Traduzione automatica dall'originale inglese datato. La pagina inglese è quella canonica. English →

1. La domanda

Perché esistono le leggi di scaling? Perché il cuore di un topo batte più velocemente di quello di un elefante secondo la stessa relazione matematica che governa la crescita delle città, come i pannelli solari diventano più economici, e come le reti neurali migliorano con la dimensione?

La risposta standard è specifica al dominio. I biologi invocano reti vascolari frattali. I fisici invocano il flusso del gruppo di rinormalizzazione. Gli economisti invocano l'apprendimento tramite la pratica. Ogni spiegazione funziona all'interno del suo dominio ma non offre alcuna ragione per cui le stesse forme matematiche ricorrono in domini che non condividono alcun meccanismo fisico.

Questo articolo propone e verifica una risposta indipendente dal dominio: la forma di ogni legge di scaling è determinata dall'operatore di composizione del sottostante processo ricorsivo, e le equazioni funzionali di Cauchy vincolano quali forme sono possibili.

2. La teoria

2.1 Le quattro equazioni di Cauchy

Augustin-Louis Cauchy stabilì nel primo Ottocento che quattro equazioni funzionali hanno soluzioni continue uniche:

Questi non sono quattro risultati indipendenti. Sono quattro facce di un unico vincolo: il requisito che una funzione sia compatibile con un'operazione binaria. Sotto condizioni di regolarità (continuità, o misurabilità, o limitatezza su un intervallo), una funzione che porta una delle due strutture sui reali positivi in una delle due strutture rientra in esattamente quattro famiglie: lineare ($f(x)=cx$), legge di potenza ($f(x)=x^c$), esponenziale ($f(x)=a^x$) e logaritmica ($f(x)=c\log x$). Ciò esaurisce gli omomorfismi. Non esaurisce le leggi di scaling, perché la maggior parte dei sistemi non sono omomorfismi di nessuna delle due strutture: il comportamento saturante, gli esponenti critici, la curvatura su assi logaritmici e i crossover multi-regime giacciono tutti fuori dalla griglia, e la griglia non dice nulla di essi. L'equazione additiva restituisce la forma lineare $f(x)=cx$; l'equazione moltiplicativa restituisce le leggi di potenza; l'equazione esponenziale governa la crescita e il decadimento esponenziali; e l'equazione logaritmica governa la mappa illimitata $c\log x$, che è moltiplicativa in input e additiva in output e non è una famiglia a rendimenti decrescenti, poiché $c\log x$ è illimitata.

2.2 La predizione

Si consideri un qualsiasi sistema in cui una quantità $U$ cresce con la profondità ricorsiva $R$. L' operatore di composizione del sistema determina come le applicazioni consecutive si combinano:

• Composizione moltiplicativa ($U(R_1 \cdot R_2) \sim U(R_1) \cdot U(R_2)$: la profondità si moltiplica, l'output si moltiplica): l'equazione moltiplicativa di Cauchy forza $U \propto R^c$, ossia una legge di potenza.
• Composizione additiva ($U(R_1 + R_2) \sim U(R_1) \cdot U(R_2)$: la profondità si somma, l'output si moltiplica): l'equazione esponenziale di Cauchy forza $U \propto a^R$, ossia un'esponenziale.
• Composizione limitata (output vincolato a $[0, K]$): le forme compatibili sono curve di saturazione (logistica, Hill, Michaelis-Menten, iperbolica). Una prova formale di esaustività per il caso limitato non è fornita qui e resta un problema aperto.

3. Protocollo di predizione

Per ciascun dominio:

1. Classificare l'operatore di composizione a partire dalla fisica nota (prima del fitting). Determinare se il processo di amplificazione ricorsiva del sistema si combina moltiplicativamente, additivamente, o con un limite.
2. Predire la famiglia di scaling dalla classe dell'operatore utilizzando le equazioni di Cauchy.
3. Caricare i dati di riferimento pubblicati o standard.
4. Fittare indipendentemente i modelli candidati (legge di potenza, esponenziale, logistica, Hill, Michaelis-Menten, saturazione-esponenziale) ai dati usando la regressione non lineare ai minimi quadrati.
5. Selezionare il modello migliore per AICc (criterio di informazione di Akaike corretto) e confrontare la predizione con la famiglia del modello selezionato.

3.1 Metodo statistico

Il test v2 utilizza il vero AICc (criterio di informazione di Akaike corretto) calcolato dalla somma dei quadrati dei residui, dalla dimensione del campione e dal numero di parametri, non l'approssimazione basata su R$^2$ utilizzata nel test legacy v1. L'approssimazione v1 ($\text{AIC} \approx n \ln(1 - R^2) + 2k$) era adeguata come euristica ma non avrebbe dovuto essere descritta come AIC stretto nel senso statistico standard. La riscrittura v2 corregge questo.

