Вычислительная метаиндукция

ВЫЧИСЛИТЕЛЬНАЯ МЕТАИНДУКЦИЯ


В.К. Петросян (Вадимир). Теория метаиндукции.   http://proza.ru/2026/09/27/352

*********
© В.К.
Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический
Портал (Шлюз), Суперпортал в Бесконечность].
При копировании данного материала и размещении его на другом сайте, ссылки
на соответствующие локации порталов Lag.ru и Proza.ru обязательны
Работа написана на основе концепции и разработок В.К. Петросяна при полноценном соавторстве (активном творческом и вычислительном участии) ChatGPT (OpenAI), GPT-5.6 Sol
*********



Вычисление занимает в Теории метаиндукции особое место.

С одной стороны, вычисление само по себе не решает проблему перехода от конечного к неограниченному. Как бы велик ни был исследованный диапазон, он остается конечным. Совпадение миллиарда, триллиона или еще большего числа значений с некоторой формулой не запрещает появления нового режима за пределами вычисленного.

С другой стороны, современное вычисление дает нечто гораздо более значительное, чем механическую проверку большого количества частных случаев. Оно позволяет исследовать математический объект как развивающуюся систему: выделять состояния различных масштабов, строить распределения, исследовать нижние и верхние огибающие, обнаруживать экстремальные слои, измерять частоту и глубину аномалий, изучать изменение параметров, проверять прогнозы и целенаправленно искать разрушители предполагаемого закона.

Поэтому вычислительная метаиндукция начинается там, где вычисление перестает быть простым счетчиком подтверждений и становится технологией экспликации математической динамики и метадинамики.

Это принципиальное различие.

Обычная вычислительная проверка отвечает на вопрос:

выполняется ли утверждение на проверенном множестве объектов?

Вычислительная метаиндукция ставит значительно более богатую систему вопросов:

каково состояние исследуемого объекта на данном масштабе?

как это состояние отличается от состояния на предыдущем масштабе?

что сохраняется в переходе?

какие параметры стабилизируются?

как ведут себя худшие случаи?

появляется ли структурный метаинвариант?

способна ли построенная модель предсказывать следующее состояние?

какой контрсценарий разрушил бы наблюдаемый режим?

Тем самым вычисление становится одним из главных инструментов малой метаиндукции и одновременно экспериментальной базой для построения более общей метаиндукционной теории.

В предыдущей рабочей разработке эта программа уже была сформулирована как движение от данных через динамику и метадинамику к семейству эмпирических законов, теории разрушения, условному тождеству, метаиндукции и далее к предсказательному метазакону. ! Метатеорема Гльдюаха

Настоящая часть должна превратить эту общую схему в самостоятельную методологию.

Глава 1. Вычисление как средство обнаружения метазакона
1.1. Вычислительные данные
Вычислительная метаиндукция начинается с данных.

Однако само понятие вычислительных данных требует уточнения.

Математические данные принципиально отличаются от обычных эмпирических данных естественных наук. Если алгоритм корректен и реализован без ошибок, вычисленное значение математического объекта не является измерением с физической погрешностью. Но отсюда не следует абсолютная надежность всей вычислительной конструкции.

Ошибки могут возникать на других уровнях:

в формулировке алгоритма;

в реализации;

в представлении чисел;

в ограничениях памяти и точности;

в неверной интерпретации результата;

в неудачном выборе исследуемого диапазона;

в скрытой селекции данных.

Поэтому первое требование вычислительной метаиндукции — различать математическую точность вычисленного значения и эпистемическую надежность вычислительного процесса.

Если программа сообщает определенное значение, необходимо знать:

что именно она вычисляет;

совпадает ли это с математическим определением объекта;

полностью ли перебирается конечная область или используется выборка;

какие преобразования применялись к данным;

какие значения были исключены;

какие производные показатели были построены.

Таким образом, данные должны иметь генеалогию.

Сырые вычислительные значения являются только первым уровнем.

Из них затем могут строиться:

локальные минимумы;

максимумы;

частоты;

распределения;

нормированные показатели;

отношения;

коридоры;

экстремальные классы;

графы связей.

И эти производные величины уже требуют самостоятельного определения.

Особенно важно различать два типа вычислительного материала.

Полная конечная экспликация
Исследованы все объекты некоторого конечного диапазона.

В этом случае утверждение о данном диапазоне может быть установлено исчерпывающе вычислительным способом, если надежность вычисления обеспечена.

Выборочная экспликация
Из огромного множества исследована только часть объектов.

Тогда необходимо дополнительно рассматривать структуру выборки и возможность того, что пропущенные области обладают иным поведением.

Это различие нельзя скрывать под общим выражением «проверено вычислительно».

Вычислительная метаиндукция должна фиксировать, какая именно область действительно эксплицирована.

Но наиболее важный принцип состоит в другом:

данные еще не являются законом.

Массив значений может быть огромным и абсолютно точным, но до тех пор, пока в нем не выделена структура, он остается только массивом.

Первой задачей является переход:

данные ; характеристики данных.

Второй:

характеристики ; динамика.

Третьей:

динамика ; метадинамика.

И только затем возникает возможность говорить о метазаконе.

В этом смысле вычислительная метаиндукция является не технологией накопления данных, а технологией структурной компрессии.

Миллиард значений должен быть превращен в ограниченную систему признаков, сохраняющую существенную информацию об их поведении.

Однако такая компрессия всегда содержит риск.

Если исследователь выбрал неправильные признаки, существенная структура может исчезнуть.

Поэтому хороший вычислительный эксперимент должен сохранять возможность вернуться к исходным данным и проверить альтернативные системы признаков.

Это еще один аргумент в пользу отделения:

данных

от

их метаиндукционной интерпретации.

1.2. Динамика
После получения данных необходимо исследовать их изменение.

Так возникает уровень динамики.

Термин здесь используется обобщенно.

Динамикой может быть изменение:

значения по индексу;

структуры по параметру;

распределения по масштабу;

геометрической характеристики по размеру объекта;

доказательного состояния по мере расширения вычислений.

Динамика отвечает на вопрос:

как ведет себя математический объект при движении внутри выбранной последовательности?

Это уже существенно больше, чем статическая таблица.

Например, можно исследовать:

рост или снижение;

осцилляции;

локальные экстремумы;

периодичность;

кластеризацию;

изменение разброса;

изменение формы распределения;

возникновение новых классов.

Особенно важно не сводить динамику к средней тенденции.

Среднее значение часто оказывается чрезвычайно устойчивым именно потому, что сглаживает структуру аномалий.

Для метаиндукции необходимо отдельно исследовать по крайней мере три слоя поведения.

Первый — центральный слой.

Он характеризует основной режим.

Второй — граничный слой.

Он показывает диапазон вариативности.

Третий — экстремальный слой.

Он содержит состояния, наиболее опасные для предполагаемого закона.

Последний слой особенно важен для Теории разрушения.

Если среднее поведение улучшается, но худшие случаи становятся все более опасными, говорить об однозначном усилении закона нельзя.

И наоборот, если одновременно:

центральный режим стабилизируется;

коридор относительно сужается;

а экстремальные состояния становятся менее разрушительными,

возникает значительно более сильная картина.

Таким образом, динамика должна быть многоканальной.

Другой существенный вопрос — выбор естественной переменной движения.

Не всегда правильным является переход к следующему отдельному значению.

В некоторых задачах объект следует исследовать:

по блокам;

по порядкам величины;

по логарифмической шкале;

по структурным классам;

по последовательности критических точек.

Правильная шкала способна выявить закономерность, которая почти невидима на исходном уровне.

Следовательно, сама организация динамики является частью исследовательской конструкции.

1.3. Метадинамика
Динамика изучает изменение объекта.

Метадинамика изучает изменение самой динамики.

