# SRBRD-18
## BV-Switched Row / Weighted Buchstab Constant Closure
### Fixed-Row BV No-Go、Aggregate Bilinear Switching、Near-EH Plain-Sieve Threshold 與 Constant Ledger

**母計畫：** RG-SCP / Reverse Goldbach Structural Closure Program  
**支線：** SRBRD — Symmetric Root-Bounded Relation Domain  
**輪次：** SRBRD-18  
**日期：** 2026-09-30  
**版本：** v0.1  
**作者：** Neo.K；Aletheia（GPT-5.6 Sol）  
**性質：** Quantitative Constant Audit / Distribution-Level Barrier / Aggregate Bilinear Switching Interface  
**前置：** SRBRD-00 ～ SRBRD-17  
**狀態：** 證明 fixed-row BV + ordinary linear sieve 在常數級仍不足；建立 aggregate bilinear switched sequence 與 near-EH plain-sieve threshold；Goldbach仍未證明

---

# 0. 本輪唯一目標

SRBRD-17 已證：

1. naive unswitched dimension-2 row upper 的 normalized cost約：
   $$
   60.5588;
   $$
2. ideal SRBRD ledger：
   $$
   9-18\log(3/2)
   \approx1.70163>0;
   $$
3. semiprime row存在 exact prime-cofactor switching：
   $$
   n_r
   =
   \#\left\{
   u\in\mathbb P:
   r\le u\le X/r,
   \quad
   2m-ru\text{ RootRough}_{z_3}
   \right\};
   $$
4. local Euler product exact factor：
   $$
   V_m(z)=P_0(z)W_m(z).
   $$

所以本輪要回答：

> 如果把 Bombieri–Vinogradov 與 ordinary linear sieve直接接到 switched row，常數是否已經夠？

答案仍然是：

$$
\boxed{
\text{不夠。}
}
$$

而且可以把 failure定量到非常明確。

---

# 1. Global Scale

令：

$$
\boxed{
X=2m-3.
}
$$

cube-root cutoff：

$$
\boxed{
z_3=X^{1/3}
}
$$

在 continuum diagnostic 中忽略 integer rounding。

semiprime least factor：

$$
\boxed{
r=X^t,
\qquad
\frac13\le t\le\frac12.
}
$$

prime cofactor range尺度：

$$
\boxed{
U_r
=
\frac Xr
=
X^{1-t}.
}
$$

---

# 2. Fixed-Row Prime Sequence

SRBRD-17 switched row：

$$
n_r
=
\#\left\{
u\in\mathbb P:
r\le u\le U_r,
\quad
2m-ru
\text{ RootRough}_{z_3}
\right\}.
$$

對：

$$
p\le z_3,
$$

$$
p\nmid m,
$$

需要避免：

$$
\boxed{
u
\equiv
2m\,r^{-1}
\pmod p.
}
$$

所以在 prime cofactors中，

這是一個 dimension-1 upper sieve。

---

# 3. Ordinary Bombieri–Vinogradov Level on One Fixed Row

對 size：

$$
U_r
$$

的 prime sequence，

ordinary Bombieri–Vinogradov給出的 natural average modulus level為：

$$
\boxed{
D_r
=
U_r^{1/2}
(\log U_r)^{-B}
}
$$

up to logarithmic loss。

continuum exponent：

$$
\boxed{
D_r
\approx
X^{(1-t)/2}.
}
$$

---

# 4. Full Cube-Root Cutoff Is Beyond the Fixed-Row BV Level

因：

$$
z_3=X^{1/3},
$$

而對：

$$
t>\frac13,
$$

$$
\frac{1-t}{2}
<
\frac13.
$$

所以：

## Diagnostic SRBRD-18-D01

$$
\boxed{
D_r<z_3
\quad
\text{for every interior row }
t>\frac13.
}
$$

即：

> ordinary fixed-row Bombieri–Vinogradov 無法直接把 linear sieve sift 到完整 cube-root cutoff。

---

# 5. Partial Linear-Sieve Cutoff

令 linear sieve parameter：

$$
s>1.
$$

取：

$$
\boxed{
w_r
=
D_r^{1/s}.
}
$$

continuum exponent：

$$
\boxed{
w_r
\approx
X^{(1-t)/(2s)}.
}
$$

因：

$$
s>1,
$$

在 row band中：

$$
w_r\le z_3.
$$

所以：

> 我們只能先 sieve 到 $w_r$，
> 再把：
> $$
> (w_r,z_3]
> $$
> 的 missing small-prime band當作 loss。

---

# 6. Exact Missing-Band Penalty

SRBRD-17 opposite-endpoint factor：

$$
W_m(z)
=
\prod_{\substack{
3\le p\le z\\
p\nmid m
}}
\left(
1-\frac1{p-1}
\right).
$$

