K 欄生成反演法：從二階質數誤稱到欄位級質數殘餘分析

Q: 12. 為什麼人眼看不出來？

在原始 TRIPLEX 疊圖中，我們把質數點、合數點、$\Omega(n)$、$\chi$、$6k\pm1$ 車道疊在同一張圖上。從人眼角度看，這會遇到三個問題。

K-Column Generative Inversion for Prime Residuals

From the Misnomer of Second-Order Primes to Column-Level Prime-Residual Analysis

文件編號：EML-TCGQT-2026-KCOLUMN-v0.1
系列：TCGQT／質數實驗台／生成大於閉合
作者：Neo.K & GPT-5.5 Thinking
狀態：方法論論文草稿 / 實驗台說明文件 / 非數論證明
日期：2026-06-27
前置文件：EML-TCGQT-2026-TRIPLEX、TCGQT 質數實驗台、生成大於閉合相關文件
配套原型：TCGQT_k_column_generative_inversion_v0_2.html

摘要

本文提出 K 欄生成反演法（K-Column Generative Inversion, KCGI），作為 TCGQT 質數實驗台中「篩 / 組合樹 / $6k\pm1$ 骨架」三重疊圖的下一階段方法論。本文的出發點並非證明新的質數定理，也不是提出所謂「二階質數」。相反地，本文將「二階質數」這一初步直覺重新定位為一種欄位級生成反演結構：將候選質數從單點 (n) 壓縮到欄位 (k)，以

U_k = 6k-1,\qquad L_k = 6k+1

構成一個欄位對，並對該欄位進行生成 / 未生成、單側生成、雙側生成、半質數雙重疊、深層生成等分類。

本文證明並明確標記一個容易被誤讀的重疊：在 wheel-6 骨架內，以「(-1) 型質因子數量奇偶」定義的角色 $\chi$ ，與 $6k\pm1$ 車道位置完全重疊。亦即：

\chi(n)=0 \Longleftrightarrow n\equiv 1\pmod 6,

\chi(n)=1 \Longleftrightarrow n\equiv -1\pmod 6.

因此 $\chi$ 不應被視為獨立信號，而應被降級為車道落點的解釋層。

真正值得分析的重疊，不在於 $\chi$ 與車道，而在於同一個欄位 (k) 上，(6k-1) 與 (6k+1) 是否分別被生成式擊中。本文提出四種基本欄位狀態： [ PP,\ PC,\ CP,\ CC ] 以及兩種加強狀態： [ SS,\ DD, ] 其中 (PP) 表示雙未命中，對應孿生質數殘餘欄；(CC) 表示雙生成；(SS) 表示上下兩側皆為半質數；(DD) 表示上下兩側皆為深層合數。

本文同時將欄位級分析分為兩條路線：生成式反演與統計式推演。生成式反演沿著 [ (6a+s)(6b+t)=6(6ab+at+bs)+st ] 向生成公式與因子原點回推；統計式推演則對欄位狀態、 $\Omega$ -pair、滑動窗口比例等進行分佈分析。兩者共同構成本文所謂的「一維線性無限邏輯推演法」在質數實驗台中的一個具體變體。

最後，本文報告配套原型在 $N=120000$ 下的機器驗證結果： $K_{\max}=19999$ ，其中 $PP=1423$ 、 $PC=4242$ 、 $CP=4211$ 、 $CC=10123$ 、 $SS=3853$ 、 $DD=1241$ ，且 $\chi$ 與車道重疊驗證通過。這些數字不構成新定理，而是為後續視覺化、統計比較與更高 wheel 階梯提供基準資料。

0. 一句話

這不是二階質數，而是把質數殘餘從數字層推到欄位層，再把欄位層推回生成公式與原點；我們要分類的不是「下一種質數」，而是 (6k-1) 與 (6k+1) 在同一個 (k) 上如何被生成、未生成、單側生成、雙側生成與深層生成。

1. 問題的轉向：從「二階質數」到「欄位級殘餘」

在最初的直覺中，當我們把 (6k-1) 與 (6k+1) 同時放在同一個欄位內觀察時，很容易產生一種想法：如果兩側同時是質數，是否可以稱為某種「二階質數」？

例如：

k=1,\qquad 6k-1=5,\quad 6k+1=7.

