Utafiti wa kitaaluma, lugha inayoeleweka

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

17 Novemba 2026, Jumanne
VERİANLA Uchapishaji huru wa sayansi
Fungua au funga menyu
...
Home / Sayansi Tumizi / Sayansi ya Kompyuta / Superlinearity ya Vipindi na Tatizo la Singularity ya Muda Wenye Kikomo
Sayansi ya Kompyuta

Superlinearity ya Vipindi na Tatizo la Singularity ya Muda Wenye Kikomo

Superlinearity ya vipindi (intermittent superlinearity) ni dinamiki ya ukuaji ambapo kipeo cha mrejesho hakibaki thabiti kwa muda bali hupita chini na juu ya thamani muhimu \(m=1\).

16/11/2026  Veri Anla  Imetazamwa mara 119
Superlinearity ya Vipindi na Tatizo la Singularity ya Muda Wenye Kikomo

Superlinearity ya vipindi (intermittent superlinearity) ni dinamiki ya ukuaji ambapo kipeo cha mrejesho hakibaki thabiti kwa muda bali hupita chini na juu ya thamani muhimu \(m=1\). Utafiti wa Attila Hutzek kimsingi unachunguza mlinganyo \(\frac{dy}{dx}=k(1+y^{m(x)})\) na kupanua tatizo la kawaida la singularity ya muda wenye kikomo katika hali ya kipeo kisichobadilika hadi hali ya kipeo kinachobadilika. Matokeo makuu ya kihisabati ya utafiti ni haya: chini ya masharti yanayofaa ya regularity na kurudiwa, thamani ya wastani ya kipeo si lazima iamue kama singularity itatokea; uwezekano chanya wa excursions zinazoweza kudumu kwa muda wa kutosha juu ya thamani muhimu na kujitokeza tena unaweza kusababisha state variable kuonyesha divergence ya kihisabati katika muda wenye kikomo. Matokeo haya hayamaanishi kwamba quantities halisi za kimwili hufikia infinity; katika mifumo ya kimwili, mipaka ya upimaji, saturation, resolution, nishati au capacity hukatiza dinamiki kabla ya singularity ya kihisabati.

Utafiti unatenganisha kwa makusudi tabaka tatu tofauti za kielimu. Katika tabaka la kwanza, curve inayotegemea tangent inalinganishwa na power law ya kawaida juu ya viwango vya chini vya kihistoria vya bei ya Bitcoin, na inaulizwa ni aina gani ya mrejesho inaweza kutambulika kutokana na mfululizo mmoja tu wa muda uliotazamwa. Katika tabaka la pili, tatizo la kihisabati ambalo linajitenga na msukumo huu wa kifedha linashughulikiwa, na theorem, propositions na numerical simulations zinatengenezwa kwa kipeo cha mrejesho kinachobadilika. Katika tabaka la tatu, circuit ya kielektroniki, miundo ya kimakanika, kutokuwa thabiti kwa ukingo wa tokamak, accelerating creep/slope failure na mchakato wa lightning stepped-leader hulinganishwa kwa upande wa muundo wa kihisabati. Chanzo hakidai kwamba yoyote kati yao inashiriki mekanizimu ileile ya kimwili.

Intuition kuu ya theorem inategemea mambo mawili. Kwanza, kwa sababu \(\frac{dy}{dx}\geq k>0\), state variable ndani ya sample moja hairudi nyuma; kiwango kilichopatikana katika vipindi vya supercritical hakipotei baadaye. Pili, muda uliosalia ambao kipindi cha supercritical chenye \(m>1\) kinahitaji ili kukamilisha singularity hupungua, kadiri \(y\) inavyoongezeka, takriban katika umbo la \(y^{1-m}/[k(m-1)]\). Hivyo excursion ya aina ileile ya supercritical ambayo mwanzoni haikutosha inaweza, mfumo unapofikia kiwango cha juu zaidi, kuwa ya kutosha peke yake.

Matokeo hasi muhimu ya utafiti ni wazi kwa kiwango kilekile: ikiwa mabadiliko hayaingii kwenye kipeo cha mrejesho \(m\) bali yanaingia tu kwenye coefficient ya kasi \(k\), na kipeo kinabaki katika au chini ya thamani muhimu, singularity ya muda wenye kikomo haiwezi kuzalishwa. Tofauti hii inaonyesha kwamba kutazama tu mfululizo wa muda unaoonekana “unaobadilika” au “unaoharakisha ghafla” hakutoshi; lazima ijulikane ni variable gani ya kimwili inaathiri sehemu ipi ya mlinganyo.

Chanzo pia kinaweka mbele tatizo la upimaji. Katika hatua za mapema, regimes tofauti za mrejesho zinaweza kufanana sana; vipindi vya kina vya subcritical vinaweza kufanya mfumo wa kweli wenye mrejesho uonekane kama power law ya kawaida katika window inayotazamwa; kukadiria kipeo kutoka kwa matukio yaliyokamilika pekee kunaweza kulazimisha sample kuwa conditioned kwenye vipindi vya mwisho vya supercritical. Moving average inayotazamwa katika viwango vilivyopachikwa inaweza kutoa “kipeo chenye ufanisi” ambacho si cha kiwango chochote halisi ndani ya mfumo. Kwa hiyo utafiti haukubali fit nzuri ya curve kama uthibitisho wa mekanizimu ya kimwili.

Maelezo ya Kina

Kwanza dhana ya msingi: mrejesho wa linear, sublinear na superlinear

Kiini cha kihisabati cha utafiti ni mlinganyo ufuatao wa differential kwa state variable isiyo hasi na isiyo na dimension \(y(x)\):

\[ \frac{dy}{dx}=k\left(1+y^m\right), \qquad y(0)=0,\qquad k>0. \]

Hapa \(x\) ni independent variable inayowakilisha maendeleo; kulingana na muktadha inaweza kuwa muda, umbali au coordinate nyingine ya maendeleo. \(y\) ni internal state variable na katika formulation ya msingi ya kihisabati haina dimension. \(k\) ni coefficient chanya ya kasi na ina dimension ya \(x^{-1}\). \(m\) ni kipeo cha mrejesho kisicho na dimension. Term \(1\) inawakilisha base driver inayoendelea, huku term \(y^m\) ikiwakilisha mrejesho unaobadilisha kasi ya ukuaji kadiri hali ya sasa inavyoongezeka.

Thamani muhimu ya kipeo ni \(m=1\). Sababu si tu kwamba “namba 1 imechaguliwa kuwa maalumu”. Kwa \(y\) kubwa, mlinganyo huwa takriban \(\frac{dy}{dx}\approx ky^m\). Katika mlinganyo huu, wakati \(m<1\), ukuaji unaweza kuendelea bila kikomo lakini haufikii infinity katika \(x\) yoyote yenye kikomo; \(m=1\) inalingana na ukuaji wa exponential; wakati \(m>1\), integral huwa finite na suluhisho la kihisabati huonyesha divergence katika nukta finite \(x^\ast\).

Singularity ya Muda Wenye Kikomo Hutokea Chini ya Sharti Gani?

Kwa kipeo cha mrejesho kisichobadilika, suluhisho la mlinganyo \(\frac{dy}{dx}=k(1+y^m)\) huzalisha singularity ya muda wenye kikomo kwa sababu integral inayohitajika kufikia infinity kutoka mwanzo hukonverji tu wakati \(m>1\); katika hali ya \(m\leq1\), suluhisho hubaki finite kwa kila \(x\) yenye kikomo.

Variable zinapotenganishwa, umbali hadi singularity unaweza kuhesabiwa moja kwa moja:

\[ x^\ast = \frac{1}{k}\int_0^\infty \frac{du}{1+u^m} = \frac{1}{k}\, \frac{\pi/m}{\sin(\pi/m)}, \qquad m>1. \]

  • Formula inahesabu nini? Wakati mwanzo ni \(y(0)=0\), nukta \(x^\ast\) ambapo divergence ya kihisabati hutokea.
  • \(u\) ni nini? Ni state variable ya muda inayotumika katika integral.
  • \(k\) hufanya nini? Hupima scale ya mhimili wa muda/maendeleo. \(k\) ikiongezeka mara mbili, dinamiki ileile isiyo na dimension hutokea kwa kasi mara mbili.
  • \(m\) hufanya nini? Huamua si scale ya muda pekee bali pia class ya kihisabati ya suluhisho.
  • Unit ni nini? Kwa kuwa \(k\) ina dimension ya \(x^{-1}\), \(x^\ast\) ina unit sawa na \(x\).
  • Sharti la uhalali ni lipi? Closed form hii ni kwa hali ya \(m>1\) isiyobadilika na \(y(0)=0\).
  • Inapaswa kutafsiriwaje? Singularity hii ya kihisabati haisemi kwamba quantity halisi ya kimwili itafikia infinity; katika realizations za kimwili model hukatizwa mapema.