定義 exact partial/full ratio：

$$
\boxed{
\Psi_m(w,z_3)
=
\frac{
W_m(w)
}{
W_m(z_3)
}
}
$$

$$
=
\prod_{\substack{
w<p\le z_3\\
p\nmid m
}}
\frac{p-1}{p-2}.
$$

顯然：

$$
\boxed{
\Psi_m(w,z_3)\ge1.
}
$$

---

# 7. Generic Mertens-Scale Missing-Band Ratio

對沒有額外 center-divisor bonus的 generic model，

dimension-1 product滿足：

$$
W_0(z)
\asymp
\frac{C}{\log z}.
$$

因此：

$$
\boxed{
\Psi_0(w_r,z_3)
\sim
\frac{
\log z_3
}{
\log w_r
}.
}
$$

代入：

$$
\log z_3
\sim
\frac13\log X,
$$

$$
\log w_r
\sim
\frac{1-t}{2s}\log X,
$$

得到：

## Diagnostic SRBRD-18-D02

$$
\boxed{
\Psi_0
\sim
\frac{
2s
}{
3(1-t)
}.
}
$$

---

# 8. Linear Sieve Upper Function

classical linear sieve upper function：

$$
F_1(s)
$$

滿足：

$$
\boxed{
F_1(s)
=
\frac{
2e^\gamma
}{s}
}
$$

對：

$$
1<s\le3.
$$

更一般：

$$
\boxed{
\frac{d}{ds}
\left(
sF_1(s)
\right)
=
f_1(s-1)
\ge0.
}
$$

因此：

## External Sieve Fact

$$
\boxed{
sF_1(s)
\ge
2e^\gamma
\qquad
(s>1).
}
$$

---

# 9. Optimally Tuned Fixed-Row BV Multiplier

partial sieve upper relative to full ideal density：

$$
\boxed{
R_{\mathrm{fixBV}}(t,s)
=
F_1(s)
\Psi_0(w_r,z_3).
}
$$

由 D02：

$$
R_{\mathrm{fixBV}}
\sim
F_1(s)
\frac{2s}{3(1-t)}.
$$

又：

$$
sF_1(s)\ge2e^\gamma.
$$

所以：

## Diagnostic SRBRD-18-D03

$$
\boxed{
R_{\mathrm{fixBV}}(t,s)
\ge
\frac{
4e^\gamma
}{
3(1-t)
}.
}
$$

對：

$$
1<s\le3,
$$

這個 lower envelope其實達 equality in the continuum model。

所以：

$$
\boxed{
\text{調 }s\text{ 不能解決固定-row BV常數問題。}
}
$$

---

# 10. Fixed-Row BV Aggregate Row Cost

SRBRD-17 ideal double-row cost：

$$
18
\int_{1/3}^{1/2}
\frac{dt}{t}.
$$

乘上 D03 的 minimal fixed-row multiplier：

$$
\boxed{
C_{\mathrm{row}}^{\mathrm{fixBV}}
=
18
\int_{1/3}^{1/2}
\frac{
4e^\gamma
}{
3(1-t)
}
\frac{dt}{t}.
}
$$

所以：

$$
=
24e^\gamma
\int_{1/3}^{1/2}
\frac{
dt
}{
t(1-t)
}.
$$

---

# 11. Exact Fixed-Row Integral

$$
\int_{1/3}^{1/2}
\frac{
dt
}{
t(1-t)
}
=
\boxed{
\log2.
}
$$

因此：

## Diagnostic SRBRD-18-D04

$$
\boxed{
C_{\mathrm{row}}^{\mathrm{fixBV}}
=
24e^\gamma\log2
\approx
29.6290878.
}
$$

---

# 12. Improvement over Unswitched DHR

SRBRD-17：

$$
C_{\mathrm{row}}^{\mathrm{unswitched}}
\approx60.5588.
$$

現在：

$$
\boxed{
60.56
\to
29.63.
}
$$

所以 switching真的砍掉約一半 constant inflation。

但：

$$
\boxed{
29.63>9.
}
$$

所以仍不可能只靠：

> fixed-row BV + ordinary linear upper sieve

完成 ideal ledger crossing。

---

# 13. Fixed-Row BV No-Go

即使把：

- coarse lower；
- Buchstab shell upper；

全部理想化成最佳 possible local-density constants，

它們只留下：

$$
\boxed{
9.
}
$$

但 fixed-row BV row已至少：

$$
\boxed{
29.63.
}
$$

所以零 transport下 ledger至多：

$$
\boxed{
9-29.63
\approx
-20.63.
}
$$

這是：

# Fixed-Row BV Constant No-Go

它不是 Goldbach不可能 theorem，

只是對這個 specific provider architecture的定量否定。

---

# 14. Full-Cutoff Aggregate Distribution Model

現在考慮更強的 hypothetical / provider interface：

> 不逐 row使用 BV，
> 而是對整個 switched bilinear sequence直接得到 distribution exponent：
> $$
> \theta.
> $$

