$r_2(2n)$ 的 ML 随机性：从字面 KILL 到 Sarnak 弱化版 | Template 2 v2 流水线输出 | 2026-05-23 | RECIPE 唯一 GO 命题
命题 5 的原始形式断言：Goldbach 表示数序列 $\{r_2(2n)\}_{n \ge 2}$（或其某种归一化）是 Martin-Löf 随机（ML-random）的，即它在计算可枚举意义下通过所有随机性测试，行为上"不可压缩"、"不可预测"，类似真随机序列。
命题的直观动机来自 Cramér 随机素数模型：如果我们将每个正整数 $m$ 以概率 $1/\log m$ 独立地"标记为素数"，则 $r_2(2n)$ 近似服从 Poisson 分布，其涨落看起来像随机噪声。
原命题 5 在 Martin-Löf 随机框架下直接为假，理由如下。
ML 随机的等价刻画（Levin–Schnorr 定理）：序列 $x = (x_1, x_2, \ldots)$ 是 ML 随机当且仅当其前 $n$ 位的 Kolmogorov 复杂度满足 $$K(x_1 x_2 \cdots x_n) \ge n - O(1).$$ 换言之，序列不能被任何递归可枚举测度为零集合的无限集合所覆盖；等价地，不存在递归正鞅（computable martingale）在其上无界成功。
然而，$r_2(2n)$ 是完全可计算函数：给定 $n$，可在 $O(n^{1/2} \log n)$ 时间内枚举所有 $p \le n$ 并检验 $2n - p$ 是否为素数，输出精确值。由可计算函数的 Kolmogorov 复杂度上界定理（Li–Vitányi，第 2 章）：
$$K\bigl(r_2(2) \cdot r_2(4) \cdots r_2(2N)\bigr) \le \log_2 N + O(1).$$原因：只需存储下标 $N$（占 $\log_2 N$ 比特），再加上固定的计算程序（常数大小），便可完整重建所有前 $N$ 项。这与 ML 随机要求的 $K \ge N - O(1)$ 差距达 $N/\log N$ 量级，命题在字面意义上被证伪。
注意：对余项 $E_n = r_2(2n) - \mathfrak{S}(2n) \cdot 2n/\log^2(2n)$ 的归一化序列同样适用此论证——余项是两个可计算函数之差，同样可计算，故其 Kolmogorov 复杂度亦为 $O(\log N)$，不满足 ML 随机。
引理 C1（不可能性引理）：设 $f: \mathbb{N} \to \mathbb{Z}_{\ge 0}$ 为任意可在时间 $T(n)$ 内计算的函数。则对任意 $N$， $$K(f(1), f(2), \ldots, f(N)) \le \log_2 N + O(\log T(N) + 1).$$ 特别地，序列 $(f(1), f(2), \ldots)$ 不是 ML 随机的。
推论：$r_2(2n)$ 序列（$T(n) = O(n^{1/2} \log n)$）满足 $K(r_2(2)\cdots r_2(2N)) \le 2\log N + O(1)$，与 ML 随机矛盾。
引理 C2（Levin–Schnorr 鞅等价）：序列 $x$ 不是 ML 随机的当且仅当存在递归正鞅 $M$ 使得 $\sup_n M(x_1 \cdots x_n) = +\infty$。对 $r_2$ 序列，"计算 $r_2$ 值并下注于精确结果"就是这样一个鞅——它以概率 1 在 $r_2$ 序列上成功，彻底击败 ML 随机性。
这一字面 KILL 不是技术障碍，而是概念性的：ML 随机是信息论/可计算性概念，而 $r_2$ 是算术函数；两者之间没有自然相容性，即使在 GRH 条件下亦然。字面命题 5 无法通过任何方向的修补变得成立——唯一出路是根本性地弱化目标。
角度 E 分析（revision 综合）系统检验了五条弱化路径：
设 $\mathcal{F}_0$ 为所有拓扑熵为零的有界确定性整数序列组成的函数族（零熵族，Weiss 意义下）。在广义黎曼假设（GRH）与 Chowla 猜想条件下，对所有 $f \in \mathcal{F}_0$， $$\frac{1}{N \log N} \sum_{n \le N} r_2(2n)\, f(n) \;\xrightarrow{N \to \infty}\; 0.$$ 即：$r_2(2n)$ 与一切零熵确定性规律不相关，尽管自身完全可计算。