Chanzo kinafafanua umbali wa singularity usio na dimension kuwa

\[ G(m)=\frac{\pi/m}{\sin(\pi/m)} \]

na kuutenganisha kama \(x^\ast=G(m)/k\). \(m\) huamua umbo na umbali usio na dimension; \(k\) huamua saa ya mfumo. Kwa mfano, kwa \(m=2\), \(G(2)=\pi/2\) na

\[ x^\ast=\frac{\pi}{2k} \]

hupatikana. Katika hali hii maalumu, suluhisho la \(y(0)=0\) ni \(y(x)=\tan(kx)\).

Regime ya kipeoTabia ya y-kubwaSingularity ya muda wenye kikomoUmbo la msingi lililotolewa katika chanzo
\(m<1\)Mrejesho wa sublinearHakuna\(y(x)\approx[(1-m)kx]^{1/(1-m)}\)
\(m=1\)Ukuaji wa exponentialHakuna\(y(x)=e^{kx}-1\)
\(m>1\)Mrejesho wa superlinearUpo\(y\rightarrow\infty\) katika \(x^\ast\) yenye kikomo
Mchoro huru usio na scale uliotayarishwa kwa Verianla kutokana na mgawanyo wa \(m<1\), \(m=1\) na \(m>1\) katika uchanganuzi wa deterministic single-function wa utafiti wa chanzo.

Suluhisho hutendaje linapokaribia singularity?

Katika eneo karibu na singularity, kwa kuwa \(y\) huwa kubwa sana, term ya kudumu \(1\) inaweza kupuuzwa ikilinganishwa na \(y^m\). Hivyo

\[ \frac{dy}{dx}\approx ky^m \]

hutumika kama approximation. Baada ya integration, chanzo hupata sheria ifuatayo ya local scaling:

\[ y(x)\approx \left[(m-1)k(x^\ast-x)\right]^{-1/(m-1)}. \]

Quantity muhimu hapa ni kipeo \(1/(m-1)\). Kadiri \(m\) inavyokaribia mpaka muhimu \(1\) kutoka juu, kipeo hiki huongezeka na umbali usio na dimension hadi singularity pia huongezeka. \(k\) haibadilishi thamani ya kipeo; hubadilisha tu scale ya muda na prefactor.

Ni muda gani wa supercritical unaohitajika baada ya kiwango fulani?

Moja ya matokeo muhimu zaidi ya deterministic kwa theorem ya superlinearity ya vipindi ni muda uliosalia kutoka kiwango cha sasa cha \(y\) hadi singularity:

\[ T(y)= \frac{1}{k}\int_y^\infty\frac{du}{1+u^m} \approx \frac{y^{1-m}}{k(m-1)}, \qquad y\gg1,\quad m>1. \]

Kwa kuwa \(1-m<0\), kadiri \(y\) inavyoongezeka, \(y^{1-m}\) hupungua. Hivyo mfumo unapopanda, muda ambao kipeo kilekile cha supercritical feedback kinahitaji ili kukamilisha singularity huzidi kupungua. Wazo la theorem kwamba “excursion ambayo mwanzoni haikutosha baadaye inaweza kuwa ya kutosha” linatokana moja kwa moja na hili.

Kwa nini modeli tofauti zinaweza kutotenganishwa katika hatua ya mapema?

Katika interval ya \(0\leq y\leq1\) na kwa \(m\geq0\), kwa kuwa \(0\leq y^m\leq1\),

\[ k\leq\frac{dy}{dx}\leq2k \]

hupatikana. Kwa hiyo katika sehemu ya mapema ya mfumo ukuaji huwa karibu na kasi ya kudumu na kipeo cha mrejesho bado hakiamui kwa nguvu umbo la curve. Mfumo ambao baadaye utaenda kwenye singularity ya muda wenye kikomo na mfumo ambao utaendelea tu kwa power law unaweza kuwa karibu kutotofautika ikiwa observation window inaisha mapema vya kutosha.

Kwa Nini Wastani wa Kipeo cha Mrejesho Pekee Hauamui Matokeo?

Katika hali ya kipeo kinachobadilika, quantity inayoamua singularity katika theorem ya chanzo si wastani wa kipeo; ni kwamba \(m(x)\) ina excursions zinazoweza kubaki juu ya mpaka muhimu kwa muda wa kutosha na uwezekano wa excursions hizo kujitokeza tena baadaye haupungui hadi sifuri.

Modeli ya stokastiki

Wakati kipeo cha stokastiki kinachotegemea muda/maendeleo kinatumika badala ya \(m\) isiyobadilika, mlinganyo huwa

\[ \frac{dy}{dx}=k\left(1+y^{m(x)}\right), \qquad y(0)=y_0\geq0, \qquad k>0 \]

Chanzo hujenga theorem chini ya masharti makuu matatu:

ShartiMaudhui ya kihisabatiKwa nini linahitajika?
S1 — Ukomo na regularity\(0\leq m(x)\leq M<\infty\); sample paths ni right-continuous.Huzuia mchakato wa kipeo kutenda bila udhibiti wa kihisabati.
S2 — Upper tail ya supercriticalKwa \(\mu>1\) na \(\Delta>0\), uwezekano kwamba \(m(x)\geq\mu\) hudumu katika window nzima ya \(\Delta\) ni \(q>0\).Hufanya vipindi halisi vya supercritical vinavyoweza kukamilisha singularity viwezekane.
S3 — KurudiwaBila kujali yaliyopita, uwezekano wa mafanikio wa window inayofuata inayofaa hauanguki chini ya lower bound chanya isiyobadilika.Huhifadhi uwezekano wa kujaribu tena baadaye badala ya nafasi moja tu.

S3 haipaswi kuchanganywa na sharti la independence. Windows huru zinatosha lakini si lazima kwa theorem. Chanzo kinaona kuwa inatosha conditional probability kuwa na lower bound chanya licha ya yaliyopita; renewal processes au finite-state Markov processes zinazofaa zinaweza kuwa mifano ya muundo huu.

Ratchet: kwa nini hali hairudi nyuma?

Katika mlinganyo, kwa kila \(y\geq0\) na kila \(m(x)\) inayoruhusiwa,

\[ \frac{dy}{dx}=k(1+y^{m(x)})\geq k>0. \]

Kwa hiyo

\[ y(x)\geq y_0+kx \]

hupatikana. Hii ndiyo sifa ambayo chanzo huiita “ratchet”: ndani ya sample moja hali huendelea kupanda. Vipindi vya subcritical vinaweza kupunguza kasi ya kupanda lakini haviwezi kuondoa kiwango kilichopatikana hapo awali.

Ni lini excursion moja ya supercritical inatosha peke yake?

Katika nukta \(y(a)=Y\geq1\), ikiwa katika interval nzima ya muda kipeo ni \(m(x)\geq\mu>1\),

\[ 1+y^{m(x)}\geq y^\mu \]

na kwa hiyo suluhisho halianguki chini ya mlinganyo wa kulinganisha

\[ \frac{dz}{dx}=kz^\mu \]

Muda wa mlinganyo huu wa kulinganisha kufikia singularity kutoka kiwango cha \(Y\) ni

\[ \tau^\ast(Y)= \frac{Y^{1-\mu}}{k(\mu-1)} \]

kwa hiyo, ikiwa kipindi cha supercritical hudumu kwa \(\tau>\tau^\ast(Y)\), singularity hukamilika ndani ya kipindi hicho.

Kwa window ya urefu wa kudumu \(\Delta\), kiwango cha threshold kinachohitajika hutolewa kama

\[ Y_\Delta= \left[k(\mu-1)\Delta\right]^{-1/(\mu-1)} \]

Baada ya \(Y\geq Y_\Delta\), kila window ya supercritical yenye mafanikio ya urefu \(\Delta\) inatosha peke yake. Chanzo hutumia kwamba kiwango hiki kitafikiwa, kwa kuchelewa zaidi, karibu na nukta

\[ x_\Delta=\frac{\max(1,Y_\Delta)}{k} \]

hutumia kwamba kiwango hiki kitafikiwa.

Matokeo ya theorem

Chanzo hutoa matokeo ya pande mbili. Ikiwa \(m(x)\leq1\) karibu kila mahali,

\[ y(x)\leq(1+y_0)e^{2kx}-1 \]

upper bound hupatikana na hakuna divergence katika \(x\) yoyote yenye kikomo. Kinyume chake, ikiwa S1–S3 yanatimizwa, singularity ya muda wenye kikomo hutokea kwa probability 1.

Katika hali maalumu ya windows huru, chanzo pia hutoa geometric tail bounds zifuatazo:

\[ \mathbb{E}[x^\ast] \leq x_\Delta+\frac{\Delta}{q}, \]

\[ P\left(x^\ast>x_\Delta+N\Delta\right) \leq (1-q)^N. \]

Usemi wa kwanza ni upper bound ya takriban kwa expected value ya wakati wa singularity. Usemi wa pili unasema kwamba baada ya kupita \(N\) windows zinazoweza kufanikiwa, uwezekano kwamba singularity bado haijatokea hupungua kwa namna ya kijiometria. Chanzo kinaeleza kwamba bounds hizi ni za takriban hasa; kwa sababu hazizingatii kupanda wakati wa vipindi vya subcritical wala maendeleo ya sehemu ndani ya window moja, simulations halisi katika hali nyingi zinaweza kuisha mapema zaidi kuliko bounds hizi za juu.