這是一對孿生質數。

又如：

k=2,\qquad 6k-1=11,\quad 6k+1=13.

這也是一對孿生質數。

如果我們只從「兩個質數成對出現」的角度看，確實會自然浮現「二階質數」這種名稱。但是這個名稱有兩個問題。

第一，它容易誤導讀者以為本文提出了一種新的質數物件。事實上，(6k-1) 與 (6k+1) 仍然只是普通質數候選點；若兩者同時為質數，那就是孿生質數對，並不是新的質數類型。

第二，它遮蔽了真正值得分析的結構。本文關心的並不是「質數成對」本身，而是同一個欄位 (k) 的上下兩側，如何被生成式擊中或未被生成式擊中。換言之，本文的核心不是「二階質數」，而是「欄位狀態」。

因此本文將「二階質數」重新命名為更精確的概念：

雙殘餘欄：同一個欄位 (k) 中，(6k-1) 與 (6k+1) 皆未被合數生成式擊中，因此兩者皆為質數。

形式上，令： [ U_k=6k-1, ] [ L_k=6k+1. ] 若：

U_k\in \mathbb{P},\qquad L_k\in \mathbb{P},

則稱 (k) 為一個 (PP) 欄，亦即雙殘餘欄。

這一重新命名看似只是語言修正，實際上改變了整個分析方向。從此以後，我們不再把焦點放在質數點本身，而是放在欄位 (k) 的生成 / 未生成狀態上。

2. 從單點 (n) 到欄位 (k)

傳統質數判斷的基本單位是單點： [ n. ] 我們問：

n\in\mathbb{P}?

或者：

n\in\mathbb{C}?

TCGQT 質數實驗台的早期版本，無論使用 $\theta=n$ 螺旋、Ulam 螺旋、球面投影，或其他載具，基本上仍是把整數點 (n) 放在某個幾何位置上，再將質數點亮。這是一種「單點顯影」。

但 wheel-6 骨架提供了一個更自然的欄位化方式。除了 (2) 與 (3)，所有質數都位於： [ 6k-1 ] 或： [ 6k+1. ]

因此我們可以把每個 (k) 看成一個欄位： [ C_k=(6k-1,\ 6k+1). ]

此時基本分析單位從 (n) 變成： [ k. ]

這個改變非常重要。單點視角問的是：

6k-1\text{ 是不是質數？}

或：

6k+1\text{ 是不是質數？}

欄位視角則問：

(6k-1,\ 6k+1)\text{ 這一對的共同狀態是什麼？}

因此欄位視角自然產生四種基本狀態：

欄位狀態	(6k-1)	(6k+1)	含義
(PP)	質數	質數	雙殘餘 / 孿生質數欄
(PC)	質數	合數	右側被生成
(CP)	合數	質數	左側被生成
(CC)	合數	合數	雙生成欄

這四種狀態本身不難理解，但它們提供了一種新的索引方式：質數殘餘不再只是散落的點，而是欄位中的未命中狀態。

3. 生成與未生成：埃篩的反面

埃拉托斯特尼篩的視角是閉合式的：

先列出所有整數，然後把合數劃掉，留下質數。

這是一種「刪除式」或「閉合式」視角。它回答的是：

\text{哪些數被排除後剩下？}

但組合樹視角是生成式的：

從質數因子開始相乘，生成合數；未被任何乘法生成的點就是質數。

這是一種「生成式」視角。它回答的是：

\text{哪些數被乘法生成？哪些數沒有被生成？}

在奇數範圍內，尤其在 wheel-6 骨架內，兩者是同一事物的兩面：

閉合視角：合數被篩掉，質數留下。
生成視角：合數被乘出，質數未被生成。

因此我們可以把質數定義為某種殘餘：

\mathbb{P}=\text{候選集合}\setminus \operatorname{Im}(\text{合數生成映射}).