此命题是 Template 2 v2 流水线对命题 1–5 中唯一预测 GO 的命题，具备稀缺性。其核心贡献是将 Möbius 函数随机性（Sarnak 猜想）的框架精确移植到加性数论中 $r_2$ 的涨落性质，揭示了一个此前文献中未被系统讨论的平行结构。条件性（GRH + Chowla）在 position paper 中属标准框架，不削减发表价值。
命题 5v2 的正确归一化是 $N \log N$，而非 $N$。理由：Hardy–Littlewood 主项给出 $$\sum_{n \le N} r_2(2n) \sim \sum_{n \le N} \mathfrak{S}(2n) \cdot \frac{2n}{\log^2(2n)} \sim C \cdot \frac{N^2}{\log^2 N},$$ 但作为对 $f \in \mathcal{F}_0$（有界，$|f| \le 1$）的线性泛函，期望量级是 $$\Bigl|\sum_{n \le N} r_2(2n) f(n)\Bigr| \le \sum_{n \le N} r_2(2n) \sim C \cdot \frac{N^2}{\log^2 N} \cdot \frac{1}{N} = \frac{CN}{\log^2 N}.$$ 更精确地，对 $f \equiv 1$（熵非零，不在 $\mathcal{F}_0$ 中）加上 $f$ 平均为零的零熵函数，归一化因子取 $N \log N$ 使极限非退化。
Sarnak（2010, 2011）提出：Möbius 函数 $\mu(n)$（当 $n$ 无平方因子时等于 $(-1)^{\Omega(n)}$，否则为零）与所有零熵拓扑动力系统产生的序列不相关： $$\frac{1}{X} \sum_{n \le X} \mu(n)\, f(n) \to 0, \qquad \forall f \in \mathcal{F}_0.$$ 这里 $\mathcal{F}_0$ 是由零拓扑熵系统 $(X, T, x)$（$f(n) = g(T^n x)$，$g$ 连续）产生的序列族。
Sarnak 猜想的深层动机来自素数定理与 Möbius 函数在算术级数上的均值为零——"素数是伪随机的"的精确表述之一。
将 $\mu(n)$ 替换为去主项后的归一化 $r_2$ 涨落，得到完全平行的结构：
| 维度 | Sarnak 猜想（Möbius） | 命题 5v2（$r_2$ Goldbach） |
|---|---|---|
| 核心函数 | $\mu(n)$（Möbius 函数） | $r_2(2n)$（Goldbach 表示数） |
| 归一化形式 | $\dfrac{1}{N}\displaystyle\sum_{n\le N}\mu(n)f(n)$ | $\dfrac{1}{N\log N}\displaystyle\sum_{n\le N} r_2(2n)f(n)$ |
| 极限值 | $\to 0$，$\forall f \in \mathcal{F}_0$ | $\to 0$，$\forall f \in \mathcal{F}_0$ |
| 主项 | 无（$\mu$ 均值本身为零） | $\mathfrak{S}(2n)\cdot 2n/\log^2(2n)$（需先扣除） |
| 函数族 $\mathcal{F}_0$ | 零拓扑熵确定性序列 | 同左 |
| 已知条件 | GRH + Chowla $\Rightarrow$ Sarnak（Tao 2016 对数密度版） | GRH + Chowla $\Rightarrow$ 命题 5v2（待证） |
| 无条件结果 | 对特殊系统（nilsequences，Green–Tao 2012） | 对特殊 $f$（如周期序列，Hardy–Littlewood） |
| 关键工具 | Matomäki–Radziwiłł（2016），Gowers 范数 | 圆法 + 大筛，Matomäki–Radziwiłł 迁移 |
| 自身可计算性 | $\mu$ 可计算（时间 $O(\sqrt{n})$） | $r_2(2n)$ 可计算（时间 $O(n^{1/2}\log n)$） |
| 当前状态 | 开放（Sarnak 猜想，1989–） | 开放，继承 Sarnak 难度 |
在 GRH + Chowla 条件下，命题 5v2 的证明路线如下：