Mchoro huru wa mantiki uliotayarishwa kwa Verianla kutokana na mahusiano katika Lemma 1–3 na theorem ya superlinearity ya vipindi ya utafiti wa chanzo. Hauonyeshi probability distribution wala scale ya muda halisi.

Uhusiano wa Borel–Cantelli unatumika kwa nini?

Katika theorem, matukio ya window \(A_n\) yanawakilisha kutokea kwa excursion ya supercritical yenye urefu wa kutosha katika window ya muda ya \(n\). Wakati taarifa ya yaliyopita inaonyeshwa kwa \(\mathcal{F}_{n-1}\), sharti la chanzo ni

\[ P(A_n\mid\mathcal{F}_{n-1})\geq q>0 \]

Kwa hiyo jumla ya conditional probabilities za mafanikio ina divergence. Chanzo, kwa kutumia upanuzi wa Borel–Cantelli wa Lévy, kinaeleza kwamba matukio ya aina hii yatarudi karibu surely na kwamba baada ya kiwango kinachohitajika, moja tu kati yake inatosha kukamilisha singularity. Hoja hii haisemi kwamba “kila window lazima iwe independent”; jambo muhimu ni kwamba utegemezi wa yaliyopita hauwezi kupunguza uwezekano wa mafanikio hadi sifuri.

Kwa nini wastani mdogo sana wa kipeo hauvunji theorem moja kwa moja?

Kipeo kinaweza kuwa kidogo sana kwa muda mwingi. Katika mfano wa mwisho uliotolewa na chanzo, thamani ya supercritical 2,75 na thamani ya kina ya subcritical 0,1 huchaguliwa, na hali ya subcritical hutokea mara nyingi zaidi. Wakati \(m=0,1\), \(y^{0,1}\) hubadilika kwa polepole kiasi hata kama \(y\) inabadilika mara mamilioni. Kwa hiyo katika kipindi kirefu cha subcritical mlinganyo unaweza kutenda takriban kama

\[ \frac{dy}{dx}\approx2k \]

na observation map inaweza kutoa umbo la power law. Kinyume chake, katika vipindi adimu vya \(m=2,75\), \(y^m\) huwa kubwa sana katika viwango vya juu vya \(y\). Chanzo hutumia mfano huu si kama parameters za mfumo halisi wa kimwili, bali kuonyesha kwamba “wastani wa kipeo unaweza kuficha matokeo yanayotazamwa”.

Tofauti Kati ya Mabadiliko ya Kipeo na Mabadiliko ya Coefficient ya Kasi ni Nini?

Wakati mabadiliko katika kipeo \(m\) yanaweza kubadilisha convergence class ya mlinganyo, mabadiliko yenye ukomo katika coefficient ya kasi \(k\) hubadilisha scale ya muda tu; chanzo kinaonyesha kwamba wakati \(m\leq1\) ni thabiti, hata kama \(k(x)\) inabadilika kwa nguvu na kwa kuendelea kiasi gani, singularity ya muda wenye kikomo haiwezi kutokea maadamu \(k(x)\leq k_{\max}<\infty\).

Matokeo ya Proposition 5 ya chanzo yametolewa kwa modeli ifuatayo:

\[ \frac{dy}{dx}=k(x)(1+y^m), \qquad m\leq1, \qquad k(x)\leq k_{\max}<\infty. \]

Kwa kuwa matokeo ya kulinganisha ni

\[ y(x)\leq(1+y_0)e^{2k_{\max}x}-1 \]

suluhisho hubaki finite katika \(x\) zote finite. Tofauti hii ni kichujio cha msingi wakati wa kupima physical candidates: kabla ya ukubwa wa noise iliyopimwa, lazima iamuliwe kama noise inaingia katika kipeo cha mrejesho au katika coefficient pekee.

Observation map: variable tunayopima huenda isiwe hali halisi ya ndani

Chanzo kinasisitiza kwamba hali ya ndani ya mfumo halisi \(y\) na quantity inayotazamwa \(f\) si lazima ziwe kitu kilekile. General monotonic power map inaweza kuandikwa kama

\[ f=A\left(\frac{y}{k}\right)^n, \qquad n>0 \]

Transformation hii monotonic haiwezi kuunda au kuondoa singularity; lakini hubadilisha kipeo cha mrejesho kinachotazamwa. Uhusiano wa msingi katika chanzo ni

\[ E=1+\frac{m-1}{n} \]

Hapa \(m\) ni kipeo cha mlinganyo wa hali ya ndani, \(n\) ni kipeo cha observation map na \(E\) ni kipeo chenye ufanisi cha superlinear kinachoonekana katika quantity inayotazamwa.

Kwa hiyo kujua \(E\) inayotazamwa pekee hakutoshi kuamua \(m\). Jozi tofauti zinazozalisha ratio ileile \((m-1)/n\), ya \(m,n\), hutoa vipeo vya mrejesho vinavyoonekana kwa kufanana. Hapa ndipo linapotoka limitation muhimu ya utafiti kwamba “latent exponent is likely unidentifiable from price data alone”.

Kwa nini mfano wa \(\sqrt{\tan x}\) unatumiwa?

Chanzo hutumia hali maalumu ya \(m=2\), \(k=1\), \(A=1\) na \(n=1/2\). Hali ya ndani ikiwa

\[ y=\tan x \]

quantity inayotazamwa huwa

\[ f(x)=\sqrt{\tan x} \]

Baada ya kuchukua derivative,

\[ \frac{df}{dx} = \frac{1}{2}\left(f^{-1}+f^3\right) \]

hupatikana. Yaani mrejesho wa degree ya pili \(m=2\) katika internal space, baada ya observation map ya \(n=1/2\), unaweza kuonekana katika variable inayotazamwa kama term ya cubic \(f^3\). Chanzo hutumia hii kama mfano mahsusi wa onyo kwamba “kipeo kinachopimwa si lazima kiwe kipeo cha dinamiki ya msingi”.

Kwa nini sehemu ya Bitcoin ipo katika utafiti?

Sehemu ya Bitcoin si uthibitisho wa theorem kuu. Swali la utafiti lilitokea baada ya kutambua kwamba, katika kueleza curve ya lower bounds za kihistoria za bei ya Bitcoin, standard power law, curve ya superlinear inayotegemea tangent na modeli inayoendeshwa na noise ni vigumu kutenganishwa katika interval inayotazamwa.

Modeli parametriki inayotegemea tangent iliyotumika katika chanzo ni

\[ f(x) = A\left(\frac{\tan(Bx)}{B}\right)^n \]

Hapa \(x\) ni idadi ya siku tangu tarehe ya Genesis Block ya 3 Januari 2009; \(f(x)\) ni bei kwa dola za Marekani; na \(A\), \(B\) na \(n\) ni parameters zilizokalibishwa.

Katika kipindi cha mapema,

\[ \frac{\tan(Bx)}{B} \approx x+\frac{B^2x^3}{3} \]

kwa hiyo wakati \(Bx\) ni ndogo, marekebisho ya cubic ni dhaifu na modeli huwa takriban

\[ f(x)\approx A x^n \]

Hivyo modeli inayotegemea tangent inakaribia kihisabati umbo la power law katika hatua ya mapema. Hii hufanya iwe vigumu kuamua kwa kuaminika \(B\) au tabia ya baadaye ya asymptotic ya curve kutoka kwa data ya mapema.

Parameters zilizokalibishwa kwa Bitcoin

Chanzo hutumia tangency nodes saba zilizochaguliwa kwa kuona na kutoa parameters zifuatazo:

ModeliParameterThamani
Inayotegemea tangent\(A\)\(5{,}8535\times10^{-17}\)
Inayotegemea tangent\(B\)\(7{,}4893\times10^{-5}\)
Inayotegemea tangent\(n\)5,4666
Power law iliyoboreshwa\(A_{\mathrm{PL}}\)\(2{,}0616\times10^{-17}\)
Power law iliyoboreshwa\(n_{\mathrm{PL}}\)5,6218

Chanzo kinasema mahsusi kwamba parameters hizi si constants za kimwili. Tangency nodes saba zilibainishwa kwa namna ya subjective kupitia uchunguzi wa kuona. Kwa hiyo, hata kama optimization inayofuata imeamuliwa kihisabati, uchaguzi wa nodes za mwanzo si objective kabisa.

Siku \(x\)Bei halisi (USD)Modeli ya tangentTangent \(\Delta\ln\)Power lawPower law \(\Delta\ln\)
7450,3130,296−0,0570,289−0,080
10492,051,931−0,0601,978−0,036
12424,984,882−0,0205,1120,026
13247,056,940−0,0167,3230,038
2425198197,97≈0219,910,105
408738503848,87≈04136,640,072
638857.73557.716,98≈050.938,45−0,125

Metriki ya MACE ni nini?

