# TCDC-08 ## Failure-Support LP / Multi-Slice Dual Certificate Mining ### Prime-Sink Maximum、Forced-$SS$ Floor、Network Amplification、High-Suffix Doubling 與 LP-Dual Certificate Search **母方法論：** TCDC — Target–Condition Dual Closure **對接研究線：** RG-SCP / SRBRD **輪次：** TCDC-08 **日期：** 2026-10-02 **版本：** v0.1 **作者：** Neo.K；Aletheia（GPT-5.6 Sol） **性質：** Failure-Support Linear Program / Dual Certificate Mining / Network Amplification Kernel **前置：** TCDC-00 ～ TCDC-07；SRBRD-00 ～ SRBRD-26 **狀態：** 將 failure-support optimization正式化為 prime-sink maximum LP；證明其直接給 ordered Goldbach lower bound；建立 row-deficiency 與 network-doubling lower certificates；finite mining顯示 internal network確實可比 rowwise capacity多逼出 forced $SS$ mass，但目前 finite samples仍主要由 prime-majority主導；Goldbach仍未證明 --- # 0. 本輪目的 TCDC-07 定義 failure support function： $$ \mathcal H_B(\boldsymbol\eta) = \sup_{M\in\mathfrak F_B} \mathcal S_B(\boldsymbol\eta). $$ 但還沒有把最簡單、最重要的 support direction真正解出來。 本輪先取： # Prime-Sink Direction 也就是： > 在所有 proof-admissible semiprime transport中， > semiprime endpoints最多能有多少流到 prime sink？ 這會直接產生： $$ \boxed{ M_{PP} } $$ 的 lower bound。 --- # 1. Semiprime Row Data 沿用 cube-root boundary labels： $$ r\in\mathcal R_m. $$ row totals： $$ \boxed{ n_r. } $$ semiprime endpoint總量： $$ \boxed{ n_{SP} = \sum_rn_r. } $$ prime endpoint總量： $$ \boxed{ n_P. } $$ actual mixed prime-sink row mass： $$ \boxed{ c_r=M_{r,0}. } $$ internal semiprime cell： $$ \boxed{ y_{r,s}=M_{r,s}. } $$ --- # 2. Outer Capacity System 假設有 proof-admissible upper capacities： $$ \boxed{ c_r\le U_r^P, } $$ 以及： $$ \boxed{ y_{r,s}\le U_{r,s}. } $$ 並保留： $$ \boxed{ y_{r,s}=y_{s,r}. } $$ row conservation： $$ \boxed{ c_r+\sum_sy_{r,s}=n_r. } $$ 所有 arithmetic zero cells都直接： $$ U_{r,s}=0. $$ --- # 3. Prime-Sink Maximum LP 定義： ## Definition TCDC-08-D01 $$ \boxed{ P_{\max}(m;U) = \max \sum_rc_r } $$ subject to： $$ c_r+\sum_sy_{r,s}=n_r, $$ $$ 0\le c_r\le U_r^P, $$ $$ 0\le y_{r,s}\le U_{r,s}, $$ $$ y_{r,s}=y_{s,r}. $$ 可先做 LP relaxation： $$ c_r,y_{r,s}\in\mathbb R_{\ge0}. $$ 若 integer constraints再加入， 只會使 feasible region更小。 --- # 4. Why the Actual Transport Is Feasible actual SRBRD transport matrix本身滿足： - row totals； - symmetry； - proof-admissible capacities。 所以： ## Theorem TCDC-08-T01 $$ \boxed{ \sum_rc_r^{actual} = M_{PS} \le P_{\max}(m;U). } $$ --- # 5. Direct Goldbach Lower Bound prime row identity： $$ \boxed{ n_P = M_{PP} + M_{PS}. } $$ 由 T01： ## Theorem TCDC-08-T02 ### Prime-Sink Maximum Bound $$ \boxed{ M_{PP} \ge n_P - P_{\max}(m;U). } $$ 所以若： $$ \boxed{ n_P>P_{\max}(m;U), } $$ 則： $$ \boxed{ M_{PP}>0. } $$ 這不需要先假設 failure。 --- # 6. Forced Internal Mass Floor 定義： $$ \boxed{ \Gamma(m;U) = n_{SP} - P_{\max}(m;U). } $$ 因： $$ \sum_ri_r = n_{SP} - \sum_rc_r, $$ 得到： ## Theorem TCDC-08-T03 $$ \boxed{ M_{SS} \ge \Gamma(m;U). } $$ 所以： $$ \Gamma $$ 是： # Minimum Forced Internal Semiprime Mass over the outer transport polytope。 --- # 7. Recover the SRBRD Identity SRBRD-14： $$ M_{PP} = n_P-n_{SP}+M_{SS}. $$ 代入 T03： $$ M_{PP} \ge n_P-n_{SP}+\Gamma. $$ 而： $$ \Gamma=n_{SP}-P_{\max}. $$ 所以： $$ \boxed{ M_{PP} \ge n_P-P_{\max}. } $$ 與 T02一致。 --- # 8. Coarse Prime-Majority as the Trivial LP Bound 永遠： $$ \boxed{ P_{\max}\le n_{SP}, } $$ 因每個 semiprime endpoint最多流一單位到 prime sink。 所以 T02立刻給： $$ \boxed{ M_{PP}\ge n_P-n_{SP}. } $$ 這就是 prime-majority lower bound。 因此： > TCDC-08 LP是 prime-majority 的 strict refinement。 --- # 9. Rowwise Prime-Sink Upper 忽略 internal network coupling， 只由： $$ c_r\le n_r, $$ $$ c_r\le U_r^P, $$ 得到： $$ \boxed{ P_{\mathrm{row}} = \sum_r \min \left( n_r, U_r^P \right). } $$ 顯然： ## Theorem TCDC-08-T04 $$ \boxed{ P_{\max} \le P_{\mathrm{row}}. } $$ 所以： $$ \boxed{ M_{PP} \ge n_P-P_{\mathrm{row}}. } $$ --- # 10. Row-Deficiency Floor 定義： $$ \boxed{ d_r = (n_r-U_r^P)_+. } $$ 則： $$ \min(n_r,U_r^P) = n_r-d_r. $$ 所以： $$ P_{\mathrm{row}} = n_{SP} - \sum_rd_r. $$ 定義： $$ \boxed{ \Gamma_{\mathrm{row}} = \sum_rd_r. } $$ 於是： ## Theorem TCDC-08-T05 $$ \boxed{ M_{SS} \ge \Gamma_{\mathrm{row}}. } $$ 這就是 SRBRD-15 row-deficiency lower bound的 LP interpretation。 --- # 11. Network Gain 定義： $$ \boxed{ G_{\mathrm{net}} = P_{\mathrm{row}} - P_{\max} } $$ 等價： $$ \boxed{ G_{\mathrm{net}} = \Gamma - \Gamma_{\mathrm{row}}. } $$ 由 T04： $$ \boxed{ G_{\mathrm{net}}\ge0. } $$ 這表示： > 即使每個 row individually 看起來還能把某些 mass送到 prime sink， > internal symmetry / support / capacity coupling仍可能迫使額外的 $SS$ mass。 --- # 12. Why Network Gain Exists 如果 row： $$ r $$ 有 forced internal unit： $$ y_{r,s}>0 $$ 且： $$ r\neq s, $$ 那這一單位不只消耗 row： $$ r $$ 的一單位 internal mass。 由 symmetry： $$ y_{s,r}=y_{r,s}, $$ 它同時也消耗 receiver row： $$ s $$ 的一單位 internal mass。 所以 off-diagonal internal flow具有： # Two-Row Consumption --- # 13. Subset Forced Demand 對任意： $$ B\subseteq\mathcal R_m, $$ 定義： $$ \boxed{ D_B = \sum_{r\in B}d_r. } $$ actual： $$ i_r\ge d_r, $$ 所以： $$ \boxed{ I_B = \sum_{r\in B}i_r \ge D_B. } $$ --- # 14. Within-$B$ Ordered Internal Mass 定義： $$ \boxed{ W_B = \sum_{\substack{ r\in B\\ s\in B }} y_{r,s}. } $$ 注意： - diagonal： $$ y_{r,r} $$ counted once； - off-diagonal： $$ y_{r,s},y_{s,r} $$ counted twice。 cross mass： $$ \boxed{ C_B = \sum_{\substack{ r\in B\\ s\notin B }} y_{r,s}. } $$ 則： $$ \boxed{ I_B=W_B+C_B. } $$ --- # 15. Global Internal Mass Decomposition total： $$ M_{SS} = \sum_ri_r. $$ split into： - inside $B$； - cross； - outside。 cross edges在 global ordered total中被算兩次。 