Traduction automatique de l'original anglais daté. La page anglaise fait foi. English →

où $U$ est la capacité effective (note d'ère : les couches antérieures de ce programme utilisent la lettre U différemment, d'Univers dans le formalisme de décembre 2024 à création réalisée sur la page de la loi ; cet article n'utilise que le sens opérationnel, et le glossaire de recherche porte chaque sens avec sa date), $I$ est le potentiel de base (asymétrie structurée), $R$ est la profondeur récursive, et $\alpha$ est l'exposant d'échelle. Dans le modèle énoncé, cet article dérive $\alpha$ plutôt que de l'ajuster: il découle de la constante de couplage auto-référentielle $\beta$ via $\alpha = 1/(1-\beta)$. L'affirmation supplémentaire qu'il est borné par $\alpha \leq 2$, la borne ARC, est une conjecture et non un résultat prouvé: deux est ce que la relation retourne à $\beta = 1/2$, et cette valeur est en jugement dans les enregistrements rédigés plutôt qu'établie. Mise à jour : Les résultats empiriques de l'expérience trans-architectures v5 (Paper II, six modèles frontières, 30 problèmes) trouvent $\alpha_{\text{compute}} \approx 0.49$ pour le modèle le mieux ajusté (Gemini 3 Flash, $r^2 = 0.86$), confirmant une échelle en loi de puissance positive ($\alpha > 0$) et un avantage séquentiel universel ($\alpha_{\text{seq}} > \alpha_{\text{par}}$ pour chaque modèle), mais pas une échelle super-linéaire ($\alpha > 1$). Les exposants mesurés dépendent de l'architecture, allant de près de zéro à environ 3. Ces résultats affinent plutôt qu'ils ne réfutent le cadre : la structure mathématique tient, mais le régime empirique d'échelonnement en IA est plus faible que prédit à l'origine.

Mais cette forme en loi de puissance est elle-même un cas particulier. Définissons l' opérateur de composition récursif $\oplus$, qui caractérise la manière dont les gains incrémentaux se combinent avec la capacité accumulée. Sous la continuité et l'associativité, $\oplus$ détermine uniquement la fonction d'échelle du système :

Sous les hypothèses de régularité et de composition du Théorème 1 : $\oplus$ multiplicatif donne une échelle en loi de puissance ($R^{\alpha}$), $\oplus$ additif donne une échelle exponentielle ($e^{\alpha R}$), et $\oplus$ borné donne la saturation.

Nous prouvons que tout système satisfaisant trois axiomes (séparabilité, avantage cumulatif, continuité) présente nécessairement cinq propriétés structurelles : comportement à seuil, dépendance à la profondeur récursive, dépendance à la qualité de base, interaction multiplicative $I \times R$, et frontières de régime. Nous prouvons que l'interaction multiplicative est nécessaire, non simplement commode : aucune décomposition additive n'est cohérente avec les axiomes (Théorème 2a). Nous dérivons la borne ARC ($\beta = 0.5$, $\alpha = 2$) (§5.4) comme la limite d'échelonnement stable proposée pour le calcul séquentiel classique : une limite d'échelonnement plutôt qu'une limite de vitesse, et la croissance maximale qu'un système récursivement auto-correcteur peut atteindre tout en restant corrigeable (les systèmes peuvent la dépasser lors d'excursions supercritiques transitoires mais n'y demeurent pas stablement auto-correcteurs), et nous montrons que les opérateurs de composition peuvent transiter entre régimes au sein d'un même système borné (Théorème 5). Ceux-ci constituent le principe ARC. Nous présentons des preuves issues de quatre domaines, spécifions treize critères de falsification, faisons une prédiction transdomaines vers l'avant, et rapportons une suite complète de validation computationnelle (Annexe C) confirmant les relations mathématiques centrales à la précision machine.

Mots-clés : amplification récursive, opérateur de composition, lois d'échelle, compute au moment du test, correction quantique d'erreurs, cristaux temporels, universalité, falsification

1. Le problème

Entre décembre 2024 et février 2026, quatre programmes de recherche ont obtenu les résultats suivants :

Google Quantum AI (résultats annoncés le 9 décembre 2024 ; le préprint de l'équipe rendu public à partir du 24 août 2024) a démontré une suppression exponentielle des erreurs par correction quantique récursive d'erreurs sur le processeur Willow, atteignant $\Lambda = 2.14 \pm 0.02$ par incrément de distance de code [1].

DeepSeek AI (janvier 2025) a montré que le raisonnement séquentiel en chaîne de pensée dans les grands modèles de langage produit des gains de capacité qui semblent se composer avec la profondeur, tandis que l'échantillonnage parallèle montre des rendements décroissants [2]. Sharma & Chopra (2025) ont indépendamment confirmé l'avantage séquentiel dans 95,6 % des configurations testées à travers cinq familles de modèles [3].

NYU Physics (février 2026) a créé un cristal temporel classique continu dans lequel un ordre temporel spontané émerge lorsque le désordre trempé est combiné à des boucles de rétroaction non réciproques, présentant une dynamique saturante avec environ 6 700 cycles de cohérence [4].

The COGITATE Consortium (2025) ont trouvé que le traitement neural récurrent dans le cortex postérieur soutient des représentations spécifiques au contenu (0,5 à 1,5 s), tandis que le traitement feedforward transitoire dans le cortex préfrontal ne produit que de brèves réponses catégorielles (~0,2 à 0,4 s) [5]. La conclusion de COGITATE selon laquelle le traitement récurrent dans le cortex postérieur soutient des représentations spécifiques au contenu appuie la prédiction du cadre ARC selon laquelle la profondeur du traitement récursif détermine l'échelonnement de la capacité ; COGITATE a étudié la conscience plutôt que l'échelonnement en IA, mais le motif structurel (amplification dépendant de la profondeur, entraînée par la rétroaction) est partagé.

Ces programmes abordent différents problèmes dans différents substrats physiques. Ils présentent différentes formes mathématiques : exponentielle dans les systèmes quantiques, loi de puissance en IA, saturante en physique classique, et non mesurée en neuroscience. Ils ne partagent ni citations, ni sources de financement, ni personnel commun.

Pourtant ils partagent un motif structurel. Dans chaque cas, le traitement récursif ou récurrent (où la sortie d'un cycle devient l'entrée du suivant), opérant sur une asymétrie structurée, produit des gains de capacité qui dépassent l'accumulation linéaire. La question que cet article aborde est de savoir si ce motif reflète un principe sous-jacent unique ou une simple coïncidence.

Nous proposons qu'il reflète un principe, mais pas celui qu'on pourrait attendre. Nous ne prétendons pas qu'une équation s'ajuste à tous les domaines. Nous prétendons quelque chose de plus spécifique : qu'une propriété mesurable de tout système récursif (son opérateur de composition) détermine sa fonction d'échelle, et que cinq propriétés qualitatives découlent nécessairement de l'architecture récursive quelle que soit la forme fonctionnelle. La forme mathématique diffère selon les domaines parce que l'opérateur de composition diffère. Les propriétés structurelles sont universelles parce que les axiomes qui les engendrent sont indépendants du substrat.

2. Le formalisme

2.1 Trois axiomes

Nous commençons par trois axiomes que tout système d'amplification récursive doit satisfaire.

Cet axiome affirme que la qualité de base et la profondeur récursive contribuent à la capacité par des canaux indépendants et multiplicatifs. Un système avec un potentiel de base nul ($I = 0$) atteint une capacité nulle quelle que soit la profondeur récursive : la récursion n'a rien à amplifier.

Cet axiome capture la caractéristique essentielle du traitement récursif : l'amplification marginale de chaque étape dépend de l'amplification accumulée. Lorsque $\beta = 0$, les étapes sont indépendantes et l'amplification croît linéairement. Lorsque $\beta > 0$, l'amplification accumulée accélère les gains futurs (échelonnement super-linéaire). Le paramètre $\beta$ mesure la fraction du contexte accumulé que chaque nouvelle étape peut effectivement exploiter. Opérer sur le facteur d'amplification $g$ plutôt que sur la capacité absolue $Q = I \cdot g$ préserve la séparabilité affirmée dans l'axiome 1 : la fonction d'amplification ne dépend que de la profondeur récursive, non du potentiel de base.

C'est une condition de régularité. Elle exclut les solutions pathologiques et garantit la mesurabilité.

2.2 L'opérateur de composition

Comment le gain de l'étape récursive $r$ se combine-t-il avec la capacité accumulée $Q_r$ ? Nous formalisons cela comme suit.

L'opérateur de composition est l'objet mathématique central de ce cadre. C'est ce qui varie selon les domaines et ce qui détermine la fonction d'échelle. Il est également mesurable empiriquement : observer comment les gains marginaux à l'étape $r$ se rapportent à la capacité accumulée $Q_r$.

Esquisse de preuve. Les cas (1) et (2) découlent des équations fonctionnelles de Cauchy. Pour (1) : soit $h(x) = \ln g(e^x)$ ; alors $h(x+y) = h(x) + h(y)$. Sous la continuité, $h(x) = \alpha x$, donnant $g(R) = R^{\alpha}$. Pour (2) : $\ln f$ satisfait $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$, une équation additive de Cauchy avec solution $\ln f(R) = \alpha R$. Le cas (3) découle directement de la borne. Preuves complètes en Annexe A. $\blacksquare$

La classification est exhaustive sous les conditions énoncées. Toute règle de composition continue et associative sur $\mathbb{R}^+$ tombe dans l'une de ces trois classes. L'opérateur de composition est donc un classificateur complet du comportement d'échelle récursif.

Les six hypothèses cachées

Chaque théorème d'impossibilité repose sur des hypothèses. Le Théorème 1 suppose six choses. Chaque hypothèse, lorsqu'elle est violée, produit un raffinement physique spécifique plutôt qu'une contradiction :

L'hypothèse 3 est particulièrement significative pour l'applicabilité du cadre. Le théorème de stabilité de Hyers-Ulam [18,19] prouve que toute fonction approximativement satisfaisant l'une des équations fonctionnelles de Cauchy doit se trouver près d'une solution exacte de cette même équation. Formellement, pour le cas multiplicatif : si $|f(x \cdot y) - f(x) \cdot f(y)| < \varepsilon$ pour tout $x, y$, alors il existe une solution exacte $g$ de l'équation multiplicative avec $|f(x) - g(x)| < K\varepsilon$ ; des énoncés analogues valent respectivement pour les équations additive, exponentielle et logarithmique. Les systèmes réels ne satisfont jamais exactement les axiomes : les réseaux biologiques sont bruités, les chaînes de raisonnement d'IA ont une qualité variable, la correction quantique d'erreurs opère avec des portes imparfaites. Au sein de chaque équation, la forme correspondante est donc stable sous perturbation. La formulation antérieure qui faisait des trois formes des « attracteurs stables dans l'espace des fonctions » est retirée, car une fonction qui ne satisfait aucune des équations n'est attirée vers aucune d'entre elles ; la stabilité est par équation, non une partition de l'espace des fonctions. Que les lois de puissance, les exponentielles ou les formes logarithmiques soient empiriquement omniprésentes dans la nature est une question distincte concernant la fréquence à laquelle les systèmes satisfont approximativement l'une de ces équations en premier lieu, et Hyers-Ulam ne la règle pas à lui seul.