Это одна из центральных категорий вычислительной метаиндукции.

Пусть на некотором диапазоне найден закон роста.

На следующем диапазоне он также действует, но с несколько иным коэффициентом.

Затем коэффициент снова изменяется.

Обычный анализ мог бы ограничиться констатацией:

параметр дрейфует.

Метадинамический анализ спрашивает:

существует ли закон этого дрейфа?

Аналогично можно исследовать изменение:

ширины коридора;

частоты экстремальных состояний;

глубины провалов;

структуры худших классов;

качества прогноза;

цены разрушения.

Тогда каждая из этих характеристик превращается в новую динамическую переменную.

Именно здесь происходит переход от состояния объекта к состоянию масштаба.

Метадинамика отвечает уже не на вопрос:

что происходит с отдельными объектами?

а:

как перестраивается режим поведения при расширении области исследования?

Можно представить три существенно различных метадинамических режима.

Стабилизация
Параметры приближаются к устойчивой области или устойчивому закону преобразования.

Дрейф
Параметры систематически изменяются, но без признаков стабилизации.

Смена режима
Происходит качественное изменение закона изменения параметров.

Третий случай особенно важен.

Он показывает, почему нельзя механически переносить локальную закономерность на бесконечность.

Даже очень длительная стабилизация динамики теоретически может смениться новым режимом.

Следовательно, метадинамика должна сопровождаться Теорией разрушения:

какое событие означало бы, что метадинамический режим действительно изменился?

Это делает вычислительную метаиндукцию принципиально отличной от обычного трендового анализа.

Она исследует не только продолжение наблюдаемой динамики, но и условия изменения самой динамики.

Именно на уровне метадинамики появляются первые кандидаты на метаинварианты.

1.4. Семейства эмпирических законов
Одна из распространенных методологических ошибок состоит в слишком раннем выборе одной формулы.

Получен массив данных.

Исследователь строит несколько моделей.

Одна из них особенно хорошо совпадает с вычислениями.

После этого именно она начинает рассматриваться как «закон».

Для метаиндукции такой переход слишком быстрый.

На конечной области множество различных формул может давать чрезвычайно близкие значения.

Более того, гибкая модель почти всегда способна хорошо описать уже известные данные.

Поэтому первоначальным объектом должен быть не единственный эмпирический закон, а семейство конкурирующих законов.

Они могут различаться:

функциональной формой;

числом параметров;

асимптотикой;

поведением границ;

предсказаниями экстремумов.

Это позволяет поставить более содержательный вопрос:

что является общим для всех моделей, хорошо описывающих данные?

Если несколько различных формул дают близкую центральную траекторию, но все требуют:

одного порядка роста;

одного типа нормировки;

одной положительной нижней оболочки;

одной структуры масштабного перехода,

то эти общие признаки могут быть значительно важнее конкретной выбранной формулы.

Так возникает переход:

формула ; структурный класс эмпирических законов.

Это особенно важно для метаиндукции.

Переносить на следующий масштаб гораздо надежнее не точное значение подогнанного коэффициента, а устойчивую структурную характеристику, которая переживает смену конкретной модели.

Можно различать:

локальный эмпирический закон;

масштабный эмпирический закон;

структурный эмпирический закон;

метаэмпирический закон.

Последний описывает уже воспроизводимость семейства законов на последовательности масштабов.

Но слово «эмпирический» здесь должно сохраняться.

Даже исключительно устойчивая вычислительная закономерность не становится дедуктивной теоремой только потому, что она эстетически убедительна.

Статус закона должен быть указан честно.

Именно такое разграничение предотвращает смешение:

обнаружения

и

доказательства.

1.5. Выделение структурных признаков
Переход от данных к метазакону невозможен без выделения признаков.

Но метаиндукции нужны не любые признаки, а такие, которые способны сохранять существенную структуру при изменении масштаба.

Будем называть их структурными признаками.

К ним могут относиться:

тип зависимости;

нормированный коэффициент;

ширина относительного коридора;

положение нижней оболочки;

форма верхней оболочки;

частота экстремальных событий;

глубина худшего отклонения;

расстояние между экстремальными состояниями;

принадлежность худших случаев определенным классам;

структура перехода от одного масштаба к другому.

Особое значение имеет нормировка.

Абсолютные значения на разных масштабах часто несопоставимы.

Если величина естественно растет, то абсолютный провал может становиться больше и одновременно менее значимым относительно типичного масштаба.

Поэтому необходимо искать координаты, которые позволяют сопоставлять различные уровни.

Но нормировка сама является гипотезой.

Нельзя просто подобрать такую нормировку, при которой данные выглядят красиво.

Она должна иметь содержательное основание или по крайней мере проходить независимую проверку.

Здесь снова возникает проблема переобучения.

Если исследователь многократно меняет:

показатели;

нормировки;

диапазоны;

исключаемые классы,

пока не обнаружит устойчивую картину, а затем предъявляет ее как заранее существовавший закон, доказательная сила сильно переоценивается.

Поэтому полезно различать два этапа.

Поисковый этап может быть свободным и эвристическим.

На нем допустимы многочисленные эксперименты с признаками.

Проверочный этап должен фиксировать выбранные признаки заранее и проверять их на новой области.

Это чрезвычайно важное различие.

Метаиндукционный признак приобретает существенную доказательную ценность не тогда, когда он хорошо описывает материал, на котором был найден, а тогда, когда он переживает переход к независимому состоянию.

Таким образом, отбор признаков должен завершаться прогнозом.

1.6. Построение состояния масштаба
Когда структурные признаки выделены, их необходимо объединить в состояние масштаба.

Это центральная конструкция вычислительной метаиндукции.

Масштаб перестает быть просто числом, указывающим размер вычисленного диапазона.

Он становится полноценным состоянием, содержащим информацию о режиме, действующем на данном уровне экспликации.

В первоначальной разработке метаиндукции состояние масштаба включало форму закона роста, нижний коэффициент, ширину коридора, частоту и глубину провалов, а также структуру худших случаев. Такая конструкция уже существенно превосходит описание одной подогнанной кривой. ! Метатеорема Гльдюаха

В более общем виде состояние масштаба может содержать несколько блоков.

Центральный блок описывает основную динамику.

Граничный блок описывает нижние и верхние ограничения.

Экстремальный блок — худшие состояния.

Структурный блок — классы и отношения.

Динамический блок — изменение параметров относительно предыдущего масштаба.

Разрушительный блок — выявленные уязвимости.

Доказательный блок — качество и независимость вычислительной проверки.

Особенно важно включать в состояние масштаба не только то, что подтверждает закон, но и то, что представляет для него потенциальную угрозу.

Если закон состоит в росте нижнего уровня, недостаточно измерять среднее.

Необходимо исследовать минимумы.

Если предполагается снижение риска экстремального нарушения, необходимо фиксировать:

частоту;

глубину;

расположение;

структурный тип худших случаев.

Таким образом, состояние масштаба должно быть построено так, чтобы контрсценарий не оставался невидимым.

Это прямое следствие Теории разрушения.

Можно сформулировать принцип:

Хорошее состояние масштаба должно содержать достаточно информации не только для подтверждения предполагаемого закона, но и для обнаружения его возможного разрушения.

Это значительно более сильное требование, чем обычная статистическая репрезентативность.

1.7. Переход от данных к метазакону
Теперь можно описать полный путь от вычислительного массива к метаиндукционному закону.

Он не является одним скачком.

Сначала возникают данные.

Затем из них выделяются характеристики.

Характеристики организуются в динамику.

Из нескольких диапазонов формируются состояния масштабов.

Сравнение состояний выявляет метадинамику.

В метадинамике ищутся метаинварианты.

После этого проводится независимая проверка:

на скрытых данных;

на новом масштабе;

на экстремальных случаях;

через специальные контрсценарии.