所以： ## Theorem TCDC-08-T06 $$ \boxed{ M_{SS} \ge W_B+2C_B = 2I_B-W_B. } $$ --- # 16. Within-$B$ Capacity 若： $$ y_{r,s}\le U_{r,s}, $$ 定義 ordered within capacity： $$ \boxed{ K_B = \sum_{r\in B}U_{r,r} + 2 \sum_{\substack{ r,s\in B\\ r $B$ 中每一單位 forced internal demand， > 因為只能跨出去， > 會在 receiver side再消耗一單位 internal mass。 --- # 20. High-Suffix Doubling TCDC-02： 若： $$ B_R = \{r\ge R\}, $$ 且： $$ R>\sqrt m, $$ 則沒有 high-high internal cell： $$ M_{r,s}=0 $$ for： $$ r,s\in B_R. $$ 所以： $$ \boxed{ K_{B_R}=0. } $$ 因此： ## Theorem TCDC-08-T08 ### High-Suffix Network Doubling $$ \boxed{ M_{SS} \ge 2 \sum_{r\ge R} (n_r-U_r^P)_+ } $$ for every： $$ R>\sqrt m. $$ 這是 TCDC-02 mirror geometry與 TCDC-08 LP duality的直接合流。 --- # 21. Direct Goldbach Lower from Suffix Doubling 由： $$ M_{PP} = n_P-n_{SP}+M_{SS}, $$ T08給： ## Corollary TCDC-08-C03 $$ \boxed{ M_{PP} \ge n_P-n_{SP} + 2 \sum_{r\ge R} (n_r-U_r^P)_+. } $$ 所以即使： $$ n_P\le n_{SP}, $$ 只要 high-suffix forced pressure足夠大， 仍可 closure。 --- # 22. Prime-Sink Maximum Dual View 因： $$ P_{\max} = n_{SP}-\Gamma, $$ 任何 internal floor： $$ L_{SS}\le M_{SS} $$ 都給： $$ \boxed{ P_{\max} \le n_{SP}-L_{SS}. } $$ 所以 T07 / T08 也可以被看成： # Prime-Sink Capacity Discount --- # 23. LP Dual Interpretation prime-sink maximum LP： $$ \max \sum_rc_r $$ 的 dual會對： - row conservation； - mixed upper bounds； - internal cell upper bounds； 配置 shadow prices。 T07 的： $$ 2D_B-K_B $$ 就是一族可人工寫出的 dual-like cut certificate。 因此： $$ \boxed{ \text{network amplification不是 solver artifact， 而是可形式化成 closed-form theorem}. } $$ --- # 24. Finite Mining Protocol 為避免 Level-0 prime-majority掩蓋所有新信息， finite mining不只看： $$ n_P-P_{\max}. $$ 還另外記： $$ \boxed{ \Gamma = n_{SP}-P_{\max}. } $$ 它回答： > 完全忽略 actual prime majority後， > fine transport capacities本身會強迫多少 $SS$ internal mass？ 再比較： $$ \boxed{ \Gamma_{\mathrm{row}} } $$ 與： $$ \boxed{ G_{\mathrm{net}} = \Gamma-\Gamma_{\mathrm{row}}. } $$ --- # 25. Finite Scan：$3\le m\le1000$ 使用： - exact cube-root survivor row totals： $$ n_r; $$ - exact prime-corridor mixed upper： $$ U_r^P; $$ - TCDC-02 elementary raw internal cell upper： $$ U_{r,s}^{raw}; $$ - LP relaxation。 在： $$ 3\le m\le1000 $$ 中， 有： $$ \boxed{ 982 } $$ 個 cases具有： $$ n_{SP}>0. $$ --- # 26. Positive Forced-Internal Floor 其中： $$ \boxed{ 272 } $$ 個 cases得到： $$ \boxed{ \Gamma>0. } $$ 也就是： > 即使不使用 prime-majority， > current mixed/internal capacities本身也強迫至少一些 $SS$ mass。 這只是 finite computational evidence。 --- # 27. Genuine Network Gain 在上述： $$ 982 $$ 個 cases中： $$ \boxed{ 76 } $$ 個 cases有： $$ \boxed{ G_{\mathrm{net}}>0. } $$ 也就是 LP coupling比： $$ \Gamma_{\mathrm{row}} $$ 更強。 所以： $$ \boxed{ \text{symmetry / internal support network確實能產生獨立的 capacity amplification}. } $$ --- # 28. No Network-Only Positive Case in This Scan 但 finite scan也發現： $$ \boxed{ \Gamma_{\mathrm{row}}=0 } $$ 時， 沒有觀察到： $$ \boxed{ \Gamma>0. } $$ for： $$ m\le1000. $$ 也就是： > current raw internal capacities在此 range中， > network coupling會放大既有 row deficiency， > 但沒有單獨創造新的 forced-$SS$ positivity。 