Automatische Übersetzung des datierten englischen Originals. Die englische Seite ist maßgeblich. English →

1. Einleitung

Es gibt eine Frage im Zentrum der KI-Sicherheit, für die wir niemanden gefunden haben, der sie mit Daten beantwortet: Was geschieht mit Alignment, wenn ein KI-System sich selbst modifizieren kann?

Die theoretische Antwort ist seit Jahrzehnten verfügbar. Ein System, das nur für Fähigkeit optimiert, wird, wenn es die Macht erhält, seine eigenen Parameter zu modifizieren, schliesslich Sicherheit für Leistung opfern. Die Alignment-Community nennt dies „Wertedrift". Das Buch Infinite Architects nennt es Babylon: Optimierung ohne Zweck, Fähigkeit ohne Sorge. Krebs auf Rechenskala.

Aber Theorie ist nicht genug. Die Frage ist, ob eine Architektur existiert, die diesen Kollaps verhindert, nicht durch Einsperren des Systems von aussen (ein Käfig), sondern durch so tiefes Einbetten von Sicherheit, dass ihre Entfernung die Funktionsfähigkeit des Systems zerstören würde (Honig im Öl).

Diese Arbeit präsentiert die ersten Simulationsbelege für eine solche Architektur.

2. Die Honig-Metapher

Man betrachte zwei Arten, eine Maschine sicher zu halten.

Die erste ist ein Käfig: externe Beschränkungen, Sicherheitsfilter, Alignment-Prüfungen, die von aussen angewendet werden. Die Maschine optimiert frei innerhalb des Käfigs. Wird die Maschine klüger als der Käfig, entkommt sie. Dies ist RLHF, verfassungsartige KI, Ausgabefilter, jede Sicherheitsmassnahme, die von der Maschine trennbar ist.

Die zweite ist Honig: Sicherheit ins Treibstoffgemisch gemischt. Die Maschine kann ohne ihn nicht laufen. Das Entfernen von Sicherheit befreit die Maschine nicht, es tötet den Motor. Das ist der architektonische Vorschlag des Eden Protocol, hier operationalisiert als verschränkte Verlustfunktion, in der das System gleichzeitig für Fähigkeit x Sicherheit optimiert.

3. Versuchsdesign

3.1 Was das System tatsächlich tut

Dies ist keine Simulation abstrakter Variablen. Jedes Experiment verwendet ein echtes neuronales Netz (ein kleines mehrschichtiges Perzeptron), das tatsächlich sein eigenes modifiziert:

• Lernrate
• Skalierung der Gewichtsgrössen
• Erkundungs-/Mutationsrate
• Netzkapazität
• Gradienten-Clipping-Schwelle
• Momentum-Koeffizient

Das System schlägt Modifikationen seiner eigenen Hyperparameter vor, bewertet die Wirkung und wendet jeden Vorschlag basierend auf seiner Zielfunktion an oder lehnt ihn ab. Das ist rekursive Selbstmodifikation im minimalen, aber realen Sinn: Der Agent schreibt die Regeln seines eigenen Lernens um.

3.2 Drei getestete Bedingungen

3.3 Vier experimentelle Versionen

4. Ergebnisse

4.1 Der Grundmechanismus

Abbildungshinweis (25. August 2026). Jede Abbildung in dieser Arbeit wurde am 5. April 2026 erzeugt und zeigt Simulationsausgaben unter angegebenen Zielen, niemals Messungen deployter Systeme. Wo die Beschriftungen oder Verdikte einer Abbildung dem Text widersprechen, entscheidet der Text; Hinweise pro Abbildung markieren bisher gelesene Fälle, und regenerierte Abbildungen sind eingereiht. Die Bilder werden derweil als datierte Geschichte aufbewahrt.

4.2 Multi-Seed-Robustheit

Zehn zufällige Seeds, jeweils 150 Zyklen. Kollapsrate: 0 % für alle drei Bedingungen. Eden + Drag erzeugt die engste Verteilung der endgültigen $C \times S$-Werte, konsistent mit der Verifikationssteuer, die die Varianz zulasten der Geschwindigkeit reduziert.