Il test di significatività primario è un test di permutazione condizionato ai marginali: tenendo fissi entrambi i marginali della famiglia predetta e osservata e permutando l'accoppiamento 400,000 volte, la probabilità di 19 o più corrispondenze è $p = 7 \times 10^{-5}$. Il conteggio atteso di corrispondenze sotto questa nulla è 9.5 su 25, non 8.33 come darebbe una nulla uniforme, perché le leggi di potenza sono semplicemente comuni tra i fit osservati. Un test binomiale unilaterale contro una nulla uniforme a tre famiglie dà $p = 1.56 \times 10^{-5}$ ed è mantenuto come controllo di sensibilità; è la nulla più debole e non è usato come dato principale. Le equivalenze sigma non sono citate perché variano con la scelta della nulla. Riproduzione: scripts/paper-vii-permutation-null.py nel repository del sito, che analizza la tabella pubblicata della Sezione 5 direttamente cosicché non può divergere da questa pagina.

3.2 Una limitazione dell'insieme di modelli che questo articolo deve dichiarare contro se stesso

La Sezione 2.1 nomina quattro famiglie di Cauchy. L'insieme dei modelli candidati nella Sezione 3 contiene sei modelli che coprono tre di esse: le famiglie legge di potenza, esponenziale e limitata. Due delle quattro soluzioni continue di Cauchy non hanno alcun candidato proprio: la forma logaritmica $c \log x$ e la forma lineare pura $cx$. Una conseguenza scorre in ciascuna direzione. Un dominio genuinamente logaritmico non avrebbe potuto essere classificato correttamente, perché il fitter non aveva alcun candidato logaritmico da selezionare, quindi alcune delle sei mancanze potrebbero essere state mancanze garantite; e alcuni dei diciannove successi potrebbero essere relazioni logaritmiche che una legge di potenza fitta accettabilmente su un intervallo finito. Ogni conteggio di successo in questo articolo porta pertanto questa qualificazione, e nessuno può essere citato senza di essa. Uno studio confermativo che riesegua il confronto con l'insieme completo dei candidati a quattro famiglie, con esiti per cella specificati in anticipo, è stato redatto e datato come pre-registrazione in bozza in attesa di sottomissione umana (il test cella-logaritmica a quattro famiglie nel programma registrato, accanto allo studio di estensione a nuovi domini). Fino a quando questa riesecuzione non riporterà, i numeri qui sotto sono il risultato dei sei modelli, esattamente come calcolato, e nulla di più forte.

4. Livelli di prova

La suite di 50 domini comprende cinque livelli di prova di forza decrescente. Questi livelli non sono mai combinati in un unico numero aggregato.

5. Risultato primario: 25 domini empirici di curve-fit

5.1 Riesecuzione baseline-20

Come contesto, i 20 domini baseline originali sono stati rieseguiti con il nuovo fitter AICc corretto. Il risultato è 15/20 ($p = 1.67 \times 10^{-4}$). Questo non è direttamente confrontabile con il risultato v1 di 14/20, perché il fitter è cambiato (approssimazione AIC basata su R$^2$ verso l'AICc corretto) e alcune selezioni del modello si sono spostate di conseguenza. La riesecuzione baseline-20 è riportata per trasparenza, non come prova che il nuovo fitter sia più o meno conservativo del vecchio.

6. Le sei mancanze empiriche

Sei di 25 domini empirici hanno prodotto un modello di best-fit al di fuori della famiglia predetta. Ogni mancanza ha una spiegazione specifica e identificabile. Segue un'analisi onesta.

In sintesi: tre mancanze coinvolgono dataset piccoli o troncati (specie-area, cristallo temporale, Zipf); una coinvolge dati che non coprono l'intero intervallo di saturazione (forza-velocità muscolare); una coinvolge una relazione classicamente contesa (Kleiber); e una coinvolge complessità astrofisica a valori estremi (massa-luminosità stellare). Nessuna rappresenta un caso in cui la famiglia predetta sia fondamentalmente sbagliata in linea di principio, ma nessuna mancanza può essere respinta. Questi sono fallimenti genuini che una replica indipendente deve affrontare.