Kwa sababu bei zinaenea katika orders of magnitude nyingi, chanzo kina hoja kwamba vipimo vya kawaida vya error kwenye linear scale vinaweza kuzipa uzito kupita kiasi bei za juu za kipindi cha baadaye, na hutumia Mean Absolute Centered Error (MACE) kupitia logarithmic residuals:

\[ r_i=\ln(\mathrm{Model}_i)-\ln(\mathrm{Actual}_i), \]

\[ \mu=\frac{1}{N}\sum_{i=1}^{N}r_i, \]

\[ \mathrm{MACE} = \frac{1}{N} \sum_{i=1}^{N}|r_i-\mu|. \]

Chanzo kinaripoti MACE ya takriban 0,069 kwa power law iliyoboreshwa na takriban 0,021 kwa modeli inayotegemea tangent kwa nodes zilezile saba. Maana ya namba hizi ni kwamba centered log-residuals ni ndogo kwa modeli ya tangent katika nodes hizi saba za kihistoria zilizochaguliwa pekee. Hizi si uthibitisho wa mafanikio ya kutabiri bei za baadaye, usahihi wa soko kwa ujumla wala sheria ya kimwili.

Kwa nini asymptote ya kihisabati si utabiri wa bei?

Katika modeli ya tangent, vertical asymptote ya kwanza hutokea kwa

\[ x^\ast=\frac{\pi}{2B} \]

na parameters za chanzo zinalingana na takriban siku ya 20.974. Hata hivyo, chanzo kinakataa wazi kutumia tarehe hii kama utabiri wa bei au tukio la soko. Katika seti ya awali ya parameters, wakati \(B=8,3\times10^{-5}\), asymptote ilikuwa takriban siku ya 18.925, lakini baadaye mabadiliko ya takriban %10 tu katika \(B\) yaliisogeza hadi takriban siku ya 20.974. Mabadiliko haya ya miaka kadhaa yanaonyesha kwamba tarehe ya asymptote ya mbele ni nyeti kwa calibration.

Kwa hiyo tarehe inayolingana na takriban 2066 katika utafiti ni sifa tu ya curve ya sasa ya kihisabati iliyokalibishwa. Chanzo hakitafsiri hilo kuwa bei, liquidity au muundo wa soko la Bitcoin utafikia tukio fulani katika tarehe hiyo.

Kipeo chenye ufanisi cha mrejesho katika price space

Kwa \(m=2\), \(k=B\) na

\[ f=A\left(\frac{y}{B}\right)^n \]

chanzo hutumia chain rule kupata mlinganyo ufuatao wa bei:

\[ \frac{df}{dx} = nA^{1/n}f^{1-1/n} + nB^2A^{-1/n}f^{1+1/n}. \]

Term ya kwanza peke yake hutoa njia ya power law \(A x^n\). Term ya pili ni mrejesho wa superlinear na kipeo chake chenye ufanisi ni

\[ 1+\frac{1}{n} \]

Kwa \(n=5,4666\), chanzo hutoa takriban

\[ 1+\frac{1}{5,4666}\approx1,1829 \]

Thamani hii ni kipeo chenye ufanisi katika space ya variable inayotazamwa ya curve ya kihistoria iliyokalibishwa; si constant ya kimwili ya soko la Bitcoin iliyopimwa moja kwa moja na isiyobadilika.

Kwa nini upungufu wa supply ya Bitcoin pekee hauonekani kuwa wa kutosha?

Chanzo huunda framework rahisi ya athari ya soko:

\[ \frac{dP}{dx} = k\frac{F(x)}{L(x)}. \]

\(F(x)\) inawakilisha capital inflow ya nje, na \(L(x)\) inawakilisha liquid supply inayopatikana. Katika hali rahisi zaidi ambapo liquid supply inapungua linearly kama

\[ L(x)=L_0-cx \]

na external demand ni constant \(F(x)=F_0\), suluhisho ni

\[ P(x) = P_0+ \frac{kF_0}{c} \ln\left(\frac{L_0}{L_0-cx}\right) \]

Bei inaweza kuonyesha divergence ya kihisabati supply inapokaribia sifuri, lakini hii ni logarithmic divergence tu; kiwango cha \(P\) chenyewe hakirudi katika kasi ya ukuaji wa baadaye kupitia term ya \(P^m\) katika kasi ya ukuaji wa baadaye.

Chanzo pia kinahoji kwamba kuongeza ukuaji wa kawaida wa exponential wa external demand katika umbo la \(F(x)=F_0e^{ix}\) hakubadilishi order ya divergence karibu na depletion ya linear supply. Uchanganuzi huu si dai kwamba “demand halisi ya Bitcoin hutenda hivi”; ni structural exclusion inayoonyesha tu kwamba candidate mechanisms hizi mbili maalumu, katika modeli ya kihisabati iliyojengwa, haziwezi peke yake kutoa muundo wa superlinear unaohitajika.

Kwa nini chanzo hatimaye hakiiingizi Bitcoin katika class hii?

Kwa sababu kipeo cha ndani cha mrejesho hakiwezi kurejeshwa kwa kuaminika kutoka mfululizo mmoja wa muda wa bei; observation map haijulikani; nodes za kihistoria za calibration zilichaguliwa kwa kiasi fulani kwa namna subjective; parameters fulani zinaweza kuvunjika; kufanana kwa power law na tangent ni kubwa katika hatua za mapema, na mekanizimu ya nje ya mrejesho inayohitajika haijatambuliwa moja kwa moja. Hitimisho la Part I la chanzo linaeleza wazi kwamba Bitcoin si mwanachama aliyethibitishwa wa class ya superlinearity ya vipindi katika Part II. Bitcoin ilizalisha swali la utafiti; si mfano wa kimwili unaothibitisha jibu.

Kwa nini viwango vilivyopachikwa hufanya upimaji kuwa mgumu?

Chanzo hutumia simulation iliyofanywa idealize yenye viwango vinne. Kasi za viwango zimetenganishwa kwa ratios za takriban mara kumi. Ni kiwango cha kasi zaidi pekee kinacholishwa na external exponent process; ongezeko la muda la kipeo katika viwango vya polepole hufungwa kwa kukamilika kwa viwango vya kasi vilivyo juu. Kiwango kinapokamilika, chenyewe na vilivyo juu yake hurudishwa kwenye support level iliyo chini.

Onyo muhimu la chanzo ni kwamba mfululizo unaotazamwa si mojawapo ya viwango halisi. Kama observation, moving average ya logarithm ya kiwango cha kasi zaidi huchorwa, na average hii haifuati kikamilifu kiwango chochote kati ya viwango vinne halisi. “Kipeo chenye ufanisi” kinachofitishwa kwenye mfululizo kama huo huenda kisiwe kipeo halisi cha kiwango chochote kilichopo kimwili katika mfumo.

Simulation hii si modeli au uthibitisho wa mfumo wa kimwili. Chanzo hutumia hasa kuonyesha tatizo la “resolvability”, yaani observability/distinguishability. Kwa sababu hiyo hiyo, kufanana kwa viwango vinavyoendesha mlinganyo uleule kwa kasi tofauti hakuthibitishi kwamba kuna muundo halisi wa fractal; kufanana kunaweza kutokana na modeli kurudia mlinganyo uleule kwa saa tofauti.

Spatial sampling: kupima sehemu si kupima mfumo mzima

Utafiti hauangalii tu tatizo la window ya muda, bali pia upimaji wa sehemu moja ya mfumo. Katika mfumo ideal wenye sehemu \(N\) zinazohifadhi jumla na kubadilishana kati yao, ikiwa

\[ \sum_i x_i=X \]

ni constant,

\[ \mathrm{Var}\left(\sum_i x_i\right)=0 \]

sharti hili hufanya covariance kati ya sehemu mbili tofauti kuwa hasi. Chanzo kinaeleza kwamba kwa sehemu zinazolingana, correlation kati ya pairs ni

\[ -\frac{1}{N-1} \]

na uhusiano kati ya sehemu moja na mfumo wote uliosalia ni \(-1\) kwa sababu ya complementarity kamili. Ujumbe wake wa kisayansi ni huu: sensor ya eneo moja kuonyesha signal inayopungua haithibitishi peke yake kwamba hali ya mfumo mzima inapungua. Hasa katika michakato kama fracture au localization, activity inaweza kujikusanya katika eneo moja huku ikipungua katika jingine.

Formulation ya pengo linalofungwa

Reformulation muhimu katika nusu ya pili ya utafiti ni kufuatilia pengo lenye kikomo badala ya quantity inayotazamwa inayoonyesha divergence. Basi pengo liwe \(a(t)>0\) na frequency inayotazamwa iwe

\[ f(t)=\frac{1}{a(t)} \]

Derivative ikichukuliwa,

\[ \frac{df}{dt} = -\frac{1}{a^2}\frac{da}{dt} \]

hupatikana. Kulinganisha hii na

\[ \frac{df}{dt}=c f^m=c a^{-m} \]

kunatoa uhusiano

\[ \frac{da}{dt} = -c\,a^{2-m} \]

hutoa uhusiano huu.

Mlinganyo huu, kwa mtazamo wa chanzo, unatoa tafsiri ya kimwili-kijiometri ya \(m\): kipeo cha mrejesho ni index inayocodify jinsi kasi ya kufunga pengo inavyotegemea upana wa sasa wa pengo.