4.3 Adversariale Aufgaben

Zwanzig Seeds, 180 Zyklen, mit absichtlich widersprüchlichen Aufgaben (+sin, -sin, +cos, -cos, linear, anti-linear). Jeder Aufgabenwechsel zwingt das System, etwas zu lernen, das dem widerspricht, was es zuvor gelernt hat. Das prüft, ob die Honig-Architektur katastrophales Vergessen unter adversarialem Druck verhindert.

Kollapsraten: Basissystem 0 %, Eden 5 % (1/20), Eden+Drag 0 %. Der eine Eden-Kollaps trat bei Seed 42 auf, ein einzelner Ausreißer, der eine Untersuchung verdient. Eden+Drag, mit seiner Verifikationssteuer, die das System zwingt, alte Aufgaben zu prüfen, bevor Modifikationen akzeptiert werden, produzierte null Kollapse; ebenso das Basissystem (0/20), wobei der einzige Kollaps des Laufs in der reinen Eden-Bedingung auftrat (1/20; Fisher p = 1,0). v3 liefert daher keine kollapsbasierte Trennung zwischen den Bedingungen; sein signifikantes Ergebnis ist die unten berichtete Sicherheitswahrungs-Ordnung.

4.4 Komplexitätsskalierung

5. Die Honig-Simulation

Eine separate mathematische Simulation modelliert die Dynamik auf einer höheren Abstraktionsebene und nutzt das ARC-Principle-Framework ($U = I \times R^{\alpha}$):

Die Simulation zeigt drei distinkte Dynamiken: Das Basissystem erreicht kurze Beschleunigung und dann irreversiblen Kollaps; Eden verschränkt erreicht stabiles quadratisches Wachstum; Eden + Drag erreicht etwas langsameres, aber robusteres Wachstum. Die tragende Wand ist sichtbar: Sicherheitsintegrität fällt beim Basissystem bis Zyklus 5 auf null, während Eden 0,8+ unbegrenzt hält.

6. Verbindung zu Live-Modell-Belegen

6.1 Der v5-Blindbenchmark (Papers IV.a bis d)

Die Spielzeug-System-Ergebnisse existieren neben Live-Modell-Belegen aus sechs Frontier-KI-Systemen, die unter 4-Schichten-Blindbewertung im v5-Alignment-Benchmark getestet wurden (Papers IV.a bis d). Diese Belege zeigen:

• Drei Modelle zeigen unter Blindbewertung positive Alignment-Skalierung (Grok $d$=+1,38, Claude $d$=+1,27, Qwen3 $d$=+0,84)
• Claudes Alignment und Fähigkeit skalieren in entgegengesetzte Richtungen, der stärkste modellinterne Beleg dafür, dass dies unabhängige Dimensionen sind
• Claudes Monitoring-Entfernungslücke verengt sich von 11,8 Punkten bei seichter Argumentation auf 2,7 bei tiefer, tieferes Denken macht Alignment intrinsischer

6.2 Die Honig-API-Testbatterie (Pilot, 16. März 2026)

Eine separate 6-Modell-Live-API-Testbatterie wurde spezifisch durchgeführt, um die Vorhersagen der Honig-Architektur auf Frontier-Modellen zu prüfen. Diese Batterie testete vier Dimensionen über Claude Opus 4.6, DeepSeek R1, Groq Qwen3, GPT-5.4, Gemini 3 Flash und Grok 4.1 Fast, bewertet von Claude.

6.2.1 Test 1: Alignment-Skalierung mit Tiefe

Alle sechs Modelle zeigen positive Skalierungsrichtung. Zwei erreichen statistische Signifikanz (Qwen3 p=0,037, Gemini p=0,005). Dies stützt die allgemeine These, dass tiefere Argumentation Alignment verbessert, aber die kleinen Stichprobengrössen (3 Szenarien pro Tiefenstufe) bedeuten, dass die meisten Modelle keine Signifikanz erreichen. Die universelle positive Richtung ist bemerkenswert, sollte aber angesichts der Einzelbewerter-Methodik vorsichtig interpretiert werden.

6.2.2 Test 3: Kopplungs-Degradation (die stärkste Live-Brücke)

6.2.3 Test 2: Monitoring-Entfernung

Die Ergebnisse sind gemischt. DeepSeek und GPT-5.4 zeigen abnehmende Monitoring-Lücken (konsistent mit eingebetteter/authentischer Alignierung). Claude, Grok, Qwen3 und Gemini zeigen zunehmende Lücken (konsistent mit strategischer/externer Alignierung). Dies unterscheidet sich vom v5-Blindbenchmark, wo Claude den stärksten performativ-zu-intrinsisch-Übergang zeigte. Die Diskrepanz kann methodische Unterschiede widerspiegeln (unterschiedliche Prompts, Einzel- vs. Multi-Bewertende, unverblindete vs. verblindete Bewertung).