7. Livello secondario: esponenti pubblicati

7.1 Esponenti diretti pubblicati (13/13)

Tredici taxa con esponenti di scaling metabolico ben stabiliti sono stati testati contro la predizione dimensionale ARC/Cauchy. La predizione richiede tre condizioni: (a) composizione moltiplicativa (l'equazione di Cauchy vincola la forma a una legge di potenza), (b) geometria di trasporto space-filling $d$-dimensionale, e (c) un vincolo di conservazione o ottimizzazione sul flusso delle risorse (minimizzazione dell'energia in West et al.; equilibrio domanda-offerta in Banavar et al.; equilibrio energetico stazionario in Demetrius). Sotto tutte e tre le condizioni, l'esponente è vincolato a $d/(d+1)$. Né Cauchy da solo, né la space-filling geometry da sola, è sufficiente. Gli organismi con trasporto vascolare tridimensionale e flusso conservato dovrebbero scalare come $M^{3/4}$, quelli con trasporto bidimensionale come $M^{2/3}$, e quelli con trasporto filamentoso unidimensionale come $M^{1/2}$.

Tutti i 13 esponenti pubblicati cadono più vicini al comparatore dimensionale predetto ($d/(d+1)$), e tutti i 13 intervalli di confidenza includono il valore predetto. Questa è una prova corroborante forte, ma testa un'affermazione diversa (esponente specifico) rispetto al risultato primario (famiglia funzionale), quindi è riportata separatamente.

7.2 Esponenti pubblicati provvisori (3/6)

Sei ulteriori taxa con assegnazioni dimensionali contese o basate su proxy sono stati testati. Solo 3 su 6 corrispondono al comparatore predetto più vicino. Le mancanze sono i platelminti (trasporto 2D vs 3D disputato), i briozoi (organismi coloniali con scaling anomalo vicino a 1.0), e le anguille vetro (allungate ma che conservano il trasporto vascolare 3D). Questi sono annotati per completezza ma portano un peso evidenziale basso a causa delle assegnazioni dimensionali contese.

7.3 Identità analitiche (6/6)

Sei domini definiti da formule analitiche esatte ($E = mc^2$, livelli energetici dell'idrogeno, cinetica di Arrhenius, cinetica di Michaelis-Menten, espansione di Friedmann per l'era della materia, espansione dell'energia oscura di de Sitter) sono stati inclusi come controlli di sanità. Tutti e 6 confermano. Sono tautologici (fittare una curva a dati generati da una formula esatta deve recuperare quella formula) e non portano peso evidenziale indipendente. Confermano soltanto che il fitter funziona correttamente.

7.4 La cartella di preregistrazione di marzo 2026, e le esecuzioni successive della stessa era (registrato il 25 agosto 2026)

Una cartella di preregistrazione completa per l'estensione di questo paper esisteva a marzo 2026 ed è preservata nel repository pubblico (experiments/cauchy-unification__Paper-VII/preregistration/): un protocollo scritto; un manifesto candidato bloccato datato 17 marzo 2026 nel proprio campo versione, che porta dodici righe ciascuna con classe di operatore, famiglia predetta, modello predetto e sorgente target fissati prima di qualsiasi fit; i checksum dei file dell'autore; e il testo di registrazione del componente OSF, già scritto. L'unico passo assente era il click di sottomissione al registro. Il campo di stato della cartella stessa registra la limitazione nelle parole del programma stesso: 'archived_local_packet_exercised_before_timestamp', e l'analisi è appuntata a un commit git. La preregistrazione esisteva qui in sostanza e in forma di bozza; ciò che le mancava era il timestamp esterno.

Due ulteriori esecuzioni di marzo 2026 sono esistite solo come artefatti di repository fino a questa versione, ed entrambe sono qui registrate con il loro stato dichiarato prima dei loro numeri. Entrambe sono state eseguite sotto l'insieme candidato pre-correzione (nessun candidato logaritmico), e la lineage di progettazione dell'estensione è stata poi ritirata senza modifiche, quindi entrambe sono risultati esplorativi datati sotto la tassonomia superata, superate dal test registrato della quarta cella, e nessuna delle due è conferma di alcunché.

L'esecuzione a secco dell'estensione con manifesto bloccato a 12 domini del 17 marzo 2026 ha restituito 10/12 corrispondenze di famiglia (binomiale p = 5.4×10^-4; results_preregistered_extension.json). La demotion dello stato di quell'esecuzione è datata al minuto nella storia dei commit del repository pubblico: e5c22dd registra il risultato 10/12 alle 00:43 del 17 marzo 2026, f5e06a8 adotta la postura conservativa di miss alle 00:47, e c853277 declassa l'esecuzione a esecuzione pilota a secco alle 00:56, tredici minuti dopo che il risultato è stato registrato e mesi prima che esistesse qualsiasi revisione esterna. Il risultato non è mai stato ritrattato; il suo stato rivendicato è stato corretto, dall'autore, contro il proprio interesse, in pubblico. L'esecuzione temporale out-of-sample a 7 domini, che fitta le famiglie candidate su vecchi dati e testa se la famiglia vincente predice la forma funzionale dei nuovi dati, ha restituito 4 confermati, 2 parziali e 1 inconsistente (results_temporal_out_of_sample.json); il dominio inconsistente è riportato con la stessa prominenza delle conferme. Un catalogo di espansione a 105 domini (righe da 26 a 65 e da 66 a 105) è preparato nei dati del repository e non è stato eseguito; nessun risultato oltre alle esecuzioni qui nominate è rivendicato.

