary channel。 測： > 現有 pressure field 能不能抓到它？ 若抓不到，表示 heuristic probe 尚未對 target 敏感。 --- # 91. MVE-4：Adversarial indistinguishability 刻意生成一個 surrogate，使： - $\varepsilon_{\mathrm{full}}$ match； - $\pi(x)$ match； - selected skew moments match； - wheel occupancy match； 但： $$ R_G^{\mathrm{sur}}(N)=0 $$ 對某些 $N$。 若模型仍分不出來， 就證明： $$ \boxed{ \text{這些 heuristic features 對 Goldbach 不充分}. } $$ 至少在該 surrogate class 中如此。 --- # 92. MVE-5：Candidate theorem extraction 不再追求更準 prediction。 只問： > 前四輪是否產生至少一個能用 exact arithmetic 語言陳述的新命題？ 例如： $$ M_k\mid N \Longrightarrow \exists p\in I(N,k) $$ 使： $$ N-p $$ 具有某性質。 若完全沒有 candidate theorem， 就不應繼續無限加模型複雜度。 --- # 93. Stop Conditions 本篇建議以下停止條件： ### S1 fit accuracy 增加，但 theorem queue 為空。 ### S2 所有 anomalies 都被 residue / scale control 解釋。 ### S3 adversarial surrogate 與真資料不可分。 ### S4 cross-AI reconstruction 失敗。 ### S5 candidate relation 在 held-out domain 消失。 ### S6 new features 全是舊 source 的 deterministic readout。 遇到 S1–S6，應換 source，不應只換模型。 --- # 94. Promotion Conditions 一個 heuristic relation 要進 proof search，至少滿足： ### P1 held-out domain 仍存在。 ### P2 matched controls 仍存在。 ### P3 至少一個 null model 無法重現。 ### P4 可改寫成 exact arithmetic statement。 ### P5 statement 可被證偽。 ### P6 statement 若成立，確實降低： $$ R_Q $$ 或： $$ \mathcal A_k. $$ --- # 95. Strong Promotion 若再滿足： ### P7 有 independent proof。 ### P8 有 Lean／Coq／Isabelle formalization 或可驗 certificate。 ### P9 cross-representation 保持。 ### P10 不是 hidden primality oracle。 則可以正式加入： $$ \mathcal K^{\mathrm{proof}}. $$ --- # 96. 與「擬合質數逼近」舊路線的重新定位 舊路線常問： > 能否把下一個質數預測得很準？ RG-SCP 把問題改成： > 哪些 approximation residual 對 Goldbach-relevant two-point structure 有資訊？ 因此評價標準從： $$ |\widehat p_n-p_n| $$ 轉向： $$ \boxed{ \text{Does the model reveal a theorem-worthy additive structure?} } $$ 這是目的的改變。 --- # 97. 即使預測永遠不精確，也可能有用 假設： $$ \widehat p(n) $$ 永遠不能 exact hit。 但如果它能穩定指出： $$ W(N) $$ 使真 Goldbach pair 高度集中， 並且後續能獨立證明： $$ \exists p\in W(N) $$ 形成 representation， 那 predictor 就完成了 discovery mission。 所以： $$ \boxed{ \text{predictive imperfection} \neq \text{research uselessness}. } $$ --- # 98. 即使預測非常精確，也可能無用 反過來， 若 predictor 對： $$ p_n $$ 平均誤差極低， 但不能： - 保留 pair structure； - 生成 invariant； - 抵抗 surrogate； - 降低 quantifier residual； 那它對 Goldbach proof 仍可能幾乎沒有價值。 所以： $$ \boxed{ \text{high forecasting accuracy} \neq \text{high proof value}. } $$ --- # 99. 本篇的核心方法論定理 本文不提出新的 Goldbach theorem。 但建立一個研究規則： ## RG-SCP Heuristic Separation Principle 任何： $$ H $$ 若依賴： - fitted coefficients； - finite training data； - regression； - empirical frequency； - approximate reconstruction； 則除非其結論被獨立 exact proof 支撐， 不得把： $$ H $$ 直接加入 Goldbach proof chain。 形式上： $$ \boxed{ H\in\mathcal H^{\mathrm{disc}} \land \neg\operatorname{Proof}(H) \Longrightarrow H\notin\mathcal K^{\mathrm{proof}}. } $$ 這不是數論 theorem，而是本研究程序的 proof-discipline axiom。 --- # 100. 本篇真正新增的研究對象 本文把 heuristic 層壓成幾個可實作對象： 1. complement pressure profile； 2. hard-branch pressure； 3. arithmetic skew pullback； 4. fitted-prime residual pullback； 5. shadow-gap skew； 6. obstruction-depth skew； 7. escape prime； 8. escape depth； 9. surrogate contradictory fibers； 10. theorem-promotion queue。 這些對象的共同目的不是證明，而是： $$ \boxed{ \text{把 proof search 從盲搜尋變成結構化 target selection}. } $$ --- # 101. 下一篇接口 到第五篇為止，RG-SCP 已有： - exact counterexample universe； - exact obstruction cover； - exact M6／Wheel geometry； - exact fixed-point dual-hole form； - heuristic pressure layer。 下一篇應回到 proof channel，專門研究： # RG-SCP 06 ## 反例需求—障礙容量不等式 ### Counterexample Demand–Obstruction Capacity Inequalities 核心目標： > 把前三篇提出的「反例要支付覆蓋成本」與第四篇的「section exclusion demand」正式變成上下界問題。 