也就是可以對 modulus up to：

$$
\boxed{
D=X^\theta
}
$$

控制 aggregate bilinear sequence。

對完整 cutoff：

$$
z_3=X^{1/3},
$$

linear sieve parameter：

$$
\boxed{
s=3\theta.
}
$$

---

# 15. Plain Linear-Sieve Aggregate Multiplier

若：

$$
1<s\le3,
$$

也就是：

$$
\frac13<\theta\le1,
$$

則：

$$
F_1(s)
=
\frac{
2e^\gamma
}{
3\theta
}.
$$

所以相對 ideal switched row：

$$
\boxed{
R_{\mathrm{agg}}(\theta)
=
\frac{
2e^\gamma
}{
3\theta
}.
}
$$

---

# 16. Aggregate Plain-Sieve Row Cost

ideal row cost：

$$
18\log\frac32.
$$

所以：

## Diagnostic SRBRD-18-D05

$$
\boxed{
C_{\mathrm{row}}^{\mathrm{agg}}(\theta)
=
\frac{
12e^\gamma
\log(3/2)
}{
\theta
}.
}
$$

---

# 17. Ordinary Bombieri–Vinogradov Still Fails Even Aggregately

若：

$$
\theta=\frac12,
$$

則：

$$
s=\frac32,
$$

$$
F_1(3/2)
=
\frac{
4e^\gamma
}{3}
\approx2.37476.
$$

row cost：

$$
\boxed{
C_{\mathrm{row}}^{\mathrm{agg}}(1/2)
\approx
17.33191.
}
$$

所以：

$$
\boxed{
17.33>9.
}
$$

即使 aggregate sequence能完整用 BV level：

$$
1/2
$$

sift到：

$$
z_3,
$$

plain linear upper仍不足。

---

# 18. Plain-Sieve Distribution Threshold

零 transport、ideal coarse/shell下需要：

$$
C_{\mathrm{row}}^{agg}(\theta)<9.
$$

即：

$$
\frac{
12e^\gamma\log(3/2)
}{
\theta
}
<9.
$$

所以：

## Diagnostic SRBRD-18-D06

$$
\boxed{
\theta
>
\theta_*
=
\frac{
12e^\gamma\log(3/2)
}{9}
}
$$

$$
\boxed{
\theta_*
\approx
0.9628836273.
}
$$

也就是：

> **只靠 plain linear upper sieve + distribution level，
> 幾乎需要 level 1。**

---

# 19. Near Elliott–Halberstam Interpretation

Bombieri–Vinogradov：

$$
\theta=\frac12.
$$

Elliott–Halberstam conjecture理想方向：

$$
\theta<1.
$$

T18顯示：

$$
\boxed{
\theta_*\approx0.963.
}
$$

所以 plain-sieve crossing threshold非常接近：

# Elliott–Halberstam Level

這再次證明：

$$
\boxed{
\text{提高 level of distribution本身不是實際無條件解法。}
}
$$

---

# 20. Current Structured-Weight Exponents as a Diagnostic

以下只作 external comparison；

不同 theorem的 weight hypotheses不相同，

不能直接代入 SRBRD sequence而不驗 hypotheses。

### Bombieri–Friedlander–Iwaniec style

well-factorable：

$$
\theta=\frac47.
$$

### Maynard well-factorable

published result可到：

$$
\theta=\frac35-\varepsilon.
$$

### stronger structured-weight literature

某些更特殊權重可達：

$$
\theta=\frac58
$$

附近或以上。

---

# 21. Plain Linear-Sieve Costs at Selected Exponents

將 D05純粹作 constant diagnostic：

| $\theta$ | $s=3\theta$ | $F_1(s)$ | row cost |
|---:|---:|---:|---:|
| $1/2$ | $1.5$ | $2.37476$ | $17.3319$ |
| $4/7$ | $12/7$ | $2.07792$ | $15.1654$ |
| $3/5$ | $1.8$ | $1.97897$ | $14.4433$ |
| $5/8$ | $1.875$ | $1.89981$ | $13.8655$ |
| $1$ | $3$ | $1.18738$ | $8.66595$ |

即使：

$$
\theta=\frac58,
$$

plain row cost仍：

$$
\boxed{
13.87>9.
}
$$

---

# 22. Consequence

所以 SRBRD-18得到一個很強的 architecture conclusion：

$$
\boxed{
\text{我們不能只追更高 distribution exponent。}
}
$$

必須同時使用：

- weighted Buchstab subtraction；
- switching identities；
- transport overlap；
- possibly well-factorable / bilinear structure；