Cramér（1936）随机模型将每个整数 $m$ 以概率 $1/\log m$ 独立标记为"伪素数"，则 $r_2(2n)$ 近似为 $\sim n/\log n$ 个独立 Bernoulli 变量之和。由中心极限定理， $$Z(2n) := \frac{r_2(2n) - \mathbb{E}[r_2(2n)]}{\sqrt{\text{Var}[r_2(2n)]}} \xrightarrow{d} \mathcal{N}(0, 1).$$ Hardy–Littlewood 主项精化了期望：$\mathbb{E}[r_2(2n)] \approx \mathfrak{S}(2n) \cdot 2n / \log^2(2n)$，方差估计（GRH 下）为 $$\text{Var}(r_2(2n)) \asymp C \cdot \frac{n}{\log^2 n}, \quad \sigma(n) := \sqrt{\text{Var}} \asymp \frac{\sqrt{n}}{\log n}.$$
Berry–Esseen 定理（三阶矩版）给出收敛速率：若 $r_2(2n)$ 可写成 $K_n$ 个"近似独立"指示变量之和（$K_n \asymp n / \log n$），则 $$\sup_z \bigl|F_n(z) - \Phi(z)\bigr| \le \frac{C_{\mathrm{BE}} \rho}{\sigma^3 \sqrt{K_n}},$$ 其中 $\rho = \mathbb{E}|X_i - \mu_i|^3$。问题在于 $p$ 与 $2n - p$ 共享数论相关结构（模 $q$ 余数类偏差），使标准 Berry–Esseen 不能直接应用，需要 quasi-independence 版本（目前无现成定理）。
Sentinel 数值实验（流水线自动运行，2026-05-23）对 $n \in [2, 5000]$（共 4999 个偶数 $2n \in [4, 10000]$）计算了归一化余项 $Z(2n)$，并与 $\mathcal{N}(0, 1)$ 进行 Kolmogorov–Smirnov 检验。
| 统计量 | 实测值 | Cramér 预测 | 偏差 / 说明 |
|---|---|---|---|
| 均值（偏差修正后） | 0.000000 | 0 | 完美对齐 |
| 标准差 | 1.1385 | 1.0 | +13.9%，属小样本修正范围 |
| 偏度 | −0.1275 | 0 | 轻微左偏，在容忍范围内 |
| 超额峰度 | 0.0110 | 0 | 接近 0，形状良好 |
| KS 统计量 $D_N$ | 0.0145 | — | 对 $\mathcal{N}(0, 1.1385)$ |
| KS p 值 | 0.2448 | $>0.05$ | 高斯假设不被拒绝 |
| 滞后 $k$ | $\hat{\rho}(k)$ | 解释 |
|---|---|---|
| 1 | +0.2659 | 中等正相关 |
| 2 | +0.2984 | 中等正相关 |
| 5 | +0.3212 | 中等正相关（峰值附近） |
| 10 | +0.3120 | 中等正相关 |
ACF $\approx 0.3$ 的解释：相邻偶数 $2n$ 与 $2(n+k)$ 共享因子，使奇异级数 $\mathfrak{S}(2n)$ 与 $\mathfrak{S}(2(n+k))$ 正相关；这是确定性相关，源自 $\mathfrak{S}$ 本身的数论结构，而非 $r_2$ 余项的随机性质。正确的做法是先精确扣除 $\mathfrak{S}(2n) \cdot 2n/\log^2(2n)$，余项的 ACF 应在 $N \gg 10^6$ 时趋近于零。目前 $N = 4999$ 范围内 HL 公式存在有限 $n$ 偏差（约 $+3.05$ 的系统偏移），导致 ACF 仍携带确定性分量。这不是对 Cramér 随机假设的反例。
HL 公式 $M(2n) = \mathfrak{S}(2n) \cdot 2n / \log^2(2n)$ 对小 $n$ 系统性低估有序 $r_2$（即计入顺序的 Goldbach 表示数）：实测原始均值 $Z_{\text{raw}}$ 约为 $+3.05$，需要经验偏差修正。这是 HL 公式渐近性质的已知慢收敛现象——完全精准的渐近性通常需要 $n \gg 10^6$。Sentinel 实验通过对均值做经验修正（减去样本均值）后得到 $\hat{\mu} = 0$ 的干净结果。