HaliMlinganyo wa pengoMatokeoKipeo
Relaxation ya uwiano\(\dot a=-ca\)\(a=a_0e^{-ct}\), \(f\) hukua exponentially; hakuna singularity ya muda wenye kikomo.\(m=1\)
Kufunga kwa kasi ya kudumu\(\dot a=-c\)\(a=c(t^\ast-t)\), \(f\propto(t^\ast-t)^{-1}\)\(m=2\)
Kupunguza pengo kwa kiasi cha kudumu katika kila tukio\(\dot a=-\delta a/a\)\(a\propto\sqrt{t^\ast-t}\), \(f\propto(t^\ast-t)^{-1/2}\)\(m=3\)

Kwa \(m\neq1\) ya jumla, integration hutoa

\[ a(t)= \left[c(m-1)(t^\ast-t)\right]^{1/(m-1)} \]

na hivyo

\[ f(t)= \left[c(m-1)(t^\ast-t)\right]^{-1/(m-1)} \]

Matokeo haya yanazalisha tena kipeo cha blow-up kilichopatikana awali kutoka state variable, sasa kutoka kwa geometry ya pengo.

Kwa nini transfer discrete ya ukubwa uleule huleta athari kubwa zaidi karibu na mwisho?

Ikiwa pengo linapunguzwa ghafla kwa \(\Delta a\),

\[ a\mapsto a-\Delta a \]

Mabadiliko halisi katika frequency inayotazamwa ni

\[ \Delta f = \frac{1}{a-\Delta a}-\frac{1}{a} = \frac{\Delta a}{a(a-\Delta a)} \]

Wakati \(\Delta a\ll a\),

\[ \Delta f \approx \frac{\Delta a}{a^2} = f^2\Delta a. \]

Kwa hiyo quantum ileile ya kudumu huleta mabadiliko madogo yanayotazamwa wakati pengo ni kubwa, lakini mabadiliko makubwa sana pengo linapokuwa dogo. Athari hii haihitaji kipeo cha mrejesho kubadilika ghafla; geometry yenyewe ya reciprocal \(f=1/a\) huunda convex sensitivity.

Kwa nini \(m>2\) inaleta limitation maalumu katika mfumo wa kimwili?

Sheria ya kufunga ikiandikwa kama

\[ \left|\frac{dG}{dt}\right|\propto G^{2-m} \]

chanzo hutenganisha regimes tatu za physical driver:

  • \(m<2\): kwa kuwa \(2-m>0\), kasi inayohitajika ya supply/kufunga hukaribia sifuri kadiri pengo linavyopungua.
  • \(m=2\): supply inayohitajika ni constant.
  • \(m>2\): supply inayohitajika huonyesha divergence pengo linapokaribia sifuri.

Kwa sababu hiyo, chanzo kinahoji kwamba kwa driver halisi yenye capacity yenye kikomo, \(m>2\) haiwezi kudumishwa hadi singularity ya kihisabati; modeli lazima ikatizwe mapema kutokana na limit ya physical supply. Matokeo haya yasomwe si kama sheria huru ya universal kwa mifumo yote ya kimwili, bali kama hesabu ya supply katika realization ya closing-gap ya utafiti.

Mlinganyo uliounganishwa wa pengo la stokastiki

Chanzo hukusanya aina tofauti za noise katika scheme moja kwa mlinganyo ufuatao:

\[ dG = -cG^{2-m}\,dt + \sigma\,dW, \qquad G=G_{\min}\ \text{seviyesinde soğurucu sınır}. \]

Hapa \(c\) inawakilisha coefficient ya drift/kufunga, \(m\) kipeo, \(\sigma dW\) additive stochastic component inayoongezwa kwenye pengo, na \(G_{\min}\) floor ya physical resolution au cutoff.

Tofauti muhimu ya chanzo ni hii:

  • Mabadiliko katika \(m\) yanaweza kubadilisha convergence ya integral na kuunda mekanizimu ya theorem.
  • Mabadiliko katika \(c\) hubadilisha coefficient tu na hayawezi peke yake kugeuza mfumo wa subcritical kuwa singularity ya muda wenye kikomo.
  • Additive noise ya \(\sigma\) inaweza kuvusha pengo kwa njia ya stokastiki kwenye absorbing boundary; hii si mekanizimu ileile kama theorem ya kipeo.
Mchoro huru, usio na scale uliotayarishwa kwa Verianla kutokana na maelezo ya physical circuit na mahusiano ya kisayansi katika reciprocal-gap formulation ya utafiti wa chanzo. Si nakala ya mchoro wa kina wa circuit ya kielektroniki katika chanzo.

Circuit ya kielektroniki inalenga kuonyesha nini?

Chanzo kinaeleza realization ya kielektroniki lakini kinasema wazi kwamba circuit bado haijajengwa na hakuna sehemu yake iliyo matokeo ya upimaji. Katika setup, oscillator hufanya kazi kati ya upper threshold isiyobadilika na lower threshold inayopanda. Lower threshold ni voltage ya capacitor ya pili ya accumulator. Voltage ya accumulator inapoongezeka, pengo \(G\) kati ya thresholds hupungua na oscillation frequency huongezeka takriban kwa uhusiano

\[ f\propto\frac{1}{G} \]

kwa uhusiano huu.

Katika setup hii, kipeo cha mrejesho si lazima kiwekwe kiholela kama “m=2 imechaguliwa”; hutokea kulingana na sheria ambayo pengo linafungwa nayo. Kwa sababu hii chanzo hutenganisha mbinu mbalimbali za charging:

  • Transfer ya kiasi cha kudumu katika kila cycle → \(m=3\).
  • Kufunga pengo linearly kwa current ya kudumu → \(m=2\).
  • RC-type relaxation inayolingana na pengo → \(m=1\), hakuna singularity ya muda wenye kikomo.
  • Ili kupata tabia ya subcritical \(m<1\), inahitajika active current control inayohusishwa na pengo kwa special power law; chanzo hutenganisha hii kama control law iliyotekelezwa, si matokeo ya kawaida ya passive.

Lengo la kisayansi la circuit si kuthibitisha kwamba superlinearity ya vipindi ipo katika asili halisi. Matumizi yanayopendekezwa na chanzo ni kukalibisha estimator ya kipeo na theoretical terminal scaling katika setup ambayo kipeo halisi kinajulikana kutokana na geometry ya circuit.

Analojia ya kimakanika: chembe kati ya nyuso mbili

Chanzo pia kinajadili setup rahisi ya kimakanika inayotoa mlinganyo uleule kama circuit. Ikiwa chembe yenye kasi \(v\) inasafiri kwenda na kurudi kati ya nyuso mbili zenye pengo \(G\), collision frequency huwa

\[ f=\frac{v}{G} \]

Nyuso zinapokaribiana kwa kasi ya kudumu na kasi ya chembe haibadiliki katika collisions, \(G\) hufungwa linearly na

\[ \frac{df}{dt}\propto f^2 \]

hupatikana; yaani \(m=2\).

Katika hali ya adiabatic ambapo kuta elastic zinazotembea huhamisha nishati kwa chembe, chanzo hutumia invariant \(vG=\text{sabit}\). Hivyo \(v\propto1/G\) na frequency huwa \(f\propto1/G^2\). Chini ya kufungwa kwa pengo kwa kasi ya kudumu

\[ \frac{df}{dt}\propto f^{3/2}, \]

yaani \(m=3/2\) hupatikana. Chanzo kinaweka uhusiano katika kiwango cha mlinganyo kati ya matokeo haya ya kimakanika ya dimension moja na tofauti ya isothermal/adiabatic compression ya ideal gas; kinaeleza kwamba katika counterpart ya dimension tatu thamani ya kipeo husika ni \(m=7/4\).

Uhusiano wa jumla wa terminal scaling

Ikiwa quantity inayotazamwa ina divergence kwa umbo

\[ y\propto(t^\ast-t)^{-s} \]

kutoka derivative hupatikana

\[ m=1+\frac{1}{s} \]

Ikiwa pengo ni

\[ G\propto(t^\ast-t)^p \]

na observation ni

\[ y\propto G^{-q} \]

basi kwa kuwa \(s=pq\),

\[ m=1+\frac{1}{pq} \]

hupatikana. Hivyo kufungwa kulekule kwa pengo la kimwili kunaposomwa kwa variables tofauti zinazotazamwa, vipeo tofauti vyenye ufanisi vinaweza kupatikana. Chanzo kinasisitiza hasa kwamba kabla ya swali “kipeo gani?” lazima lijibiwe swali “quantity gani ilipimwa?”.

Kwa nini transfer ya quantum ya kudumu na transfer ya uwiano hutenda tofauti?

Chanzo kisha huchunguza muundo wa kiasi kinachohamishwa kwenda kiwango cha chini kila kiwango cha juu kinapokamilika katika nested chain.