在 $6k\pm1$ 欄位內，這變成：

PP = \text{上下兩側皆未被生成},

PC = \text{右側被生成，左側未被生成},

CP = \text{左側被生成，右側未被生成},

CC = \text{上下兩側皆被生成}.

這就是 K 欄生成反演法的第一個核心：將質數問題轉寫成欄位上的生成命中 / 未命中問題。

4. 基本生成公式族

在 wheel-6 內，除 (2,3) 外的質數皆可寫為： [ 6a+1 ] 或： [ 6a-1. ]

令：

s,t\in\{+1,-1\}.

則任意兩個 wheel-6 型因子的乘積可寫為： [ (6a+s)(6b+t). ]

展開得： [ (6a+s)(6b+t)=36ab+6at+6bs+st. ]

整理為： [ (6a+s)(6b+t)=6(6ab+at+bs)+st. ]

這個公式是 K 欄生成反演法的核心。它將合數的生成式拆成三個部分：

共同核心項： [ 6ab. ]
側向修正項： [ at+bs. ]
車道決定項： [ st. ]

因為 $s,t\in\{+1,-1\}$ ，所以 (st) 只能是： [ +1 ] 或： [ -1. ]

因此乘積自然落在： [ 6k+1 ] 或： [ 6k-1. ]

具體四種生成公式如下。

4.1 $++\to +1$

[ (6a+1)(6b+1) ] [ =36ab+6a+6b+1 ] [ =6(6ab+a+b)+1. ]

因此： [ k=6ab+a+b. ]

4.2 $--\to +1$

[ (6a-1)(6b-1) ] [ =36ab-6a-6b+1 ] [ =6(6ab-a-b)+1. ]

因此： [ k=6ab-a-b. ]

4.3 $+-\to -1$

[ (6a+1)(6b-1) ] [ =36ab-6a+6b-1 ] [ =6(6ab-a+b)-1. ]

因此： [ k=6ab-a+b. ]

4.4 $-+\to -1$

[ (6a-1)(6b+1) ] [ =36ab+6a-6b-1 ] [ =6(6ab+a-b)-1. ]

因此： [ k=6ab+a-b. ]

這四個公式族給出欄位 (k) 的生成來源。若 (6k+1) 是半質數，則它可能由 $++\to+1$ 或 $--\to+1$ 生成。若 (6k-1) 是半質數，則它可能由 $+-\to-1$ 或 $-+\to-1$ 生成。

這使得一個合數不再只是「合數」，而可以被標記為某個生成公式族的像。

5. $\chi$ 與車道的完全重疊

在 TRIPLEX 規格中，曾引入一個角色：

\chi(n)=\#\{p_i:p_i\equiv -1\pmod6\}\pmod2.

這裡 $p_i$ 是 (n) 的質因子，含重數。直覺上， $\chi$ 看起來像一個有趣的獨立層，因為它統計了 (-1) 型質因子的數量奇偶。

但在 wheel-6 內， $\chi$ 其實完全等同於車道位置。

原因很簡單。對任何 $p_i>3$ 的質因子：

p_i\equiv +1\pmod6

或：

p_i\equiv -1\pmod6.

因此：

n=\prod_i p_i\equiv \prod_i (\pm1)\pmod6.

若 (-1) 型因子的數量為偶數，則：

n\equiv +1\pmod6.

若 (-1) 型因子的數量為奇數，則：

n\equiv -1\pmod6.

所以：

\chi(n)=0 \Longleftrightarrow n\equiv 1\pmod6,

\chi(n)=1 \Longleftrightarrow n\equiv -1\pmod6.