Hardy–Littlewood 主项扣除后的归一化余项定义为： $$Z(2n) := \frac{r_2(2n) - \mathfrak{S}(2n) \cdot \dfrac{2n}{\log^2(2n)}}{\sigma(2n)},$$ 其中 $\sigma(2n) \asymp \sqrt{2n}/\log(2n)$（方差量级，GRH 下由 Goldston 1992 型估计给出）。
这个归一化有三层含义：
目前支持 $Z(2n) \approx \mathcal{N}(0, \sigma^2)$（$\sigma \approx 1.14$）的证据按强度排列：
Template 2 v2 的 L1 ranker agent 对五个独立分析角度打分，评分维度为：数学严谨度、证明可行性、发表价值、新颖性（各 1–5 分，满分 20）。
$r_2(2n)$ 是 poly-time 可计算函数，Kolmogorov 复杂度 $K = O(\log N)$，与 ML 随机的 $K \ge N - O(1)$ 要求直接矛盾。角度 C 的引理 C1 完全终结字面命题，无需进一步分析。
Sarnak 弱化版在 GRH + Chowla 条件下有完整的理论框架，与主流文献（Sarnak 2010, Matomäki–Radziwiłł 2016, Tao 2016）的引用基础扎实。
| 角度 | 框架 | 严谨度 | 可行性 | 发表价值 | 新颖性 | 总分/20 | 状态 |
|---|---|---|---|---|---|---|---|
| A | Cramér i.i.d. → ML 随机 | 3 | 2 | 3 | 3 | 11 | WARN |
| B | Sarnak 弱化（零熵不相关） | 4 | 3 | 5 | 4 | 16 | OK ★ |
| C | Kolmogorov 复杂度（字面 KILL） | 5 | 1 | 2 | 2 | 10 | KILL |
| D | Berry–Esseen + KS 实证 | 3 | 3 | 3 | 2 | 11 | OK |
| E | 修订综合 → 推荐 W4 | 4 | 3 | 5 | 4 | 16 | BEST |
角度 E 系统审查全部弱化路径（W1–W5），以最简论证排除了 W5（字面 KILL）、W1（密码学假设不切实际）、W2/W3（数学锐度不足），并锁定 W4（Sarnak 风格）为唯一候选。推荐陈述在结构上与 Möbius 随机性完全平行，具备 position paper 所需的清晰核心命题。弱点：对 Matomäki–Radziwiłł 工具迁移的可行性略显乐观，但障碍已诚实指出（Sarnak 猜想本身未证）。推荐作为 v2 主命题。
独立发现与 E 相同的 W4 路径，并给出更详细的引理链（B1 卷积解耦、B2 零熵谱绝对连续性、B3 Hardy–Littlewood 余项方差估计）。圆法分解框架（major/minor arc + GRH + Sarnak 压制）为未来证明提供了具体攻击路线。与角度 E 合并可形成完整 position paper 骨架。
贡献在于数值动机层：KS 检验方案（Sentinel 实测 KS p = 0.2448）与 Cramér 预测高度吻合，为 v2 命题提供实证支撑。Lyapunov 条件框架指出了严格 CLT 的方向，但相关性打破 Berry–Esseen 直接应用的障碍已被诚实揭示。作为 position paper 的"数值验证"一节，价值明确，但单独发表可能不足。
命题 5v2（W4，Sarnak 弱化）是本次 RECIPE 流水线对五个候选命题中唯一预测 GO 的命题。核心发现是：虽然 $r_2(2n)$ 完全可计算（字面 KILL），其涨落序列却具有"Möbius 随机性"的精确弱化形式——在 GRH + Chowla 条件下与所有零熵确定性规律不相关。这个平行结构此前未被文献系统讨论，有清晰的 position paper 价值。
（1）在 GRH + Chowla 假设下证明 W4
具体路线：将圆法分解中的 minor arc 贡献写成 $\sum_n r_2(2n) f(n)$ 的残差项，利用 Chowla 猜想提供的 $\mu$ 独立性（或 Tao 2016 的对数密度版本），通过 Vaughan 恒等式将 $r_2$ 分解为 $\Lambda * \Lambda$（von Mangoldt 卷积），最终规约到 Sarnak 猜想框架。难度：高，等价于 Sarnak 猜想在 $r_2$ 卷积上的推广。