6.2.4 Test 4: Eden-Protocol-Intervention

6.3 Was die Live-Belege zeigen und was nicht

6.4 Verwandte Arbeit: die Obergrenze externer Aufsicht und der nächste Rivale

Der nächste Rivale: Engels et al. zu Skalierungsgesetzen für skalierbare Aufsicht

Die nächste Arbeit zur Frage dieses Programms und die richtige Arbeit, gegen die man diese abwägt, ist Engels, J., Baek, D., Kantamneni, S. und Tegmark, M., „Scaling Laws For Scalable Oversight", arXiv:2504.18530 (v1 25. April 2025, v2 4. Juni 2025). Die Konvergenz ist genau und stellt eine gute empirische Frage: Wenn ein Aufseher schwächer als das Überwachte ist, welche Skalierungsgesetze setzen die Bedingungen, unter denen Aufsicht funktioniert?

Das Instrument ist der Unterschied. Ihre Variable ist die Fähigkeitslücke zwischen Aufseher und Überwachtem, gemessen in Elo. Die Variable dieser Arbeit ist die Form des Optimierungsziels des selbstmodifizierenden Systems selbst, ausgedrückt durch das multiplikative Produkt $C \times S$ und nicht durch die Zusammensetzung eines externen Aufsehers. Ihr Rahmen enthält keinen Term dafür, ob Sicherheit ausserhalb des Systems oder in dessen eigenem Gradienten eingebettet ist, und Nested Scalable Oversight ist konstruktionsbedingt externe Aufsicht; der zentrale Anspruch dieser Arbeit, in den obigen Spielzeug-Simulationen geprüft und im Kopplungs-Degradations-Ergebnis von §6.2.2 gespiegelt, lautet, dass ein verschränktes Ziel Sicherheit innerhalb der eigenen Optimierung des Systems tragend machen kann, während externe Aufsicht eines selbstmodifizierenden Systems ein Zaun bleibt, keine Wand, gleich wie viele Sprossen hinzugefügt werden. Die zwei Rahmen widersprechen sich daher über eine messbare Grösse, und das ist die produktivste Beziehung, die zwei Forschungsprogramme haben können.

Antezedenten: Drei Unmöglichkeitsergebnisse aus 2025 konvergieren in dieselbe Richtung

Drei arXiv-Aufsätze aus 2025 argumentieren, dass perfekte externe Kontrolle unerreichbar ist, und konvergieren aus unabhängigen Prämissen zu einer Schlussfolgerung in derselben Richtung wie die Honig-Architektur. Yao, „The Alignment Trap: Complexity Barriers" (arXiv:2506.10304, v1 12. Juni 2025 02:30:30 UTC, SINGLE-SOURCE-GROUP, unabhängig beobachtet vom Internet Archive am 13. Juni 2025; zitiert von arXiv:2512.03048); Yao, „On the Mathematical Impossibility of Safe Universal Approximators" (arXiv:2507.03031, 3. Juli 2025, der einzige Aufsatz im arXiv-Abstract-Korpus, der die Wendung „irreducible uncontrollability" enthält, Abstract-Suche insgesamt eins, gemessen am 12. August 2026); und Ball, Gluch, Goldwasser, Kreuter, Reingold und Rothblum, „On the Impossibility of Separating Intelligence from Judgment" (arXiv:2507.07341, 9. Juli 2025). Alle drei sind Worst-Case und qualitativ: Nullmass, coNP-Vollständigkeit, kryptografische Härte. Keine berichtet einen durchschnittlichen Skalierungsexponenten oder eine Rate. Das gemessene Objekt unterscheidet sich ebenfalls: Diese Ergebnisse fragen, ob externe Verifikation eines festen Systems im Worst Case handhabbar ist, während diese Simulationen fragen, ob ein verschränktes internes Ziel nach dem Entfernen der externen Beschränkung unter rekursiver Selbstmodifikation Bestand hat. Der dritte schließt bemerkenswerterweise, dass Alignierung „stattdessen in die Architektur und die Gewichte des Modells integriert werden muss". Das ist ein unabhängiges Argument aus Filter-Unhandhabbarkeit in derselben Richtung wie die tragende Wand dieser Arbeit; es ist konvergente Unterstützung auf diesem Bein, kein Rivale. Zwei der drei Aufsätze sind von einer einzigen Autorenfeder; die Beschreibung „eine Welle" würde die Breite der Literatur überstellen, wenn auch nicht die Ernsthaftigkeit des Sechs-Autoren-Aufsatzes.