這表示 $\chi$ 並不是新的信號，而是車道位置的乘法解釋。若在視覺化中將 $\chi$ 當成獨立圖層，很容易產生錯覺，以為看到了新的規律。實際上，那只是 wheel-6 乘法結構的必然結果。

因此本文將 $\chi$ 降級為解釋層，而非信號層。

6. 信號—載具分離

K 欄生成反演法必須嚴格遵守信號—載具分離。

所謂載具，是由已知代數結構必然生成的圖案。包括：

$6k\pm1$ 車道；
$\chi$ 與車道的重疊；
(++)、(--)、(+-)、(-+) 的落道規則；
wheel-6 的乘法封閉；
合數由質因數乘出；
$\Omega(n)$ 作為乘法深度。

這些都不是新發現，而是基礎代數事實。

所謂信號，是那些在排除載具必然性之後，仍然可能值得進一步研究的殘餘分佈。例如：

(PP) 欄如何分佈；
(SS) 欄如何分佈；
(PC) 與 (CP) 的不對稱是否只是統計波動；
(DD) 欄是否在某些尺度上呈現穩定模式；
滑動窗口中的比例是否與已知質數密度、半質數密度、Erdős–Kac 型現象相容；
換到 wheel-30 或 wheel-210 後，欄位分類是否有尺度相似性。

本文並不宣稱上述任一點構成新數論規律。本文只主張：將這些現象轉換為欄位級分類後，人類與機器更容易進行系統觀察。

7. 欄位狀態的細分類

基本狀態有四種： [ PP,\ PC,\ CP,\ CC. ]

但為了進一步分析生成深度，我們引入：

\Omega(n),

即 (n) 的質因子總數，含重數。

例如：

\Omega(7)=1,

\Omega(21)=2,

\Omega(27)=3.

對欄位 (k)，定義：

\Omega\text{-pair}(k)=\left(\Omega(6k-1),\Omega(6k+1)\right).

7.1 PP：雙未命中欄

\Omega\text{-pair}(k)=(1,1).

此時：

6k-1,\quad 6k+1

皆為質數。這就是孿生質數欄。

本文稱之為：

雙殘餘欄。

這不是新的質數類型，而是同一欄位內的雙重未命中事件。

7.2 PC：右側生成欄

6k-1\in\mathbb{P},\qquad 6k+1\notin\mathbb{P}.

此時：

\Omega(6k-1)=1,\qquad \Omega(6k+1)\ge2.

這表示右側被生成式擊中，左側未被擊中。

7.3 CP：左側生成欄

6k-1\notin\mathbb{P},\qquad 6k+1\in\mathbb{P}.

此時：

\Omega(6k-1)\ge2,\qquad \Omega(6k+1)=1.

這表示左側被生成式擊中，右側未被擊中。

7.4 CC：雙生成欄

6k-1\notin\mathbb{P},\qquad 6k+1\notin\mathbb{P}.

此時：

\Omega(6k-1)\ge2,\qquad \Omega(6k+1)\ge2.

這表示上下兩側都被生成式擊中。

7.5 SS：雙半質數欄

若：

\Omega(6k-1)=2,

且：

\Omega(6k+1)=2,

則稱該欄為：

雙半質數欄。

這是最乾淨的「二階生成重疊」。它不是二階質數，而是上下兩側皆由兩個質因子生成的欄位。

7.6 DD：雙深層生成欄

若：

\Omega(6k-1)\ge3,

且：

\Omega(6k+1)\ge3,

則稱該欄為：

雙深層生成欄。

這表示上下兩側都不是單次二因子生成，而是更深層的組合樹節點。

8. 例子： $k=20$

令： [ k=20. ]

則： [ 6k-1=119, ] [ 6k+1=121. ]

分解：

119=7\times17,

121=11\times11.

