5D Library › 离散周期网络中的双尺度重整化、占位数分布熵与推力波叠加定理 · English
第三章 四态激发映射、对径半波耦合与推力分解
作者的规则,写成定义
第二章只看占位数。作者框架在占位之上又规定了一套「激发」规则:一个格子有一个粒子,记 +1.0(「本位命中」);有两个粒子,记 +2.0(作者称为「双粒子同格相干叠加」);一个空格子,只有在它对面()的格子有粒子时,才「吸收」对面激发的 0.5 倍(「对径镜像半波耦合」)。这些都是作者定义的模型规则,本身无所谓对错;这一章把它们写成公理式的定义,然后推导它们的性质。
推导
定义 3.1(作者的模型:四态激发映射)。 取激发函数 ,满足 、、;作者的框架没有规定 的情形,本书默认线性延拓 ,并在后面比较其他延拓。耦合系数 。格子 的激发为 其中下标按模 12 计算。于是每个格子处于四种状态之一:真空(自己与对面都空,)、耦合态(自己空、对面有粒子,)、本位命中(,)、叠加态(,)。总通量(作者称「推力」)为 ,峰值推力为 。
说明。 「吸收」在这里不消耗对面的激发:对面格子的 不因此减少。这是作者规则的一种读法;如果规定吸收必须从对面扣除,总通量就恒等于 ,耦合不再改变总量,只改变分布。
推力分解定理
作者把这套规则下的总量性质称为「推力波叠加定理」。下面的定理给出它能严格成立的内容。
推导
定理 3.1(对径对分解;作者框架称「推力波叠加定理」)。 总通量是六个对径对 , 的贡献之和: 证明: 与 只依赖于 ;逐一检查三种情形即得。
定理 3.2(通量的界)。 取线性激发 。称恰有一个格子为空的对径对为「半空对」,其数目为 ,半空对中的粒子总数为 ,则 。设空位数为 ,则:
时 ; 时(全部粒子在一个格子里)。
时,
总是 ,即在 14 到 21 之间;峰值推力等于最大占位 ,因为耦合态的激发至多为 。
证明要点:空位数 , 为全空对的数目,所以 与 同奇偶, 的最小值是 (只要还剩至少一个两边都有粒子的对,否则半空对里就装着全部粒子); 的最大值是 。半空对中有粒子的格子之外,其余 个有粒子的格子各至少有 1 个粒子,所以 。
推导
程序先在两万个随机状态上验证分解定理,再用对六个对径对的动态规划,求出每个空位数下通量的精确最小值与最大值,与定理 3.2 的公式比较;同时求出随机分配下通量的精确分布。最后比较三种不同的 延拓。
推导
# The author's excitation rules (author's model), N = 14 on Z12: an occupied cell
# gives a(n) (a(1) = 1, a(2) = 2, here a(n) = n); an EMPTY cell takes c * a(n_{i+6}) from
# its antipode, c = 0.5. Flux = sum over cells. Check decomposition, bounds and law.
import math, random
N, K, C = 14, 12, 0.5
def flux(n, a=lambda x: x, c=C):
return sum(a(n[i]) if n[i] else c * a(n[(i + 6) % K]) for i in range(K))
def pair_term(x, y, c=C):
if x and y: return x + y
if x or y: return (1 + c) * (x + y)
return 0.0
def exact_tables():
"""DP over the six pairs: (min, max) flux for each (particles, V), and the exact
law of the flux when the 14 particles are thrown at random."""