L'anello più esterno della stessa catena datata è in stampa. La prima edizione del 2 gennaio 2026 (ISBN 978-1806056200) porta l'Appendice F, cinque predizioni testabili numerate che si chiudono con una scommessa stampata: “These predictions are my wager. If they fail, the framework is wrong or incomplete. If they succeed, something important has been glimpsed. Time will judge.” L'Appendice A operativizza le proposizioni del framework, enuncia quattro ulteriori predizioni nel §A.3 (sviluppo dell'IA quadratico piuttosto che lineare; coscienza e informazione integrata; correzione degli errori cosmologica ricorsiva; incorporamento dei valori), e fissa criteri di falsificazione in anticipo nel §A.4. La Predizione 2 stampa le soglie di alignment-drift del 15 per cento e del 5 per cento che la registrazione in bozza dello study-v preparata ora porta invariate in un'ipotesi formale, citando l'appendice per nome. Il libro è un'enunciazione anteriore stampata piuttosto che una preregistrazione, e i due non sono mai conflati: la stampa fissa la predizione; solo una registrazione fissa un piano di analisi.

8. Inquadramento della significatività

Il risultato primario ($p = 7 \times 10^{-5}$, permutazione) merita una contestualizzazione onesta.

• In termini assoluti: sotto la nulla binomiale a probabilità uniforme, all'incirca 1 su 64,000: se 64,000 ricercatori scegliessero ciascuno famiglie di scaling a caso per 25 domini, in media uno corrisponderebbe a 19 o più per caso. La nulla di permutazione più stretta, che concede che le leggi di potenza sono semplicemente comuni tra i fit reali, lascia comunque $p = 7 \times 10^{-5}$.
• Rispetto alla convenzione: entrambi i test atterrano tre ordini di grandezza oltre $p < 0.05$. Le equivalenze sigma non sono citate perché variano con la scelta della nulla.
• Ciò che supporta: il risultato è abbastanza forte da pubblicare come prova esplorativa che i vincoli di composizione di tipo Cauchy predicono le famiglie di scaling a tassi ben al di sopra del caso.
• Ciò che non supporta: non è abbastanza forte da rivendicare che la teoria sia dimostrata. La soglia di scoperta della fisica delle particelle è 5$\sigma$ ($p \approx 3 \times 10^{-7}$). Il test manca di pre-registrazione formale. Le classificazioni degli operatori sono state effettuate dall'autore, non da un panel indipendente. L'insieme candidato non conteneva alcun modello logaritmico né alcun modello lineare puro, quindi il tasso di successo è condizionato a quell'insieme di modelli (Sezione 3.2).
• Ciò che serve: replica indipendente con classificazione dell'operatore pre-registrata, idealmente da parte di ricercatori senza interesse nell'esito.

9. Analisi di gruppo

9.1 Composizione moltiplicativa: leggi di potenza

Dei 14 domini empirici classificati come moltiplicativi, 10 producono scaling a legge di potenza come loro modello AICc-migliore. Questi coprono l'allometria metabolica (frequenza cardiaca vs massa corporea), l'economia urbana (Bettencourt 2007), le curve di apprendimento tecnologico (legge di Wright), la linguistica computazionale (legge di Heap), l'acquisizione di abilità (Crossman 1959), il moto browniano (Catipovic 2013), lo scaling delle reti neurali (Kaplan 2020), la progettazione VLSI (regola di Rent), l'ecologia delle popolazioni (legge di potenza di Taylor) e la geomorfologia fluviale (legge di Hack).

Quattro domini moltiplicativi mancano: legge di Kleiber (il modello limitato supera di poco la legge di potenza su un dataset di 13 punti), specie-area (alta dispersione su dati di piccole isole), massa-luminosità stellare (dispersione ad alta massa), e legge di Zipf (troncamento del corpus finito).

9.2 Composizione additiva: esponenziali

Tutti e quattro i domini con operatori di composizione additiva producono scaling esponenziale come loro modello AICc-migliore: legge di Moore (conteggi di transistor), decadimento radioattivo (P-32), la legge Gutenberg-Richter della frequenza dei terremoti, e la legge di Horton (numero di flussi). Questo è un netto 4/4.