注意：

7=6\cdot1+1,

17=6\cdot3-1.

因此：

119=(6\cdot1+1)(6\cdot3-1).

這屬於 $+-\to-1$ 型： [ (6a+1)(6b-1)=6(6ab-a+b)-1. ]

代入：

a=1,\qquad b=3.

得到：

k=6ab-a+b=6\cdot1\cdot3-1+3=20.

另一方面：

11=6\cdot2-1.

因此：

121=(6\cdot2-1)(6\cdot2-1).

這屬於 $--\to+1$ 型： [ (6a-1)(6b-1)=6(6ab-a-b)+1. ]

代入：

a=2,\qquad b=2.

得到：

k=6ab-a-b=6\cdot2\cdot2-2-2=20.

所以同一個欄位 $k=20$ 同時被兩個生成公式族擊中：

[ 6k-1=119 ] 由 $+-\to-1$ 生成；

[ 6k+1=121 ] 由 $--\to+1$ 生成。

因此： [ k=20 ] 是一個 (SS) 欄，也是 (CC) 欄中的特殊乾淨子類。

這就是 K 欄生成反演法要捕捉的結構：不是單點合數，而是同欄位雙側生成式的交會。

9. 生成式反演：往原點推

本文所謂「往原點推」，不是神秘語言，而是一種反向索引操作。

若： [ 6k+1=(6a+1)(6b+1), ] 則： [ k=6ab+a+b. ]

若： [ 6k+1=(6a-1)(6b-1), ] 則： [ k=6ab-a-b. ]

若： [ 6k-1=(6a+1)(6b-1), ] 則： [ k=6ab-a+b. ]

若： [ 6k-1=(6a-1)(6b+1), ] 則： [ k=6ab+a-b. ]

因此，給定一個欄位 (k)，若其中某側為半質數，我們可以將它反推為：

k\to (a,b,s,t).

若某側不是半質數，而是更深層合數，例如： [ 6k-1=p_1p_2p_3, ] 則可以沿因子鏈繼續推：

6k-1\to p_1,p_2,p_3.

如果某個因子本身也被表示為：

p_i=6a_i\pm1,

則該因子也可被映射回自己的欄位位置：

p_i=6k_i\pm1.

於是生成式反演可以形成一條鏈：

k\to (6k-1,6k+1)\to \text{factorization}\to (a,b,s,t)\to k_i\to\cdots.

這就是本文所謂的一維線性無限邏輯推演法在質數欄位中的具體化：沿著一條可計算的反推軸，把表層數字向生成源頭拆解。

10. 統計式推演：往後推

與生成式反演相對，統計式推演不問單一欄位的生成來源，而問大量欄位的分佈。

例如，在 $1\le k\le K_{\max}$ 中統計：

\#PP,\quad \#PC,\quad \#CP,\quad \#CC.

再進一步統計：

\#SS,\quad \#DD.

也可以對滑動窗口： [ [k,k+W] ] 計算：

\operatorname{rate}_{PP}(k,W),

\operatorname{rate}_{PC}(k,W),

\operatorname{rate}_{CP}(k,W),

\operatorname{rate}_{CC}(k,W),

\operatorname{rate}_{SS}(k,W).

這些比例隨 (k) 的變化，可以用來觀察：

孿生殘餘密度下降；
雙生成欄比例上升；
半質數雙重疊在不同尺度的變化；
左右單側破缺是否近似對稱；
某些區間是否出現偏離背景密度的局部波動。

本文不主張這些波動具有新定理意義。相反地，本文主張它們應先被視為統計現象，並與既有質數定理、孿生質數猜想、半質數分佈、Erdős–Kac 型結果等進行對照。

11. 機器驗證： $N=120000$

配套原型在預設範圍： [ N=120000 ] 下，得到：

K_{\max}=\left\lfloor\frac{N-1}{6}\right\rfloor=19999.