改變 ledger本身。

---

# 23. Required Effective Row Multiplier

寫 aggregate row cost為：

$$
\boxed{
18\log\frac32
\cdot
\overline R.
}
$$

零 transport、ideal coarse/shell下要：

$$
18\log\frac32
\cdot
\overline R
<9.
$$

所以：

## Diagnostic SRBRD-18-D07

$$
\boxed{
\overline R
<
\frac{
9
}{
18\log(3/2)
}
}
$$

$$
\boxed{
\overline R
<
1.2331517312.
}
$$

這是目前最直觀的 row constant target。

---

# 24. Transport-Adjusted Threshold

若 normalized transport gain為：

$$
\Phi\ge0,
$$

而 coarse-shell available budget為：

$$
B_{CS},
$$

則 row multiplier只需：

$$
\boxed{
\overline R
<
\frac{
B_{CS}+\Phi
}{
18\log(3/2)
}.
}
$$

ideal：

$$
B_{CS}=9.
$$

所以 transport會放寬：

$$
1.23315
$$

threshold。

但 finite evidence顯示：

$$
\Phi
$$

通常是 order-one correction，

不是足以吸收：

$$
29.63
$$

或：

$$
60.56
$$

的巨大補償。

---

# 25. Finite Effective-Row Calibration

SRBRD-17 finite calibration：

$$
U_{SP}^{one}
W_m(z_3)
$$

是 ideal switched main term。

定義 observed multiplier：

$$
\boxed{
R_{\mathrm{obs}}
=
\frac{
n_{SP}
}{
U_{SP}^{one}
W_m(z_3)
}.
}
$$

selected：

| $m$ | $R_{\mathrm{obs}}$ |
|---:|---:|
| $1000$ | $1.18393$ |
| $5000$ | $1.02128$ |
| $10000$ | $0.98007$ |
| $100000$ | $1.00355$ |

全部低於 zero-transport target：

$$
1.23315.
$$

這只是 computational evidence，

但表示：

$$
\boxed{
\text{真正 arithmetic row constant似乎接近 }1,
}
$$

而不是 classical fixed-row sieve給出的：

$$
3\text{--}5
$$

甚至更大。

---

# 26. Aggregate Bilinear Switched Sequence

現在定義真正應該被整體估計的 object。

row bulk要求：

$$
2m-ru\ge z_3^2.
$$

定義 prime-pair parameter set：

$$
\boxed{
\mathcal P_m
=
\left\{
(r,u):
r,u\in\mathbb P,
\quad
z_3<r\le u,
\quad
ru\le2m-z_3^2
\right\}.
}
$$

對 pair：

$$
(r,u),
$$

定義 residual value：

$$
\boxed{
a_{r,u}
=
2m-ru.
}
$$

---

# 27. Bulk Semiprime Mass as a Sifted Bilinear Sequence

## Theorem SRBRD-18-T01

$$
\boxed{
n_{SP}^{bulk}
=
\#
\left\{
(r,u)\in\mathcal P_m:
\operatorname{RootRough}_{z_3}(a_{r,u})
\right\}.
}
$$

因：

$$
a_{r,u}\ge z_3^2,
$$

RootRough在此等價：

$$
\boxed{
\gcd
\left(
a_{r,u},
P(z_3)
\right)
=1
}
$$

其中：

$$
P(z_3)
=
\prod_{\substack{
p\in\mathbb P\\
3\le p\le z_3
}}
p.
$$

---

# 28. Aggregate Local Density

固定 odd prime：

$$
p\le z_3.
$$

因：

$$
r,u>z_3,
$$

所以：

$$
r,u
$$

都是 modulo：

$$
p
$$

的 units。

bad condition：

$$
p\mid2m-ru.
$$

---

# 29. Center Divisor

若：

$$
p\mid m,
$$

則 bad congruence：

$$
ru\equiv0\pmod p.
$$

但：

$$
r,u
$$

units。

所以：

## Theorem SRBRD-18-T02

$$
\boxed{
p\mid m
\Longrightarrow
\text{aggregate bad local density}=0.
}
$$

---

# 30. Noncenter Prime

若：

$$
p\nmid m,
$$

對每個 nonzero：

$$
r\bmod p,
$$

存在唯一：

$$
u
\equiv
2m\,r^{-1}
\pmod p.
$$

在：

$$
(p-1)^2
$$

個 unit pairs中，

bad pairs數：

$$
p-1.
$$

所以：

## Theorem SRBRD-18-T03

$$
\boxed{
g_m(p)
=
\frac1{p-1}
}
$$

for：

$$
p\nmid m.
$$

這和 SRBRD-17：

$$
W_m
$$

exact一致。

---

# 31. Squarefree Aggregate Density

對 squarefree odd：

$$
d
$$

其 prime factors皆：

$$
\le z_3,
$$

若：

$$
(d,m)=1,
$$

CRT給：

$$
\boxed{
g_m(d)
=
\frac1{\varphi(d)}.
}
$$

若：

$$
(d,m)>1,
$$

則：

$$
\boxed{
g_m(d)=0
}
$$

對包含 center-divisor prime的 simultaneous divisibility event。

這是 aggregate bilinear sequence的 exact local-density law。

---

# 32. Aggregate Distribution Remainder

令：

$$
A_d^{bil}
=
\#
\left\{
(r,u)\in\mathcal P_m:
d\mid2m-ru
\right\}.
$$

定義：

$$
\boxed{
R_d^{bil}
=
A_d^{bil}
-
g_m(d)
|\mathcal P_m|.
}
$$

真正 analytic question是：

$$
\boxed{
\text{能在多大的 }D
\text{ 上控制 }
R_d^{bil}
\text{ 的平均？}
}
$$

而不是逐 row控制 prime：

$$
u.
$$

---

# 33. Bilinear Distribution Provider

建議正式定義：

$$
\boxed{
\operatorname{BilDist}(\theta,A)
}
$$

表示：

對 appropriate sieve weights：

$$
\lambda_d,
$$

support：

$$
d\le X^\theta,
$$

有：

$$
\boxed{
\sum_{d\le X^\theta}
\lambda_d
R_d^{bil}
\ll
\frac{
|\mathcal P_m|
}{
(\log X)^A
}.
}
$$