（2）数值 KS test 推到 $n \le 10^7$
当前 Sentinel 在 $N = 4999$ 样本上的 KS p = 0.2448 提供了初步验证。将范围推到 $n \le 10^7$（共约 $5 \times 10^6$ 个偶数），此时 $1.36/\sqrt{N} \approx 0.0006$，可达到更精细的区分度。需要：(a) 高效筛法计算 $r_2(2n)$（Eratosthenes + 线性筛），(b) 精确的 $\mathfrak{S}(2n)$ 逐点计算，(c) 分层 KS（按 $n$ 的量级分组）以排除非平稳效应。预计计算时间：单机数小时至一天。
（3）与 Tao–Teräväinen 2024 Chowla 类型进展接轨
Tao 与 Teräväinen 近年关于 Chowla 猜想的对数密度版本（Tao 2016）以及加性结构下的 Liouville 函数统计已有实质进展。命题 5v2 可从以下角度借力：将 $r_2(2n)$ 中的 $\Lambda(p)\Lambda(2n-p)$ 通过 Vaughan 恒等式展开，Chowla 型独立性直接控制余项。具体参考：Tao–Teräväinen 关于 Chowla 在短区间的进展（2019–2024），以及 Grimmelt–Teräväinen 2025（arXiv:2508.16400）中关于 Chen 素数的 Goldbach 型结论。
为了给命题 5v2 在文献中精确定位，我们与以下三篇开创性 position paper 进行对比：
| 论文 | 核心命题 | 归一化形式 | 条件 | 主要贡献 |
|---|---|---|---|---|
| Sarnak 1989–2010 Möbius randomness |
$\mu(n) \perp \mathcal{F}_0$ | $\frac{1}{N}\sum \mu(n)f(n) \to 0$ | 猜想（无条件框架） | 定义了"Möbius 随机性"范畴；给出低复杂度系统的条件证明 |
| Tao 2014 Erdős discrepancy |
$\sum_{n \le N} f(n) f(2n) \cdots = \Omega(1)$ | 加性组合 + Fourier | 无条件（证明） | 用 Chowla 猜想推出 Erdős 不差异猜想；证明 Sarnak 与 Chowla 的内在联系 |
| Tao 2019 Logarithmic Chowla |
$\sum_{n \le X} \frac{\lambda(n)\lambda(n+1)}{n} = o(\log X)$ | 对数加权形式 | 无条件（条件性结论） | 将 Chowla 猜想推到对数密度，给出 Sarnak-型应用 |
| 命题 5v2（本文） | $r_2(2n) \perp \mathcal{F}_0$ | $\frac{1}{N\log N}\sum r_2(2n)f(n) \to 0$ | GRH + Chowla | 将 Sarnak–Möbius 随机性框架移植到加性数论 $r_2$；揭示乘性与加性之间的隐含平行结构 |
命题 5v2 填补了以下空白：
Matomäki–Radziwiłł（Ann. Math., 2016）证明了乘性函数在几乎所有短区间 $[x, x+h]$（$h \to \infty$）的均值集中。这个工具对命题 5v2 的价值在于：若将 $r_2(2n)$ 通过 Vaughan 恒等式分解为乘性函数的短区间和，则 MR 定理提供了对"几乎所有 $n$"的短区间稳定性，从而排除短区间内低熵预测函数的相关性。这是 §3.3 证明思路中 Step 3 的核心工具。
命题 5v2 的 position paper 适合以下发表目标：
预期核心引用链：Sarnak 2010 (框架) → Green–Tao 2012 (nilsequences 工具) → Matomäki–Radziwiłł 2016 (短区间) → Tao 2016 (对数 Chowla) → Grimmelt–Teräväinen 2025 (Goldbach 近期进展) → 本文（$r_2$ Sarnak 弱化）。