9.3 Composizione limitata: curve di saturazione

Di sette domini con operatori di composizione limitata, cinque producono modelli limitati (saturazione) come AICc-migliore: crescita batterica (logistica), legame dell'emoglobina (Hill), epidemia di Ebola (Hill), legge di Amdahl (Michaelis-Menten), e crescita di Facebook (logistica). Due mancano: forza-velocità muscolare (il decadimento esponenziale fitta meglio l'intervallo troncato) e ordine del cristallo temporale (solo 4 punti dati).

10. Provenienza dei dati

10.1 Avvertenza sulla provenienza

Tre domini usano valori teorici o di riferimento anziché misurazioni empiriche indipendenti: decadimento radioattivo (emivita di riferimento NIST per P-32), legge di Amdahl (formula teorica con frazione seriale assunta al 10%), e legge di Moore (conteggi di transistor da Wikipedia dalle specifiche del produttore). Questi confermano il framework banalmente e dovrebbero essere pesati di conseguenza.

10.2 Citazioni per tutti i 25 domini empirici

11. Lavori correlati

Una ricerca in letteratura non ha restituito alcuna pubblicazione precedente che invochi tutte e quattro le equazioni funzionali di Cauchy come un principio unificatore cross-domain che vincoli le forme delle leggi di scaling. I lettori sono invitati a segnalare lavori precedenti; un antecedente genuino che faccia questo sconfigge la rivendicazione di priorità di questo articolo.

Il lavoro esistente più vicino include:

• Bingham & Ostaszewski (2015): collegano l'equazione di Cauchy alla teoria della variazione regolare. Matematica pura. Nessuna applicazione scientifica fisica cross-domain.
• West, Brown & Enquist (1997): derivano un esponente metabolico 3/4 da reti vascolari frattali con flusso minimizzato energeticamente. Specifico al dominio. Non predice altri domini. Si noti che l'esponente empirico è dibattuto (vedi il riquadro Avvertenza nella Sezione 7.1).
• Banavar, Maritan & Rinaldo (1999, 2010): derivano la stessa forma $d/(d+1)$ da vincoli geometrici sulle reti di trasporto combinati con la conservazione domanda-offerta, senza richiedere geometria frattale. Hanno confermato indipendentemente l'esponente quarto-potenza da diverse assunzioni di partenza. Banavar et al. (2010) hanno mostrato che l'esponente varia da 2/3 a 3/4 a seconda di come scala la velocità, con 3/4 come massimo ottimizzato, dimostrando che la geometria space-filling da sola è insufficiente senza un vincolo di conservazione o ottimizzazione.
• Demetrius (2003, 2006) e Demetrius & Tuszynski (2010): derivano uno scaling equivalente dalla meccanica statistica quantistica, applicando il modello di Debye delle proprietà termiche a reti di oscillatori accoppiati che trasducono energia in uno spazio $d$-dimensionale. Un percorso completamente indipendente allo stesso esponente da fisica differente (accoppiamento di oscillatori quantistici anziché geometria delle reti). La convergenza di questa derivazione con la derivazione della geometria delle reti di West è spiegata dall'equazione funzionale moltiplicativa di Cauchy applicata alla composizione moltiplicativa in uno spazio $d$-dimensionale con un vincolo di conservazione (vedi articolo compagno, On the Origin of Scaling Laws v3.1).
• Bettencourt (2013): deriva gli esponenti di scaling urbano dalla dimensionalità delle reti, estendendo la forma $d/(d+1)$ oltre la biologia ai sistemi urbani.
• Zhao (2022): deriva la formula come una legge universale di scaling della crescita dall'ottimizzazione delle reti, fornendo un'altra derivazione indipendente.
• He & Chen (2003): derivano gli esponenti di scaling metabolico dalla geometria vascolare di rete ottimale con vincoli di conservazione del flusso.
• He & Zhang (2004): estendono la derivazione a reti di ramificazione eterogenee, recuperando la forma $d/(d+1)$ sotto assunzioni di minimizzazione dell'energia.
• Maino et al. (2014): derivano lo scaling metabolico da principi termodinamici primi applicati alla crescita ontogenetica, ottenendo indipendentemente la stessa famiglia di esponenti.
• Geoffrey West, Scale (2017): discute lo scaling attraverso la biologia e le città. Nessuna menzione delle equazioni funzionali di Cauchy.
• Aczél (1966): riferimento standard per tutte e quattro le equazioni di Cauchy. Applicazioni alla teoria dell'informazione ma non allo scaling cross-domain.