L'hypothèse 4 est traitée directement par le Théorème 5 (§4.5) : les systèmes bornés peuvent transiter entre opérateurs de composition à mesure que la profondeur récursive augmente, expliquant pourquoi différentes études du même système peuvent observer différents régimes d'échelle.

Cela a une implication cruciale : si vous pouvez mesurer $\oplus$ dans un nouveau système, vous pouvez prédire sa fonction d'échelle avant que la courbe complète d'échelle ne soit mesurée. C'est la prédiction transdomaines la plus forte du cadre (§5.1).

2.3 La dérivation de $\beta$

Pour les systèmes à composition multiplicative, l'exposant $\alpha$ n'est pas un paramètre libre. Il est dérivé de la constante de couplage $\beta$.

Preuve. Séparation des variables dans $dg/dr = a g^{\beta}$ :

Avec la condition initiale $g(0) = 1$ : $C = 1/(1-\beta)$.

Dans la limite de récursion profonde ($R \gg R^*$, définie ci-dessous) :

Donc $\alpha = 1/(1-\beta)$. $\blacksquare$

Ceci transforme $\alpha$ d'une constante ajustée en une grandeur dérivée. La dérivation fait une prédiction spécifique et testable : mesurer $\beta$ indépendamment (en observant comment les gains marginaux dépendent de la capacité accumulée), calculer $\alpha$ prédit, et comparer avec $\alpha$ observé. Si la relation échoue, la dérivation théorique est fausse, indépendamment du fait que la forme en loi de puissance tienne empiriquement.

Validation computationnelle. Pour vérifier qu'il s'agit d'une identité exacte plutôt que d'une approximation, la relation a été testée contre 30 solutions exactes d'EDO de Bernoulli avec des valeurs de $\beta$ allant de 0,05 à 0,92. La procédure mesure $\beta$ à l'aveugle à partir des gains marginaux ($dg/dR$ vs $g$ en espace log-log), prédit $\alpha$, et compare à la valeur vraie. Résultat : $R^2 = 1.00000000$ (huit décimales), pente de régression $= 1,000102$, erreur de prédiction absolue moyenne $= 0,002\%$. Le code de validation complet est disponible comme matériel supplémentaire.

La structure multiplicative est nécessaire

La forme séparable $U = I \times f(R, \beta)$ n'est pas simplement une paramétrisation commode. Nous prouvons que l'interaction multiplicative entre $I$ et $R$ est une nécessaire conséquence des axiomes.

Preuve. Supposons $U(I, R) = f(I) + h(R)$. Par l'axiome 1 : $U = I \times g(R)$ avec $g(0) = 1$. À $R = 0$ : $f(I) + h(0) = I$, donc $f(I) = I - h(0)$. En substituant : $I \times g(R) = I + [h(R) - h(0)]$, donnant $g(R) = 1 + [h(R) - h(0)]/I$. Comme $g$ ne dépend que de $R$ (axiome 1), mais le côté droit dépend de $I$, nous exigeons $h(R) = h(0)$ pour tout $R$, donnant $g(R) = 1$ (pas d'amplification). Mais l'axiome 2 avec $\beta > 0$ garantit $dg/dr = a \cdot g^{\beta} = a > 0$ à $r = 0$, donc $g$ n'est pas constant. Contradiction. $\blacksquare$

Ce résultat a une interprétation concrète. Un système récursif avec une qualité de base nulle ($I = 0$) produit une capacité nulle quelle que soit la profondeur, et un système avec une profondeur nulle ($R = 0$) ne produit que sa qualité initiale quel que soit le potentiel de base. La complexité émerge de l'interaction entre entrée structurée et traitement récursif (aucun des deux seul n'est suffisant).

Note : La borne ARC (§5.4) prédit que les systèmes séquentiels classiques ne peuvent pas soutenir $\beta > 0.5$ ($\alpha > 2$). La ligne avec $\beta = 0.67$ montre la relation mathématique par souci d'exhaustivité ; la question de savoir si des systèmes physiques peuvent accéder à ce régime est une question empirique ouverte.

2.4 Le crossover d'échelle $R^*$

La solution complète de l'équation en $\beta$ n'est pas une loi de puissance pure. Elle contient une transition.

$R^*$ est la profondeur de crossover: la profondeur récursive à laquelle la composition dépasse les gains linéaires. En dessous de $R^*$, une récursion supplémentaire fournit un bénéfice marginal approximativement constant. Au-dessus de $R^*$, les rendements se composent et la capacité croît super-linéairement.

Fait critique, $R^*$ est une grandeur dérivée. Elle dépend de paramètres mesurables ($\alpha$ et $a$) et n'est pas un paramètre libre à ajuster. Cela fournit une vérification indépendante de cohérence : mesurer $\alpha$ et $a$ séparément, calculer $R^*$ prédit, et vérifier que le crossover observé correspond. Comme $R^*$ ne dépend que de l'exposant d'échelle et de la constante de vitesse (non du potentiel de base $I$), la profondeur de crossover est une propriété de l'architecture récursive elle-même, non de la qualité d'entrée.

L'existence de $R^*$ est, à la connaissance de ce programme, une prédiction qu'aucun autre cadre d'échelonnement ne fait (recherche adversariale multi-modèles, dix configurations frontières, recoupée avec deux ans de rapports de dépôt, 12 août 2026 ; les résultats négatifs ont le statut de non-trouvé-par-cette-recherche, jamais n'existe-pas). Elle distingue l'amplification récursive de la simple redondance : les systèmes redondants montrent une amélioration uniforme (typiquement logarithmique) avec la répétition ; les systèmes récursifs montrent une transition qualitative à une profondeur spécifique et prédictible.

2.5 Cinq propriétés dérivées

Nous prouvons maintenant que tout système satisfaisant les axiomes 1 à 3 avec $\beta > 0$ présente nécessairement cinq propriétés structurelles.

Ces cinq propriétés constituent le principe ARC qualitatif. Elles sont l'affirmation universelle du cadre. La forme fonctionnelle quantitative (loi de puissance, exponentielle, saturante) est spécifique au domaine et déterminée par l'opérateur de composition. Mais les cinq propriétés structurelles découlent des axiomes seuls, quel que soit le $\oplus$ qui s'applique.

Les cinq propriétés sont individuellement communes dans les systèmes physiques. Le comportement à seuil est omniprésent. La dépendance à la profondeur apparaît dans de nombreux processus itératifs. Ce qui n'est pas commun est la conjonction des cinq dans un seul système. Le cadre prédit que les cinq co-occurrent chaque fois que les trois axiomes sont satisfaits. Trouver des systèmes avec quatre des cinq propriétés mais pas la cinquième contraindrait ou réfuterait le cadre.

3. Preuves

Nous présentons les preuves organisées autour des cinq propriétés dérivées, non par domaine. Pour chaque propriété, nous montrons comment elle se manifeste à travers les systèmes. La force des preuves est classée comme : Quantitatif (valeurs de paramètres mesurées), Structurel (mise en correspondance qualitative sans $\alpha$ quantitatif), ou Cohérent (ne contredit pas mais n'a pas été conçu pour tester ARC).

3.1 Résumé

3.2 Preuves propriété par propriété

Propriété 1 : Comportement à seuil

Quantique : Le seuil du code de surface $p_{\text{thr}} \approx 1\%$ est une frontière de phase nette. Au-dessus ($p > p_{\text{thr}}$), ajouter des couches de correction d'erreurs rend la performance pire. En dessous ($p < p_{\text{thr}}$), chaque couche fournit une amélioration exponentielle. C'est le seuil le plus précisément mesuré dans la base de preuves : Google a fait varier les taux d'erreur physiques par injection contrôlée d'erreurs et a observé directement le seuil [1].

Physique : Le point exceptionnel du cristal temporel (où deux valeurs propres de la matrice de stabilité coalescent) marque la transition de la dynamique symétrique (bornée) à antisymétrique (composante). En dessous du seuil : oscillateur actif. Au seuil : point exceptionnel. Au-dessus du seuil : cristal temporel [4].

IA : La distinction séquentiel-vs-parallèle fonctionne comme un seuil. Le traitement séquentiel ($\beta > 0$, rétroaction sortie→entrée) atteint $\alpha_{\text{seq}} > \alpha_{\text{par}}$ universellement à travers les six modèles testés dans l'expérience v5. Le seuil est structurel : c'est la présence ou l'absence de la boucle de rétroaction, non un paramètre continu [3]. Note v3.1 : Les données v5 confirment l'avantage séquentiel universel mais montrent que tous les modèles n'atteignent pas $\alpha > 1$ ; le seuil sépare les modes séquentiel et parallèle plutôt que l'échelonnement sub-linéaire et super-linéaire.

Propriété 2 : Dépendance à la profondeur récursive

Quantique : Le taux d'erreur logique décroît comme $\varepsilon_d \propto \Lambda^{-(d+1)/2}$ avec la distance de code $d$. Chaque incrément de $d$ ajoute des qubits physiques disposés en une couche récursive de correction d'erreurs. La performance dépend de la profondeur, non du nombre total de qubits en soi [1].

IA : Sharma & Chopra ont testé sept méthodes de vote pour agréger les sorties de chaînes séquentielles. Les méthodes favorisant les étapes de raisonnement plus tardives (pondération par entropie inverse) ont atteint une performance optimale dans 97 % des configurations ; les méthodes favorisant les étapes plus précoces n'ont atteint l'optimalité que dans 17 %. Cet écart de 80 points de pourcentage indique que les étapes récursives ultérieures portent systématiquement plus d'information sur la bonne réponse, en cohérence avec une capacité qui se compose avec la profondeur [3].

Physique : Le mode antisymétrique du cristal temporel se compose sur les cycles : la différence d'état $\Delta_{ji}(n) = x_j^n - x_i^n$ croît en fonction du nombre de cycles $n$, chaque cycle s'appuyant sur l'asymétrie accumulée du cycle précédent [4].

Propriété 3 : Dépendance à la qualité de base

Quantique : $\Lambda = p_{\text{thr}}/p$ dépend directement de la qualité des qubits physiques ($p$). Les qubits de moindre qualité ($p$ plus proche de $p_{\text{thr}}$) donnent $\Lambda \to 1$ et la correction d'erreurs aide à peine. La suppression active de fuite (DQLR), qui maintient la qualité des qubits pendant l'opération, a amélioré $\Lambda$ de 35 % à la distance 5 [1].