Если предполагаемый метаинвариант сохраняется, появляется основание для метаиндукционного продолжения.

Именно такая архитектура лежала в исходной формуле «данные ; динамика ; метадинамика ; семейство эмпирических законов ; теория разрушения ; эксплицируемость ; условное тождество ; метаиндукция ; предсказательный метазакон». ! Метатеорема Гльдюаха

При этом необходимо подчеркнуть:

метазакон не возникает автоматически из большого массива данных.

Между данными и метазаконом должны существовать по крайней мере три содержательных перехода.

Первый — компрессионный.

Множество значений превращается в ограниченную систему признаков.

Второй — структурный.

Изменение признаков организуется в устойчивое отношение.

Третий — метаиндукционный.

Устойчивое отношение проверяется на воспроизводимость за пределами области своего формирования.

Если пропустить второй переход, получится статистическая подгонка.

Если пропустить третий — эмпирический закон без установленной способности к продолжению.

Следовательно, вычислительная метаиндукция занимает промежуточное положение между:

чистым вычислением;

эмпирическим математическим исследованием;

теорией метаиндукционного доказательства.

Ее задача состоит не в том, чтобы объявить конечные данные доказательством бесконечного утверждения, а в том, чтобы выстроить максимально сильный переход от конечной экспликации к структурно обоснованному продолжению.

Именно поэтому следующая проблема становится центральной:

чем такое продолжение отличается от простой экстраполяции?

Глава 2. Экстраполяция и метаиндукция
2.1. Принципиальное различие
Экстраполяция и метаиндукция внешне могут выглядеть похожими.

В обоих случаях исследователь имеет известную область и высказывает утверждение о неизвестной.

Но логическая архитектура этих процедур различна.

Экстраполяция в простейшем случае строится так:

наблюдалась закономерность;

она продолжается за пределы наблюдаемого.

Метаиндукция требует существенно большего.

Необходимо установить:

что именно воспроизводится;

каков класс состояний;

какие параметры сохраняются;

как изменяются остальные;

какой метаинвариант связывает масштабы;

замкнут ли переход;

что разрушило бы этот режим;

успешно ли правило прошло независимую проверку.

Исходная рабочая постановка уже фиксировала эту границу чрезвычайно ясно: вычислить большой конечный диапазон, подобрать формулу и затем продолжить ее неограниченно означает получить экстраполяцию, а не доказательство; конечные данные сами по себе не запрещают будущей смены режима. ! Метатеорема Гльдюаха

Метаиндукция появляется лишь тогда, когда предметом переноса становится не просто значение функции или визуальный тренд, а структурированный режим.

Это позволяет сформулировать различие еще резче:

экстраполяция переносит наблюдаемую зависимость;

метаиндукция переносит закон воспроизводства состояния.

Первый перенос может быть одномерным.

Второй принципиально многомерный.

Если одна характеристика неожиданно изменилась, экстраполяция часто просто ошибается.

Метаиндукция должна иметь возможность определить:

является ли это допустимой флуктуацией;

разрушением конкретного параметра;

сменой метаинварианта;

переходом на новый уровень.

Таким образом, она содержит собственную теорию диагностики ошибки.

Есть еще одно важное различие.

Экстраполяция обычно направлена вперед.

Метаиндукция обязательно должна уметь возвращаться назад и проверять себя.

Поэтому ретропрогноз, независимые диапазоны и адверсарные испытания являются не вспомогательными украшениями, а фундаментальными компонентами метода.

2.2. Подгонка формулы
Подгонка формулы является полезным математическим инструментом.

Проблема возникает только тогда, когда ее доказательный статус переоценивается.

Для любой конечной совокупности данных обычно можно построить огромное множество моделей, которые описывают их с высокой точностью.

В предельном случае конечное число точек всегда можно интерполировать достаточно гибкой функцией.

Следовательно, сам факт хорошего совпадения с прошлым материалом говорит значительно меньше, чем иногда кажется.

Особенно опасны несколько ситуаций.

Первая — избыточная гибкость модели.

Чем больше свободных параметров, тем легче описать уже известные данные.

Вторая — постфактумный выбор модели.

Исследователь перебирает множество формул и предъявляет только ту, которая оказалась успешной.

Третья — подгонка диапазона.

Границы исследуемой области выбираются так, чтобы скрыть неудобные участки.

Четвертая — подгонка нормировки.

После многократных преобразований находится координата, в которой картина выглядит устойчивой.

Ни один из этих приемов не является запрещенным на поисковой стадии.

Наоборот, они могут быть чрезвычайно полезными инструментами открытия.

Но после обнаружения закона необходимо перейти к другой фазе:

выбранная формула и ее параметры фиксируются и проверяются на материале, который не участвовал в выборе.

Только тогда появляется настоящая прогностическая информация.

Кроме того, в метаиндукции формула сама по себе не должна становиться главным объектом.

Она может быть лишь одной координатой состояния.

Например, две различные формулы могут давать практически одинаковый:

порядок роста;

нижний коридор;

структуру экстремумов;

масштабный переход.

Тогда именно эти общие признаки являются более надежными кандидатами на перенос.

Метаиндукционная теория должна быть инвариантна относительно разумной смены модели, если такая смена не затрагивает существенную структуру.

Это важнейший признак зрелости.

Если вся конструкция разрушается при небольшой смене способа аппроксимации, скорее всего, обнаружена не фундаментальная структура, а особенность конкретной подгонки.

2.3. Устойчивый коридор
Одним из наиболее важных переходов от экстраполяции к метаиндукции является замена одной прогнозируемой кривой на устойчивый коридор.

Точная формула часто является слишком сильным требованием.

Реальная математическая функция может колебаться.

Ее локальные значения могут значительно отклоняться от среднего режима.

Попытка предсказывать каждое значение с высокой точностью может быть и невозможной, и ненужной.

Во многих задачах важнее установить область, внутри которой поведение систематически сохраняется.

Именно поэтому в исходной разработке было предложено строить не одну кривую, а нижнюю и верхнюю границы, причем в задаче типа Метагольдбаха особое значение имеет устойчивость нижнего коридора. ! Метатеорема Гльдюаха

Коридор имеет несколько преимуществ.

Во-первых, он допускает естественные флуктуации.

Во-вторых, позволяет отдельно исследовать верхнюю и нижнюю устойчивость.

В-третьих, непосредственно связывает вычислительный анализ с Теорией разрушения.

Разрушением коридора является достаточно ясное событие:

выход за установленную границу.

Однако термин «устойчивый коридор» требует строгой дисциплины.

Нельзя просто провести границы вокруг уже известных данных.

Необходимо выяснить:

как построены границы;

меняется ли их ширина;

устойчива ли нормированная ширина;

как коридор ведет себя на новых масштабах;

каковы частота и глубина его нарушений;

предсказывает ли он следующую область.

Следует различать:

описательный коридор

и

предсказательный коридор.

Первый охватывает известные данные.

Второй формулируется до появления нового материала и затем проверяется.

Только второй имеет существенную метаиндукционную силу.

Особенно важен нижний коридор для задач, в которых необходимо исключить падение некоторой величины ниже фиксированного уровня.

Средний рост здесь мало что гарантирует.

Даже очень высокая средняя величина совместима с редким глубоким провалом.

Поэтому вычислительная метаиндукция должна отдельно исследовать нижний экстремальный слой.

Это непосредственно соединяет ее с Теорией разрушения.

2.4. Нижние и верхние огибающие
Коридор можно понимать как область между двумя огибающими.

Нижняя огибающая описывает наиболее низкие существенные значения на каждом масштабе.

Верхняя огибающая — наиболее высокие.

Однако понятие огибающей также может иметь несколько вариантов.