exact admissible weight class必須在 future formal theorem中指定。

---

# 34. Ordinary BV Does Not Automatically Give BilDist

Bombieri–Vinogradov直接控制：

> primes in one arithmetic progression variable。

這裡：

$$
A_d^{bil}
$$

是：

$$
\boxed{
\text{prime} \times \text{prime}
}
$$

的 multiplicative convolution congruence：

$$
ru\equiv2m\pmod d.
$$

所以：

$$
\boxed{
\text{ordinary BV theorem本身不等於 BilDist}.
}
$$

需要：

- bilinear form estimates；
- convolution-type BV；
- dispersion；
- well-factorable weights；
- or a switching decomposition。

---

# 35. Current Literature Interface

現代 distribution literature確實包含：

- well-factorable prime AP estimates beyond exponent $1/2$；
- convolution-type Bombieri–Vinogradov estimates；
- bilinear / trilinear structured moduli results。

但每個 theorem有很具體的：

- coefficient factorability；
- support ranges；
- modulus factorization；
- variable-length hypotheses。

所以：

$$
\boxed{
\text{不能只看到 exponent就直接代入 SRBRD}.
}
$$

SRBRD-19 必須逐條做 hypothesis match。

---

# 36. Even Full BV-Scale BilDist Is Not Enough with Plain Linear Sieve

假設非常樂觀地：

$$
\operatorname{BilDist}(\theta=1/2)
$$

成立，

且可以直接在 full cutoff：

$$
z_3
$$

用 plain linear upper sieve。

T17 已證：

$$
C_{\mathrm{row}}
\approx17.33>9.
$$

所以：

$$
\boxed{
\text{BilDist}(1/2)
+
\text{plain linear sieve}
}
$$

仍不足。

---

# 37. Even Known Beyond-$1/2$ Structured Exponents Are Not Sufficient by Themselves

pure constant diagnostic：

- 
  $$
  \theta=4/7
  $$
  row cost：
  $$
  \approx15.17;
  $$
- 
  $$
  \theta=3/5
  $$
  row cost：
  $$
  \approx14.44;
  $$
- 
  $$
  \theta=5/8
  $$
  row cost：
  $$
  \approx13.87.
  $$

全部：

$$
\boxed{
>9.
}
$$

所以真正突破點必須改變：

$$
\boxed{
\text{weighted ledger}
}
$$

而不是只提升：

$$
\theta.
$$

---

# 38. Weighted Buchstab Is Therefore Mandatory

SRBRD-16 master identity目前以：

$$
-2n_{SP}
$$

懲罰 semiprime rows。

但不是所有 semiprime states對 failure coverage的「成本」必須權重：

$$
2.
$$

因：

- $SS$ states後面會加回：
  $$
  M_{SS};
  $$
- center rows有 forced internal flow；
- different factor ranges可能有不同 contamination efficiency；
- Buchstab shells與 rows有 structural overlap。

因此應引入：

# Weighted Semiprime Penalty

---

# 39. Abstract Weighted Row Functional

選 weight function：

$$
\boxed{
0\le w(r)\le2.
}
$$

把：

$$
2\sum_r n_r
$$

拆成：

$$
\boxed{
\sum_r
w(r)n_r
+
\mathcal R_w,
}
$$

其中 residual：

$$
\mathcal R_w
$$

由 transport / overlap certificate補償。

目標：

> 將 analytic row upper只施於 weight較低的部分，
> 再用 arithmetic transport支付剩餘 penalty。

這是 Chen weighted-sieve哲學在 SRBRD transport語言中的 natural version。

---

# 40. Exact Transport Reweighting Interface

由：

$$
M_{PP}
=
|\widehat{\mathcal S}_{z_3}|
-
2n_{SP}
+
M_{SS},
$$

若能證：

$$
\boxed{
M_{SS}
\ge
\sum_r
(2-w(r))n_r
-
E_w,
}
$$

則：

$$
\boxed{
M_{PP}
\ge
|\widehat{\mathcal S}_{z_3}|
-
\sum_rw(r)n_r
-
E_w.
}
$$

所以 weighted row penalty不是任意 heuristic。

它可以由 forced transport lower bound rigorously justify。

---

# 41. Weighted Buchstab / Transport Closure

結合 coarse cutoff：

$$
|\widehat{\mathcal S}_{z_3}|
=
|\widehat{\mathcal S}_y|
-
\sum_{y<r\le z_3}
|\mathcal B_r^{pair}|,
$$