機器重新計算後得到以下分類：

類型	含義	數量
(PP)	雙殘餘 / 孿生欄	1423
(PC)	左質右合	4242
(CP)	左合右質	4211
(CC)	雙生成	10123
(SS)	雙半質數	3853
(DD)	雙深層生成	1241

其中： [ PP+PC+CP+CC=19999. ]

這與 $K_{\max}$ 一致。

此外， $\chi$ 與車道重疊驗證在 (39998) 個 wheel-6 數上通過。亦即對所有檢查的 (n)，皆滿足：

\chi(n)=0 \Longleftrightarrow n\equiv 1\pmod6,

\chi(n)=1 \Longleftrightarrow n\equiv 5\pmod6.

這說明 $\chi$ 的確不應被當成獨立信號。

12. 為什麼人眼看不出來？

在原始 TRIPLEX 疊圖中，我們把質數點、合數點、 $\Omega(n)$ 、 $\chi$ 、 $6k\pm1$ 車道疊在同一張圖上。從人眼角度看，這會遇到三個問題。

第一， $\chi$ 與車道重疊，因此看起來像有額外結構，實際上只是重複表現同一件事。

第二，單點顯示無法直接呈現欄位狀態。(6k-1) 與 (6k+1) 即使在畫面上上下相鄰，人眼也很難同時追蹤它們的共同分類。

第三，生成式重疊不是幾何形狀，而是公式層交會。例如 $k=20$ 的重疊，需要同時知道：

119=7\times17,

[ 121=11^2, ] 並將兩者反推回 (k) 公式，才看得出同欄位雙生成。

因此，K 欄生成反演法不應只依賴點雲視覺，而應直接將欄位狀態壓縮成可見分類。這也是 v0.2 原型將每個 (k) 畫成單一欄位點的原因。

13. 配套網頁原型 v0.2

本文配套網頁原型為：

TCGQT_k_column_generative_inversion_v0_2.html

其核心功能如下。

13.1 K 欄分類圖

每個 (k) 畫成一個點，以顏色顯示： [ PP,\ PC,\ CP,\ CC,\ SS,\ DD. ]

這是主視圖。

13.2 $\Omega$ -pair 圖

每個 (k) 以：

(\Omega(6k-1),\Omega(6k+1))

著色。

這讓使用者觀察欄位兩側在組合樹中的深度配對。

13.3 滑動統計圖

以窗口 (W) 統計各類欄位比例，顯示： [ PP,\ PC,\ CP,\ CC,\ SS ] 隨 (k) 漂移的曲線。

13.4 上下車道圖

保留傳統的：

6k-1,\quad 6k+1

上下兩道展開視圖，但其地位降為欄位視角的輔助顯示。

13.5 公式族反推面板

點選一個 (k) 後，面板顯示：

(6k-1) 與 (6k+1)；
各自因式分解；
$\Omega$ 值；
生成鏈；
若為半質數，顯示所屬公式族；
若為深層合數，提示需沿因子鏈繼續反推。

這讓使用者不必手動拆解，即可看到生成式如何擊中欄位。

14. 與一維線性無限邏輯推演法的關係

本文所使用的方法，並不是單純的數論圖表，也不是單純的統計圖。它更接近一種「一維線性無限邏輯推演法」的變體。

其核心操作包括：

將對象壓縮到一條線性索引：
$k=1,2,3,\dots$
將每個索引展開為局部結構： [ C_k=(6k-1,6k+1). ]
對局部結構進行分類： [ PP,\ PC,\ CP,\ CC,\ SS,\ DD. ]
將分類往生成公式反推：
$k\to (a,b,s,t).$
再將生成來源繼續展開：
$(a,b)\to \text{factor chain}\to\cdots.$
同時將大量欄位進行統計推演：
$\{C_k\}_{k=1}^{K_{\max}}\to \text{density curves}.$