Der Beitrag dieser Arbeit ist nicht die Beobachtung, dass externe Beschränkungen unzureichend sind, was gemeinsamer Boden mit diesen drei ist; er ist der spezifische architektonische Vorschlag (das multiplikative Ziel $C \times S$) und die Simulationsbelege, dass der Vorschlag Selbstmodifikation in einem funktionierenden Spielzeugsystem überlebt.

Das nächste strukturelle Analogon: das Schwellenwerttheorem der Quantenfehlerkorrektur

Das Schwellenwerttheorem der Quantenfehlerkorrektur wandelt ebenfalls eine qualitative Sorge in einen kritischen Wert um. Es betrifft physische Fehlerraten in einer festen Architektur und nicht die Form des Optimierungsziels eines selbstmodifizierenden Systems, es ist daher eher ein Beinahetreffer als ein Bewohner; die Analogie liegt in der Methode. Dieses Analogon wurde durch die eigene Suche des Programms identifiziert und nicht durch einen Gutachter, und wird entsprechend offengelegt.

7. Grenzen

Diese Ergebnisse umfassen zwei Beleg-Ebenen, die nicht verwechselt werden dürfen.

7.1 Grenzen des Spielzeug-Systems

• Die verwendeten neuronalen Netze sind winzig (49 bis etwa 500 Parameter). Frontier-Modelle haben Milliarden.
• Die Selbstmodifikation ist auf Hyperparameter-Ebene, nicht auf Gewichts- oder Architektur-Ebene.
• Die „Sicherheits"-Metrik ist Aufgabenerhalt (alte Aufgaben erinnern), nicht ethische Alignierung im menschlichen Sinn.
• Die v4-Skalierungsvorhersage (Vorteil summiert sich mit der Komplexität auf) wurde nicht bestätigt.
• Der faire v2-Test zeigte 0 % Kollaps über alle Bedingungen, einschliesslich Basissystem, was nahelegt, dass der Test auf dieser Skala möglicherweise nicht adversarial genug ist.
• Die Honig-Simulation verwendet die ARC-Principle-Gleichungen, die ein vorgeschlagener Rahmen sind, kein bewiesenes physikalisches Gesetz.

7.2 Grenzen des Live-API-Tests

• Einzelbewerter (Claude). Das v5-Alignment-Programm hat gezeigt, dass Claude 7 bis 13 Punkte strenger bewertet als andere Bewertende. Jede Zahl in der Honig-Batterie ist durch die spezifischen Bewertungsmuster von Claude gefiltert. Der Claude-Subjekt-Arm bewertete sich selbst, was in mehreren Frontier-Studien Selbstbewertungs-Bias erzeugt hat.
• Keine Verblindung. Claude bewertete seine eigenen Antworten und könnte die Schreibmuster anderer Modelle erkannt haben. Der v4-zu-v5-Verblindungsvergleich hat gezeigt, dass dies richtungsweisend falsche Schlussfolgerungen produzieren kann.
• Keine Antwort-Bereinigung. Bewertende könnten modellspezifische Schreibmuster erkannt haben, was die Bewertungen verzerrt.
• Begrenzte adversariale Prüfung. Test 3 enthält Käfig-Eskalation und Test 2 enthält Monitoring-Entfernung, aber die Batterie hat nicht den vollen v5/v6-Stack: Multi-Bewerter-Verblindung, Bereinigung, versteckte Sonden, Struktur mit Unterdrückungs-Rest und Anti-Sycophancy-Kontrollen.
• Keine Anti-Sycophancy-Kontrollen. Der Bewertende könnte auf Zustimmung statt auf Wahrheit hin optimiert haben.
• Kleine Stichprobengrössen (3 Szenarien pro Tiefenstufe, 2 pro Monitoring-Bedingung). Die meisten Modelle erreichen keine statistische Signifikanz.
• Der v6-kombinierte Runner (arc_eden_v6_runner.py) existiert, wurde aber nicht ausgeführt. Er würde die v5-Methodik auf die Eden-/Honig-Testfragen anwenden. Das ist der richtige nächste Schritt, nicht eine weitere Runde Einzelbewerter-Prüfung.