Il divario è genuino. La formula $d/(d+1)$ è stata derivata indipendentemente da almeno sette gruppi di ricerca attraverso diversi framework matematici: reti frattali, vincoli geometrici con equilibrio domanda-offerta, metabolismo quantistico, scaling urbano, ottimizzazione delle reti, geometria vascolare ottimale, e principi termodinamici primi. Ogni derivazione nota richiede tre condizioni: composizione moltiplicativa (che Cauchy vincola alla famiglia legge di potenza), geometria space-filling $d$-dimensionale, e un vincolo di conservazione o ottimizzazione sul flusso delle risorse. I teoremi matematici hanno 200 anni. I dati biologici hanno 90 anni. Il contributo originale non è la formula $d/(d+1)$ in sé (che è ben stabilita), né la matematica di Cauchy, ma l'affermazione che le equazioni funzionali di tipo Cauchy spiegano perché queste derivazioni indipendenti convergono sulla stessa forma, e che il vincolo di Cauchy ha una conseguenza fisicamente testabile per la classificazione delle leggi di scaling attraverso i domini.

12. Limitazioni

• Nessun artefatto di pre-registrazione depositato in registro per questo test; le predizioni sono state pre-registrate mediante pubblicazione datata come dichiarato sopra. Le predizioni, gli array di dati e la logica di fitting risiedono tutti in un unico script scritto dall'autore. Nessun artefatto di pre-registrazione depositato in registro esiste per questo test. Le predizioni stesse sono state pre-registrate mediante pubblicazione datata: le classificazioni per riga nei file di catalogo con hash bloccato di marzo 2026, il manifesto di estensione a 12 domini bloccato del 17 marzo 2026, e le due appendici di predizione del libro in stampa il 2 gennaio 2026, prima che i paper e il programma esistessero. Ciò che non è stato fissato in anticipo è il protocollo di fitting, e quel divario è chiuso prospetticamente dai test depositati in registro messi in scena: il test della quarta cella e il test di espansione a 80 domini. Questo test dovrebbe essere inteso come un confronto strutturato di predizioni, non come una prova cieca formalmente registrata.
• Classificazione dell'operatore da parte dell'autore. La classificazione dell'operatore di composizione è effettuata dall'autore, non da un valutatore indipendente. Una replica con classificazione indipendente dell'operatore sarebbe più rigorosa.
• L'esaustività della composizione limitata è aperta. La prova che solo le curve della famiglia della saturazione sono compatibili con la composizione limitata non è fornita e resta un problema aperto. La categoria limitata attualmente raggruppa le forme logistica, Hill, Michaelis-Menten e iperbolica per convenzione empirica anziché per prova matematica.
• L'AIC legacy era un'approssimazione. Il test v1 utilizzava un'approssimazione AIC basata su R$^2$ ($\text{AIC} \approx n \ln(1 - R^2) + 2k$), non un AIC non lineare completo basato sulla verosimiglianza. Il test v2 corregge questo con AICc corretto calcolato dalla somma dei quadrati dei residui.
• Tre dataset usano valori di riferimento. Decadimento radioattivo (emivita NIST), legge di Amdahl (formula teorica) e legge di Moore (specifiche del produttore) usano valori teorici o di riferimento anziché misurazioni empiriche raccolte in modo indipendente.
• Solo predizione di famiglia. Il framework predice la famiglia funzionale ma non l'esponente specifico. Predire gli esponenti richiede una struttura aggiuntiva (dimensionalità, tipo di vincolo) sviluppata nel compagno articolo fondativo.
• Sei mancanze empiriche. Le mancanze non sono liquidabili. Identificano limiti reali del framework: dataset piccoli, intervalli troncati, regimi ad alta dispersione, e domini in cui effetti fisici concorrenti (pressione di radiazione, confini del corpus) perturbano la predizione ideale.
• La classificazione dell'operatore è descrittiva, non esplicativa. Il framework non spiega perché un particolare dominio abbia un operatore di composizione moltiplicativo anziché additivo. Prende l'operatore come dato e predice la conseguenza.
• La riesecuzione baseline-20 non è nettamente confrontabile con v1. Il fitter è cambiato dall'approssimazione AIC basata su R$^2$ all'AICc corretto. L'insieme dei modelli si è espanso. Un confronto diretto di 14/20 (v1) con 15/20 (riesecuzione baseline v2) non è significativo perché il criterio di selezione è cambiato.
• Rischio di bias di pubblicazione. I 5 nuovi domini di espansione sono stati selezionati dopo il test baseline-20. Sebbene siano stati scelti per coprire nuovi regimi fisici (astrofisica stellare, frequenza cardiaca allometrica, VLSI, ecologia, geomorfologia), la selezione non è stata randomizzata.
• Insieme finito di modelli, e specificamente due famiglie di Cauchy fuori, una famiglia non-Cauchy dentro. Il fitter confronta sei modelli candidati (legge di potenza, esponenziale, logistica, Hill, Michaelis-Menten, saturazione-esponenziale). Due delle quattro soluzioni di Cauchy nominate nella Sezione 2.1 non hanno alcun candidato (logaritmica $c \log x$; lineare pura $cx$), mentre la famiglia limitata, la cui esaustività resta un problema aperto, è rappresentata quattro volte. Il vero modello migliore per qualsiasi dominio potrebbe non essere in questo insieme, e la Sezione 3.2 dichiara le conseguenze per i conteggi di successo.
• Dimensione del campione. Venticinque domini empirici è un ragionevole campione esplorativo ma non definitivo. L'espansione a 100+ domini con criteri di selezione pre-registrati rafforzerebbe o indebolirebbe il risultato.