因此，它不是在提出「下一種質數」，而是在建立一種從單點到欄位、從欄位到公式、從公式到統計的線性推演管線。

這與「生成大於閉合」也有自然關聯。閉合視角問的是「哪些數剩下」；生成視角問的是「哪些欄位被生成公式擊中」；反演視角則進一步問「這些生成公式如何沿著線性索引回到原點」。

15. 與 TRIPLEX 的關係

TRIPLEX 規格原本提出三層：

圖層 A：正向篩 / 質數點亮；
圖層 B：逆向埃篩 / 組合樹；
圖層 C：M6±1 殘餘骨架。

K 欄生成反演法不是推翻 TRIPLEX，而是把它壓縮成更可計算、更可視的欄位級結構。

TRIPLEX 原本的基本單位仍偏向整數點： [ n. ]

K 欄生成反演法則把基本單位改為： [ C_k=(6k-1,6k+1). ]

因此：

A 層在 $C_k$ 中表現為 (P/C) 狀態；
B 層在 $C_k$ 中表現為 $\Omega$ -pair 與生成公式族；
C 層在 $C_k$ 中表現為上下車道本身。

換句話說，K 欄生成反演法是 TRIPLEX 的欄位化、壓縮化與反演化。

16. 下一步：wheel-30 與更高階欄位

wheel-6 只有兩條車道：

6k-1,\quad 6k+1.

因此欄位 $C_k$ 是二元欄位。

若推廣到 wheel-30，則候選車道為：

(\mathbb{Z}/30)^*=\{1,7,11,13,17,19,23,29\}.

此時每個欄位不再只有兩側，而是八道候選：

C_k^{(30)}=(30k+r_1,\dots,30k+r_8).

欄位狀態將從： [ PP,\ PC,\ CP,\ CC ] 擴大為 $2^8$ 種質 / 合組合。

這會帶來三個問題：

分類爆炸；
視覺化困難；
公式族更多。

但也帶來一個好處：wheel-30 排除了更多平凡合數，使候選集合更接近真正質數殘餘。這有助於區分載具與信號。

未來可以定義：

\Omega\text{-vector}^{(30)}(k) = (\Omega(30k+r_1),\dots,\Omega(30k+r_8)).

也可以定義：

P/C\text{-pattern}^{(30)}(k)\in\{P,C\}^8.

這會把 K 欄生成反演法推廣為：

多車道生成反演法。

17. 開放問題

本文提出以下開放問題，但不宣稱已解決。

17.1 PP 欄的分佈

PP=\{k:6k-1,6k+1\in\mathbb{P}\}.

這即是孿生質數問題的欄位表示。本文只提供視覺化與統計化，不提供證明。

17.2 SS 欄是否有尺度穩定性

SS=\{k:\Omega(6k-1)=2,\ \Omega(6k+1)=2\}.

雙半質數欄的分佈是否有穩定比例、窗口波動或與 PP 欄形成某種互補圖像，值得進一步計算。

17.3 PC / CP 是否長期對稱

理論上，(6k-1) 與 (6k+1) 在很多統計層面應近似對稱，但有限窗口內可能出現局部偏移。這些偏移是否完全可由已知因素解釋，需要更大規模數據。

17.4 DD 欄是否可壓縮

雙深層生成欄：

DD=\{k:\Omega(6k-1)\ge3,\ \Omega(6k+1)\ge3\}

可能包含大量可進一步分類的子型。是否能以有限低維特徵壓縮，是未來實驗台的問題。

17.5 公式族重疊是否形成可視網絡

對所有半質數欄，可以建立：

k\leftrightarrow (a,b,s,t)

的二部圖。這是否會形成有意義的結構，或只是乘法表的另一種呈現，仍需嚴格區分。

18. 限制與警告

本文方法有明確限制。

第一，它不證明質數分佈定理。任何視覺結構都必須先被視為載具效果或統計波動。

第二，它不提供孿生質數猜想的判定法。(PP) 欄只是孿生質數的欄位化表示。

第三， $\chi$ 不是新信號。它與車道位置完全重疊。

第四，SS、DD 等分類不是新的數論物件，只是生成深度分類。

第五，所有有限 (N) 統計都只是有限範圍資料，不能直接外推為無限命題。

第六，K 欄生成反演法的價值主要在於重框、可視化、分類與生成式索引，而不是直接產生新定理。

19. 極簡偽代碼

N = 120000
spf = sieve_smallest_prime_factor(N)
is_prime = build_prime_flags(spf)
omega = build_omega(spf)

Kmax = (N - 1) // 6

for k in range(1, Kmax + 1):
    left = 6*k - 1
    right = 6*k + 1

    left_is_prime = is_prime[left]
    right_is_prime = is_prime[right]

    if left_is_prime and right_is_prime:
        state = "PP"
    elif left_is_prime and not right_is_prime:
        state = "PC"
    elif not left_is_prime and right_is_prime:
        state = "CP"
    else:
        state = "CC"

    omega_pair = (omega[left], omega[right])

    if omega_pair == (2, 2):
        subtype = "SS"
    elif omega[left] >= 3 and omega[right] >= 3:
        subtype = "DD"
    else:
        subtype = None

20. 結論

K 欄生成反演法將質數實驗台的基本單位從單點 (n) 改為欄位 (k)，並將 (6k-1) 與 (6k+1) 作為同一個局部結構分析。這使得質數、合數、半質數與深層合數不再只是散點，而是欄位中的生成 / 未生成狀態。

本文的核心修正是：所謂「二階質數」並不是正確概念。更準確地說，這是一種欄位級殘餘與生成反演結構。(PP) 是雙未命中，(SS) 是雙半質數，(CC) 是雙生成，(DD) 是雙深層生成；它們不是新的質數類型，而是 $6k\pm1$ 骨架上生成式與統計式交會的分類。

本文同時指出， $\chi$ 與車道位置完全重疊，因此不應被誤認為獨立信號。真正值得看的，是同一個 (k) 欄位中，上下兩側如何被生成公式擊中、如何未被擊中、如何形成單側破缺或雙側生成。

最終，K 欄生成反演法不是一套證明機器，而是一台探索儀器。它將閉合篩、生成樹與 wheel 骨架壓縮到同一條線性欄位軸上，讓我們可以沿著：

n\to 6k\pm1\to C_k\to \Omega\text{-pair}\to \text{formula family}\to \text{origin chain}

不斷向前或向後推演。

它的價值不在於立刻發現新定理，而在於把「質數殘餘」從單點現象改寫成欄位級生成反演問題。這正是 TCGQT 質數實驗台下一階段應該承擔的任務。

附錄 A：術語表

術語	定義
$U_k$	(6k-1)
$L_k$	(6k+1)
$C_k$	欄位對 ((6k-1,6k+1))
PP	上下皆質數
PC	左質右合
CP	左合右質
CC	上下皆合數
SS	上下皆半質數， $\Omega$ -pair = ((2,2))
DD	上下皆深層合數， $\Omega\ge3$
$\Omega(n)$	含重數的質因子數
$\chi(n)$	(-1) 型質因子數量奇偶
生成式反演	從合數欄位反推生成公式族
統計式推演	對大量欄位狀態進行窗口統計
雙殘餘欄	PP 欄，亦即孿生質數欄
雙生成欄	CC 欄
單側破缺	PC 或 CP 欄
公式族	(++)、(--)、(+-)、(-+) 四類乘法生成式

附錄 B： $k=20$ 的完整展開

[ k=20 ]

6k-1=119=7\times17

7=6\cdot1+1

17=6\cdot3-1

119=(6\cdot1+1)(6\cdot3-1)

=6(6\cdot1\cdot3-1+3)-1

[ =6(20)-1 ]

[ =119. ]