Можно рассматривать:

абсолютный минимум блока;

локальные рекордные минимумы;

нижний экстремальный квантиль;

структурно выделенный слой минимальных состояний.

Эти конструкции нельзя смешивать.

Если утверждение требует универсальной нижней границы, статистический квантиль не заменяет реальный минимум.

Он характеризует типичную нижнюю часть распределения, но допускает редкие более глубокие провалы.

Поэтому тип огибающей должен соответствовать типу утверждения.

Это фундаментальный принцип.

Для универсального закона:

каждое состояние выше границы

необходим анализ настоящего нижнего экстремума.

Для статистического закона может быть достаточно устойчивого квантиля или плотности.

Метаиндукция должна четко фиксировать эту разницу.

Нижняя огибающая особенно информативна потому, что концентрирует внимание на наиболее опасных состояниях.

Если именно она демонстрирует устойчивый рост или стабилизацию, это существенно сильнее поведения среднего.

Но и здесь возможны ложные выводы.

Нижняя огибающая может расти в абсолютном выражении и одновременно ухудшаться относительно естественного масштаба.

Поэтому необходимо исследовать:

абсолютную огибающую;

нормированную;

ее масштабную производную или аналог изменения;

глубину отклонения от центрального режима.

Аналогично верхняя огибающая может показывать:

рост разброса;

появление новых экстремальных режимов;

изменение симметрии распределения.

Совместное исследование нижней и верхней огибающих дает значительно более полную картину, чем одна средняя траектория.

Более того, иногда именно асимметрия движения огибающих сигнализирует о смене режима раньше, чем центральные характеристики.

2.5. Стабилизация параметров
Метаиндукционное продолжение особенно убедительно, когда параметры модели демонстрируют стабилизацию.

Но понятие стабилизации также не следует отождествлять с буквальной сходимостью к одной константе.

Возможны различные формы.

Точечная стабилизация
Параметр приближается к постоянному значению.

Коридорная стабилизация
Он продолжает колебаться, но остается внутри устойчивой области.

Нормированная стабилизация
Абсолютное значение меняется, но нормированная характеристика стабилизируется.

Режимная стабилизация
Сам параметр продолжает дрейфовать, но закон его дрейфа становится устойчивым.

Последний случай особенно важен для метадинамики.

Например, если коэффициент систематически меняется, это еще не означает отсутствия стабильности.

Может существовать метазакон изменения коэффициента.

Тогда стабилизируется не значение первого уровня, а структура второго.

Это снова приводит к иерархии:

значение;

изменение значения;

изменение изменения;

метазакон.

Но необходимо уметь отличать настоящую стабилизацию от медленного дрейфа, который на ограниченном диапазоне только выглядит как предел.

Это одна из классических опасностей вычислительного анализа.

Поэтому стабилизацию следует проверять:

на существенно различных масштабах;

через прогноз;

через альтернативные нормировки;

через анализ остаточного дрейфа;

через поиск критических классов.

Если параметр стабилизируется только после выбора специального диапазона или исключения неудобных случаев, его статус слаб.

Особенно ценна совместная стабилизация нескольких независимых параметров.

Если одновременно:

стабилизируется основной коэффициент;

не ухудшается нижняя огибающая;

сужается нормированный коридор;

редеют экстремальные нарушения;

а структура худших случаев остается воспроизводимой,

тогда речь идет уже о системе метаинвариантов.

2.6. Независимые метапоказатели
Один из ключевых отличительных признаков вычислительной метаиндукции — использование нескольких метапоказателей.

Один показатель всегда уязвим.

Он может демонстрировать устойчивость по случайной причине или скрывать структурную деградацию.

Поэтому желательно исследовать разные аспекты системы.

Например, основной тренд показывает центральную динамику.

Нижняя огибающая — опаснейшие провалы.

Ширина коридора — разброс.

Частота экстремальных событий — плотность риска.

Глубина экстремумов — тяжесть риска.

Расстояние между ними — структуру их распределения.

Принадлежность худших случаев определенным классам — арифметическую или геометрическую организацию риска.

Прогностическая ошибка — устойчивость модели к новому масштабу.

Цена разрушения — сложность контрсценария.

Эти показатели не следует автоматически считать независимыми.

Например, частота и расстояние между событиями могут быть двумя выражениями одной и той же структуры.

Нижняя огибающая и глубина худшего провала также могут быть тесно связаны.

Поэтому необходимо исследовать генеалогию метапоказателей.

Какие из них получены из одних и тех же данных?

Какие математически связаны?

Какие отражают действительно разные стороны системы?

Именно здесь вычислительная метаиндукция соединяется с многоканальной.

Особенно ценны метапоказатели, разрушители которых различны.

Если основной тренд и экстремальная структура опираются на разные механизмы, их совместная устойчивость значительно сильнее простой корреляции двух вариантов одного показателя.

Можно поэтому сформулировать:

Сила вычислительного метаиндукционного продолжения растет не с количеством метапоказателей вообще, а с количеством относительно независимых структурных каналов, которые согласованно воспроизводятся при смене масштаба.

Это прямо связывает вычислительную часть с ранее разработанной Теорией степеней доказанности.

2.7. Критерии допустимого продолжения
После всех предыдущих различений можно поставить центральный вопрос главы:

при каких условиях вычислительно обнаруженный режим допустимо продолжить на следующий, еще не исследованный масштаб в рамках метаиндукции?

Такой переход не должен быть автоматическим. Его следует разрешать только при достаточно развитой системе оснований.

Рабочий канон допустимого вычислительного метаиндукционного продолжения может включать следующие требования:

Состояние масштаба явно определено. Должно быть заранее понятно, какие характеристики сравниваются между масштабами и почему именно они существенны.
Проверена последовательность существенно различных масштабов. Нельзя считать многомасштабной проверкой искусственное дробление почти одной и той же области на близкие куски.
Установлена воспроизводимость перехода, а не только сходство значений. Следует показать, что сохраняется структура изменения состояния.
Выделен метаинвариант или система метаинвариантов. При этом должна быть указана область их действия и событие, которое будет считаться нарушением.
Используются относительно независимые метапоказатели. Их общая зависимость должна быть исследована, а не предположена.
Проведена независимая прогностическая проверка. Закон должен хотя бы однажды пройти через область, которая не участвовала в его построении; предпочтительна последовательность ретропрогнозов и последующих реальных прогнозов.
Исследован экстремальный слой. Среднее или типичное поведение недостаточно, если предполагаемое разрушение способно возникнуть через редкий глубокий дефект.
Проведена антиметаиндукционная проверка. Необходимо сформулировать наиболее опасные доступные контрсценарии и проверить, не появляются ли признаки их реализации.
Переход должен быть замкнут. Новое прогнозируемое состояние должно не только удовлетворять ожидаемому закону, но и сохранять условия для следующего метаиндукционного перехода.
Доказательный статус формулируется явно. Вычислительное метаиндукционное продолжение не должно без дополнительного основания выдаваться за классический дедуктивный вывод.
Последний критерий столь же важен, как все предыдущие.

Метаиндукция усиливается не тогда, когда стираются границы между разными типами доказательства, а когда каждый тип получает собственный строгий канон.

Именно поэтому необходимо различать как минимум три формулировки:

«закон описывает известные данные»;

«закон успешно прогнозирует следующий масштаб»;

«закон метаиндукционно установлен в заявленном классе переходов».

Это различные статусы.

Переход от первого ко второму требует независимого прогноза.

От второго к третьему — системы метаинвариантов, замыкания, устойчивости и анализа разрушителей.

И только после этого можно обсуждать большую метаиндукцию и неограниченное продолжение.

Таким образом, допустимое продолжение — это не право провести кривую дальше. Это право признать новое состояние условно тождественным предыдущему относительно заранее выделенной структуры.