得到：

## Theorem SRBRD-18-T04

如果有：

$$
M_{SS}
\ge
\sum_{r>z_3}
(2-w(r))n_r
-
E_w,
$$

則：

$$
\boxed{
M_{PP}
\ge
|\widehat{\mathcal S}_y|
-
\sum_{y<r\le z_3}
|\mathcal B_r^{pair}|
-
\sum_{r>z_3}
w(r)n_r
-
E_w.
}
$$

這是：

# Weighted Buchstab–Transport Identity

---

# 42. Why T04 Matters

plain ledger要求 row effective multiplier：

$$
<1.233.
$$

如果 transport可合法把 average row weight：

$$
2
$$

降低，

analytic row upper的 required quality就大幅放寬。

所以：

$$
\boxed{
\text{transport不只是 additive bonus，
還可以重新定義 contamination weight。}
}
$$

這可能比單純：

$$
+L_{SS}
$$

更適合 quantitative optimization。

---

# 43. Transport Weight from Center-Divisor Rows

SRBRD-15：

若：

$$
r\mid m,
$$

則：

$$
M_{r,0}\le1.
$$

所以 row：

$$
r
$$

的大部分 mass都 internal。

對 large：

$$
n_r,
$$

effective contamination weight接近：

$$
\boxed{
1
}
$$

而不是：

$$
2.
$$

因一個 $SS$ ordered pair在：

$$
2n_{SP}-M_{SS}
$$

中只造成 net penalty：

$$
1
$$

per semiprime endpoint pair contribution。

這提供 explicit weight-lowering source。

---

# 44. Cross-Row Transport Can Lower Weight Too

SRBRD-15 row/block deficiency：

$$
M_{SS}
\ge L_{SS}^{row/block}.
$$

任何这样的 lower bound都可以被轉成：

$$
w(r)
$$

或 block weights。

所以 future constant optimization可變成：

$$
\boxed{
\text{analytic upper cost}
+
\text{transport discount}
}
$$

的 joint linear program。

---

# 45. Quantitative Constant Ledger

定義 normalized：

$$
\boxed{
C_L
}
$$

= coarse lower contribution，

$$
\boxed{
C_B
}
$$

= Buchstab band upper loss，

$$
\boxed{
C_R
}
$$

= weighted switched row upper cost，

$$
\boxed{
C_T
}
$$

= transport correction。

global gate：

$$
\boxed{
C_L-C_B-C_R+C_T>0.
}
$$

---

# 46. Ledger Levels

目前：

### Ideal local density

$$
C_L-C_B=9.
$$

### Ideal unweighted row

$$
C_R
=
18\log(3/2)
\approx7.298.
$$

### Ideal zero-transport margin

$$
\boxed{
1.7016.
}
$$

### Fixed-row BV switched row

$$
C_R
\ge29.629.
$$

### Aggregate BV plain linear

$$
C_R
\approx17.332.
$$

### Needed target

roughly：

$$
\boxed{
C_R-C_T<9.
}
$$

---

# 47. Transport Calibration in Normalized Units

只作 finite heuristic calibration。

以：

$$
H V_m(z_3)
$$

作 cube-boundary density scale，

dimension-2 continuum對應 factor約：

$$
9.
$$

定義：

$$
\boxed{
\Phi_{\mathrm{obs}}
=
9
\frac{
M_{SS}
}{
H V_m(z_3)
}.
}
$$

selected：

- $m=1000$：
  約：
  $$
  0.55;
  $$
- $m=5000$：
  約：
  $$
  0.59;
  $$
- $m=10000$：
  約：
  $$
  0.85;
  $$
- $m=100000$：
  約：
  $$
  0.96.
  $$

這仍遠不足以單獨修復：

$$
17.33
$$

或：

$$
29.63.
$$

所以：

$$
\boxed{
\text{weighted shell/row constant reduction仍是必要。}
}
$$

---

# 48. Distribution Exponent with Transport

若只用 plain linear row multiplier，

transport normalized gain：

$$
\Phi
$$

會把 threshold改成：

$$
\boxed{
\theta
>
\frac{
12e^\gamma\log(3/2)
}{
9+\Phi
}
}
$$

在：

$$
\Phi\approx1
$$

時仍約：

$$
\boxed{
0.8666
}
$$

量級。

仍遠高於 standard BV與目前一般 structured-weight results。

所以 transport alone也不能取代 weighted sieve。

---

# 49. Three Different Mean-Value Problems

後續不能混淆：

## Problem A — Prime AP

ordinary BV：

$$
p\equiv a\pmod q.
$$

## Problem B — Bilinear Product AP

SRBRD aggregate rows：

$$
ru\equiv2m\pmod q.
$$

## Problem C — Weighted Buchstab Bilinear AP

加入：

- $r$ range weights；
- Buchstab coefficients；
- transport weights。

真正 SRBRD-19需要的是：

$$
\boxed{
\text{Problem C}.
}
$$

不是單純引用 Problem A 的 exponent。

---

# 50. Current 2026 Convolution Literature

2026已有新的 convolution-type Bombieri–Vinogradov / well-factorable-weight results。

這類 theorem與 SRBRD Problem B/C概念上更接近 ordinary BV。

但：

$$
\boxed{
\text{尚未做 hypothesis-to-hypothesis matching，
所以本文件不把它們當 provider。}
}
$$