尋找： $$ \operatorname{Demand}_N(y) $$ 與： $$ \operatorname{Cap}_N(y) $$ 使 hypothetical failure 必須滿足： $$ \operatorname{Demand}_N(y) \le \operatorname{Cap}_N(y). $$ 然後研究是否存在某些 branch： $$ \operatorname{Demand}_N(y) > \operatorname{Cap}_N(y), $$ 從而排除整族 counterexamples。 第五篇的 heuristic 結果只負責告訴第六篇： > 哪種 demand / capacity 定義最值得先證。 --- # 102. 結論 本文把作者既有的 prime approximation、$\varepsilon_{\mathrm{full}}$ 與《歪線》正式接入 RG-SCP，但刻意拒絕把它們升格成 Goldbach proof source。 $\varepsilon_{\mathrm{full}}$ 在此提供： $$ \boxed{ \text{scale calibration}. } $$ prime approximation 提供： $$ \boxed{ \text{search compression}. } $$ arithmetic skew 提供： $$ \boxed{ \text{residual structure sensing}. } $$ RG-SCP pressure field 則把這些資訊投影到： $$ p \mapsto N-p $$ 的 complement domain。 但真正的 proof chain 仍然必須保持： $$ \boxed{ \text{heuristic anomaly} \to \text{exact candidate statement} \to \text{independent proof} \to \text{formal constraint}. } $$ 因此本文不是： > 用擬合證明 Goldbach。 而是： > 用擬合、歪度與多尺度殘餘，把 Goldbach 反例若存在時最值得攻擊的結構位置找出來。 最核心的轉換是： $$ \boxed{ \text{Prime Prediction} \quad\longrightarrow\quad \text{Proof-Target Discovery}. } $$ 而衡量一個模型的真正標準，不再只是： $$ |\widehat p_n-p_n|, $$ 而是： $$ \boxed{ \text{它是否能產生一個最終可被證明的新結構命題。} } $$ --- # 103. 最短版本 如果只保留一句話： > **質數逼近與歪度在 RG-SCP 中不是證明器，而是反例壓力雷達；它們的工作是指出哪裡可能存在新的結構，真正能進 Goldbach 證明鏈的只有被獨立證明後的 exact statement。** 流程： $$ \boxed{ \varepsilon_{\mathrm{full}} + \text{Prime Approximation} + \text{Arithmetic Skew} } $$ $$ \Downarrow $$ $$ \boxed{ \text{Counterexample Pressure Field} } $$ $$ \Downarrow $$ $$ \boxed{ \text{Candidate Invariant} } $$ $$ \Downarrow $$ $$ \boxed{ \text{Proof Promotion} } $$ 下一篇正式回到 proof channel： $$ \boxed{ \text{Demand} \le \text{Capacity} } $$ 並開始嘗試對 hypothetical counterexample universe 做真正的 inequality closure。 --- # 附錄 A：與既有 $\varepsilon_{\mathrm{full}}$ 的邊界 本文引用既有 $\varepsilon_{\mathrm{full}}$ 作為 scale-aware heuristic background。 其中： - exact-table 段是有限真值； - regression 段是 fitted model； - asymptotic 段使用解析主項； - 三段合成 object 本身不是 Goldbach theorem。 因此 RG-SCP 只把整體 object 標成： ```text role: heuristic_scale_calibrator proof_role: none_by_default promotion_required: true ``` --- # 附錄 B：與《歪線》的邊界 《歪線》的核心方法論在本文被保留為： ```text smooth trend != full arithmetic structure residual != automatically noise preserve exact residual when possible ``` 但 RG-SCP 不預設： ```text skew alone determines Goldbach spectral reconstruction alone proves pair positivity one-point residual controls two-point additive correlation ``` 任何這類連接都需要新的 theorem。 --- # 附錄 C：推薦實驗輸出 ```text data/ prime_exact.csv goldbach_exact.csv m6_fixed_point.csv wheel_residual.csv obstruction_depth.csv escape_depth.csv heuristics/ epsilon_full/ fitted_prime/ arithmetic_skew/ complement_pressure/ controls/ matched/ residue_shuffle/ density_matched/ wheel_surrogate/ adversarial/ hypotheses/ candidates.jsonl rejected.jsonl promoted.jsonl certificates/ exact/ formal/ reports/ rg_scp_05_mve1.md rg_scp_05_mve2.md rg_scp_05_mve3.md ``` --- # 附錄 D：Canonical heuristic checkpoint ```yaml series: RG-SCP paper: 05 version: v0.1 date: 2026-09-28 channels: proof: immutable_boundary: true discovery: approximation_allowed: true regression_allowed: true ai_hypothesis_allowed: true scale: epsilon_full: role: heuristic_scale_calibrator skew: exact: delta_pi: delta_psi: fitted: prime_residual: goldbach: complement_pressure: hard_branch_pressure: shadow_gap_skew: obstruction_depth_skew: escape_prime: escape_depth: controls: matched_controls: null_models: adversarial_surrogates: promotion: candidate_queue: exact_reformulation: proof_status: formalization_status: source_audit: provenance: checkpoint_hash: ```