Именно здесь вычислительная метаиндукция получает собственное содержание.

Она не утверждает:

«так было очень долго, следовательно, так будет всегда».

Она утверждает значительно более сложное:

«на последовательности независимых масштабов воспроизводится структурированное состояние; переходы между этими состояниями сохраняют систему метаинвариантов; существенные параметры демонстрируют устойчивую метадинамику; экстремальный слой не обнаруживает разрушительной тенденции; модель прошла независимые прогностические и адверсарные испытания; поэтому следующий переход в пределах заявленного класса принимается как допустимое метаиндукционное продолжение».

Это уже принципиально иной тип математического обоснования.

Именно из него может быть построена полноценная вычислительная технология открытия, проверки и постепенного усиления метазаконов.

*********

Глава 3. Ретропрогноз и независимая проверка
Одним из главных рисков вычислительной математики является возможность незаметно принять способность модели описывать уже известные данные за способность раскрывать действительный закон.

Эти способности принципиально различны.

Если модель построена после изучения всего массива данных, высокое качество ее согласия с этим массивом еще не говорит о том, что она способна переноситься за его пределы. Исследователь уже видел:

аномалии;

экстремумы;

смены локальных режимов;

неудобные участки;

особенности распределения.

Даже если он сознательно не подгонял модель под каждый из этих эффектов, информация о них могла повлиять на выбор:

формулы;

нормировки;

масштабов;

координат состояния;

системы метапоказателей.

Следовательно, возникает фундаментальная проблема информационного загрязнения проверки.

Чтобы проверить именно способность закона к переносу, необходимо создать ситуацию, в которой часть реально существующей информации временно исключается из процесса построения модели.

Так возникает ретропрогноз.

Его смысл состоит не в имитации неизвестности ради самой неизвестности, а в искусственном восстановлении границы экспликации.

Исследователь как бы возвращается в более раннее состояние знания и спрашивает:

смогла бы наша метаиндукционная система, располагая только этой частью информации, правильно предсказать следующую?

Именно поэтому ретропрогноз является значительно более глубоким методом, чем обычная проверка качества аппроксимации.

Он проверяет не только формулу.

Он проверяет архитектуру перехода через границу известного.

В исходной разработке вычислительной метаиндукции этот принцип был сформулирован предельно конкретно: закон следует строить на меньшем диапазоне, следующий диапазон временно считать неизвестным, прогнозировать его, а затем независимо сравнивать прогноз с уже имеющимися данными. Особенное значение придавалось способности предсказывать не только среднюю тенденцию, но и нижний экстремальный слой следующего масштаба. ! Метатеорема Гльдюаха

Именно такую процедуру необходимо теперь превратить в общий канон.

3.1. Разделение обучающего и проверочного диапазона
Первый шаг состоит в строгом разделении данных на области, выполняющие различные функции.

Термин «обучающий диапазон» здесь следует понимать широко. Речь не обязательно идет о машинном обучении.

Обучающим является тот диапазон, на основании которого:

обнаруживается предполагаемый закон;

выбираются координаты состояния;

строится модель;

определяются метапоказатели;

оцениваются первоначальные параметры;

формулируются критерии дальнейшего перехода.

Проверочный диапазон должен быть исключен из этих операций до завершения построения прогноза.

Это условие принципиально.

Если исследователь сначала посмотрел проверочные данные, затем изменил модель, а после этого назвал те же данные «независимой проверкой», независимость уже потеряна.

Следовательно, разделение должно быть не только формальным, но и информационным.

Можно говорить о нескольких уровнях независимости проверочного диапазона.

Первый — параметрическая независимость.

Значения проверочного диапазона не использовались для оценки коэффициентов.

Второй — модельная независимость.

Они не использовались для выбора самого типа модели.

Третий — признаковая независимость.

На основании проверочных данных не выбирались метапоказатели и нормировки.

Четвертый — критериальная независимость.

После раскрытия результатов не менялись задним числом критерии успешности прогноза.

Последний уровень особенно важен.

Можно заранее предсказать определенный коридор, а после получения неудобного результата расширить его и объявить прогноз успешным. Формально модель почти не изменилась. Фактически же критерий проверки был переписан постфактум.

Поэтому до раскрытия проверочного диапазона желательно зафиксировать:

какое состояние прогнозируется;

какие характеристики сравниваются;

какие отклонения считаются допустимыми;

какие означают ослабление модели;

какие должны считаться ее разрушением.

Так ретропрогноз становится фальсифицируемой вычислительной процедурой.

Разделение можно проводить не один раз, а многократно.

Например, последовательность масштабов может быть организована так:

первый набор состояний используется для построения;

следующий — для проверки;

после проверки он включается в расширенную обучающую область;

еще следующий остается новым проверочным диапазоном.

Возникает скользящий цикл.

Это значительно сильнее однократного разделения, поскольку проверяется не единичная удача, а воспроизводимость самого механизма прогнозирования.

Но здесь возникает важное методологическое ограничение.

После каждого цикла исследователь уже получает новую информацию.

Поэтому последующие прогнозы строятся более развитой системой, чем первоначальный.

Это не недостаток. Именно так и должно развиваться знание.

Однако необходимо хранить историю версий модели.

Иначе через несколько итераций можно забыть, какие элементы существовали до проверки, а какие были введены после ее провала.

Следовательно, зрелая вычислительная метаиндукция должна быть исторически трассируемой.

Для каждого цикла следует знать:

какая модель существовала;

что она предсказывала;

что произошло;

что именно было изменено после проверки.

Эта история сама позднее может стать объектом метадинамического анализа.

3.2. Ретропрогноз
Ретропрогнозом будем называть прогноз уже вычисленной, но намеренно скрытой от процесса построения модели области на основании только предшествующей экспликации.

Его главное преимущество очевидно:

проверку можно провести немедленно, не ожидая получения будущих данных.

Но истинная ценность ретропрогноза глубже.

Он позволяет экспериментально исследовать закон расширения знания.

Предположим, сегодня мы располагаем вычислениями до некоторого большого масштаба.

Можно искусственно восстановить состояние знания на меньшем масштабе.

После этого задается вопрос:

какой закон мы сформулировали бы тогда и насколько правильно он описал бы неизвестную нам следующую область?

Если процедура успешно повторяется на нескольких последовательных границах, возникает эмпирический закон перехода между масштабами.

Это уже не одна аппроксимационная кривая.

Исследуется сам процесс:

частичная экспликация ; построение состояния ; прогноз следующего состояния ; проверка.

Ретропрогноз может иметь различную глубину.

Прогноз центральной характеристики
Предсказывается основной тренд.

Это наиболее простая форма.

Коридорный ретропрогноз
Предсказываются верхние и нижние границы.

Параметрический ретропрогноз
Предсказывается изменение коэффициентов модели.

Экстремальный ретропрогноз
Предсказываются худшие случаи или хотя бы их допустимый класс.

Структурный ретропрогноз
Предсказывается конфигурация нескольких взаимосвязанных характеристик.

Метадинамический ретропрогноз
Предсказывается уже изменение закона изменения параметров.

Чем выше уровень прогноза, тем жестче проверка.

Особое значение имеет экстремальный ретропрогноз.

Если модель хорошо предсказывает среднее, но регулярно недооценивает глубину худших провалов, она может быть практически бесполезной для доказательной задачи, где именно один экстремальный провал способен разрушить универсальное утверждение.

Поэтому содержание прогноза должно определяться структурой возможного разрушителя.

Это прямое соединение вычислительной метаиндукции с антиметаиндукцией.

Ретропрогноз не должен проверять только то, что модели легче всего предсказать.

Он должен проверять именно те характеристики, от которых зависит метаиндукционный вывод.

3.3. Прогноз следующего масштаба
Ретропрогноз проверяет прошлое в режиме искусственной неизвестности.