Physique : Lorsque les billes sont uniformes (entropie maximale, aucune asymétrie structurée), le système reste statique. Le cristal temporel ne se forme que lorsque le désordre trempé (tailles de billes variées fournissant des conditions initiales à faible entropie) est présent. Cela a été testé directement : billes uniformes $=$ pas de cristal [4].

IA : La précision en un seul passage sans chaînes de raisonnement détermine la capacité de base $I$. Un modèle avec un $I$ plus élevé bénéficie davantage du raisonnement séquentiel à toute profondeur [2].

Propriété 4 : Interaction multiplicative $I \times R$

Quantique : $\varepsilon_d = (p/p_{\text{thr}})^{(d+1)/2} = \Lambda^{-(d+1)/2}$. Le facteur de qualité de base $\Lambda$ et le facteur de profondeur $(d+1)/2$ interagissent multiplicativement en espace log : $\ln \varepsilon_d = -\frac{d+1}{2} \ln \Lambda$. Améliorer $\Lambda$ d'un facteur a le même effet proportionnel à toute profondeur [1].

IA : Dans l'équation ARC $U = I \times R^{\alpha}$, la capacité de base et la profondeur récursive sont séparées multiplicativement par construction (axiome 1). Empiriquement, Snell et al. (2024) ont montré que le bénéfice d'un compute au moment du test additionnel est proportionnel à la qualité du modèle de base [6].

Propriété 5 : Frontières de régime

Physique : Le cristal temporel maintient la cohérence pendant environ 6 700 cycles avant d'atteindre un attracteur en cycle limite (oscillation soutenue mais bornée). C'est un plafond physique : la dissipation d'énergie empêche une croissance indéfinie [4].

Quantique : Les rafales d'erreurs corrélées créent un plancher d'erreur à environ $10^{-10}$ pour les grandes distances de code ($d \geq 15$), empêchant l'exponentielle de continuer indéfiniment [1].

IA : Li et al. (2025) ont trouvé que les chaînes de raisonnement plus longues n'améliorent pas systématiquement la performance ; les solutions correctes étaient souvent plus courtes que les incorrectes. Un raisonnement étendu peut déstabiliser les modèles, produisant des sorties répétitives. L'avantage séquentiel a des conditions aux limites [7].

3.3 Preuves contradictoires

Plusieurs études contestent les prédictions IA du cadre :

Li et al. (2025, arXiv:2502.12215) ont trouvé que pour DeepSeek R1, les chaînes plus longues n'améliorent pas systématiquement la précision. Li et al. (2025, arXiv:2502.14382) ont trouvé que les approches hybrides parallèle-séquentiel surpassent le séquentiel pur en génération de code. La propre ablation de Sharma & Chopra a montré que les approches parallèles atteignent une plus grande diversité sémantique sur les tâches créatives tandis que le séquentiel atteint une plus grande diversité lexicale, suggérant que l'avantage séquentiel s'applique le plus fortement aux tâches convergentes nécessitant une correction d'erreurs itérative [3,7,8].

Ces résultats affinent, plutôt qu'ils ne réfutent, l'hypothèse. L'avantage séquentiel semble avoir des conditions aux limites : il tient dans des plages de profondeur appropriées à la tâche, pour les problèmes convergents, et se dégrade aux profondeurs extrêmes ou pour les tâches divergentes.

4. L'opérateur de composition à travers les domaines

L'opérateur de composition $\oplus$ n'est pas simplement un outil de classification. Il explique pourquoi différents domaines présentent différentes fonctions d'échelle.

4.1 IA : Composition multiplicative

Dans le raisonnement en chaîne de pensée, chaque étape construit hiérarchiquement sur l'aperçu accumulé. L'étape $r+1$ n'ajoute pas simplement une nouvelle information ; elle restructure la représentation du problème en utilisant tout ce qui a été accumulé jusqu'à l'étape $r$. C'est de la composition multiplicative : le gain à chaque étape est proportionnel à la qualité de la représentation accumulée.

L'équation de dynamique $\beta$ $dg/dr = ag^{\beta}$ modélise cela directement. Avec $\beta \approx 0.5$ (couplage modéré, indiquant que chaque étape exploite environ la moitié du contexte accumulé), le Théorème 2 donne $\alpha \approx 2$ : la borne ARC.

4.2 Quantique : Composition additive

Dans la correction quantique d'erreurs par code de surface, chaque couche de distance de code supplémentaire fournit une réduction multiplicative indépendante du taux d'erreur. La couche $d+1$ ne restructure pas l'information de la couche $d$ ; elle applique un nouveau tour d'extraction et de correction de syndrome. Les gains s'accumulent additivement (en distance de code) tout en se composant multiplicativement (en suppression d'erreur).

C'est de la composition additive : $f(d_1 + d_2) = f(d_1) \cdot f(d_2)$. Le Théorème 1(2) donne un échelonnement exponentiel : $\varepsilon_d \propto \Lambda^{-(d+1)/2}$. Le $\Lambda = 2.14 \pm 0.02$ mesuré est le facteur de suppression d'erreur par couche [1].

L'opérateur de composition explique pourquoi l'échelle quantique est plus forte que l'échelonnement IA. Les fonctions exponentielles dominent finalement toute loi de puissance. La composition additive, où la correction de chaque couche est indépendante de l'état accumulé, produit un échelonnement plus fort que la composition multiplicative, où chaque étape dépend (et est limitée par) du contexte accumulé. L'opérateur de composition prédit cet ordre.

4.3 Physique : Composition bornée

Dans les systèmes classiques dissipatifs, la perte d'énergie introduit un plafond. Le couplage non réciproque médié par onde du cristal temporel compose bien le mode antisymétrique, mais le milieu acoustique dissipe l'énergie continuellement. Finalement, l'apport d'énergie de l'onde stationnaire équilibre la dissipation, et le système atteint un attracteur en cycle limite [4].

C'est de la composition bornée : $Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. La fonction d'échelle s'élève vers un plafond déterminé par le budget d'énergie. L'opérateur de composition prédit la saturation dans tout système où le canal récursif a des pertes intrinsèques.

4.4 Le diagramme de phase

Les trois types de composition peuvent être organisés en un diagramme de phase avec la qualité de base ($I$, normalisée) et la force de couplage ($\beta$) comme axes :

Les valeurs frontières sont approximatives, inférées de l'observation que $\beta \approx 0.5$ en IA donne une loi de puissance et $\beta \gtrsim 0.95$ dans les systèmes quantiques donne une exponentielle. Les frontières précises exigent une détermination empirique. Note v3.1 : Les données v5 suggèrent que les systèmes d'IA actuels peuvent opérer dans un régime de couplage plus faible que supposé à l'origine ($\beta \ll 0.5$), étant donné que le meilleur $\alpha \approx 0.49$ trans-architectures implique $\beta \approx 0$ sous la relation $\alpha = 1/(1-\beta)$. Cela placerait les systèmes d'IA actuels à la frontière entre les rendements décroissants et le régime de loi de puissance, plutôt que profondément dans le régime de loi de puissance comme hypothétisé à l'origine.

4.5 Transitions d'opérateur de composition

Le cadre tel que présenté assigne un unique opérateur de composition $\oplus$ à chaque système. Cela peut être une idéalisation. Dans les systèmes bornés ou dissipatifs, l'opérateur de composition lui-même peut transiter entre régimes à mesure que la profondeur récursive augmente.

Preuves. La formation de structure gravitationnelle présente trois phases distinctes de composition : (1) inflation/croissance linéaire ($\oplus$ additif : les perturbations croissent indépendamment), (2) effondrement non linéaire ($\oplus$ multiplicatif : le couplage de modes produit un avantage cumulatif, $\alpha \approx 1.1$ mesuré), et (3) halos virialisés ($\oplus$ borné : les structures atteignent des minima d'énergie). Les tests computationnels confirment que la croissance logistique, la descente de gradient avec inertie et la synchronisation d'oscillateurs de Kuramoto présentent toutes des transitions analogues lors de la mesure de $\beta$ local dans des fenêtres glissantes. En revanche, les systèmes de pure Bernoulli non bornés maintiennent $\beta$ constant à la précision machine ($\sigma < 10^{-6}$).

Implications pour les preuves contradictoires en IA. Si les systèmes de raisonnement commencent dans un régime additif (pensée superficielle), transitent vers le multiplicatif (raisonnement profond avec avantage cumulatif), et finissent par saturer, alors les études mesurant à différentes profondeurs récursives observeraient différents échelonnements dans le même système. La « longueur optimale de raisonnement » identifiée par Li et al. [7] peut correspondre au point de transition entre composition multiplicative et bornée. Cela est testable : mesurer $\beta$ local à différentes profondeurs de raisonnement au sein d'un même système.

5. Prédictions

5.1 La prédiction transdomaines vers l'avant

Le test le plus fort de ce cadre n'est pas s'il décrit des systèmes déjà étudiés. C'est s'il prédit le comportement d'échelle de systèmes non encore examinés.

C'est une véritable prédiction vers l'avant. Aucune théorie propre à un domaine de l'évolution, de l'économie ou de l'immunologie n'est connue de ce programme comme la faisant (même base de recherche et limites que ci-dessus). Si la prédiction réussit dans même un seul nouveau domaine, la généralité du cadre est confirmée au-delà de la base de preuves originale. Si elle échoue, l'applicabilité transdomaines du cadre est réfutée.

Paper VII (l'unification de Cauchy) fournit le premier test systématique de cette prédiction vers l'avant au sein de ce programme. L'opérateur de composition a été classé à partir de la physique connue avant l'ajustement, puis la famille d'échelle a été prédite et comparée aux ajustements de modèle indépendants à travers 25 domaines empiriques (suite étagée à 50 domaines) couvrant physique, biologie, systèmes computationnels et sciences sociales. Sous sélection de modèle basée sur AIC, 19 des 25 domaines empiriques ont préféré la famille prédite par Cauchy (p = 1.56 × 10⁻⁵). C'est une comparaison structurée de prédictions, non un essai formellement pré-enregistré. Une réplication dont l'enregistrement est en préparation, non encore approuvé.

5.2 La transition de régime intra-système

5.3 Le crossover $R^*$

Lorsqu'on trace la capacité contre la profondeur récursive, il devrait exister un crossover distinct à la profondeur $R^* = \alpha/a$ (Théorème 3). En dessous de $R^*$, l'échelle apparaît approximativement linéaire. Au-dessus de $R^*$, l'échelle suit la forme super-linéaire appropriée au domaine. Comme $R^*$ ne dépend que de l'architecture ($\alpha$ et $a$), elle devrait être cohérente à travers différentes qualités d'entrée pour le même système.