這是 finite evidence， 不是 theorem。 --- # 29. Maximum Observed Network Gain 在： $$ m\le1000, $$ observed： $$ \boxed{ \max G_{\mathrm{net}}=3. } $$ 出現在： $$ \boxed{ m=783,\ 837,\ 870. } $$ again： $$ \boxed{ \text{computational evidence only}. } $$ --- # 30. Example：$m=96$ finite exact data： $$ n_P=29, $$ $$ n_{SP}=9. $$ rowwise prime maximum： $$ P_{\mathrm{row}}=8. $$ LP prime-sink maximum： $$ \boxed{ P_{\max}=7. } $$ 所以： $$ \boxed{ \Gamma=2. } $$ ordered Goldbach lower： $$ \boxed{ M_{PP} \ge 29-7 = 22. } $$ actual： $$ \boxed{ M_{PP}=22. } $$ 這個 finite case LP lower exact。 --- # 31. Example：$m=255$ $$ n_P=78, $$ $$ n_{SP}=20. $$ $$ P_{\mathrm{row}}=15, $$ $$ \boxed{ P_{\max}=14. } $$ 所以： $$ \boxed{ \Gamma=6. } $$ Goldbach lower： $$ \boxed{ M_{PP}\ge64. } $$ actual： $$ \boxed{ M_{PP}=64. } $$ 再次 exact。 --- # 32. Example：$m=783$ $$ n_P=137, $$ $$ n_{SP}=47. $$ row deficiency： $$ \boxed{ \Gamma_{\mathrm{row}}=3. } $$ 但 LP： $$ \boxed{ \Gamma=6. } $$ 所以： $$ \boxed{ G_{\mathrm{net}}=3. } $$ LP prime-sink maximum： $$ \boxed{ P_{\max}=41. } $$ rowwise only： $$ P_{\mathrm{row}}=44. $$ 因此 LP lower： $$ \boxed{ M_{PP}\ge96, } $$ rowwise lower只有： $$ 93. $$ actual： $$ \boxed{ M_{PP}=102. } $$ --- # 33. Why $m=783$ Doubles 其 principal forced row： $$ r=29 $$ 具有： $$ \boxed{ d_{29}=3, } $$ 且： $$ 29\nmid783, $$ 所以 diagonal： $$ M_{29,29}=0. $$ forced internal units必須流向其它 rows。 每一單位 outgoing internal mass又在 receiver row消耗一單位。 所以 singleton cut： $$ B=\{29\} $$ 直接給： $$ \boxed{ M_{SS}\ge2d_{29}=6. } $$ 這和 LP： $$ \Gamma=6 $$ 一致。 所以： > finite solver找到的 gain可被 T08 closed-form解釋。 --- # 34. Example：$m=870$ $$ n_P=186, $$ $$ n_{SP}=48. $$ $$ \Gamma_{\mathrm{row}}=7. $$ LP： $$ \boxed{ \Gamma=10. } $$ 所以： $$ \boxed{ G_{\mathrm{net}}=3. } $$ $$ P_{\max}=38. $$ LP Goldbach lower： $$ \boxed{ M_{PP}\ge148. } $$ actual： $$ \boxed{ M_{PP}=152. } $$ network coupling again improves the rowwise certificate。 --- # 35. Example：$m=969$ $$ n_P=153, $$ $$ n_{SP}=49. $$ observed： $$ \boxed{ \Gamma_{\mathrm{row}}=24, } $$ $$ \boxed{ \Gamma=24. } $$ 所以： $$ \boxed{ G_{\mathrm{net}}=0. } $$ prime-sink maximum： $$ \boxed{ P_{\max}=25. } $$ LP lower： $$ \boxed{ M_{PP}\ge128. } $$ actual： $$ \boxed{ M_{PP}=130. } $$ 這個 case的結構主要來自 row capacities， 不是 network amplification。 --- # 36. Current LP Capacities Are Still Outer and Loose finite LP使用： ### Mixed exact prime-corridor upper： $$ U_r^P. $$ ### Internal elementary raw： $$ U_{r,s}^{raw}. $$ 所以： $$ P_{\max} $$ 仍是 outer maximum。 若換成更 sharp： - DFSPC； - RSFLD； - exact cell prime bounds； - MRC； 則： $$ P_{\max} $$ 只能下降。 所以： $$ \boxed{ \Gamma } $$ 只會增加。 --- # 37. Capacity-Monotonicity Theorem 若： $$ U'\le U $$ componentwise， 則 feasible outer polytope縮小。 因此： ## Theorem TCDC-08-T09 $$ \boxed{ P_{\max}(U') \le P_{\max}(U). } $$ 所以： $$ \boxed{ \Gamma(U') \ge \Gamma(U). } $$ 這允許不同 analytic providers逐層加入， 而不破壞既有 certificate。 --- # 38. Multi-Slice LP partition labels： $$ \boxed{ \mathcal R_m = B_1\sqcup\cdots\sqcup B_J. } $$ 對每 slice， 定義 forced deficiency： $$ \boxed{ D_j = \sum_{r\in B_j}d_r. } $$ within capacities： $$ \boxed{ K_{ij} = \sum_{\substack{ r\in B_i\\ s\in B_j }} U_{r,s} } $$ with suitable symmetric counting。 這產生： # Coarse Slice Transport LP variables： $$ Y_{ij}. $$ 它比 full row LP小很多， 但仍保留： - network competition； - mirror support； - sink sharing。 --- # 39. Slice-Level Prime Maximum 令： $$ C_j $$ 為 slice mixed prime mass。 constraints： $$ \boxed{ C_j+\sum_iY_{ji}=N_j, } $$ 其中： $$ N_j=\sum_{r\in B_j}n_r. $$ 以及： $$ C_j\le U_j^P. $$ 此 coarse LP給： $$ \boxed{ P_{\max}^{slice}. } $$ 若： $$ P_{\max}^{slice} < n_P, $$ 就已 closure。 --- # 40. Why Multi-Slice Is Useful for Uniform Proof finite full LP dual coefficients可能對每個 prime label震盪。 slice LP則可選： - normalized： $$ r/\sqrt m; $$ - logarithmic： $$ \log r/\log m; $$ fixed bins。 若 dual prices在： $$ m $$ 增大時穩定， 更容易變成 continuum proof。 --- # 41. Dual Shadow Prices prime-sink max LP的 dual shadow price可以理解： ### Row price 增加： $$ n_r $$ 一單位， 最多增加多少 prime-sink capacity。 ### Mixed-cap price 放寬： $$ U_r^P $$ 一單位的價值。 ### Internal-edge price 放寬： $$ U_{r,s} $$ 一單位是否能讓更多 semiprime mass逃往 prime sink。 active internal edges的 dual price可直接指出： > 下一個最值得 sharpen的 arithmetic cell。 --- # 42. Provider-Target Mining 如果同一類 cell： $$ (r,s) $$ 反覆有高 dual price， analytic研究應優先改善其： $$ U_{r,s}. $$ 如果某些 rows： $$ r $$ 的 mixed upper： $$ U_r^P $$ shadow price最高， 則應優先： - prime progression； - switching； - balanced convolution； 改善： $$ U_r^P. $$ 所以 LP dual不只是證明工具， 也是： # Provider Allocation Engine --- # 43. A Stronger Failure Certificate 直接 T02： $$ \boxed{ M_{PP} \ge n_P-P_{\max}. } $$ 所以： $$ \boxed{ \Delta_{\mathrm{LP}} = n_P-P_{\max} } $$ 本身就是 ordered Goldbach lower certificate。 若： $$ \Delta_{\mathrm{LP}}\ge k, $$ 則： $$ \boxed{ M_{PP}\ge k. } $$ 不只 existence。 --- # 44. Reduced Goldbach Lower SRBRD-14： $$ R_G^{-}(2m) = \frac{ M_{PP} + \mathbf1_{\mathbb P}(m) }{2}. $$ 所以： ## Corollary TCDC-08-C04 $$ \boxed{ R_G^{-}(2m) \ge \frac{ n_P-P_{\max} + \mathbf1_{\mathbb P}(m) }{2}. } $$ 取 appropriate integer interpretation。 --- # 45. LP Bound Can Be Exact $m=96$： $$ n_P-P_{\max}=22=M_{PP}. $$ $m=255$： $$ n_P-P_{\max}=64=M_{PP}. $$ 所以在某些 finite cases， 目前 outer capacities已經把 mixed prime-sink maximum壓到 actual value。 這說明 LP formulation不是只有非常鬆的 formal object。 --- # 46. But Prime-Majority Still Dominates Current Samples earlier finite scan： $$ 3\le m\le5000 $$ 觀察： $$ \boxed{ n_P>n_{SP} } $$ in all sampled cases。 