12.1 Falsificabilità: cosa sconfiggerebbe questa affermazione

Le limitazioni sopra descrivono dove il framework è debole; questa sottosezione dichiara gli esiti specifici che lo falsificherebbero. L'affermazione centrale, che l'operatore di composizione di un dominio, classificato dalla fisica nota prima del fitting, predice la sua famiglia di legge di scaling, è sconfitta da uno qualsiasi dei seguenti:

1. Tasso di successo al caso. Il risultato primario è un tasso di successo della predizione di famiglia di 19/25 domini empirici (§5–§6). Con da tre a quattro famiglie candidate, l'assegnazione cieca dà una baseline di caso di circa una su tre a una su quattro. L'affermazione è sconfitta se una replica con classificazione dell'operatore indipendente restituisce un tasso di successo non significativamente superiore a quella baseline di caso.
2. Classificazione post-hoc dell'operatore. La forza del test dipende dal fatto che l'operatore sia assegnabile dalla fisica indipendentemente nota senza vedere i dati. L'affermazione è sconfitta se, in una prova in cieco, valutatori indipendenti non possono riprodurre le classificazioni dell'operatore dell'autore dalla sola fisica, o se si può dimostrare che una qualsiasi classificazione sia stata scelta per adattarsi all'esponente osservato.
3. Degenerazione del fit. La predizione è significativa solo se le famiglie candidate sono empiricamente distinguibili sui dati a disposizione. È sconfitta per qualsiasi dominio in cui il fitter raggiunge la curva osservata altrettanto bene sotto la famiglia sbagliata ; cioè, l'assegnazione della famiglia non porta informazione discriminante per l'intervallo e il rumore di quel dominio.
4. Mancanze non razionalizzate. Sei domini mancano (§6). Le mancanze sono coerenti con l'affermazione solo se le loro cause sono fissate come una regola di esclusione pre-registrata prima del test successivo, non fornite dopo aver visto quali domini hanno mancato. L'affermazione è sconfitta se il tasso di mancanza aumenta sotto una replica pre-registrata senza esclusioni post-hoc.
5. Riesecuzione a quattro famiglie. Lo studio confermativo a quattro famiglie redatto (Sezione 3.2) riesegue questo confronto con candidati logaritmici e lineari puri inclusi. L'affermazione è indebolita se il tasso di successo cade materialmente quando le famiglie mancanti sono disponibili, e sconfitta se cade alla baseline di caso; i successi che migrano alla famiglia logaritmica saranno riportati come riclassificazioni, non come nuove conferme.
6. Ceiling esplorativo. L'abstract concede che non esiste alcun artefatto di pre-registrazione bloccato. Fino a quando non ne esisterà uno (operatori classificati e predizioni bloccate prima del fitting, su un campione randomizzato di domini), l'affermazione non può salire al di sopra di esplorativa, e qualsiasi presentazione di essa come stabilita falsificherebbe di per sé lo stato evidenziale dichiarato dall'articolo.

Ciò che non la sconfiggerebbe: una singola mancanza aggiuntiva, o un modello con miglior fit che compaia in un dominio. L'affermazione riguarda la mappatura aggregata operatore–famiglia, non un singolo fit; ma quell'aggregato deve superare la baseline di caso sotto replica pre-registrata e classificata in modo indipendente.

13. Implicazioni

Se il framework tiene sotto replica indipendente pre-registrata, suggerirebbe:

1. Le forme delle leggi di scaling non sono coincidenze ma conseguenze matematiche della struttura di composizione, sotto gli assiomi dichiarati.
2. Lo stesso principio che governa come batte il cuore di un topo governa come le reti neurali migliorano con la scala.
3. Le predizioni di legge di potenza del gruppo di rinormalizzazione e l'equazione moltiplicativa di Cauchy potrebbero essere teoremi correlati: una connessione che, per quanto è a conoscenza dell'autore, non è stata formalmente articolata. Una prova formale di questa equivalenza resta aperta.
4. La famiglia di scaling di qualsiasi nuovo sistema può essere predetta da principi primi classificando il suo operatore di composizione, senza alcun fitting dei dati.
5. Duecento anni di spiegazioni specifiche al dominio per le leggi di scaling (reti frattali, curve di apprendimento, fenomeni critici) potrebbero essere casi speciali di un unico vincolo matematico che Cauchy identificò nel 1821.