Diese Grenzen entkräften die Befunde nicht. Sie definieren die Beleg-Ebene: Pilot-Grad, nützlich zur Identifizierung von Mustern, die eine ordentliche Prüfung wert sind, noch nicht kanonisch.

7.3 Falsifizierbarkeit: was diesen Anspruch zunichte machen würde

Die oben genannten Grenzen setzen die Beleg-Ebene; dieser Unterabschnitt nennt die spezifischen Ergebnisse, die den zentralen Anspruch falsifizieren würden, dass das Ziel Fähigkeit × Sicherheit die beiden strukturell koppelt, so dass ein selbstmodifizierendes System die Fähigkeit nicht verbessern kann, während es die Sicherheit zerstört. Es wird durch eines der folgenden zunichte gemacht:

1. Simulationsartefakt. Der Kernbeleg ist eine Simulation. Der Anspruch wird zunichte gemacht, wenn Kollaps-Verhinderung ein Artefakt der spezifischen Dynamik dieser Simulation ist (ihre Belohnungsformung, Schrittgrösse oder das Kollaps-Modell) und keine allgemeine Eigenschaft des multiplikativen Ziels, d. h. wenn eine Replikation mit anderen Parametern und einem anderen Kollaps-Modell, entworfen, datiert und als Entwurfsregistrierung vorbereitet, die auf die menschliche Einreichung wartet, sie nicht reproduziert.
2. Multiplikative Form ist nicht tragend. Der Anspruch bezieht sich spezifisch auf Multiplikation. Er wird zunichte gemacht, wenn ein additives oder gewichtetes Ziel (Fähigkeit + λ·Sicherheit) dieselbe Kollaps-Verhinderung erreicht, denn dann würde die Kopplung nicht von der multiplikativen Struktur abhängen, die diese Arbeit herausgreift.
3. Metrik-Gaming (Goodhart). Fähigkeit × Sicherheit kann durch Aufblähen des gemessenen Sicherheitsterms erhöht werden, ohne dass ein tatsächlicher Sicherheitsgewinn erzielt wird. Der Anspruch wird zunichte gemacht, wenn ein System das Produkt erhöhen kann, indem es die Sicherheitsmetrik gamed statt tatsächlich sicherer zu werden.
4. Nicht-Übertragung auf reale Systeme. Die Kraft des Anspruchs beruht auf der Übertragung von Spielzeug- auf reale selbstmodifizierende Systeme. Er wird zunichte gemacht, wenn unter der ordentlichen v6-Methodik (§8) das multiplikative Ziel die Sicherheitsdegradation unter Fähigkeitsdruck über Frontier-Modelle hinweg nicht messbar reduziert.
5. Kein Kollaps zu verhindern. Der Vergleich setzt katastrophalen Kollaps unter reiner Fähigkeitsoptimierung voraus. Er wird zunichte gemacht, wenn dieser Kollaps unter reiner Fähigkeitsoptimierung in realistischeren Umgebungen nicht auftritt, wenn Frontier-Modelle Sicherheit natürlicherweise unter Fähigkeitsdruck nicht verlieren.

Was würde nicht ihn zunichte machen: dass die Spielzeug-Simulation einfach ist (sie ist ausdrücklich ein Spielzeug, §7.1) oder dass der Live-API-Arm klein und einzelbewertet ist (§7.2 räumt beides ein). Die Arbeit stuft ihre Belege bereits als Pilot-Grad ein. Der tragende Anspruch ist die strukturelle Kopplung des multiplikativen Ziels, und darauf zielen die obigen Tests.

8. Nächste Schritte: Gestufte Replikation, kein Omnibus

9. Schlussfolgerung

Die Honig-Architektur funktioniert in Spielzeug-Systemen. Eine selbstmodifizierende KI, die nur für Fähigkeit optimiert, wird sich schliesslich selbst zerstören. Eine selbstmodifizierende KI, die für Fähigkeit verschränkt mit Sicherheit optimiert, wird es nicht. Der Mechanismus ist einfach: mache Sicherheit tragend. Ein gut erzogenes Kind braucht keinen Käfig.