下一輪應逐 theorem檢：

- variables support；
- coefficient bounds；
- well-factorability；
- modulus range；
- fixed residue dependence；
- endpoint truncation。

---

# 51. Formal Theorem Queue

```yaml
SRBRD_18:
  T01: bulk_semiprime_mass_as_sifted_bilinear_prime_pair_sequence
  T02: center_prime_gives_zero_local_bad_density
  T03: noncenter_prime_aggregate_local_density_one_over_p_minus_one
  T04: weighted_Buchstab_transport_identity
```

---

# 52. Quantitative Diagnostic Queue

```yaml
SRBRD_18_Diagnostics:
  D01:
    fixed_row_BV_level_below_cube_cutoff

  D02:
    generic_missing_band_ratio

  D03:
    fixed_row_effective_multiplier_lower_envelope

  D04:
    fixed_row_BV_aggregate_cost:
      24*exp(gamma)*log(2)

  D05:
    aggregate_plain_sieve_row_cost:
      12*exp(gamma)*log(3/2)/theta

  D06:
    zero_transport_distribution_threshold:
      theta_star:
        approx: 0.9628836273

  D07:
    zero_transport_effective_row_multiplier_target:
      approx: 1.2331517312
```

---

# 53. Acceptance Gate

SRBRD-18 formal / publication core前需：

1. fixed-row BV level derivation；
2. partial cutoff definition；
3. exact missing-band ratio；
4. Mertens-scale ratio clearly marked asymptotic；
5. linear sieve $F_1$ formula sourced；
6. $sF(s)$ monotonic theorem sourced；
7. fixed-row cost integral；
8. aggregate $\theta$-model clearly marked provider diagnostic；
9. distribution exponent table marked non-applicative comparison；
10. aggregate bilinear local-density theorem；
11. bilinear remainder definition；
12. ordinary BV ≠ BilDist firewall；
13. weighted transport identity；
14. finite calibration separated from rigorous bounds；
15. no current-literature theorem silently assumed applicable；
16. no Goldbach proof claim。

---

# 54. Verdict

本輪可以正式給：

$$
\boxed{
\mathrm{SRBRD\mbox{-}18\ DISTRIBUTION\mbox{-}LEVEL\ BARRIER\ PASS}.
}
$$

最重要的 negative theorem-level diagnosis：

$$
\boxed{
\text{fixed-row BV + ordinary linear sieve
cannot provide the required row constant.}
}
$$

continuum lower envelope：

$$
\boxed{
C_{\mathrm{row}}^{fixBV}
\approx29.63>9.
}
$$

更強地，

就算假設 aggregate plain linear sieve直接擁有 distribution exponent：

$$
\theta,
$$

零 transport crossing仍需：

$$
\boxed{
\theta>0.96288\ldots
}
$$

所以：

$$
\boxed{
\text{distribution level alone is not the missing ingredient.}
}
$$

真正剩餘 target是：

$$
\boxed{
\text{weighted Buchstab}
+
\text{aggregate bilinear distribution}
+
\text{transport discount}.
}
$$

而 exact positive structural result是：

$$
\boxed{
g_m(p)
=
\begin{cases}
0,&p\mid m,\\
1/(p-1),&p\nmid m,
\end{cases}
}
$$

for aggregate prime-pair switched rows，

顯示整體 switched sequence是真正的 dimension-1 bilinear sieve object。

但：

$$
\boxed{
\mathrm{UNIFORM\ CONSTANT\ CROSSING\ STILL\ OPEN}.
}
$$

以及：

$$
\boxed{
\mathrm{GOLDBACH\ STILL\ OPEN}.
}
$$

---

# 55. 下一輪建議

# SRBRD-19
## Convolution-BV Hypothesis Match / Weighted Transport Ledger

下一輪不再自行發明新 object。

直接做外部 theorem matching：

1. 2025 Maynard well-factorable AP：
   $$
   3/5-\varepsilon;
   $$
2. BFI：
   $$
   4/7-\varepsilon;
   $$
3. newer bilinear / trilinear / convolution-type BV results；
4. Chen linear-sieve switching framework。

逐項檢查 SRBRD weighted bilinear sequence是否滿足：

- coefficient factorability；
- dyadic support；
- fixed-shift condition；
- modulus factorization；
- well-factorable sieve weights；
- allowable exponent。