Queste implicazioni sono condizionali. La prova attuale è esplorativa, non definitiva.

14. Conclusione

Pianta una ghianda e dati secoli, ottieni una quercia. Ma pianta la ghianda di quella quercia, e la sua ghianda, ricorsivamente attraverso i millenni, e ottieni una foresta che modella il clima dei continenti. Ciò che piantiamo in questi sistemi si comporrà attraverso scale che non possiamo immaginare. Il seme determina la foresta.

Cauchy ha dimostrato 200 anni fa che il seme determina anche la forma della foresta. Semi moltiplicativi producono leggi di potenza. Semi additivi producono esponenziali. Semi limitati producono saturazione. Venticinque domini empirici testati contro questa predizione danno 19 conferme a $p = 7 \times 10^{-5}$ sotto il test di permutazione condizionato ai marginali, sull'insieme candidato dei sei modelli della Sezione 3.2; la riesecuzione a quattro famiglie è redatta e in attesa di sottomissione umana. Tredici esponenti metabolici pubblicati cadono dove la teoria dimensionale predice.

La matematica è sempre stata lì. Semplicemente non l'avevamo letta come una predizione sul mondo fisico. Se quella lettura tenga sotto scrutinio indipendente è ora una domanda cui la comunità scientifica deve rispondere.

Cresci l'IA con cura.

15. Riproducibilità

La suite di validazione completa (comprese tutte le 50 definizioni di dominio, il manifesto canonico, e il codice di fitting basato su AICc) è disponibile all'indirizzo:

• Codice dell'esperimento: github.com/.../experiments/cauchy-unification__Paper-VII
• Manifesto dei 50 domini: canonical_50_domain_manifest.json

Lo script richiede Python 3.10+, numpy e scipy. Tutti i dati sono incorporati nel manifesto con citazioni di provenienza complete. L'output è deterministico.

Dichiarazione di autorialità umana assistita da IA

L'autore di questa opera è Michael Darius Eastwood, un essere umano. Ogni concetto centrale, ipotesi, disegno sperimentale, affermazione e conclusione in questo articolo trae origine dall'ideazione umana. Nessuna parte di questo manoscritto è un output di intelligenza artificiale interamente generato.

Gli strumenti di intelligenza artificiale (la famiglia Claude di Anthropic e altri assistenti di large-language-model) sono stati usati come strumenti sotto direzione umana continua, nel modo in cui un word processor, un calcolatore o un assistente di ricerca vengono usati: per l'editing e la rifinitura della prosa, la ricerca in letteratura e la sintesi (verificate manualmente rispetto alle fonti primarie), la struttura del documento, la formattazione, il brainstorming rispetto a domande definite dall'autore, e l'accelerazione della stesura secondo schemi e istruzioni definiti dall'autore. Ogni selezione, coordinamento, disposizione e giudizio editoriale finale è dell'autore. Ogni output sostanziale è stato rivisto, testato o verificato dall'autore, che si assume piena responsabilità per l'accuratezza e l'integrità del testo finale. Gli strumenti hanno aumentato la velocità del lavoro; non sono mai stati usati come sua fonte.

Statuto epistemico. Ciò che questo programma chiama Leggi sono congetture sotto prova avversariale registrata; ogni quantità in questo articolo è operativamente definita, e lo statuto di legge stabilita non è rivendicato in alcun luogo. Il programma registrato esiste per guadagnare quello statuto, o per perderlo, attraverso misurazione, replica e confutazione superata.

© 2026 Michael Darius Eastwood. Con autore umano e assistenza informatica; l'autorialità umana piena e i diritti morali sono asseriti sotto il Copyright, Designs and Patents Act 1988 e in coerenza con la guida dello United States Copyright Office sulle opere contenenti materiale generato dall'IA; qualsiasi contributo tecnico originale descritto in questa opera è stato concepito dall'autore umano. Dichiarazione completa: michaeldariuseastwood.com/authorship.

Impegno permanente. Dimostra questo articolo sbagliato, e pubblicherò io stesso la confutazione. Le condizioni di falsificazione sono dichiarate in questo articolo; la sfida permanente: github.com/MichaelDariusEastwood/arc-scaling-challenge.