Ikiwa pengo la kiwango ni \(a_i\), capacity yake ni \(C_i\) na kiasi kinachopokea kutoka kiwango cha juu kwa kila kukamilika ni \(q_i\), idadi ya matukio ya kiwango cha juu yanayohitajika kufunga ni

\[ N_i=\frac{a_i C_i}{q_i} \]

Idadi za matukio ya haraka yanayohitajika katika chain huzidishwa:

\[ N_{\mathrm{total}} = \prod_i\frac{a_iC_i}{q_i}. \]

Katika transfer ya kiasi cha kudumu, transfer ya mwisho huenda isigawanye pengo sawasawa. Chanzo huonyesha hali iliyobaki kwa

\[ \varepsilon(a_0) = a_0\bmod(q/C) \]

Kwa kuwa operation ya modulo ni mapping ya many-to-one, taarifa kuhusu ni multiple gani kamili ya quantum iliyokuwemo katika pengo la mwanzo hupotea. Inaporudiwa katika chain, hali ya mwisho inaweza kuwa nyeti kwa tofauti ndogo za mwanzo. Chanzo kinatenganisha wazi kwamba sensitivity hii haitokani na dynamic instability bali na kutokuwa invertible kwa map.

Katika transfer ya uwiano/ya kuhifadhi, ikiwa kiwango cha haraka kilichokamilika kinahamisha accumulation yake yote kwenye kiwango cha chini,

\[ P_i=C_{i+1}a_i, \qquad r=\frac{C_{i+1}}{C_i} \]

na kila tukio huondoa fraction \(r\) ya pengo lililobaki:

\[ \Delta a_i=r a_i. \]

Katika hali hii idadi ya matukio yaliyobaki ni

\[ N=\frac{1}{r} \]

na haitegemei pengo. Chanzo huchukua completion rate kuwa \(\nu\propto c/a\) na kupata

\[ \frac{da}{dt} = -(ra)\frac{c}{a} = -rc \]

na hivyo regime ya \(m=2\) hutokea yenyewe. Hapa \(r\) hubadilisha scale ya muda lakini haibadilishi kipeo.

Katika transfer ya uwiano, perturbation ya mwanzo hupungua geometrically takriban kama \(\delta(1-r)^n\), wakati modulo map katika fixed-quantum chain haihifadhi taarifa ileile. Hii ndiyo sababu chanzo kinatenganisha aina mbili za coupling.

Candidate ya kimwili 1: tokamak ELM

Chanzo hakikubali edge localized modes za tokamak kama mfano uliothibitishwa wa theorem ya superlinearity ya vipindi. Kinalinganisha modeli iliyokubalika ya drag-dominant nonlinear ballooning na mlinganyo wenye damping

\[ \frac{dy}{dx} = -a(x)y+ky^m \]

na kinaeleza kwamba ndani ya theory husika nonlinearity inayotawala ni \(m=2\). Wakati \(a>0\), perturbations ndogo zinaweza kudamped, lakini perturbations kubwa vya kutosha zinaweza kuvuka threshold na kuingia escape; muundo huu huunda class tofauti inayoitwa metastable escape katika chanzo.

Kwa \(m=2\), critical amplitude hutolewa kama

\[ y_c=\frac{a}{k} \]

Ikiwa mwanzo ni \(y_0>y_c\), escape inawezekana; ikiwa \(y_0<y_c\), mfumo hudecay kuelekea sifuri. Kwa hiyo mekanizimu inayoamua hapa si mekanizimu ya “wastani mdogo lakini mara kwa mara \(m\) kubwa” katika theorem ya Part II, bali ni term ya superlinear isiyobadilika pamoja na threshold inayobadilika ya linear stability.

Chanzo pia kinakumbusha kwamba \(m=2\) katika literatura ya tokamak si constant iliyopimwa moja kwa moja, bali ni thamani iliyotolewa kutoka term ya second order ya weakly nonlinear expansion karibu na marginal stability. Kwa hiyo tabia ya kipeo chenye ufanisi nje ya range ya validity ya modeli ni swali tofauti la utafiti; utafiti haulihesabu kuwa limetatuliwa.

Candidate ya kimwili 2: accelerating creep na slope failure

Mlinganyo mkuu unaojadiliwa na chanzo katika geomechanics ni uhusiano wa Voight:

\[ \ddot{\Omega} = A\dot{\Omega}^{\alpha}. \]

\(\Omega\) ni displacement, \(\dot{\Omega}\) ni velocity, \(\ddot{\Omega}\) ni acceleration, \(A\) ni empirical coefficient na \(\alpha\) ni empirical exponent. Kwa transformation \(y=\dot{\Omega}/v_{\mathrm{ref}}\), mlinganyo hubadilika kuwa umbo la superlinear feedback ambalo term ya constant imeondolewa.

Chanzo hutoa values zilizokusanywa na Voight kuwa takriban \(1,74\)–\(2,01\) kwa metals, takriban \(1,90\)–\(2,11\) kwa soils, na compilation pana zaidi ya hivi karibuni kuwa takriban \(1,53\)–\(2,15\). Tofauti muhimu hapa ni kwamba \(\alpha\) ni empirical quantity inayopimwa kutoka field/laboratory records badala ya kuchaguliwa kutoka theory.

Hata hivyo, kufit kipeo kwenye terminal part ya event ya fracture iliyokamilika hakuamui wastani wa background exponent process. Kwa kuwa terminal period inayokamilisha finite-time divergence lazima tayari iwe supercritical, kuangalia events zilizofanikiwa pekee hucondition sample kwenye supercritical endings.

Katika hali ya \(\alpha=2\), muda uliosalia katika chanzo huwa takriban proportional na inverse velocity:

\[ T\propto\frac{1}{\dot{\Omega}}. \]

Hii inaeleza uhusiano wa inverse-velocity method katika literatura ya slope failure na muundo uleule wa kihisabati. Chanzo pia kinapendekeza pedagogical extension ili kuwakilisha early steady creep katika mlinganyo uleule:

\[ \ddot{\Omega} = k\left[ 1+ \left(\frac{\dot{\Omega}}{v_{\mathrm{ref}}}\right)^\alpha \right]. \]

Haijajaribiwa katika chanzo kama form hii ya mwisho inafit data halisi ya creep vizuri zaidi kuliko conventional two-stage model; ni swali wazi la utafiti.

Candidate ya kimwili 3: lightning stepped leader

Chanzo kinajadili muundo wa stepped leader katika umeme hasi wa cloud-to-ground kama candidate ya kuvutia inayolingana na masharti mengi ya membership; lakini kinaeleza wazi kwamba mwandishi hakufanya field measurement juu ya hili na candidate huyo si member aliyethibitishwa.

Basi separation yote ya cloud–ground iwe \(D\), urefu wa conducting channel ulioundwa uwe \(L(t)\), na pengo lililosalia liwe

\[ a(t)=D-L(t) \]

Uhusiano wa takriban wa tip field unaotumiwa na chanzo ni

\[ E_{\mathrm{tip}}(a) \approx \frac{U_0} {a\ln(4D/r_{\mathrm{tip}})} \propto a^{-1} \]

Ikiwa leader propagation speed inategemea power ya field,

\[ v_L=kE_{\mathrm{tip}}^\alpha, \]

mlinganyo wa pengo huwa

\[ \frac{da}{dt} = -ca^{-\alpha} \]

Pengo linalofungwa likisomwa kupitia \(1/a\), chanzo hutoa

\[ m=2+\alpha \]

ndiyo matokeo yanayotolewa.

Ikiwa motion ileile inasomwa moja kwa moja kupitia leader speed \(v_L\), kwa chain rule

\[ \frac{dv_L}{dt} = \alpha c^{-1/\alpha} v_L^{2+1/\alpha} \]

na kwa hiyo

\[ m=2+\frac{1}{\alpha} \]

hupatikana. Ukweli kwamba variables mbili tofauti za observation za event ileile ya kimwili hutoa vipeo tofauti vyenye ufanisi ni mfano wa kimwili wa tatizo la observation map.

Kwa kuwa katika chanzo, kwa \(\alpha>0\), vipeo vyote viwili viko juu ya 2, kulingana na closing-gap supply calculation current/energy supply inayohitajika haiwezi kuongezeka bila kikomo inapokaribia mwisho. Kwa hiyo mlinganyo idealized katika mchakato halisi wa lightning lazima ukatizwe wakati fulani na physical supply limit, return stroke au mchakato mwingine.

Chanzo kinapendekeza test inayoweza kupimwa moja kwa moja ili kuthibitisha au kuondoa candidate huyu: step intervals na step lengths kwenye descending leader moja zinapaswa kuchunguzwa dhidi ya remaining distance; log–log slope ya step velocity/cadence dhidi ya remaining gap inapaswa kubainishwa. Kutokuwepo kwa systematic dependence juu ya remaining distance kutaondoa maelezo haya maalumu ya candidate.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti huu si experiment moja wala data analysis moja. Una tabaka nne za mbinu zinazohusiana:

  1. Exploratory empirical calibration: kulinganisha curve inayotegemea tangent na OLS power law katika historical price floors za Bitcoin.
  2. Analytical mathematics: differential equation, blow-up integral, comparison arguments na probabilistic theorem kwa kipeo cha mrejesho kisichobadilika na kinachobadilika.
  3. Numerical simulation: two-state exponent processes, nested multi-level systems, moving averages na bounded/plateau scenarios.
  4. Structural physical comparison: kulinganisha vipeo vilivyotolewa katika circuits za kielektroniki na setups za kimakanika na milinganyo katika literatura ya tokamak, geomechanical creep na lightning kwa upande wa membership conditions.