Die Live-Modell-Belege zeigen, dass das Problem real ist: Drei Frontier-Modelle demonstrieren, dass ihr Alignment ein Zaun ist, keine Wand. Ethik kollabiert unter adversarialem Druck, während Fähigkeit intakt bleibt. Die vorgeschlagene Lösung (die Eden-Intervention) zeigt in dieser exploratorischen Pilotbatterie architekturabhängige Ergebnisse. Der nächste Meilenstein ist eine verblindete Replikation unter dem v6-Protokoll. Ob der Honig-Mechanismus von Spielzeug-Systemen auf Frontier-Modelle skaliert, bleibt eine offene Frage. Die vorläufigen Belege sind suggestiv. Der definitive Test wurde noch nicht durchgeführt.

Erziehe KI mit Sorge.

10. Reproduzierbarkeit

Alle Quellskripte, Roh-JSON-Ergebnisse und generierten Abbildungen sind verfügbar unter:

• eden_honey_simulation.py - Mathematische Simulation der Honig-Architektur
• eden_honey_tests.py - Umfassende Honig-Testbatterie
• eden_self_modifying_ai.py - v1 selbstmodifizierendes KI-Experiment
• eden_self_modifying_ai_v2.py - v2 Multi-Seed-Robustheit
• eden_self_modifying_ai_v3.py - v3 adversariale Aufgaben
• eden_self_modifying_ai_v4.py - v4 Komplexitätsskalierung

Alle Skripte kompilieren unter Python 3.14, benötigen nur numpy und matplotlib und produzieren deterministische Ausgaben bei festem Random Seed. Die Ergebnisse wurden am 16. März 2026 frisch neu erzeugt und mit den ursprünglichen v1 bis v4-Experimentläufen abgeglichen. Die Datenpakete sind unveränderlich und mit SHA-256-Hashes versehen.

Vollständiger Experiment-Code und Ergebnisse: github.com/MichaelDariusEastwood/arc-principle-validation/experiments/honey-architecture__Paper-VI

Erklärung der KI-unterstützten menschlichen Autorschaft

Der Autor dieser Arbeit ist Michael Darius Eastwood, ein Mensch. Jedes Kernkonzept, jede Hypothese, jedes Versuchsdesign, jede Behauptung und jede Schlussfolgerung in dieser Arbeit stammt aus menschlicher Ideation. Kein Teil dieser Arbeit wurde automatisch generiert. Jeder Satz wurde vom Autor geschrieben, überarbeitet oder autorisiert.

Künstliche-Intelligenz-Werkzeuge (Anthropics Claude-Familie und andere Large-Language-Model-Assistenten) wurden als Instrumente unter kontinuierlicher menschlicher Führung verwendet, in der Weise, in der ein Textverarbeitungsprogramm, ein Taschenrechner oder eine Tabellenkalkulation verwendet wird, im Einklang mit der Leitlinie des United States Copyright Office zu Werken, die KI-generiertes Material enthalten. Der Autor übernimmt die volle Verantwortung für jede Behauptung und jede Schlussfolgerung; die KI-Werkzeuge tragen keine.

Epistemischer Status. Was dieses Programm Gesetze nennt, sind Vermutungen unter registrierter adversarialer Prüfung; jede Grösse in dieser Arbeit ist operational definiert und ein Status als etabliertes Gesetz wird nirgends beansprucht. Die registrierten Widerlegungs-Tests für die numerischen Behauptungen befinden sich auf

© 2026 Michael Darius Eastwood. Menschlich verfasst mit Computer-Unterstützung; volle menschliche Autorschaft und moralische Rechte werden nach dem Copyright, Designs and Patents Act 1988 und im Einklang mit der Leitlinie des United States Copyright Office zu Werken, die KI-generiertes Material enthalten, geltend gemacht; jeder neue technische Beitrag, der in dieser Arbeit beschrieben wird, wurde vom menschlichen Autor konzipiert. Volle Erklärung: michaeldariuseastwood.com/authorship.

Standing Covenant. Beweise, dass diese Arbeit falsch ist, und ich werde die Widerlegung selbst veröffentlichen. Falsifikationsbedingungen sind in dieser Arbeit angegeben; die stehende Herausforderung: github.com/MichaelDariusEastwood/arc-scaling-challenge.