best = {(0, 0): (0.0, 0.0)}; law = {(0, 0.0): 1.0}
for _ in range(6):
nb, nl = {}, {}
for (s, v), (lo, hi) in best.items():
for x in range(N - s + 1):
for y in range(N - s - x + 1):
key = (s + x + y, v + (x == 0) + (y == 0)); t = pair_term(x, y)
old = nb.get(key, (math.inf, -math.inf))
nb[key] = (min(old[0], lo + t), max(old[1], hi + t))
for (s, f), w in law.items():
for x in range(N - s + 1):
for y in range(N - s - x + 1):
k = (s + x + y, f + pair_term(x, y))
nl[k] = nl.get(k, 0.0) + w / (math.factorial(x) * math.factorial(y))
best, law = nb, nl
scale = math.factorial(N) / K ** N
return best, {f: w * scale for (s, f), w in law.items() if s == N}
if __name__ == "__main__":
rng = random.Random(6); ok = True
for _ in range(20000):
n = [0] * K
for _ in range(N): n[rng.randrange(rng.choice((2, 6, 12)))] += 1
ok &= abs(flux(n) - sum(pair_term(n[j], n[j + 6]) for j in range(6))) < 1e-12
print("flux = sum of six antipodal-pair terms (20,000 random states):", ok)
best, dist = exact_tables(); allok = True
print(" V min flux max flux (formulas in the text)")
for v in range(0, 12):
lo, hi = best[(N, v)]
f_lo = N + C * (v % 2 if v <= K - 2 else N)
f_hi = N + C * (min(N, N - K + v + min(v, K - v)) if v else 0)
allok &= (lo, hi) == (f_lo, f_hi)
if v in (0, 1, 2, 3, 4, 6, 10, 11): print(f"{v:2d} {lo:5.1f} {hi:5.1f}")
print("bounds match the formula for every V:", allok)
mean = sum(f * p for f, p in dist.items())
print(f"total probability {sum(dist.values()):.6f}; E[flux] = {mean:.4f};"
f" formula N + cN(11/12)^13 = {N + C * N * (11 / 12) ** 13:.4f}")
print(f"P(flux = 14) = {dist.get(14.0, 0):.4f}; P(flux >= 18) ="
f" {sum(p for f, p in dist.items() if f >= 18):.4f};"
f" P(flux = 21) = {dist.get(21.0, 0):.2e}")
rules = {"linear a(n) = n": lambda x: x, "saturating min(n, 2)": lambda x: min(x, 2),
"wave intensity n^2": lambda x: x * x} # other extensions beyond n = 2
states = []
for _ in range(40000):
n = [0] * K
for _ in range(N): n[rng.randrange(K)] += 1
states.append(n)
hs = [-sum(x / N * math.log2(x / N) for x in n if x) for n in states]
mh = sum(hs) / len(hs); vh = sum((h - mh) ** 2 for h in hs)
for name, a in rules.items():
fs = [flux(n, a) for n in states]; mf = sum(fs) / len(fs)
cov = sum((h - mh) * (f - mf) for h, f in zip(hs, fs))
r = cov / math.sqrt(vh * sum((f - mf) ** 2 for f in fs))
print(f"{name:22s} E[flux] {mf:6.2f} corr(H, flux) {r:+.3f}")
# flux = sum of six antipodal-pair terms (20,000 random states): True
# V min flux max flux (formulas in the text)
# 0 14.0 14.0
# 1 14.5 16.0
# 2 14.0 17.0
# 3 14.5 18.0
# 4 14.0 19.0
# 6 14.0 21.0
# 10 14.0 21.0
# 11 21.0 21.0
# bounds match the formula for every V: True
# total probability 1.000000; E[flux] = 16.2586; formula N + cN(11/12)^13 = 16.2586
# P(flux = 14) = 0.0246; P(flux >= 18) = 0.1275; P(flux = 21) = 3.04e-03
# linear a(n) = n E[flux] 16.27 corr(H, flux) -0.533
# saturating min(n, 2) E[flux] 14.34 corr(H, flux) +0.393
# wave intensity n^2 E[flux] 34.16 corr(H, flux) -0.896分解定理在全部随机状态上成立,界的公式与动态规划在每一个空位数上都一致。零空位时通量恰为 14:作者的「固定模式」没有任何耦合增益。通量上限随空位数增加:1 个空位时至多 16,2 个时 17,3 个时 18,4 个时 19,到 6 个空位才达到 21,此后保持 21。所以,要拿到全部 50% 的耦合增益,至少要有一半的格子空着。下限则在 14 与 14.5 之间交替,取决于空位数的奇偶,只有当所有粒子挤在一个格子里(11 个空位)时才被迫等于 21。
在随机分配下,通量的平均值为 16.2586,与公式 一致:每个粒子所在的格子,其对面为空的概率是 ,这时它额外贡献 0.5。通量恰为 14 的概率为 0.0246,至少为 18 的概率为 0.1275,达到上限 21 的概率为 0.00304。
「相干叠加」与延拓的选择
作者把两个粒子同格记为 +2.0,并称之为「相干叠加」。这个名称需要更正。在波动物理中,两列振幅相同、相位相同的波相干叠加时,振幅相加,强度(与振幅的平方成正比)变为单列波的 4 倍;两列互不相干的波叠加时,强度才相加,变为 2 倍。所以 +2.0 对应的是强度意义上的非相干叠加,或者振幅意义上的叠加,而不是强度意义上的相干叠加。本书保留作者规定的 +2.0 作为模型定义,改称「叠加态」。
延拓的选择不是小事。程序的最后三行在同样的 4 万个随机状态上比较了三种 :线性延拓 下,熵与总通量的相关系数为 −0.533,熵越低通量越高,与作者的直觉一致;饱和延拓 (第三个以上的粒子不再增加激发)下,相关系数变为 +0.393,方向反了过来,因为集中的粒子被浪费了;平方延拓 (相干强度)下,相关系数为 −0.896,平均通量升到 34.16,几乎完全由峰值决定。模型的定性结论取决于一个作者框架没有规定的选择,这一点必须写在任何应用之前。
对称性:环在这里起了什么作用
推导
命题 3.3(对称性)。 设二面体群 (12 个旋转 与 12 个反射 ,共 24 个元素;这是以正多边形边数命名的几何记法,Dummit 与 Foote 的教材记作 )作用于占位向量。(a) 激发映射是 等变的:先作用再激发,等于先激发再作用;所以总通量、熵、空位数与峰值都在 下不变。原因是对径映射 是 的中心元素,与每一个旋转和反射可交换 (Dummit and Foote 2004)。(b) 由伯恩赛德引理,总数为 14 的 个占位向量,在旋转下分为 371,516 个轨道,在 下分为 186,616 个轨道。(c) 由定理 3.1,总通量只依赖于六个对径对各自的内容:任意置换这六个对,或交换任意一对的两端,总通量都不变。这样的变换构成一个有 个元素的群, 只是它的一个小子群。
推导
# Symmetry. D12 (12 rotations, 12 reflections) acts on occupation vectors. Is the
# excitation map equivariant? How many orbits (Burnside)? Does the flux use the ring at
# all, or only the six antipodal pairs?
import random
from math import comb, gcd
N, K, C = 14, 12, 0.5
def excite(n):
return [n[i] if n[i] else C * n[(i + 6) % K] for i in range(K)]
def act(g, n):
"""g = (r, s): i -> s*i + r (mod 12); s = +1 rotation, s = -1 reflection."""
out = [0] * K
for i in range(K): out[(g[1] * i + g[0]) % K] = n[i]
return out
def comp(total, parts): # compositions of total into parts
return comb(total + parts - 1, parts - 1) if total >= 0 else 0
if __name__ == "__main__":
rng = random.Random(12); G = [(r, s) for r in range(K) for s in (1, -1)]; states = []
for _ in range(2000):
n = [0] * K
for _ in range(N): n[rng.randrange(K)] += 1
states.append(n)
eq = all(excite(act(g, n)) == act(g, excite(n)) for g in G for n in states)
print("D12 has", len(G), "elements; excitation map equivariant on 2,000 states:", eq)
print("antipodal map commutes with every element of D12:", all(
act(g, act((6, 1), n)) == act((6, 1), act(g, n)) for g in G for n in states[:50]))
rot = sum(comp(N // (K // gcd(r, K)), gcd(r, K)) if N % (K // gcd(r, K)) == 0 else 0
for r in range(K)) # Burnside: vectors fixed by rotations
ref = 0 # ... and by reflections i -> r - i
for r in range(K):
fp = sum(1 for i in range(K) if (r - i) % K == i); pr = (K - fp) // 2
ref += (sum(comp(N - 2 * t, fp) * comp(t, pr) for t in range(N // 2 + 1))
if fp else comp(N // 2, pr))
print(f"occupation vectors: {comp(N, K):,}; orbits under rotations C12:"
f" {rot // K:,}; under D12: {(rot + ref) // (2 * K):,}")
# Permute the six pairs and swap ends at random (a group of 2^6 * 6! = 46,080).
adj = lambda n: sum(n[i] * n[(i + 1) % K] for i in range(K))
same_f = same_adj = 0
for n in states[:500]:
perm = list(range(6)); rng.shuffle(perm); m = [0] * K
for j in range(6):
a, b = (n[j], n[j + 6]) if rng.random() < 0.5 else (n[j + 6], n[j])
m[perm[j]], m[perm[j] + 6] = a, b
same_f += sum(excite(m)) == sum(excite(n)); same_adj += adj(m) == adj(n)
print(f"random pair permutations, 500 states: flux unchanged {same_f}/500,")
print(f" sum of neighbour products unchanged {same_adj}/500")
# D12 has 24 elements; excitation map equivariant on 2,000 states: True
# antipodal map commutes with every element of D12: True
# occupation vectors: 4,457,400; orbits under rotations C12: 371,516; under D12: 186,616
# random pair permutations, 500 states: flux unchanged 500/500,
# sum of neighbour products unchanged 55/500前三行验证了等变性与轨道数。最后两行给出一个重要的事实:随机置换六个对径对以后,500 个状态的总通量全部不变,而衡量「相邻格子是否都有粒子」的相邻乘积之和只有 55 个不变。也就是说,总通量完全不使用环的相邻结构,只使用对径配对;把十二个格子排成一个环,对这个模型来说是多余的,排成六对就够了。如果作者希望环的相邻关系在模型中起作用(例如粒子的团簇是否连成一片),就需要加入依赖相邻格子的规则。
注
「半波」的一种严格读法。 在 上,最低的非零傅里叶模式是 ,沿环走半圈()时它恰好变号,相当于半个波长。从这个意义上说,对径点是「半波」的位置;所有奇数阶的傅里叶模式在对径映射下变号,偶数阶的模式不变。这是一个数学事实,不表示格子之间有任何物理的波在传播。
假说 · 尚未验证
作者的假说:对径耦合的可估计性(尚未确立)。作者推测,在某些可以划分为十二个部分、并且部分之间有固定配对关系的真实系统中(第五章讨论几个候选),一个部分「空缺」时,与它配对的部分会以大约一半的强度弥补它的功能。可以检验的预测是:用事先登记的数据与模型估计耦合系数 ,其 95% 置信区间包含 0.5,并且对径配对模型的样本外预测好于同样参数数目的相邻耦合模型。如果 的区间排除 0.5,或者相邻耦合模型的样本外预测更好,这一假说就被推翻。
本章小结
把作者的规则写成定义以后,总通量可以严格分解为六个对径对的贡献之和(定理 3.1)。在线性激发下,,总通量在 14 到 21 之间:零空位时恰为 14,至少 6 个空位才能达到 21;随机分配下的平均值为 16.26。作者称为「相干叠加」的 +2.0 在物理上对应非相干的强度相加;如果改用饱和或平方延拓,熵与通量相关的大小与方向都会改变。激发映射在 下等变,但总通量实际上在一个大得多的群下不变,完全不使用环的相邻结构。下一章离开组合数学,问一个心理学的类比问题:一个处于「零推力」状态的格子,如果它能「感觉」,会感觉到什么?
参考文献
Fan, Y. (2026). Two-Scale Renormalization, Occupancy Entropy and Thrust-Wave Superposition in Discrete Cyclical Networks: Algebraic Topology and Monte Carlo Verification on a Twelve-Node Ring Lattice [离散周期网络中的双尺度重整化、占位数分布熵与推力波叠加定理] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796761 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).