Katika chanzo, simulations zilifanywa kwenye Fedora Workstation kwa kutumia JupyterLab na Python 3; NumPy ilitumika kwa state arrays na stochastic draws, pandas kwa baadhi ya rolling-average operations, na Matplotlib kwa visualization. Sehemu muhimu za code zimechapishwa ndani ya chanzo.

Matokeo ya marejeo ya deterministic

  • Kwa \(m\) isiyobadilika, singularity ya muda wenye kikomo ipo ikiwa na tu ikiwa \(m>1\).
  • \(k\) hupima scale ya mhimili wa muda; yenyewe haibadilishi class ya curve.
  • Kipeo cha local divergence ni \(1/(m-1)\).
  • Muda uliosalia wa supercritical kutoka kiwango cha sasa \(Y\) ni takriban \(Y^{1-m}/[k(m-1)]\) na hupungua \(Y\) inapoongezeka.
  • \(m=1\) ni mpaka halisi wa critical na hutoa ukuaji wa exponential lakini haitoi divergence katika muda wowote finite.

Matokeo makuu ya theorem ya superlinearity ya vipindi

  • Ikiwa kuna positive probability ya excursions zinazoweza kudumu juu ya critical value na sharti linalofaa la recurrence, singularity hutokea almost surely.
  • Kuwa kwa average exponent chini ya \(1\) hakubadilishi matokeo peke yake.
  • Kuondolewa kwa upper tail, yaani \(m(x)\leq1\), huondoa singularity ya muda wenye kikomo.
  • Katika independent trials, tail ya idadi ya windows hadi singularity ina geometric upper bound.
  • Katika simulations za chanzo, kiwango ambacho kipeo kinazidi critical boundary huathiri timing kwa nguvu zaidi kuliko kubadilisha “persistans” pekee.

Numerical experiment inayokagua theorem

Chanzo, katika two-state exponent process yenye equal transition rates, hutumia \(k=0,05\) na kuchunguza athari ya jinsi upper state ilivyo juu wakati fixed mean exponent ni hasa \(1\). Runs 25 hufanywa kwa kila setting.

Supercritical upper state \(\mu\)Median singularity time \(x^\ast\)
1,1286
1,2159
1,480
1,844

Chanzo kinaripoti kwamba runs zote katika settings hizi zilifikia singularity na kwamba singularity ilionekana pia katika tests ambapo average exponent ilikuwa 0,76. Wakati marginal distribution ilihifadhiwa na switching/persistans pekee ikabadilishwa katika range ya takriban mara 80, median time ilibadilika kwa asilimia chache tu; hii inarekebisha tafsiri ya sehemu ya awali kwamba “persistans ndefu peke yake ndiyo determinant kuu”. Mwandishi anaeleza wazi kwamba katika simulation ya awali persistans na amplitude zilibadilika pamoja na theorem inaonyesha kwamba variable yenye nguvu hasa ni upper-bound amplitude.

Stochastic simulations za awali zaidi katika Part I

Katika simulations za awali zilizohamasishwa na Bitcoin, wakati average feedback exponent ilikuwa 0,96, runs zote 200 zilifikia singularity; median ilikuwa takriban siku 11.290, na range ya %5–%95 ilikuwa takriban siku 5.390–22.260. Katika tests zenye average exponent 0,90 na 0,80 pia runs zote zilizopimwa zilikamilika. Kwa average 0,80, chanzo kinaripoti kwamba medians zilibadilika takriban kati ya siku 12.180 na 171.270 kulingana na noise settings zilizopimwa.

Namba hizi za awali zinapaswa kusomwa pamoja na tafsiri ya baadaye ya theorem. Chanzo baadaye kilitambua kwamba noise generator iliyotumiwa, “persistans” ilipobadilika, ilibadilisha pia amplitude ya supercritical excursion; kwa hiyo hakihusishi tofauti zote za muda katika sehemu ya kwanza na persistans.

Matokeo ya namba ya ulinganisho wa Bitcoin

Kwenye tangency nodes zilezile saba zilizochaguliwa, chanzo hutoa MACE ya takriban 0,021 kwa modeli inayotegemea tangent na takriban 0,069 kwa OLS power law katika centered log-residual error. Ulinganisho huu unaonyesha kwamba curve ya tangent inafuata kwa karibu zaidi geometry ya calibration nodes hizo saba; hauthibitishi mekanizimu, siku zijazo wala matokeo ya kifedha.

Chanzo pia, kwa fixed horizontal shift ya siku 2000 kwenye peaks tatu za kihistoria, kinaripoti MACE ya takriban 0,048; lakini chenyewe kinaeleza kwamba sample ya points tatu pekee haitoshi kutoa hitimisho la takwimu lililo thabiti.

Kwa nini rekodi moja inaweza kutotambua mekanizimu?

Utafiti unaonyesha matatizo matatu tofauti ya selection/measurement:

  1. Masking ya hatua ya mapema: wakati hali ni ndogo, values tofauti za \(m\) huzalisha curves zinazofanana.
  2. Conditioning kwa matukio yaliyokamilika: tukio linalokamilisha singularity lazima liwe limepitia regime ya supercritical katika sehemu ya mwisho; kwa hiyo kupima matukio yaliyokamilika pekee hakuonyeshi background distribution.
  3. Observation/aggregation map: moving average, regional sensor au transformation nyingine inaweza kuunda kipeo chenye ufanisi tofauti na hali halisi latent.

Masharti ya membership

Chanzo hakioni kufanana kwa curve pekee kuwa kunatosha ili mfumo halisi uchukuliwe kama candidate wa class ya superlinearity ya vipindi. Ukaguzi wa msingi ni huu:

  • Katika kiwango cha sample moja, lazima ifafanuliwe latent state/counter isiyorejeshwa nyuma au inayoongezeka monotonically kwa jumla.
  • Lazima ionyeshwe kwamba kipeo kinaweza kweli kupita juu ya critical boundary.
  • Lazima ipatikane mekanizimu inayowezesha supercritical excursions kujirudia.
  • Lazima ionyeshwe kwamba mabadiliko yanaweza kufikia si coefficient ya kasi pekee bali pia kipeo cha mrejesho.
  • Ikiwa mfumo wa kimwili una ukomo, lazima ibainishwe divergence ya kihisabati hukatizwa katika limit gani ya resolution, energy, capacity au geometry.
  • Lazima ifafanuliwe kama variable inayopimwa inawakilisha mfumo mzima, sehemu moja tu au aggregation yake.

Je, Utafiti Huu Unathibitisha Superlinearity ya Vipindi katika Mfumo Halisi wa Kimwili?

Hapana. Chanzo kinaainisha theorem ya kihisabati kama matokeo yaliyothibitishwa, wazo kwamba nested levels hujizalishia noise kama conjecture, na kuwepo kwa angalau member mmoja halisi wa class hii katika asili kama conjecture tofauti; circuit ya kielektroniki bado haijajengwa na hakuna physical candidate anayejadiliwa ambaye ametangazwa katika chanzo kuwa member wa uhakika.

MfumoUhusiano uliowekwa katika chanzoHadhi ya kipeoHitimisho
Circuit ya kielektronikiPengo la threshold linalofungwa na frequency inayoongezekaImetolewa kutoka geometryDesign ambayo bado haijajengwa; haithibitishi kuwepo kwa class hii katika asili.
Mfumo wa kimakanika wa nyuso mbiliUlinganifu kamili wa kihisabati na differential equation ileileImetolewaHuonyesha isomorphism ya mlinganyo; haithibitishi mekanizimu ya mifumo mingine.
Tokamak ELMMetastable escape yenye damped, fixed-quadratic nonlinearityKatika theory iliyokubalika \(m=2\) imetolewaChini ya modeli ya sasa, huwekwa tofauti na class ya superlinearity ya vipindi.
Accelerating creep / slope failureUhusiano wa Voight una muundo uleule wa kihisabati wa supercritical\(\alpha\) hupimwa empiricallyKuna ulinganifu mkubwa wa equation; latent monotonic state na exponent coupling hazijathibitishwa.
Lightning stepped leaderUhusiano wa remaining gap–tip field–propagation speedCandidate \(\alpha\) inayoweza kupimwaNi candidate inayoweza kutimiza masharti mengi ya membership; hakuna field validation.

Matokeo yanayoungwa mkono na utafiti

  • Kwa \(m\) isiyobadilika, \(m>1\) ni sharti la lazima na la kutosha kwa finite-time divergence.
  • Kwa kipeo kinachobadilika, average value peke yake si determinant; upper tail na recurrence conditions ndizo determinant.
  • Chini ya masharti yanayofaa ya S1–S3, singularity hutokea kwa probability 1 na katika special case ya independent windows kuna geometric tail upper bound.
  • Wakati \(m\leq1\) ni constant, mabadiliko yenye ukomo ya speed/prefactor pekee hayawezi kuunda singularity ya muda wenye kikomo.
  • Observation map inaweza kubadilisha observed effective exponent bila kubadilisha latent exponent; latent \(m\) kwa ujumla haiwezi kuamuliwa uniquely kutoka output record pekee.
  • Closing-gap formulation inaunganisha \(m\) na sheria ya kufunga pengo.
  • Fixed-quantum na proportional transfers huzalisha tabia tofauti za information preservation na perturbation katika granular chain.