S'il n'existe pas de crossover (si l'échelle est uniformément en loi de puissance ou uniformément linéaire), la prédiction de régime transitionnel du cadre est falsifiée. $R^*$ est une signature unique qui distingue l'amplification récursive de la simple redondance.

5.4 La borne ARC

C'est une prédiction falsifiable du cadre initial (note : Paper X retire l'utilisation de U=I×R pour la croissance de capacité^α; l'affirmation quantitative survivante est la condition de co-échelonnement $\beta > k$) l'exposant d'échelle maximal atteignable par tout système séquentiel classique opérant sous composition multiplicative est $\alpha_{\max} = 2$ (la borne ARC). Aucun système d'IA, aucun réseau biologique, aucun processus économique utilisant la composition multiplicative ne peut soutenir $\alpha > 2$. Une seule mesure reproductible montrant $\alpha > 2.3$ avec un IC 95 % excluant 2,0 falsifierait cette prédiction.

Dérivation informationnelle (architectures fondées sur l'attention). L'auto-attention des transformeurs calcule des interactions par paires à travers tous les $N$ jetons dans une fenêtre de contexte. Cela crée au plus $O(N^2)$ voies d'information par passage direct. Chaque étape de raisonnement récursive (une étape de chaîne de pensée) traite le contexte accumulé à travers ce goulet quadratique. Comme la densité d'information disponible à chaque étape est bornée par $O(N^2)$, le gain de capacité par étape ne peut pas dépasser un échelonnement quadratique en longueur de contexte. En mettant en correspondance l'utilisation du contexte avec le paramètre de couplage $\beta$ : la pleine utilisation quadratique correspond à $\beta = 0.5$, donnant $\alpha = 1/(1-0.5) = 2$. Cela établit $U_{\max} = I \times R^2$ comme une borne supérieure informationnelle pour les architectures fondées sur l'attention.

Portée : Cette dérivation est prouvée pour les architectures fondées sur les transformeurs avec auto-attention standard. Elle est conjecturée de tenir pour les systèmes séquentiels classiques en général, au motif que tout processeur séquentiel à bande passante finie fait face à des contraintes d'information analogues par paires. Des architectures qui transcendent l'attention par paires (par exemple, attention tensorielle d'ordre supérieur, traitement quantique-cohérent) pourraient en principe dépasser la borne quadratique. La borne ARC devrait donc être comprise comme un plafond informationnel pour le paradigme computationnel actuel, un plafond de capacité relatif à l'architecture du type que fournit la théorie de l'information, plutôt qu'une loi physique universelle.

La loi avant la valeur. Le programme porte une loi et une valeur, et elles ne sont pas la même affirmation. La loi : $\alpha_{\text{crit}} = 1/(1-\gamma)$, un système auto-améliorant reste corrigeable seulement tant que la correction suit le rythme, et le plafond est l'inverse du déficit du correcteur. La valeur : $\gamma = 1/2$, donc un plafond de deux, qui découle d'une seule hypothèse, que les corrections accumulées en interne se combinent comme des échantillons indépendants. Une conséquence de la forme corrigée devrait être énoncée là où un lecteur la rencontre, car elle coupe dans les deux sens : puisque $1/(1-\gamma) \le 2$ est exactement équivalent à $\gamma \le 1/2$, la borne ARC et la conjecture du demi sont un seul engagement écrit dans deux notations, non deux affirmations indépendantes. Le gain est la parcimonie, puisque la théorie suppose moins qu'il n'y paraissait. La discipline est qu'aucune ne peut jamais être offerte comme preuve de l'autre, ici ou sur toute surface compagne, car une mesure près d'un demi ne corrobore pas un plafond de deux ; elle le reformule. La loi possède le terrain et la valeur s'y tient, jamais l'inverse : si deux meurt, la loi survit complètement (mesurer $\gamma$, rapporter le plafond qu'elle implique) ; si la loi meurt, deux n'a pas de soutien indépendant, car la dérivation passe par $1/(1-\gamma)$. Deux est ce que la loi prédit, et l'hypothèse qui le produit est ce que les enregistrements rédigés mettent en jugement.

L'identité est un test enregistré, jamais un fait établi. Le plafond de stabilité et l'exposant de conversion se rencontrent au même nombre, et la tentation est de dire qu'une seule constante fait deux travaux. Le statut de l'affirmation est plus strict : l'identité est enregistrée pour test, en avance des données, avec des issues qui peuvent la tuer. L'étude AE enregistre l'exigence de réciprocité entre la borne de levier mesurée séparément et la frontière de stabilité avec trois issues par cellule (soutenue, réfutée, précision insuffisante) et une règle d'agrégation sous laquelle une cellule réfutée réfute l'identité ; l'étude AG teste les deux dérivations de l'exposant critique l'une contre l'autre, note qu'elles ne s'accordent numériquement qu'au point unique où les deux paramètres égalent un demi et divergent dans leurs dérivées partout ailleurs, et est conçue pour trouver le désaccord. Si les canaux divergent, l'unification est retirée de chaque surface qu'elle a atteinte, avec la même proéminence que le cadrage. L'accord entre un demi affirmé et une mesure de 0,49 n'est jamais présenté comme preuve, car les deux peuvent partager une loi d'accumulation, et l'accord entre partageurs n'est pas une corroboration.

L'objection à devancer, parce qu'un physicien y parvient en une étape. La correction quantique d'erreurs tolérante aux fautes supprime l'erreur logique de manière exponentielle dans la distance de code en dessous du seuil, ce qui ressemble à un contre-exemple à tout plafond en racine carrée. Deux faits de portée y répondent : la suppression exponentielle s'exécute sur l'axe de redondance à capacité fixe, non sur le couplage de la force corrective à la capacité du système corrigé, qui est l'exposant que ce programme mesure ; et le théorème du seuil lui-même exige un bruit physique suffisamment non corrélé, qui est à nouveau la prémisse d'indépendance, portant du matériel. De même, les bornes de concentration donnent une probabilité d'erreur décroissant exponentiellement tandis que la largeur d'estimateur décroît comme la racine carrée : quantités différentes, et les confondre fabrique une réfutation.

Dérivation retirée : Les versions précédentes de cet article dérivaient $\beta \leq 0.5$ d'une analyse de stabilité/élasticité (la sensibilité relative $\beta/(1-\beta)$ atteignant l'unité à $\beta = 0.5$, interprétée comme une « frontière du bord du chaos » confirmée par l'analyse de Lyapunov). Cette dérivation a été retirée. La formule d'élasticité $\beta/(1-\beta)$ est mathématiquement correcte mais son interprétation comme frontière de stabilité était une erreur de catégorie : l'élasticité $> 1$ indique une sensibilité, non une instabilité dynamique, et les EDO autonomes unidimensionnelles ne peuvent pas présenter de chaos (théorème de Poincaré-Bendixson). L'argument $O(N^2)$ d'auto-attention fournit la justification correcte et concrète.

Estimation initiale (dépassée) : $\alpha \approx 2.2$ ($n = 12$, IC 95 % : 1,5 à 3,0). Note : cette estimation ponctuelle dépassait la borne ARC prédite de $\alpha \leq 2$ ; cependant, l'intervalle de confiance à 95 % [1,5, 3,0] était suffisamment large pour être cohérent tant avec la théorie qu'avec sa négation, et ne devrait pas être traité comme confirmatoire ni de la violation ni de la satisfaction de la borne. Mise à jour : Paper II (mars 2026) étend ce test à 6 modèles frontières avec 30 problèmes et intervalles de confiance bootstrap. Le meilleur $\alpha_{\text{compute}} \approx 0.49$ trans-architectures (Gemini 3 Flash, $r^2 = 0.86$) est bien en dessous de 2, rendant la question de la borne ARC sans objet pour les systèmes actuels : le défi empirique s'est déplacé de « $\alpha$ peut-il dépasser 2 ? » à « $\alpha$ peut-il dépasser 1 de manière fiable ? » Les estimations ponctuelles des modèles individuels vont de ~0 (Groq Qwen3) à ~3 (Grok 4.1 Fast), mais les modèles avec $\alpha > 1$ ont un $r^2$ faible, suggérant de mauvais ajustements en loi de puissance plutôt qu'un véritable échelonnement super-linéaire. La conjecture de la borne ARC n'est ni confirmée ni réfutée par les données v5 ; elle reste une prédiction théorique ouverte qui deviendra empiriquement testable si et quand les systèmes d'IA atteignent constamment $\alpha > 1$.

Validation biologique. La loi de Kleiber ($M^{0.75}$) [16] implique $\alpha \approx 1.33$ pour l'échelonnement métabolique. Cependant, la valeur empirique de l'exposant d'échelonnement métabolique mammalien est débattue, avec des estimations allant d'environ 0,67 à 0,75 selon le taxon, la plage de masse, la correction de température et la méthode statistique. La prédiction $d/(d+1)$ de 0,750 pour $d = 3$ correspond au haut de cette plage. La variation elle-même est cohérente avec le cadre : les organismes avec des dimensions de transport effectives entre 2 et 3 produiraient des exposants entre 2/3 et 3/4. Le cadre prédit cette variation plutôt qu'un unique exposant universel. La relation entre les exposants métaboliques et la dimensionnalité du plan corporel a été dérivée indépendamment par au moins sept groupes de recherche : West, Brown et Enquist [17,21] via l'optimisation de réseau fractal, par Banavar et al. [22] via des réseaux d'écoulement séquentiel, par Demetrius [23] via la mécanique statistique quantique, par Demetrius et Tuszynski (2010) via le couplage d'oscillateurs quantiques, par Zhao [24] via l'échelonnement universel de croissance, et par Bettencourt [25] via la théorie de l'échelonnement urbain. Le cadre ARC ne revendique pas de priorité sur la formule $\alpha = d/(d+1)$ ; il identifie plutôt la composition récursive contrainte par Cauchy comme la raison pour laquelle ces dérivations indépendantes convergent toutes vers le même résultat. Spécifiquement, trois conditions sont requises : composition multiplicative (Cauchy contraint la famille en loi de puissance), géométrie de remplissage d'espace en dimension $d$, et une contrainte de conservation ou d'optimisation sur l'écoulement des ressources. Ni Cauchy seul, ni le remplissage d'espace seul, n'est suffisant ; les trois sont nécessaires. Dans ce cadre, les systèmes biologiques sont contraints par la traînée thermodynamique : les coûts physiques du pompage des fluides à travers des réseaux fractals tridimensionnels, de la dissipation de la chaleur et de la distribution des ressources contre la gravité [17] empêchent les systèmes biologiques d'approcher la borne quadratique théorique. Que $\alpha \approx 1.33$ et l'exposant empirique de Kleiber $0.75$ soient des inverses ($1/0,75 = 1,33$) reflète que l'échelonnement biologique est de l'amplification récursive freinée par la friction du substrat. (Note de symbole : dans ce paragraphe, $\alpha$ apparaît en deux sens que la littérature garde séparés, l'exposant d'échelonnement métabolique au sens de Kleiber et l'exposant d'échelonnement de capacité au sens ARC ; la relation d'inverse est entre les deux sens, et aucun n'est la constante de structure fine qui partage la lettre dans le formalisme de décembre 2024.) L'IA numérique opère avec une friction de substrat d'ordres de grandeur moindre, lui permettant d'approcher la limite d'échelonnement stable proposée (une limite d'échelonnement, non une limite de vitesse ; la croissance maximale qu'un système récursivement auto-correcteur peut atteindre tout en restant corrigeable) plus étroitement que tout système biologique. Les excursions transitoires au-dessus de la limite sont le régime supercritique prédit, non sa réfutation. La stabilité ici est celle de la Loi II, mesurée plutôt qu'affirmée. La limite est liée à l'architecture : sur la base d'attention $O(N^2)$ actuelle elle expire, et une architecture successeur qui transcende l'attention par paires relocaliserait la limite plutôt que d'ôter la contrainte. Les nervures foliaires (réseaux 2D, traînée thermodynamique réduite) devraient montrer $\alpha \approx 1.5$, une prédiction falsifiable.