Следующий шаг — реальный прогноз следующего масштаба.

Здесь исследователь действительно выходит за актуальную границу экспликации.

Именно в этот момент модель берет на себя максимальный доказательный риск.

Хороший прогноз следующего масштаба не должен быть сведен к одной точке.

Вычислительная метаиндукция стремится предсказывать состояние масштаба.

Следовательно, могут прогнозироваться одновременно:

форма основной зависимости;

диапазон параметров;

нижняя огибающая;

верхняя огибающая;

ширина коридора;

частота экстремальных отклонений;

максимальная ожидаемая относительная глубина провала;

структура худших классов;

состояние метаинвариантов.

Такой прогноз значительно сильнее выражения:

«тенденция, вероятно, продолжится».

Он фактически утверждает:

«следующее состояние должно принадлежать определенному классу условного тождества».

Именно это является правильной метаиндукционной формой прогноза.

Важно также отличать точный прогноз от информативного.

Чрезмерно широкий коридор почти наверняка окажется успешным, но даст мало информации.

Чрезмерно узкий может часто нарушаться по несущественным причинам.

Поэтому задача заключается в нахождении коридора, который одновременно:

достаточно узок, чтобы прогноз был содержательным;

достаточно широк, чтобы учитывать естественную вариативность системы;

структурно связан с исследуемым законом.

Здесь возникает понятие информационной жесткости прогноза.

Чем меньше множество состояний, совместимых с прогнозом, тем выше его рискованность и потенциальная подтверждающая сила.

Но только при условии, что узость прогноза не достигнута искусственной подгонкой к скрыто известным данным.

Особенно сильным является прогноз, сформулированный для нового порядка масштаба.

Переход от близкой соседней области часто проверяет лишь локальную гладкость.

Переход к существенно более крупному масштабу проверяет уже устойчивость метадинамики.

Однако дистанция прогноза также не должна выбираться произвольно.

Слишком большой скачок может смешать несколько потенциальных переходных режимов.

Поэтому полезна система прогнозов различной дальности:

ближний;

средний;

дальний.

Их совместное поведение дает дополнительную информацию о стабильности метазакона.

3.4. Ошибка прогноза
Ни одна серьезная прогностическая система не может ограничиваться классификацией:

угадала / не угадала.

Необходима теория ошибки.

Под ошибкой прогноза будем понимать различие между предсказанным и реально эксплицированным состоянием.

Но это различие имеет несколько уровней.

Самая простая ошибка — количественная.

Например, параметр вышел за прогнозируемое значение.

Однако величина ошибки сама по себе не всегда определяет ее значение.

Необходимо учитывать:

какой параметр ошибся;

насколько он существен;

находится ли ошибка внутри общей структуры;

повторяется ли она систематически.

Можно различать:

случайную ошибку — отклонения не образуют направленного режима;

систематическую ошибку — модель стабильно недооценивает или переоценивает характеристику;

масштабно растущую ошибку — точность ухудшается по мере расширения диапазона;

экстремальную ошибку — центральная модель верна, но худшие случаи предсказаны неверно;

критическую ошибку — нарушена характеристика, непосредственно необходимая для метаиндукционного продолжения.

Последняя имеет особый статус.

Модель может великолепно описывать девять из десяти координат состояния и одновременно ошибиться в единственной координате, являющейся замыкающей.

Тогда метаиндукционный переход может оказаться разрушенным.

Следовательно, ошибку нельзя усреднять без учета веса координат.

Это еще один аргумент против единственной скалярной оценки качества прогноза.

Необходимо строить профиль ошибки.

Он показывает:

где модель ошиблась;

на каком уровне;

в каком направлении;

с какой глубиной;

имеет ли отклонение структурную тенденцию.

Особенно важен анализ динамики ошибки.

Если абсолютная ошибка растет, но относительная падает, режим может стабилизироваться.

Если средняя ошибка мала, но максимальная систематически растет, экстремальная устойчивость ухудшается.

Если ошибка колеблется без направленного тренда, ситуация отличается от устойчивого дрейфа.

Следовательно, сама ошибка становится метадинамическим объектом.

Можно даже говорить о метаинварианте ошибки.

Устойчивая модель должна быть способна не только предсказывать объект, но и в некоторой мере предсказывать характер собственных погрешностей.

3.5. Структурная ошибка
Более глубоким типом является структурная ошибка.

Она возникает тогда, когда модель неправильно предсказывает не столько значение отдельного параметра, сколько организацию следующего состояния.

Например:

ожидалась стабилизация параметров, но начался направленный дрейф;

предполагалось сужение коридора, но он расширился;

ожидалось снижение экстремальной частоты, но сформировался новый класс провалов;

прогнозировалось сохранение одной структуры худших случаев, а появилась другая;

условное тождество двух масштабов перестало выполняться.

Структурная ошибка значительно важнее обычной числовой ошибки.

Она может свидетельствовать о том, что:

неверно выбраны координаты состояния;

пропущен существенный параметр;

неверен метаинвариант;

началась смена режима;

достигнута граница применимости закона.

Особенно серьезной является ошибка замыкания.

Она возникает, когда следующее состояние формально еще похоже на предыдущие, но уже не содержит условий для воспроизведения следующего перехода.

Такой дефект может быть почти незаметен при обычном сравнении значений.

Но с точки зрения метаиндукции он фундаментален.

Следовательно, проверка прогноза должна задавать два разных вопроса:

похож ли результат на ожидаемый?

и

сохранил ли он метаиндукционную способность к продолжению?

Это не одно и то же.

Структурная ошибка особенно ценна в эвристическом отношении.

Количественная ошибка может потребовать только перенастройки параметров.

Структурная ошибка требует пересмотра модели.

Она способна открыть новый слой объекта.

В этом смысле серьезная ошибка прогноза может оказаться одним из наиболее информативных результатов вычислительного исследования.

3.6. Перестройка модели
Если прогноз не выдержал проверку, естественным ответом является перестройка модели.

Но здесь возникает опаснейшая методологическая проблема.

Если после каждого нарушения модель просто усложняется так, чтобы включить новый случай, она может стать неразрушаемой постфактум.

Такая система будет объяснять все уже случившееся, но перестанет обладать реальной прогностической силой.

Поэтому перестройка должна происходить по дисциплинированной процедуре.

Прежде всего необходимо классифицировать причину ошибки.

Была ли она:

параметрической;

координатной;

структурной;

масштабной;

операторной;

метаинвариантной?

После этого следует определить минимальную необходимую перестройку.

Если достаточно изменить коэффициент, не следует немедленно менять всю архитектуру.

Если же нарушена структура, косметическая корректировка параметров будет скрывать проблему.

Таким образом, перестройка должна соответствовать уровню ошибки.

Полезно различать:

Параметрическую коррекцию
Архитектура сохраняется, меняются параметры.

Расширение состояния
Добавляется недостающая координата.

Изменение метапоказателей
Пересматривается система характеристик.

Замена оператора
Меняется закон перехода.

Переход на новый метауровень
Исходная система оказывается недостаточной в принципе.

Особенно важно после перестройки не проверять обновленную модель только на том самом диапазоне, который вызвал перестройку.

Этот диапазон уже стал частью обучающей информации.

Следовательно, после коррекции требуется новый независимый диапазон.

Иначе будет доказано только то, что модель умеет приспосабливаться к известным ошибкам.

Так возникает принцип:

каждая содержательная перестройка обнуляет независимость уже раскрытого проверочного диапазона и требует новой проверки.

Это один из важнейших методологических законов вычислительной метаиндукции.

Одновременно необходимо сохранять старую версию модели.

Тогда можно сравнивать:

что именно изменилось;

какая ошибка была устранена;

не ухудшились ли другие характеристики;

не уменьшилась ли общность;

не возникли ли новые уязвимости.