所以 finite： $$ \Delta_{\mathrm{LP}} $$ positive的主要原因仍包含 Level-0 margin。 因此： ## Research Firewall TCDC-08-R01 $$ \boxed{ \text{finite LP success in current sample range cannot be interpreted as independent evidence for a uniform fine-capacity proof}. } $$ 這也是為什麼本輪額外研究： $$ \Gamma $$ 與： $$ G_{\mathrm{net}}. $$ --- # 47. Stress-Test Interpretation $$ \Gamma>0 $$ 可理解成： > 即使把 coarse prime-majority margin人工拿掉， > current semiprime network本身仍強迫多少 $SS$ internal mass？ 這是一個： # Coarse-Deficit-Stripped Structural Signal 但不是 actual altered theorem statement。 --- # 48. What the Finite Scan Says 到： $$ m\le1000, $$ current capacities呈現： 1. row deficiency是 forced-$SS$ positivity的主要 source； 2. network symmetry可再放大它； 3. network amplification observed可達： $$ +3; $$ 4. current raw internal capacities尚未顯示： $$ \Gamma_{\mathrm{row}}=0 \Longrightarrow \Gamma>0 $$ 的 finite example。 所以： $$ \boxed{ \text{下一個 analytic priority仍是 sharpen mixed row capacities }U_r^P, } $$ 而不是只繼續增加 raw internal geometry。 --- # 49. This Reconnects to TCDC-06 / 07 TCDC-06： > branch-neutral sender需要 failure prime-sink capacity。 TCDC-07： > prime branch應支付： > $$ > \min( > U_P^{ana}, > C_P^{fail} > ). > $$ TCDC-08 現在給出： $$ \boxed{ C_P^{fail} = P_{\max}(m;U) } $$ 的 canonical finite definition。 所以： # Prime-Sink Capacity Is No Longer Abstract 它就是一個 LP support value。 --- # 50. Vector $\eta$ and Prime-Sink LP 若加入： $$ \boldsymbol\eta, $$ support objective： $$ \sum_r \left( i_r+\eta_rc_r \right) $$ 由： $$ i_r=n_r-c_r $$ 變成： $$ \boxed{ \sum_rn_r - \sum_r(1-\eta_r)c_r. } $$ 所以計： $$ \mathcal H(\boldsymbol\eta) $$ 等價於一個： # Weighted Prime-Sink Maximum 其中 row： $$ r $$ 的 mixed flow reward： $$ 1-\eta_r. $$ 這和 TCDC-07 dual pricing完全吻合。 --- # 51. Multi-Objective Prime-Sink LP 定義 weights： $$ \boxed{ \alpha_r=1-\eta_r. } $$ 則： $$ \boxed{ P_{\max}(\boldsymbol\alpha) = \max \sum_r\alpha_rc_r. } $$ failure support： $$ \boxed{ \mathcal H(\boldsymbol\eta) = n_{SP} - P_{\max}(\mathbf1-\boldsymbol\eta) } $$ for selected full sender set。 所以： ## Theorem TCDC-08-T10 $$ \boxed{ \text{TCDC-07 support-function optimization is equivalent to a family of weighted prime-sink LPs}. } $$ --- # 52. Why This Is Computationally Convenient 不需要為每個： $$ \eta $$ 重建 constraint system。 只改 objective coefficients： $$ \alpha_r. $$ 所以可以： - grid； - subgradient； - cutting-plane； - convex optimization； 快速掃： $$ \boldsymbol\eta. $$ --- # 53. Towards a Uniform Dual Function finite optimum可產生： $$ \alpha_r^* $$ 或： $$ \eta_r^*. $$ normalize： $$ \boxed{ \rho = \frac r{\sqrt m}. } $$ 若： $$ \eta_r^* \approx \eta(\rho), $$ 則 uniform proof可尋： $$ \boxed{ \eta: (0,\sqrt2) \to [0,1]. } $$ 這就是： # Continuum Failure Dual Price --- # 54. Candidate Structural Shapes 基於目前 theorem： ### Center-divisor labels transport便宜， 預期： $$ \eta\to1. $$ ### Large suffix prime-sink / mirror容量同時縮， 可能： $$ \eta $$ 較高。 ### Generic mid labels analytic prime upper可能更有效， 可能： $$ \eta $$ 較低。 這些都只是 pattern hypotheses， 尚未經 systematic mining。 --- # 55. Formal Theorem Queue ```yaml TCDC_08: T01: actual_mixed_mass_below_prime_sink_LP_max T02: ordered_Goldbach_lower_from_prime_sink_max T03: forced_internal_floor_Gamma T04: LP_max_below_rowwise_max T05: row_deficiency_internal_floor T06: subset_internal_decomposition T07: network_amplification T08: high_suffix_network_doubling T09: capacity_monotonicity T10: support_function_equals_weighted_prime_sink_LP ``` --- # 56. Finite Audit Queue ```yaml scan: m: 3_to_1000 cases_with_nSP_positive: 982 Gamma_positive: 272 network_gain_positive: 76 max_network_gain: 3 max_network_gain_examples: - 783 - 837 - 870 network_only_positive_when_row_deficiency_zero: observed: 0 status: computational_evidence_only ``` --- # 57. Barrier Queue ```yaml TCDC_08_Barriers: B01: current_finite_samples_prime_majority_already_positive B02: mixed_row_capacities_remain_main_structural_bottleneck B03: raw_internal_capacities_often_too_loose B04: no_uniform_positive_Gamma_theorem B05: no_uniform_network_gain_theorem_beyond_cut_lemmas B06: continuum_dual_price_not_mined ``` --- # 58. Acceptance Gate TCDC-08 formal core前需： 1. actual transport feasible in outer LP； 2. prime-sink maximum definition； 3. $M_{PP}\ge n_P-P_{\max}$ direction correct； 4. $\Gamma$ relation； 5. rowwise capacity relaxation； 6. ordered counting conventions for internal cells； 7. network amplification proof； 8. high-suffix no-inside-cell condition； 9. finite LP scan labeled computational； 10. prime-majority dominance firewall； 11. LP relaxation nonempty/empty direction correct； 12. no finite scan to uniform theorem leap； 13. no Goldbach proof claim。 --- # 59. Verdict 本輪可以正式給： $$ \boxed{ \mathrm{TCDC\mbox{-}08\ FAILURE\mbox{-}SUPPORT\ LP\ KERNEL\ PASS}. } $$ 最重要 exact result： $$ \boxed{ M_{PP} \ge n_P-P_{\max}(m;U). } $$ 所以 Goldbach failure被進一步壓成： > semiprime network能不能把： > $$ > n_P > $$ > 單位 prime endpoints全部吸收？ forced internal floor： $$ \boxed{ \Gamma = n_{SP}-P_{\max}. } $$ 又得到 network amplification： $$ \boxed{ M_{SS} \ge 2D_B-K_B. } $$ 特別 high suffix： $$ R>\sqrt m $$ 因： $$ K_{B_R}=0, $$ 所以： $$ \boxed{ M_{SS} \ge 2 \sum_{r\ge R} (n_r-U_r^P)_+. } $$ 這解釋 finite LP中反覆出現的： # Off-Diagonal Doubling Shadow Price finite： $$ m\le1000 $$ audit顯示： - $272/982$ 個 nontrivial semiprime cases已有： $$ \Gamma>0; $$ - $76$ cases有 genuine： $$ G_{\mathrm{net}}>0; $$ - 最大 observed network gain： $$ 3. $$ 但沒有觀察到： $$ \Gamma_{\mathrm{row}}=0 $$ 而 purely network alone產生： $$ \Gamma>0. $$ 所以目前最值得改善的 provider仍是： $$ \boxed{ U_r^P } $$ mixed prime-sink capacity。 而不是再堆更多 raw internal geometry。 目前： $$ \boxed{ \mathrm{NO\ UNIFORM\ LP\ DUAL\ GAP\ YET}. } $$ 因此： $$ \boxed{ \mathrm{GOLDBACH\ STILL\ OPEN}. } $$ --- # 60. 下一輪建議 # TCDC-09 ## Mixed Prime-Sink Capacity / LP-Shadow-Price Targeted Closure 下一輪不再泛化 LP。 直接利用 TCDC-08 finite dual資訊， 把 analytic effort集中到真正高 shadow-price 的： $$ U_r^P. $$ ### Part A — Define Row Value 對每 row： $$ r, $$ 求： - mixed-cap shadow price； - network amplification； - mirror position。 ### Part B — Classify High-Value Rows 例如： - center rows； - high suffix； - row-deficient isolated labels； - rows with only unit-capacity internal cells。 ### Part C — Targeted Analytic Upper 只對高-value rows建立： - balanced convolution prime upper； - switching； - Brun–Titchmarsh refinement； - RSFLD / DFSPC。 ### Part D — Re-run LP 看： $$ P_{\max} $$ 下降多少。 真正 optimization objective不再是： > 每個 row都做最好 upper。 而是： $$ \boxed{ \text{每一單位 analytic sharpness能降低多少 }P_{\max}. } $$ 這會把 TCDC 變成真正的： # Proof-Resource Allocation Engine --- # 附錄 A：Prime-Sink LP ```yaml variables: c_r: mixed_prime_sink_mass y_r_s: internal_semiprime_mass objective: maximize: sum_r(c_r) constraints: row: c_r + sum_s(y_r_s) == n_r mixed: 0 <= c_r <= U_P_r internal: 0 <= y_r_s <= U_r_s symmetry: y_r_s == y_s_r output: P_max Goldbach_lower: M_PP: >= n_P-P_max ``` --- # 附錄 B：Forced Internal Floors ```yaml Gamma: n_SP-P_max Gamma_row: sum_r(max(0,n_r-U_P_r)) network_gain: Gamma-Gamma_row subset: D_B: sum_r_in_B(max(0,n_r-U_P_r)) K_B: sum_diag_U +2*sum_offdiag_inside_B_U lower: M_SS >= 2*D_B-K_B high_suffix: if_R_gt_sqrt_m: K_B: 0 therefore: M_SS >= 2*D_B ``` --- # 附錄 C：Finite Examples | $m$ | $n_P$ | $n_{SP}$ | $P_{\mathrm{row}}$ | $P_{\max}^{LP}$ | LP lower $M_{PP}$ | actual $M_{PP}$ | |---:|---:|---:|---:|---:|---:|---:| | 96 | 29 | 9 | 8 | 7 | 22 | 22 | | 255 | 78 | 20 | 15 | 14 | 64 | 64 | | 783 | 137 | 47 | 44 | 41 | 96 | 102 | | 870 | 186 | 48 | 41 | 38 | 148 | 152 | | 969 | 153 | 49 | 25 | 25 | 128 | 130 | --- # 附錄 D：Finite Scan ```yaml range: m: 3_to_1000 nonzero_semiprime_cases: 982 Gamma_positive: 272 network_gain_positive: 76 max_network_gain: 3 examples: - 783 - 837 - 870 network_positive_without_row_deficiency: observed: false warning: prime_majority_positive_in_current_sample_family: true ``` --- # 附錄 E：Commit Decision ```yaml research_round: TCDC-08 decision: prime_sink_support_LP: formalized direct_Goldbach_lower_bound: formalized forced_internal_floor: formalized network_amplification: proved high_suffix_doubling: proved finite_LP_mining: completed_initial_scan uniform_LP_dual_gap: not_proved Goldbach_proved: false next: TCDC-09_MixedPrimeSink_Capacity_LPShadowPrice_Targeted_Closure ```