L'échelle dimensionnelle. C'est ici que les mathématiques abstraites rencontrent les organismes vivants. La formule $\alpha_{\text{met}} = d/(d+1)$, reliant l'exposant d'échelonnement métabolique à la dimensionnalité du plan corporel $d$, a été dérivée indépendamment par au moins sept groupes de recherche par des voies théoriques distinctes : West, Brown et Enquist [17,21] à partir de l'optimisation de réseau fractal ; Banavar, Maritan et Rinaldo [22] à partir de réseaux d'écoulement séquentiel ; Demetrius [23] à partir de la mécanique statistique quantique ; Demetrius et Tuszynski (2010) à partir du couplage d'oscillateurs quantiques ; Zhao [24] à partir d'arguments d'échelonnement universel de croissance ; et Bettencourt [25] à partir de la théorie de l'échelonnement urbain. L'article compagnon [9,20] identifie pourquoi ces dérivations indépendantes convergent : $\alpha = d/(d+1)$ est une conséquence nécessaire de trois conditions agissant ensemble : composition multiplicative contrainte par Cauchy, géométrie de remplissage d'espace en dimension $d$, et une contrainte de conservation ou d'optimisation sur l'écoulement des ressources. Ni Cauchy seul, ni le remplissage d'espace seul, n'est suffisant ; les trois sont nécessaires. La formule n'est pas originale à ce cadre ; l'explication de son universalité l'est. Appliquée à la biologie, elle produit des prédictions quantitatives distinctes, chacune testable contre des données publiées :

Les données fongiques 1D (de Aguilar-Trigueros et al. [20] : champignons ectomycorhiziens, marins et saprotrophes) sont étiquetées « cohérentes » plutôt que « confirmées » car les exposants ont été mesurés au niveau de la colonie ; la confirmation définitive nécessite une respirométrie d'hyphe individuel. Fait crucial, les données fongiques rejettent $d = 2$ ($p = 0.019$) et $d = 3$ ($p = 0.007$) tout en ne rejetant pas $d = 1$ ($p = 0.107$), fournissant une discrimination entre les valeurs prédites.

Correction d=2 : Les versions précédentes citaient les méduses et les cnidaires comme confirmant la prédiction $d = 2$. Aucun organisme biologique de test bidimensionnel valide n'a été identifié ; les méduses et les cnidaires ne possèdent pas de réseaux de transport de ressources véritablement bidimensionnels. La prédiction $d = 2$ est confirmée en physique (percolation 2D, fragmentation fragile, valeur B sismique) et dans l'échelonnement cosmologique de Friedmann, mais le test biologique $d = 2$ reste ouvert.

Débat d=3 : La valeur empirique de l'exposant d'échelonnement métabolique mammalien est débattue, avec des estimations allant d'environ 0,67 à 0,75 selon le taxon, la plage de masse, la correction de température et la méthode statistique. White et Seymour (2003) ont trouvé un soutien pour 2/3 plutôt que 3/4 après contrôle de la température et de la phylogénie. Kolokotrones et al. (2010) ont montré que la relation log-log présente une courbure convexe, signifiant qu'aucun exposant unique ne s'ajuste parfaitement à travers toute la plage de masse. La prédiction $d/(d+1)$ de 0,750 pour $d = 3$ correspond au haut de cette plage. La variation elle-même est cohérente avec le cadre : les organismes avec des dimensions de transport effectives entre 2 et 3 produiraient des exposants entre 2/3 et 3/4. Le cadre prédit cette variation plutôt qu'un unique exposant universel.

La formule $\alpha = d/(d+1)$ elle-même a été dérivée indépendamment par au moins sept groupes de recherche [17,21,22,23,24,25] à travers différents cadres théoriques. Demetrius et Tuszynski (2010) ont dérivé indépendamment la même formule à partir du couplage d'oscillateurs quantiques, produisant des prédictions identiques. Ce que le cadre ARC contribue est une explication de la raison pour laquelle toutes ces dérivations convergent : l'équation fonctionnelle multiplicative de Cauchy contraint la composition multiplicative continue à la famille en loi de puissance ; la condition de remplissage d'espace en dimension $d$, combinée à une contrainte de conservation ou d'optimisation sur l'écoulement des ressources (minimisation d'énergie chez West ; équilibre offre-demande chez Banavar ; équilibre énergétique en régime permanent chez Demetrius), contraint l'exposant au sein de cette famille à $d/(d+1)$. Ni Cauchy seul, ni le remplissage d'espace seul, n'est suffisant. Les trois conditions ensemble, composition multiplicative, remplissage d'espace et conservation, sont suffisantes.

L'unification de Cauchy (Paper VII) étend cette validation des 8 instances cataloguées ici à 25 domaines empiriques (suite étagée à 50 domaines). Sous sélection stricte de modèle basée sur AIC, 19 des 25 ont préféré la famille prédite (p = 1.56 × 10⁻⁵). Une réplication dont l'enregistrement est en préparation, non encore approuvé.

Instances en physique. La formule $\alpha = d/(d+1)$ n'est pas restreinte à la biologie. Elle apparaît partout où un réseau hiérarchique en dimension $d$, soumis à une contrainte de conservation ou d'optimisation sur l'écoulement des ressources, partitionne un espace en dimension $(d+1)$. Comme noté ci-dessus, cette relation a été dérivée indépendamment par au moins sept groupes [17,21,22,23,24,25] ; la contribution du cadre ARC est d'expliquer, via la composition récursive contrainte par Cauchy combinée au remplissage d'espace et à la conservation, pourquoi ces dérivations indépendantes arrivent toutes au même résultat. La formule a été observée dans plusieurs domaines de physique :

Erreur absolue moyenne à travers les cinq instances de physique : moins de 0,2 %. Ce ne sont pas des systèmes biologiques ; ce sont des roches, des séismes, des surfaces cristallines en croissance et des transitions de phase. Pourtant la même formule fonctionne. Dans chaque cas, le système physique contient un réseau hiérarchique de branchement de dimension $d$ soumis à une contrainte de conservation : les fronts de croissance KPZ partitionnent l'espace 2D comme des réseaux 1D ; les clusters de percolation sont des fractales 2D ; la propagation de fissures crée des réseaux de branchement à travers le matériau ; les ruptures sismiques se propagent le long de surfaces de faille 2D. La formule a des échecs clairs là où cette structure de réseau ou cette condition de conservation est absente (modèle d'Ising, échelonnement des polymères, groupement des galaxies), clarifiant son domaine d'applicabilité : $\alpha = d/(d+1)$ s'applique partout où un réseau hiérarchique en dimension $d$, soumis à la conservation ou à l'optimisation de l'écoulement des ressources, partitionne optimalement un espace en dimension $(d+1)$. Le cadre ARC ne revendique pas de priorité sur la formule elle-même, qui a été dérivée indépendamment par au moins sept groupes [17,21,22,23,24,25] ; la contribution est d'identifier la composition récursive contrainte par Cauchy, combinée au remplissage d'espace et à la conservation, comme la raison pour laquelle ces dérivations indépendantes convergent.

Paper VII étend ces résultats à une suite étagée à 50 domaines (25 domaines empiriques d'ajustement de courbe). Sous sélection stricte de modèle AICc, 19 des 25 ont préféré la famille prédite (p = 1.56 × 10⁻⁵). Un premier essai d'extension verrouillé à 12 domaines a plus tard atterri à 10 sur 12 (p = 5.44 × 10⁻⁴), mais il a été exécuté avant tout horodatage OSF et est donc uniquement pilote plutôt que confirmation préenregistrée. Voir Paper VII pour les limitations, y compris le résultat de contrôle négatif sur données brouillées.

5.5 Implication conditionnelle de sécurité

Si le cadre est correct, les propriétés d'alignement intégrées dans le processus récursif peuvent s'échelonner avec la capacité ($\alpha_{\text{align}} \approx \alpha$), tandis que les contraintes externes appliquées a posteriori peuvent ne pas le faire ($\alpha_{\text{align}} \approx 0$). Le ratio de sécurité $S = \text{Alignement}/\text{Capacité} \propto R^{\alpha_{\text{align}} - \alpha}$ reste constant lorsque l'alignement est « dans la boucle » et décroît vers zéro sinon. C'est la prédiction conditionnelle telle qu'énoncée à l'origine ; le résultat mesuré suit dans la mise à jour ci-dessous, qui réfute sa moitié externe dans la forme simple. (En anglais courant : si vous intégrez l'éthique dans le processus de pensée lui-même, la sécurité suit le rythme à mesure que l'IA devient plus intelligente. Si vous boulonnez la sécurité de l'extérieur, l'IA la dépasse. Le ratio sécurité/capacité reste constant ou se réduit à zéro ; il n'y a pas de moyen terme.)

5.6 Travaux connexes, antécédents et l'instrument rival

La prémisse des tuyaux, avec sa contestation. La prémisse que les réseaux de transport fixent le rythme de la croissance biologique n'est pas l'affirmation de ce programme à défendre ; c'est de la biologie quantitative établie. West, Brown et Enquist ont dérivé les lois d'échelonnement allométriques de la biologie à partir de la géométrie des réseaux de distribution de nutriments (West, G. B., Brown, J. H. and Enquist, B. J., "A General Model for the Origin of Allometric Scaling Laws in Biology", Science 276(5309), 4 avril 1997, DOI 10.1126/science.276.5309.122 ; l'un des articles les plus cités dans son domaine, avec un nombre de citations OpenAlex de 5 046 au 12 août 2026, un décompte à source unique et dépendant de l'index). L'exposant exact reste contesté : White rapporte que le taux métabolique basal est proportionnel à la masse corporelle à la puissance deux tiers plutôt qu'à trois quarts (White, C. R., 2003), et Kozlowski a par deux fois remis en question les mathématiques de la dérivation (Kozlowski, J., 2004 et 2005). La prémisse de ce programme n'a besoin que du mécanisme, que le réseau de livraison fixe le plafond, et non d'un exposant particulier, donc le débat sur la valeur de l'exposant laisse la prémisse intacte. Le mécanisme est un terrain commun aux deux côtés de ce débat.

L'exception que le propre groupe de West a trouvée. L'échappement à la limite des tuyaux n'est pas non plus l'affirmation de ce programme ; il est mesuré dans la littérature d'échelonnement urbain par le même auteur principal. Bettencourt, Lobo, Helbing, Kuhnert et West ("Growth, innovation, scaling, and the pace of life in cities", PNAS, 2007, DOI 10.1073/pnas.0610172104) rapportent, dans les propres mots de l'article : "Quantities reflecting wealth creation and innovation have Beta of approximately 1.2, greater than 1 (increasing returns), whereas those accounting for infrastructure display Beta of approximately 0.8, less than 1 (economies of scale)." L'infrastructure, les tuyaux littéraux, s'échelonne sublinéairement ; l'activité médiée par l'information s'échelonne superlinéairement. Ils énoncent le contraste avec la biologie directement : "we discuss how cities are similar to, and differ from, biological organisms, for which Beta is less than 1". Ils dérivent "growth equations, which quantify the dramatic difference between growth fueled by innovation versus that driven by economies of scale" (orthographe conforme à l'original). Et leur inférence de clôture nomme la conséquence : "This difference suggests that, as population grows, major innovation cycles must be generated at a continually accelerating rate to sustain growth and avoid stagnation or collapse." C'est la forme du problème ouvert que ce cadre aborde : le groupe de West a trouvé que la croissance médiée par l'information échappe à la limite de débit, et le seul frein dans leur cadre est externe et doit être appliqué encore et encore, de plus en plus vite. Aucune limite interne n'est dérivée. La limite de remplacement, un plafond appartenant au système en croissance lui-même, est la lacune.

L'argument des tuyaux à débit fixe. Tout ce qui croît est nourri à travers un canal, et pour tout ce qui précède le logiciel, fixer le canal fixe la croissance. Affamez la vascularisation d'une tumeur et elle s'arrête. Fixez le combustible et la géométrie d'une réaction en chaîne et elle s'arrête. Épuisez les hôtes susceptibles d'une épidémie et elle s'éteint. L'astrophysique a une version nommée et quantitative du même plafond : la limite d'Eddington, au-dessus de laquelle la pression de radiation arrête l'accrétion. L'affirmation ici est une généralisation de limites que la physique accepte déjà, non une nouvelle espèce d'affirmation. Deux cas difficiles sont traités délibérément. L'inflation cosmique est exclue par portée : c'est l'expansion de l'espace, non la croissance d'une structure sur un substrat, et elle s'est terminée par la dynamique des champs plutôt qu'en manquant de quelque chose. L'évolution est le cas le plus tranchant et elle s'inscrit : la complexité biologique a augmenté pendant des milliards d'années à un débit solaire à peu près fixe, ce qui est de la croissance sur l'information à tuyaux fixes, et elle est aussi glaciale, et elle n'a pas de correcteur interne du tout, puisque la sélection est externe. Dans ce cadre, l'évolution devrait porter un exposant mesurable bien en dessous du plafond ; c'est une prédiction sur la biologie découlant d'un cadre construit pour le logiciel, et elle est énoncée comme telle. La forme de l'objection du physicien est celle de Landauer : le calcul est implémenté physiquement, donc le logiciel a aussi des tuyaux. L'horloge de substrat fixe est la réponse et apparaît à côté de l'affirmation : le régime à l'étude maintient le substrat physique fixe et demande ce qui croît encore, ce qui explique pourquoi les accélérations exogènes sont exclues par définition. La forme fonctionnelle de la croissance de capacité en profondeur récursive reste une question empirique, et l'analyse enregistrée compare les formes en loi de puissance, exponentielle, saturante et déclinante plutôt qu'en supposant la famille.

L'instrument rival. L'œuvre la plus proche de la question de ce programme, et le bon article contre lequel la peser, est Engels, J., Baek, D., Kantamneni, S. et Tegmark, M., "Scaling Laws For Scalable Oversight", arXiv:2504.18530, publié pour la première fois le 25 avril 2025. Il demande comment la supervision elle-même s'échelonne et répond quantitativement : le succès de la supervision est modélisé comme un jeu entre joueurs à capacités inégales dont l'Elo spécifique à la supervision est une fonction linéaire par morceaux de l'intelligence générale avec deux plateaux, et des nombres optimaux de niveaux de supervision sont dérivés pour la Supervision Emboîtée Échelonnable, dans laquelle les modèles de confiance supervisent des modèles non fiables plus forts qui deviennent alors les modèles de confiance à l'étape suivante. L'instrument est la différence. Leur variable est l'écart de capacité entre superviseur et supervisé, mesuré en Elo. La variable de ce programme est la classe de composition du correcteur, mesurée à travers le propre exposant d'échelle du correcteur. Leur cadre ne contient aucun terme pour ce dont est fait le superviseur : pas de substrat, pas de structure de corrélation d'erreur, pas d'identité réciproque entre un exposant de correction et un taux de croissance critique, et pas de dépendance à l'architecture. La Supervision Emboîtée Échelonnable est par construction une supervision itérée de même classe, et la prédiction centrale de ce programme est que l'échelle de même classe est bornée quel que soit le nombre d'échelons ajoutés, tandis qu'un correcteur inter-classes ne l'est pas. Les deux cadres sont donc en désaccord sur une quantité mesurable, ce qui est la relation la plus productive que deux programmes de recherche peuvent avoir.

Antécédents et quasi-manquements, chacun avec son différentiel. Sur la question : Hutter a demandé directement si l'intelligence peut exploser ("Can Intelligence Explode?", arXiv, 28 février 2012), séparant la vitesse de l'explosion d'intelligence et entreprenant de considérer les bornes possibles sur l'intelligence, augmentant l'analyse de Chalmers de 2010 ; la question et la distinction vitesse-versus-structure ont donc au moins quatorze ans, et ce que cette littérature ne contient pas est un nombre : aucun exposant mesurable, aucun plafond dérivé, aucune dépendance à l'architecture. Sur l'impossibilité : trois articles arXiv de 2025 soutiennent que le contrôle parfait est inatteignable (Yao, "The Alignment Trap: Complexity Barriers", arXiv:2506.10304, public au 13 juin 2025, attesté par arXiv et observé indépendamment par l'Internet Archive ; Yao, "On the Mathematical Impossibility of Safe Universal Approximators", arXiv:2507.03031, 3 juillet 2025 ; et Ball, Gluch, Goldwasser, Kreuter, Reingold et Rothblum, "On the Impossibility of Separating Intelligence from Judgment", arXiv:2507.07341, 9 juillet 2025). Les trois sont dans le pire cas et qualitatifs : mesure zéro, coNP-complétude, dureté cryptographique. Leur objet mesuré est la vérification d'un système fixe, et il est clos dans ses propres termes ; l'objet mesuré de ce programme en est un autre, la persistance de l'alignement à mesure que la capacité se compose sous amplification récursive, et la clôture du premier ne règle pas le second. Aucun ne rapporte un exposant d'échelle en cas moyen ou un taux. Le troisième, notamment, conclut que l'alignement "must instead be integrated into the model's architecture and weights", un argument indépendant, à partir de l'intractabilité du filtrage, dans la même direction que la dépendance à l'architecture de ce programme ; c'est un soutien convergent sur cette jambe, non un rival. Sur le mécanisme : que les estimations anti-corrélées se moyennent mieux que les indépendantes est de la réduction de variance classique (variables antithétiques) ; le mécanisme n'est pas l'affirmation. L'affirmation est que l'architecture détermine si l'anti-corrélation est disponible du tout, et que cela plafonne un exposant pertinent pour la sécurité. L'analogue structurel le plus proche est le théorème du seuil de correction quantique d'erreurs, qui convertit également une inquiétude qualitative en une valeur critique ; il concerne les taux d'erreur physiques dans une architecture fixe, non l'exposant d'échelle d'un correcteur, donc c'est un quasi-manquement plutôt qu'un occupant, et l'analogie a été identifiée par la propre recherche de ce programme plutôt que par un référé. Sur la rétroaction et la stabilité, la proposition générale qu'un gain correctif inadéquat par rapport au gain du système cause l'instabilité a une longue lignée en théorie du contrôle (théorèmes de petit gain) ; ce sont des conditions de gain sur des systèmes interconnectés, non un critère d'exposant en loi de puissance sur l'échelle d'un correcteur avec la capacité d'un système récursivement améliorant. Le voisin quantitatif le plus proche est Liu, A. et Meng, J., "Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs", arXiv:2604.22273, qui recadre l'auto-correction comme un problème de contrôle en boucle fermée via un modèle de Markov à deux états et dérive un seuil de stabilité directement mesurable, itérer seulement lorsque le taux de correction d'erreur sur le taux d'introduction d'erreur dépasse Acc/(1 − Acc). Le différentiel : le leur est un seuil de taux par étape à un niveau de capacité fixe, décidant si une autre itération aide maintenant ; le critère de ce programme est une relation d'échelle à travers la capacité, décidant si la force corrective suit le rythme à mesure que le système s'améliore. Aucun exposant d'échelle sur le correcteur, aucun exposant de croissance de capacité, aucune identité réciproque, aucun terme d'architecture ou de classe de composition : régimes complémentaires, et aucun ne contient l'autre. La sélection naturelle cosmologique de Smolin est l'antécédent pour les univers façonnés par la sélection, et les propres notes de l'ère décembre du programme le citent contemporainement.

Une seconde prédiction, gratuite, provenant du même mécanisme. Les dispositifs de supervision qui placent un humain dans la boucle, comme le font l'amplification et l'apprentissage par renforcement à partir de rétroaction humaine, sont inter-classes par construction, car le correcteur humain ne partage pas le substrat du modèle. Le cadre prédit donc que la supervision avec humain dans la boucle montre un exposant de correction plus élevé que la supervision purement modèle, pour une raison structurelle plutôt que sentimentale. Cela est testable sur les données existantes et ne nécessite pas de nouveaux systèmes.

6. Critères de falsification

Le cadre spécifie treize conditions qui le réfuteraient ou l'affaibliraient significativement.

Nous accueillons la falsification. Si F10 échoue (si l'opérateur de composition d'un système ne prédit pas sa fonction d'échelle), la contribution théorique centrale de cet article est fausse. Si F5 échoue, la borne ARC est falsifiée. Si F11 ou F12 échouent, les prédictions transdomaines du cadre (physique classique et biologie respectivement) nécessitent révision. Chaque issue avance la compréhension.