Это позволяет отличить реальное усиление от простой локальной подгонки.

3.7. Повторный цикл метаиндукции
После проверки и возможной перестройки начинается новый цикл.

Общая архитектура приобретает вид:

экспликация ; состояние масштаба ; метазакон ; прогноз ; проверка ; анализ ошибки ; перестройка ; новый прогноз.

Но это не замкнутый круг в банальном смысле.

Если процедура работает продуктивно, каждый цикл должен увеличивать хотя бы одну из характеристик системы:

область экспликации;

точность состояния;

независимость каналов;

предсказательную силу;

качество метаинвариантов;

цену разрушения;

степень замыкания.

Так возникает спиральная метаиндукция.

Система возвращается к тем же функциональным этапам, но на новом уровне знания.

Особенно важна накопительная история успешных прогнозов.

Один успех может быть случаен.

Два — уже интересны.

Но действительно сильным является режим, в котором последовательные версии модели стабильно переходят через новые границы экспликации.

Тогда объектом подтверждения становится уже не один закон, а сам закон производства успешных прогнозов.

Это метаиндукция над вычислительной метаиндукцией.

Можно исследовать:

стабилизируется ли качество прогноза;

уменьшается ли необходимость перестройки;

становятся ли ошибки менее структурными;

возрастает ли расстояние успешного переноса;

растет ли цена разрушения.

Если да, то возникает метазакон второго уровня:

сама методика построения метазакона демонстрирует устойчивость.

Однако здесь следует сохранять осторожность.

Неудачные циклы нельзя выбрасывать из истории как «ранние несовершенные версии».

Они содержат важнейшую информацию о реальной траектории развития модели.

Поэтому вычислительная метаиндукция должна сохранять не только историю успехов, но и архив разрушений.

Именно на нем можно исследовать, какие типы ошибок повторяются и какие перестройки действительно увеличивают устойчивость.

Глава 4. Адверсарные вычислительные проверки
Обычная вычислительная проверка задает вопрос:

работает ли закон на большом множестве случаев?

Адверсарная проверка задает существенно другой:

где закон должен сломаться, если он вообще способен сломаться?

Это изменение исследовательской установки имеет фундаментальное значение.

При обычном сканировании большинство вычислительных ресурсов тратится на типичные состояния.

Но типичные состояния часто почти не несут информации о границе устойчивости.

Если закон нарушается исключительно редко, случайное расширение вычислительного диапазона может очень долго не приближать нас к потенциальному разрушителю.

Поэтому Теория разрушения требует специального класса вычислительных экспериментов, направленных не на подтверждение нормального режима, а на максимизацию вероятности обнаружения его слабости.

Именно такие процедуры будем называть адверсарными вычислительными проверками.

Их задача состоит не в том, чтобы «доказать неправильность» предполагаемого закона.

Они должны действовать симметрично:

если разрушитель найден — закон или его область пересматриваются;

если интенсивный поиск разрушителя неуспешен — повышается степень устойчивости относительно конкретно исследованного класса атак.

Таким образом, адверсарная проверка является вычислительной формой антиметаиндукции.

4.1. Поиск худших случаев
Первая и наиболее естественная адверсарная процедура — систематический поиск худших случаев.

Средние характеристики часто обладают высокой устойчивостью и поэтому скрывают именно те состояния, которые принципиальны для универсального утверждения.

Если для разрушения достаточно одного объекта, особенно важно искать:

минимальные значения;

максимальные отклонения;

самые глубокие провалы;

наиболее редкие классы;

наиболее медленное восстановление;

наибольшее приближение к критической границе.

Но термин «худший случай» всегда относителен к цели.

Для одного закона худшим является минимум.

Для другого — максимум.

Для третьего — максимальная структурная деформация.

Для четвертого — состояние, в котором два метаинварианта максимально расходятся.

Следовательно, прежде чем искать худшие случаи, необходимо определить функцию опасности — содержательный критерий того, что делает состояние неблагоприятным для исследуемого закона.

При этом желательно использовать несколько различных функций опасности.

Если искать разрушитель только по одной заранее выбранной характеристике, можно пропустить другой тип аномалии.

Например, наиболее глубокое одиночное отклонение и наиболее плотный кластер умеренных отклонений могут представлять разные классы угроз.

Поэтому экстремальный анализ должен быть многомерным.

Особенно полезно строить каталог рекордных состояний.

Для каждого масштаба фиксируются новые рекорды:

глубины дефекта;

частоты;

кластеризации;

структурной необычности;

расстояния до границы.

После этого исследуется метадинамика самих рекордов.

Если рекордная опасность стабилизируется или уменьшается, это один режим.

Если систематически усиливается — другой.

Таким образом, худшие случаи сами образуют отдельную метаиндукционную последовательность.

4.2. Целенаправленный поиск разрушителей
Поиск худших наблюдавшихся случаев все еще остается пассивным.

Более сильный подход — целенаправленное конструирование области поиска, где разрушители структурно наиболее вероятны.

Для этого используется имеющаяся теория закона.

Если известно, что слабость может быть связана с:

определенными арифметическими классами;

особой геометрической конфигурацией;

пограничными параметрами;

редкой комбинацией признаков;

максимальным конфликтом инвариантов,

вычислительные ресурсы следует концентрировать именно там.

Это принципиально отличается от равномерного перебора.

Адверсарный поиск использует модель разрушителя.

Он спрашивает:

каким должен быть объект, максимально опасный для закона?

После этого строится пространство кандидатов.

В развитой форме такая процедура может быть итеративной.

Сначала находится наиболее слабая область.

Затем строится более точная модель ее дефектов.

После этого поиск еще сильнее концентрируется.

Получается:

поиск ; обнаружение уязвимости ; уточнение разрушителя ; новый поиск.

Это зеркальное отражение обычного метаиндукционного цикла.

Есть, однако, важное методологическое ограничение.

Адверсарная процедура не должна настолько жестко зависеть от текущей модели, чтобы видеть только уже известные типы разрушителей.

Если поиск полностью оптимизирован под один контрсценарий, он может пропустить совершенно другой.

Поэтому необходим баланс между:

направленным поиском

и

исследованием неизвестных аномалий.

Первая стратегия проверяет конкретную уязвимость.

Вторая ищет события, которые сама теория еще не научилась описывать.

Именно неожиданные аномалии нередко являются наиболее ценным материалом для трансволюции модели.

4.3. Искусственное усиление аномалий
Еще один сильный метод — искусственное усиление аномалий.

Его смысл заключается в том, чтобы взять реально наблюдаемую слабость системы и вычислительно исследовать, что произойдет при ее усилении.

Например, если определенный класс состояний систематически дает более глубокие провалы, можно исследовать параметры, которые делают этот эффект сильнее.

Если один тип структуры приближается к критической границе, можно сконцентрировать анализ на ее предельных вариантах.

Такой метод позволяет исследовать траекторию к разрушению, даже если настоящее разрушение в исходном диапазоне еще не наблюдалось.

Однако здесь необходима принципиальная дисциплина.

Искусственно усиленное состояние должно оставаться математически допустимым объектом исследуемого класса.

Если исследователь просто изменил данные произвольным образом, он может проверить устойчивость алгоритма, но не устойчивость математического закона.

Следовательно, следует различать два вида искусственного возмущения.

Внутриклассовое усиление
Выбираются реальные допустимые объекты, максимально выражающие аномальный признак.

Это непосредственно относится к математическому закону.

Синтетическое возмущение
Данные модифицируются искусственно вне естественного пространства объектов.

Оно полезно для проверки:

алгоритмов;

статистик;

чувствительности модели;

но не является непосредственным контрпримером математическому закону.

Это различие необходимо фиксировать явно.