然後建立真正：

# Constant Ledger v1

如果所有已知 unconditional providers插入後仍：

$$
\boxed{
C_L-C_B-C_R+C_T\le0,
}
$$

就正式得到：

> 現有 sieve technology gap是多少。

如果意外：

$$
>0,
$$

才進入完整 rigorous proof audit。

---

# 附錄 A：Fixed-Row BV Constant Ledger

```yaml
row_band:
  t:
    min: 1/3
    max: 1/2

cofactor_size:
  U_r:
    X^(1-t)

ordinary_BV_level:
  D_r:
    approximately:
      U_r^(1/2)

partial_linear_cutoff:
  w_r:
    D_r^(1/s)

generic_missing_band_penalty:
  approximately:
    2s/(3*(1-t))

linear_sieve:
  sF_s:
    >= 2*exp(gamma)

effective_multiplier:
  >=:
    4*exp(gamma)/(3*(1-t))

aggregate_double_row_cost:
  exact_diagnostic:
    24*exp(gamma)*log(2)

decimal:
  29.6290877977
```

---

# 附錄 B：Aggregate Plain-Sieve Threshold

```yaml
full_cube_cutoff:
  z3:
    X^(1/3)

distribution_exponent:
  D:
    X^theta

linear_sieve_parameter:
  s:
    3*theta

plain_row_cost:
  12*exp(gamma)*log(3/2)/theta

zero_transport_crossing:
  requires:
    theta:
      >
      0.9628836273
```

---

# 附錄 C：Selected Exponent Diagnostic

| exponent $\theta$ | provenance class | plain row cost | below ideal budget 9? |
|---:|---|---:|:---|
| $1/2$ | Bombieri–Vinogradov | $17.3319$ | no |
| $4/7$ | BFI well-factorable | $15.1654$ | no |
| $3/5$ | Maynard well-factorable | $14.4433$ | no |
| $5/8$ | stronger structured-weight scale | $13.8655$ | no |
| $1$ | EH-level ideal endpoint | $8.66595$ | yes |

**注意：**
不同 distribution theorem 的 weight hypotheses不同。
此表只比較 exponent 在 plain linear-sieve model中的 constant effect，
不表示相關 theorem可直接套用 SRBRD。

---

# 附錄 D：Aggregate Bilinear Sequence Contract

```yaml
prime_pair_parameters:
  r:
    prime
    r > z3
  u:
    prime
    u >= r
  product:
    r*u <= 2m-z3^2

residual:
  a_r_u:
    2m-r*u

bulk_semiprime_mass:
  sift:
    a_r_u:
      RootRough_z3

local_bad_density:
  p_divides_m:
    0
  p_not_divides_m:
    1/(p-1)

squarefree_density:
  if_gcd(d,m)==1:
    1/phi(d)
```

---

# 附錄 E：Finite Row-Multiplier Calibration

| $m$ | exact $n_{SP}$ | ideal switched main term | observed multiplier |
|---:|---:|---:|---:|
| $1000$ | $35$ | $29.5625$ | $1.18393$ |
| $5000$ | $152$ | $148.8330$ | $1.02128$ |
| $10000$ | $291$ | $296.9190$ | $0.98007$ |
| $100000$ | $2100$ | $2092.5710$ | $1.00355$ |

zero-transport target：

$$
\boxed{
\overline R<1.2331517312.
}
$$

selected exact data均落在 target內。

---

# 附錄 F：Commit Decision

```yaml
research_round: SRBRD-18

decision:
  fixed_row_BV_no_go: true
  aggregate_plain_sieve_near_EH_threshold: true
  bilinear_switched_local_density: true
  weighted_transport_identity: true
  current_distribution_exponents_alone_insufficient: true
  uniform_constant_crossing: false
  goldbach_proved: false

main_gap:
  weighted_bilinear_distribution_plus_transport_constant

next:
  SRBRD-19_ConvolutionBV_HypothesisMatch_WeightedTransport_Ledger
```

---

# References

1. T. Tao, “254A, Supplement 5: The linear sieve and Chen’s theorem,” 2015.  
   Linear-sieve functions satisfy:
   $$
   F(s)=2e^\gamma/s
   $$
   for:
   $$
   1<s\le3,
   $$
   and:
   $$
   \frac{d}{ds}(sF(s))=f(s-1).
   $$

2. Bombieri–Vinogradov theorem. Standard mean distribution of primes in arithmetic progressions up to:
   $$
   x^{1/2}
   $$
   modulo logarithmic loss.

3. J. Maynard, “Primes in arithmetic progressions to large moduli II: well-factorable estimates,” *Memoirs of the AMS* 306 (2025), no. 1543.  
   Well-factorable weighted estimates to:
   $$
   x^{3/5-\varepsilon}.
   $$

4. Bombieri–Friedlander–Iwaniec, well-factorable prime-progressions technology up to:
   $$
   x^{4/7-\varepsilon}.
   $$

5. Z. Yang, “Convolution-type Bombieri–Vinogradov theorem with well-factorable weights, and its applications,” arXiv:2608.13299 (2026).  
   Mentioned only as a possible future convolution-interface source; no hypothesis match is asserted here.

6. Elliott–Halberstam conjecture. Used only as a scale comparison for distribution exponent near:
   $$
   1.
   $$