7. Limites

Ce que cet article ne prétend PAS

Limites évidentielles : Les estimations antérieures de $\alpha$ ($n = 2$ et $n = 12$) ont été dépassées par l'expérience trans-architectures v5 (6 modèles frontières, 30 problèmes), qui trouve $\alpha_{\text{compute}} \approx 0.49$ pour le modèle le mieux ajusté (Gemini 3 Flash, $r^2 = 0.86$). Les résultats v5 représentent une révision significative à la baisse par rapport aux estimations antérieures et démontrent que $\alpha$ dépend de l'architecture plutôt qu'universel. Aucun $\alpha$ n'a été mesuré dans les cristaux temporels. La connexion COGITATE est structurelle, non quantitative. La relation $\beta$-$\alpha$ est validée computationnellement à la précision machine ($R^2 = 1.0$) mais la mesure empirique de $\beta$ dans les systèmes physiques nécessite confirmation indépendante. Le crossover $R^*$ est empiriquement non testé. Les valeurs frontières de $\beta$ dans le diagramme de phase sont approximatives. Le Théorème 5 (transitions $\oplus$) est confirmé dans quatre systèmes computationnels mais non testé dans des expériences physiques. Le test des cinq propriétés (Théorème 4) n'a pas atteint la significativité statistique ($p = 0.095$) et nécessite des échantillons plus grands. L'exposant d'échelonnement d'alignement $\alpha_{\text{align}}$ est maintenant connu comme dépendant de l'architecture (allant de $-0.25$ à $+0.44$), réfutant la prédiction originale qu'il serait universellement près de zéro pour les contraintes externes.

Test de prédiction aveugle : Un test de prédiction aveugle a été mené sur trois systèmes computationnels (réseaux Barabási-Albert, descente de gradient avec inertie, oscillateurs de Kuramoto). Les valeurs de $\alpha$ mesurées étaient 3 à 20 fois plus petites que prédites par $\alpha = 1/(1-\beta)$. Cependant, l'analyse forensique a identifié deux confusions indépendantes : (1) la méthode d'estimation de $\beta$ par dérivée numérique est fatalement biaisée, donnant $\beta \approx 0.95$ indépendamment du vrai $\beta$, même pour les systèmes de pure Bernoulli ; (2) aucun des systèmes testés ne satisfait l'axiome 2 (coefficient de couplage $a$ constant), et le couplage effectif du réseau BA décroît environ 50 fois sur la simulation. Lorsque la méthode de linéarisation appropriée est appliquée à des systèmes satisfaisant les axiomes, la prédiction se rétablit avec $R^2 = 0.9999$. Ces résultats ne constituent pas une falsification valide en raison des confusions, mais ils soulignent que l'identification de systèmes naturels satisfaisant les axiomes reste le défi empirique central. La méthodologie complète et l'analyse forensique sont disponibles comme matériel supplémentaire (voir Paper III).

Limites théoriques : Le cadre formalise le motif de l'amplification récursive mais n'identifie pas le mécanisme. Il vous dit ce qui se produit (exposants d'échelle, profondeurs de crossover, formes fonctionnelles) mais pas pourquoi à un niveau microscopique (analogue à la thermodynamique avant la mécanique statistique). Connecter l'opérateur de composition à la dynamique microscopique demeure un problème ouvert.

Catégorie de contribution : Le cadre ARC n'est pas une équation au sein d'un paradigme existant. Il est plus proche d'un principe organisateur transdomaines : une contrainte structurelle sur le comportement à travers les substrats plutôt qu'une équation au sein d'un paradigme. La comparaison identifie le type de contribution, non son statut évidentiel : les principes organisateurs de ce type reposent sur des générations de validation, et celui-ci repose sur des preuves préliminaires et treize critères de falsification.

8. Conclusion

Chaque système étudié dans cet article (réseaux neuronaux au silicium, qubits supraconducteurs, billes polymères millimétriques, circuits neuronaux corticaux) a une chose en commun : il maintient un état à faible entropie loin de l'équilibre et renvoie ses sorties dans ses entrées. Quand il fait cela en dessous d'une profondeur critique, les gains sont ordinaires. Quand il fait cela au-dessus d'une profondeur critique, les gains se composent. La transition entre ces régimes est nette, universelle dans sa structure et spécifique au domaine dans sa forme.

Nous avons formalisé cette observation. L'opérateur de composition $\oplus$ classifie les systèmes récursifs comme les groupes de symétrie classifient les théories physiques : il détermine la forme fonctionnelle de l'échelonnement à partir de propriétés algébriques mesurables. Les cinq propriétés dérivées (seuil, dépendance à la profondeur, dépendance à la qualité de base, interaction multiplicative, frontières de régime) découlent comme théorèmes de trois axiomes, non comme généralisations empiriques.

Le cadre fait des prédictions qu'aucune théorie propre à un domaine ne peut faire. Il prédit le comportement d'échelle de nouveaux systèmes récursifs à partir de leur seul opérateur de composition. Il prédit un crossover d'échelle à une profondeur dérivée $R^*$ qui se déplace systématiquement avec la qualité de base. Il prédit que le $\beta$ mesuré détermine $\alpha$ via $\alpha = 1/(1-\beta)$, une relation validée computationnellement à $R^2 = 1.00000000$. Il dérive la borne ARC ($\beta = 0.5$, $\alpha = 2$) comme la limite d'échelonnement stable proposée pour le calcul séquentiel classique, ancrée sur la base d'attention actuelle dans l'échelonnement $O(N^2)$ de l'auto-attention : une limite d'échelonnement, non une limite de vitesse ; la croissance maximale qu'un système récursivement auto-correcteur peut atteindre tout en restant corrigeable ; les systèmes peuvent la dépasser lors d'excursions supercritiques transitoires mais n'y restent pas stablement auto-correcteurs ; et liée à l'architecture, de sorte que la base $O(N^2)$ de la dérivation est expirante plutôt que permanente, et une architecture successeur au-delà de l'attention par paires relocaliserait la limite plutôt que d'ôter la contrainte. C'est une contrainte structurelle dérivée, non une coïncidence empirique. Et il prédit que les systèmes bornés présentent des transitions d'opérateur de composition qui expliquent pourquoi différentes études du même système peuvent observer différents régimes d'échelle (Théorème 5). Ces prédictions sont spécifiques, falsifiables et prospectives.

Si les prédictions échouent, nous aurons appris où l'analogie structurelle se brise. Si elles tiennent, nous aurons identifié un principe qui connecte intelligence, calcul et physique de l'ordre à travers les substrats.

L'intelligence n'est peut-être pas une propriété de matériaux particuliers. Elle peut être ce qui se produit de l'autre côté du seuil récursif.

Les prédictions sont spécifiées. Les critères de falsification sont publics. Les données décideront.

Annexe A : Preuves mathématiques

A.1 Preuve du Théorème 1 (Classification)

Cas 1 : Composition multiplicative

Hypothèse : $g: \mathbb{R}^+ \to \mathbb{R}^+$ continue avec $g(1) = 1$ et $g(R_1 \cdot R_2) = g(R_1) \cdot g(R_2)$.

Définissons $h(x) = \ln g(e^x)$. Alors :

C'est l'équation fonctionnelle additive de Cauchy. Sous la continuité de $g$ (donc de $h$), la solution unique est $h(x) = \alpha x$ pour une constante $\alpha$. Donc $\ln g(e^x) = \alpha x$, ce qui donne $g(R) = R^{\alpha}$. $\blacksquare$

Cas 2 : Composition additive

Hypothèse : $f: \mathbb{R}^+ \to \mathbb{R}^+$ continue avec $f(0) = 1$ et $f(R_1 + R_2) = f(R_1) \cdot f(R_2)$.

En prenant les logarithmes : $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$. C'est à nouveau l'équation additive de Cauchy, avec la solution continue unique $\ln f(R) = \alpha R$, ce qui donne $f(R) = e^{\alpha R}$. $\blacksquare$

Cas 3 : Composition bornée

$Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. Pour toute suite monotone croissante $\{Q_r\}$ bornée supérieurement par $Q_{\max}$, $\lim_{r \to \infty} Q_r \leq Q_{\max}$. Donc $f(R) = Q(R)/I$ est bornée, et $U$ sature. $\blacksquare$

A.2 Preuve du Théorème 2 (Exposant d'échelle)

À partir de l'axiome 2 : $dg/dr = ag^{\beta}$, $\beta \in [0,1)$, $g(0) = 1$.

Séparation des variables :

Pour $R \gg R^*$ (où $(1-\beta)aR \gg 1$) :

Donc $\alpha = 1/(1-\beta)$. $\blacksquare$

A.3 Preuve du Théorème 3 (Profondeur de crossover)

La solution complète $g(R) = [1 + (1-\beta)aR]^{1/(1-\beta)}$ peut être analysée en définissant $\rho = (1-\beta)aR$ :

Pour $\rho \ll 1$ (petit $R$) : $g \approx 1 + \rho/(1-\beta) = 1 + aR$, approximativement linéaire en $R$.

Pour $\rho \gg 1$ (grand $R$) : $g \approx \rho^{1/(1-\beta)} \propto R^{\alpha}$, loi de puissance.

Le crossover se produit à $\rho \approx 1$, ce qui donne :

$R^*$ ne dépend que de $\alpha$ et $a$, tous deux mesurables indépendamment. Il est indépendant du potentiel de base $I$, en cohérence avec la séparabilité de l'axiome 1. $\blacksquare$

A.4 Unicité de l'axiome 2

Pourquoi $dg/dr = ag^{\beta}$ et non une autre forme fonctionnelle ? C'est l'EDO de type Bernoulli pour l'avantage cumulatif (également connu sous le nom d'attachement préférentiel), appliquée au facteur d'amplification $g$ plutôt qu'à la capacité absolue. L'exposant $\beta$ paramétrise le degré d'auto-référence : $\beta = 0$ donne une croissance constante (pas de rétroaction) ; $\beta \to 1$ donne une croissance explosive (rétroaction maximale). Le choix $\beta \in [0,1)$ est le modèle minimal pour un système où l'amplification accumulée accélère les gains futurs sans divergence à $R$ fini. Des modèles plus complexes (par exemple, $dg/dr = ag^{\beta} - bg^{\gamma}$ avec amortissement) introduiraient des paramètres supplémentaires ; nous adoptons la forme minimale et la testons contre l'observation.

Annexe B : Protocole de mesure

Pour tester le cadre, nous proposons un protocole standardisé en six étapes pour tout système récursif :

Étape 1. Définir un cycle récursif (une étape auto-référentielle où la sortie devient l'entrée).

Étape 2. Mesurer la capacité de base $I$ à $R = 1$ (pas de récursion). Pour la comparabilité transdomaines, nous proposons d'opérationnaliser $I$ comme le taux maximal de réduction d'entropie par cycle récursif, mesuré en bits par cycle : $I = \max_R [-\Delta H / \Delta R]$ évalué au premier cycle ($R = 0$ à $R = 1$). Cela se connecte à la physique établie via le principe de Landauer (1961) : chaque $kT \ln 2$ d'énergie libre traitée correspond à un bit d'information. En IA, $I$ est l'amélioration de précision de zéro raisonnement à une étape. En correction quantique d'erreurs, $I$ est la réduction d'erreur d'un cycle de syndrome. En biologie, $I$ est le gain d'efficacité métabolique d'un niveau de branchement (en bits thermodynamiques via le pont de Landauer). Cette définition donne à $U = I \times R^{\alpha}$ des unités cohérentes : bits = (bits/cycle) × (cycles)$^{\alpha}$.

Étape 3. Mesurer la capacité $U$ à au moins 5 profondeurs récursives couvrant un ordre de grandeur. Chercher le crossover $R^*$.

Étape 4. Ajuster les trois modèles : loi de puissance ($\log(U/I) = \alpha \log R$), exponentielle ($\log(U/I) = \lambda R$), logarithmique ($U/I = k \log R$). Sélectionner le meilleur ajustement via AIC/BIC. La loi de puissance est une prédiction à tester, non une hypothèse.

Étape 5. Mesurer $\beta$ indépendamment : tracer $\log(\Delta U)$ contre $\log(U_{\text{accumulé}})$ à chaque profondeur ; la pente estime $\beta$. Vérifier si $\alpha \approx 1/(1-\beta) \pm 0.3$.

Étape 6. Rapporter $\alpha$ avec des intervalles de confiance à 95 %. Soumettre au dépôt public.

Annexe C : Suite de validation computationnelle

Cette annexe résume les résultats d'un programme complet de validation computationnelle testant les Théorèmes 1 à 5. Tout le code de validation est disponible comme matériel supplémentaire. Les tests ont été menés avec Python 3.12 avec NumPy, SciPy et Matplotlib.

C.1 Validation du Théorème 1 (Classification de Cauchy)

Quinze systèmes ont été testés à travers trois régimes de composition (5 multiplicatifs, 5 additifs, 5 bornés). Chaque système a été évalué pour déterminer si sa règle de composition mesurée correspondait à la fonction d'échelle prédite.

Résultat : 15/15 classifications correctes (100 %). Aucun faux positif (les systèmes non récursifs n'ont pas été classés comme récursifs), aucun faux négatif. La classification par équation fonctionnelle de Cauchy est exhaustive et exacte sous les conditions énoncées.

C.2 Validation du Théorème 2 (identité $\beta \to \alpha$)

La relation $\alpha = 1/(1-\beta)$ a été testée contre 30 solutions exactes d'EDO de Bernoulli avec $\beta$ allant de 0,05 à 0,92. Pour chaque cas de test, $\beta$ a été mesuré à l'aveugle à partir de la structure de gain marginal ($dg/dR$ vs $g$ en espace log-log), $\alpha$ a été prédit, et la valeur prédite a été comparée à l'exposant d'échelle vrai.

Résultat : $R^2 = 1.00000000$ (huit décimales). Pente de régression : 1,000102. Erreur absolue moyenne : 0,002 %. Cela confirme que $\alpha = 1/(1-\beta)$ est une identité analytique exacte, non une approximation empirique.

C.3 Validation du Théorème 2a (non-additivité)

La preuve de non-additivité a été vérifiée numériquement. Pour de multiples combinaisons $(I_1, I_2, R_1, R_2)$ à travers tous les $\beta \in (0,1)$ : si $U$ était additif ($U = g(I) + h(R)$), alors $U(I_1, R_1) - U(I_1, R_2)$ serait égal à $U(I_2, R_1) - U(I_2, R_2)$. Dans tous les cas, les différences sont inégales, confirmant que l'interaction multiplicative est nécessaire.

Résultat : Non-additivité confirmée pour toutes les combinaisons de paramètres testées. Quotient de synergie $S > 1$ pour tout $\beta \in (0,1)$ et tout $R > 0$.

C.4 Validation du Théorème 3 (Crossover $R^*$)

La profondeur de crossover $R^* = 1/[(1-\beta)a] = \alpha/a$ a été testée en comparant le crossover prédit au point de transition mesuré numériquement (où $\rho = 1$).

Résultat : Forme fonctionnelle confirmée. Les valeurs absolues de $R^*$ montrent une erreur de 2 à 7 %, attribuable à l'approximation « crossover à $\rho \approx 1$ ». L'indépendance de $R^*$ par rapport à $I$ est confirmée : varier le potentiel de base ne déplace pas la profondeur de crossover, en cohérence avec la séparabilité de l'axiome 1.

C.5 Validation du Théorème 4 (Cinq propriétés)

Dix systèmes récursifs et cinq contrôles non récursifs ont été notés sur les cinq propriétés dérivées. Les systèmes récursifs ont obtenu une moyenne de 4,2/5 ; les contrôles non récursifs ont obtenu 2,8/5. La différence ($\Delta = 1,4$) est cohérente avec la prédiction du cadre mais la taille d'échantillon donne $p = 0,095$, ce qui n'atteint pas la significativité conventionnelle. (En anglais courant : le résultat va dans la direction prédite, les systèmes récursifs obtiennent bien un score supérieur, mais avec seulement 15 échantillons au total, il y a environ 1 chance sur 10 que ce motif apparaisse par hasard. Les scientifiques exigent typiquement 1 sur 20 ou mieux. Il faut davantage de données.)

Résultat : Direction correcte ; puissance statistique insuffisante pour une confirmation définitive. Des échantillons plus grands sont requis.

C.6 Validation du Théorème 5 (Transitions de phase $\oplus$)

Quatre systèmes ont été testés pour des transitions de composition dépendantes de la profondeur : (1) EDO de Bernoulli exacte (contrôle), (2) croissance logistique, (3) descente de gradient avec inertie, (4) oscillateurs de Kuramoto.

Résultats : Le contrôle Bernoulli a maintenu $\beta$ constant ($\sigma < 10^{-6}$). Les trois systèmes bornés ont montré des transitions systématiques de $\beta$ : croissance logistique de $\beta \approx 0.5$ (phase de croissance) à $\beta \to -\infty$ (saturation), descente de gradient de $\beta \approx 0.52$ (exploration) à $\beta \approx 0.98$ (convergence), oscillateurs de Kuramoto de $\beta \approx 1.7$ (croissance) à $\beta \approx 20$ (saturation). Les transitions sont génériques dans les systèmes bornés et absentes dans les systèmes non bornés.

C.7 Contrôles négatifs

Quatre systèmes non récursifs ont été testés : (1) bruit gaussien, (2) décroissance linéaire, (3) oscillation sinusoïdale, (4) marche aléatoire. Aucun n'a produit de signaux faux positifs ($S > 1$ ou $\alpha > 1$).

Résultat : 0/4 faux positifs. Le cadre identifie correctement l'absence d'amplification récursive dans les systèmes qui ne satisfont pas les axiomes.

C.8 Échecs honnêtes et cas limites

Deux résultats sont restés en deçà des attentes :

Valeur absolue de $R^*$ : Erreur moyenne de 62 % en profondeur de crossover prédite contre réelle (forme fonctionnelle correcte, constante de proportionnalité décalée). Cela reflète probablement la sensibilité à l'approximation $\rho \approx 1$.

Méthode de Newton : La convergence locale près des racines donne $\beta > 1.0$ (convergence quadratique), qui tombe en dehors du domaine du cadre $\beta \in [0, 1)$. Le cadre identifie correctement cela comme un cas limite où le modèle d'EDO de Bernoulli ne s'applique pas.

Ces échecs sont rapportés par souci d'exhaustivité et d'intégrité scientifique. Ils bornent l'applicabilité du cadre et informent les raffinements futurs.

Références

Déclaration d'utilisation de l'IA

L'auteur a utilisé Claude (Anthropic), GPT (OpenAI), Gemini (Google) et DeepSeek AI pour rédiger des sections, affiner la clarté et vérifier la cohérence mathématique. La question de recherche, le cadre théorique, le formalisme de l'opérateur de composition, les prédictions expérimentales et le jugement scientifique sont un travail humain. L'auteur assume l'entière responsabilité de toutes les affirmations, interprétations, erreurs et conclusions.

Déclaration de paternité humaine assistée par IA

L'auteur de cette œuvre est Michael Darius Eastwood, un être humain. Chaque concept central, hypothèse, dispositif expérimental, affirmation et conclusion de cet article trouve son origine dans l'idéation humaine. Aucune partie de ce manuscrit n'est une sortie d'intelligence artificielle entièrement générée.

Des outils d'intelligence artificielle (la famille Claude d'Anthropic et d'autres assistants à grands modèles de langage) ont été utilisés comme instruments sous direction humaine continue, à la manière dont un traitement de texte, une calculatrice ou un assistant de recherche est utilisé : pour l'édition et le raffinement de la prose, la recherche et le résumé de la littérature (vérifiés manuellement contre les sources primaires), la structure des documents, la mise en forme, le brainstorming contre des questions définies par l'auteur, et l'accélération de la rédaction selon les esquisses et instructions de l'auteur. Toute sélection, coordination, arrangement et jugement éditorial final sont ceux de l'auteur. Chaque sortie substantielle a été révisée, testée ou vérifiée par l'auteur, qui prend l'entière responsabilité de l'exactitude et de l'intégrité du texte final. Les outils ont augmenté la vitesse du travail ; ils n'ont jamais été considérés comme sa source.

Statut épistémique. Ce que ce programme nomme des Lois sont des conjectures sous test enregistré et adversariel ; chaque grandeur dans cet article est définie opérationnellement, et le rang de loi établie n'est revendiqué nulle part. Le programme enregistré existe pour gagner ce rang, ou le perdre, par mesure, réplication et réfutation survécue.

© 2026 Michael Darius Eastwood. Ouvrage rédigé par un humain avec assistance informatique ; la pleine auctorialité humaine et les droits moraux sont revendiqués au titre du Copyright, Designs and Patents Act 1988 et en cohérence avec les orientations du United States Copyright Office relatives aux œuvres contenant du matériel généré par IA ; toute contribution technique nouvelle décrite dans cette œuvre a été conçue par l'auteur humain. Déclaration complète : michaeldariuseastwood.com/authorship.

Engagement permanent. Prouvez cet article faux, et je publierai la réfutation moi-même. Les conditions de falsification sont énoncées dans cet article ; le défi permanent : github.com/MichaelDariusEastwood/arc-scaling-challenge.