Синтетические тесты особенно полезны для ответа на вопрос:

заметила бы наша диагностическая система реальное разрушение, если бы оно произошло?

Это чрезвычайно важный вопрос.

Можно иметь прекрасный закон и совершенно плохой механизм его мониторинга.

Если модель неспособна распознать искусственно внедренное нарушение, отрицательный результат реального поиска почти ничего не говорит.

Таким образом, искусственное усиление аномалий позволяет проверять не только закон, но и чувствительность собственной антиметаиндукционной аппаратуры.

4.4. Проверка устойчивости метаинвариантов
Адверсарная проверка должна быть направлена не только на исходное утверждение, но и на метаинварианты, которые обеспечивают его перенос.

Для каждого метаинварианта необходимо задать отдельный вопрос:

какой вычислительный сценарий максимально опасен именно для него?

Например, если метаинвариантом является стабилизация коэффициента, следует искать диапазоны с максимальным дрейфом.

Если утверждается сужение относительного коридора — масштабы, где он максимально расширяется.

Если предполагается уменьшение частоты экстремальных событий — области максимальной кластеризации.

Если существенна структура худших классов — состояния, которые не принадлежат ожидаемой классификации.

Таким образом, каждый метаинвариант получает собственный адверсарный профиль.

Но еще важнее исследовать систему метаинвариантов совместно.

Можно искать состояния, в которых:

один показатель ухудшается, а другие сохраняются;

несколько ухудшаются одновременно;

наблюдается конфликт каналов;

возникает новый тип нарушения, не описываемый прежней системой.

Особенно ценен поиск общего разрушителя.

Если несколько якобы независимых метаинвариантов ломаются в одной и той же области, возможно, их независимость была переоценена.

Тогда доказательный профиль необходимо пересмотреть.

И наоборот, если различные метаинварианты имеют существенно различные наиболее опасные области, их разрушительная независимость усиливается.

В этом смысле адверсарные вычисления позволяют эмпирически исследовать не только устойчивость отдельных законов, но и архитектуру независимости доказательных каналов.

Это непосредственное применение Теории степеней доказанности и Теории разрушения внутри вычислительного аппарата.

4.5. Независимые вычислительные реализации
Даже идеально разработанная математическая методология может быть уничтожена банальной программной ошибкой.

Поэтому для особо значимых вычислительных результатов необходимы независимые реализации.

Но слово «независимые» требует той же осторожности, что и применительно к доказательным каналам вообще.

Две программы могут быть написаны отдельно, но:

использовать один алгоритм;

одну библиотеку;

одни исходные данные;

одну ошибочную формулу;

один формат предварительной обработки.

В таком случае независимость частична.

Можно различать несколько уровней.

Кодовая независимость
Разные реализации программы.

Алгоритмическая независимость
Используются различные алгоритмы вычисления одного объекта.

Программно-средовая независимость
Разные библиотеки, компиляторы или программные стеки.

Представительная независимость
Объект вычисляется через разные математические представления.

Аналитическая независимость
Результат дополнительно проверяется теоретическими ограничениями или контрольными тождествами.

Чем глубже независимость, тем меньше вероятность общей скрытой ошибки.

Особенно ценны независимые реализации, основанные на разных математических идеях.

Если один объект вычисляется двумя совершенно различными способами и результаты совпадают, доказательная сила возрастает существенно сильнее, чем при запуске одной программы на двух компьютерах.

Необходимо также различать независимость получения данных и независимость их интерпретации.

Два независимых алгоритма могут генерировать правильные данные, но одна и та же ошибочная процедура анализа способна породить ложный метазакон.

Следовательно, по возможности следует независимо проверять:

генерацию данных;

вычисление метапоказателей;

выделение состояний;

прогностическую модель.

Так возникает многослойная вычислительная верификация.

4.6. Воспроизводимость результатов
Финальным критерием зрелой вычислительной метаиндукции является воспроизводимость.

Но и здесь необходимо различать несколько уровней.

Самый слабый уровень — повторяемость.

Та же программа на тех же данных дает тот же результат.

Это необходимое техническое условие, но его доказательная ценность ограничена.

Следующий уровень — репликационная воспроизводимость.

Независимая реализация того же метода получает совместимый результат.

Далее — алгоритмическая воспроизводимость.

Другой метод вычисления приводит к тому же математическому состоянию.

Еще выше — структурная воспроизводимость.

Разные вычислительные процедуры обнаруживают одну и ту же систему:

коридоров;

экстремумов;

метаинвариантов;

масштабных переходов.

И наконец — метаиндукционная воспроизводимость.

Независимые реализации не только подтверждают известный диапазон, но и воспроизводят способность модели правильно переходить к новым масштабам.

Именно последний статус имеет наибольшее значение для настоящей теории.

Воспроизводимость должна относиться не только к результату, но и к машине производства результата.

Если две независимые исследовательские процедуры, исходя из одной и той же ограниченной области, независимо формируют близкий метазакон и успешно прогнозируют следующую область, это значительно сильнее совпадения уже готовых таблиц.

Еще более сильным является случай, когда независимые процедуры используют разные координаты и модели, но приходят к одному структурному метаинварианту.

Тогда воспроизводится уже не конкретный язык описания, а более глубокая структура.

Именно поэтому зрелая вычислительная метаиндукция должна стремиться к следующей последовательности:

воспроизводимость данных ; воспроизводимость динамики ; воспроизводимость метадинамики ; воспроизводимость метаинварианта ; воспроизводимость прогнозирующего перехода.

Последний уровень превращает вычислительный эксперимент в полноценный компонент доказательной архитектуры.

Итог Части VIII
Теперь можно более строго определить место вычисления в Теории метаиндукции.

Вычисление не является заменой доказательства вообще.

И оно не является только вспомогательной проверкой уже сформулированных теорем.

Вычислительная метаиндукция занимает самостоятельное положение.

Она представляет собой технологию, в которой конечная экспликация используется для:

обнаружения состояний;

исследования динамики;

построения метадинамики;

выделения метаинвариантов;

ретропрогноза;

реального прогноза;

адверсарного поиска разрушителей;

измерения устойчивости;

последующего усиления или перестройки модели.

В результате возникает не простая последовательность:

посчитать ; подобрать формулу ; продолжить, что и ранее было отделено от доказательства как обычная экстраполяция. ! Метатеорема Гльдюаха

Возникает значительно более сложный цикл:

данные ; структурные признаки ; состояние масштаба ; динамика ; метадинамика ; система метаинвариантов ; ретропрогноз ; независимая проверка ; адверсарное испытание ; прогноз нового масштаба ; анализ ошибки ; перестройка ; повторный цикл.

Главный продукт этого процесса — не формула.

Главный продукт — воспроизводимый закон перехода между состояниями.

Именно здесь проходит принципиальная граница между вычислительной экстраполяцией и вычислительной метаиндукцией.

Первая спрашивает:

как продолжить обнаруженный тренд?

Вторая:

какая система структурных оснований дает право считать следующий масштаб условно тождественным предыдущим, и что должно произойти, чтобы это право было утрачено?

Тем самым вычислительная метаиндукция соединяет практически все основные дисциплины, введенные ранее:

экспликацию;

условное тождество;

пространства состояний;

метаинварианты;

замыкание;

степени доказанности;

антиметаиндукцию;

цену разрушения;

устойчивость.

После этого можно переходить к следующей фундаментальной проблеме книги.

Мы уже построили:

объект метаиндукции;

формальный аппарат;

различные формы;

шкалы доказательной силы;

теорию разрушения;

вычислительную технологию.

Теперь необходимо ответить на главный нормативный вопрос:

при каком наборе условий вся эта конструкция приобретает статус собственно метаиндукционного доказательства?

То есть требуется перейти от исследовательской технологии к канону метаиндукционного доказательства.

*******