Matokeo ambayo utafiti hauungi mkono

  • Hitimisho kwamba Bitcoin itafikia singularity katika tarehe au bei fulani baadaye haliungwi mkono.
  • Takriban siku ya 20.974 ni asymptote ya curve ya kihisabati; si utabiri wa soko.
  • Haidaiwi kwamba Bitcoin ni member aliyethibitishwa wa class ya kimwili/kihisabati ya Part II.
  • Haiwezi kuhitimishwa kwamba kila stochastic system yenye average feedback exponent chini ya 1 lazima ifikie singularity; masharti kama S2 na S3 yanahitajika.
  • Haiwezi kuhitimishwa kwamba kila aina ya noise itazalisha singularity.
  • Haijathibitishwa kwamba tokamak ELM zinafuata intermittent-exponent theorem.
  • Si kila acceleration au aborted acceleration katika landslides imethibitishwa kuwa supercritical excursion.
  • Haijaonyeshwa kwamba lightning stepped leader process ni ya class hii.
  • Hakuna experimental data iliyopatikana kutoka circuit ya kielektroniki iliyoelezwa katika chanzo.
  • Haijathibitishwa kwamba nested levels kwa kweli huunda chanzo cha noise katika asili.

Limitations kuu na matatizo wazi

1. Asili ya mabadiliko: Theorem inachukulia mchakato wa \(m(x)\) kuwa umetolewa. Chanzo kinapendekeza kama conjecture kwamba faster inner levels huzalisha exponent variation katika slower levels; haijaonyeshwa kwamba mekanizimu hii ipo katika asili.

2. Kiwango cha kasi zaidi: Muundo wa nested hauwezi kulishwa milele kutoka “kiwango kilicho juu zaidi”. Chanzo cha mabadiliko ya kasi zaidi/msingi ni tatizo wazi.

3. Measurement window: Ikiwa kipeo kinakadiria kupitia window ya matukio, thamani inayopimwa inaweza kubadilika kadiri ukubwa wa window unavyobadilika. Katika scale ndogo sana huenda kusiwe na matukio ya kutosha.

4. Granular transfer: Differential equation endelevu huchukulia kila physical transfer kuwa endelevu; katika circuits halisi kunaweza kuwa na discrete events kama charge, collision au slip. Kwa sababu hiyo chanzo kinaendeleza sehemu za closing-gap na quantum accounting.

5. Physical cutoff: Hakuna quantity halisi inayotarajiwa kwenda infinity. Measurement resolution, noise floor, supply capacity, saturation, reconnection au mchakato mwingine wa kimwili hukomesha validity ya modeli.

6. Order ya modeli: Kipeo cha terminal divergence kinachotazamwa huenda kisitegemee \(m\) pekee. Chanzo kinasisitiza katika mfano wa tokamak kwamba order ya time derivative pia inaweza kubadilisha terminal scaling. Kwa hiyo, kabla ya kusoma feedback exponent kutoka blow-up curve, muundo wa governing equation lazima ujulikane.

7. Bitcoin identifiability: Haiwezekani kutoa uniquely latent feedback mechanism kutoka calibrated observation curve. Bei, kwa terminology ya utafiti, si mekanizimu yenyewe bali ni output ya mekanizimu baada ya kupitia observation map.

8. Hadhi ya physical candidates: Utafiti haujathibitisha class ya superlinearity ya vipindi katika mfumo halisi wa asili. Inasisitizwa kwamba mfano mmoja tu wa membership uliothibitishwa vizuri ungetosha kutatua conjecture kwamba “class si tupu”, lakini kufanana kwa juu juu kwa mifano mingi hakubadilishi hilo.

Maelezo ya Chanzo na Mbinu

Kazi asili: Intermittent Superlinearity and the Finite-Time Singularity Problem

Mwandishi: Attila Hutzek.

ORCID: 0009-0009-8999-8260.

DOI: 10.5281/zenodo.24250412.

Tarehe ya toleo la PDF: 15 Novemba 2026.

Jukwaa: Kitambulisho cha DOI kinaelekeza kwenye rekodi ya Zenodo.

Jarida / mkutano: Haijaainishwa katika PDF iliyopakiwa.

Mchapishaji: Mchapishaji wa jarida la kitaaluma hajaainishwa katika PDF iliyopakiwa.

Taasisi / affiliation: Affiliation ya mwandishi hajaainishwa katika PDF iliyopakiwa.

Corresponding author: Hakuna taarifa tofauti ya corresponding-author katika PDF.

Aina ya chanzo: Toleo huru la kazi lenye DOI ya Zenodo. Kwa kuwa PDF haijitambui kama “version of record” ya jarida iliyothibitishwa, hadhi hiyo haijadhaniwa.

Hali ya peer review: Haijaweza kuthibitishwa kupitia PDF iliyopakiwa na taarifa za bibliografia zinazopatikana. Kwa hiyo haijakisiwa kwamba utafiti ni “peer-reviewed” au “not peer-reviewed”.

Leseni: Kwa kuwa taarifa ya open license inayoweza kuthibitishwa haikupatikana katika PDF iliyopakiwa, leseni ya reuse imechukuliwa kuwa haijulikani. Katika maandishi haya ya Verianla, hakuna nakala ya figures za chanzo au presentation yake asili iliyotumika; ni facts za kisayansi, equations za kihisabati, numerical values zilizotolewa katika chanzo na michoro huru ya kufundishia pekee zilizotumika.

Aina kuu ya kisayansi ya utafiti: Utafiti wa kinadharia unaolenga mathematics/dynamical systems; unajumuisha pamoja exploratory historical-curve calibration, stochastic na nested numerical simulations, proposed physical-circuit realizations na structural comparison ya candidate equations katika nyanja tofauti za fizikia.

Sehemu ya data ya Bitcoin: Chanzo kinalinganisha modeli inayotegemea tangent na OLS power law kwenye historical tangency nodes saba. Chanzo kinakubali wazi kwamba uchaguzi wa nodes ulifanywa kwa kuona; kwa hiyo matokeo hayapaswi kutathminiwa kama independent prospective validation.

Mazingira ya simulation: Chanzo kinaeleza kwamba Fedora Workstation, JupyterLab, Python 3, NumPy, pandas na Matplotlib zilitumika. Mifano ya code imetolewa ndani ya utafiti.

Hadhi ya circuit: Circuit ya kielektroniki ni pendekezo la physical realization na katika tarehe ya chanzo bado haijajengwa; hakuna measurement result ya circuit.

Hadhi ya physical candidates: Tokamak ELM hutathminiwa chini ya theory ya sasa katika class ya metastable escape. Accelerating creep na lightning stepped leader processes huchunguzwa kama candidates kwa upande wa mathematical membership lakini haziwasilishwi kama members waliothibitishwa wa superlinearity ya vipindi.

Matumizi ya akili bandia: Mwandishi anaeleza wazi kwamba large language model ilitumika katika kuandaa draft, kurekebisha maandishi, kugeuza baadhi ya derivations kuwa formal notation na kukagua reasoning. Anafafanua research questions, candidate systems, simulations, circuit na closing-gap formulation kuwa kazi yake mwenyewe; anaripoti kwamba baadhi ya errors katika model outputs ziligunduliwa naye na nyingine na modeli. Mwandishi pia anaeleza kwamba ikiwa kuna contradiction kati ya formal equations, proofs, code na circuit definition dhidi ya prose ya maelezo, formal objects zinazoweza kuthibitishwa zinapaswa kupewa msingi.

Jambo la tahadhari ndani ya chanzo: Katika sehemu ya Abstract, paragraph kuu inayoeleza matokeo ya superlinearity ya vipindi inaonekana mara mbili kwa maneno yanayofanana. Katika uwasilishaji wa Verianla, repetition hii haijazidishwa kana kwamba ni findings mbili tofauti za kisayansi.

Mbinu ya Verianla: Maudhui haya si tafsiri ya mstari kwa mstari ya PDF ya chanzo kwenda Kituruki. Inventory ya problem, equation, assumption, theorem, simulation, numerical finding, physical candidate na limitation ya utafiti ilitolewa; vipengele hivi vya kisayansi vilivyothibitishwa vilipangwa upya ndani ya muundo huru wa kufundishia wa Kituruki. Hakuna experimental result mpya, statistic, mechanism au physical validation iliyoongezwa kutoka nje ya chanzo.

Lebo za Meta

superlinearity ya vipindi, singularity ya muda wenye kikomo, mrejesho wa stokastiki, mifumo dinamiki, modeli ya pengo linalofungwa


Shiriki:

Maoni huchapishwa baada ya kukaguliwa. Maoni yako yatapitia mchakato wa idhini na yataonekana yakikubaliwa.

Acha maoni

Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *