# K 欄生成反演法：從二階質數誤稱到欄位級質數殘餘分析

## 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：

1. 共同核心項：
\[
6ab.
\]

2. 側向修正項：
\[
at+bs.
\]

3. 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：

1. 將對象壓縮到一條線性索引：
\[
k=1,2,3,\dots
\]

2. 將每個索引展開為局部結構：
\[
C_k=(6k-1,6k+1).
\]

3. 對局部結構進行分類：
\[
PP,\ PC,\ CP,\ CC,\ SS,\ DD.
\]

4. 將分類往生成公式反推：
\[
k\to (a,b,s,t).
\]

5. 再將生成來源繼續展開：
\[
(a,b)\to \text{factor chain}\to\cdots.
\]

6. 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：

1. 圖層 A：正向篩 / 質數點亮；
2. 圖層 B：逆向埃篩 / 組合樹；
3. 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：

1. 分類爆炸；
2. 視覺化困難；
3. 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

```python
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

\[
k=20
\]

\[
6k-1=119=7\times17
\]

\[
7=6\cdot1+1
\]

\[
17=6\cdot3-1
\]

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

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

\[
=6(20)-1
\]

\[
=119.
\]

另一方面：

\[
6k+1=121=11\times11
\]

\[
11=6\cdot2-1
\]

\[
121=(6\cdot2-1)(6\cdot2-1)
\]

\[
=6(6\cdot2\cdot2-2-2)+1
\]

\[
=6(20)+1
\]

\[
=121.
\]

所以：
\[
k=20
\]
同時滿足上下兩側半質數生成，是一個 \(SS\) 欄。

---

## 附錄 C：機器驗證摘要

範圍：
\[
N=120000.
\]

\[
K_{\max}=19999.
\]

分類：

| 類型 | 數量 |
|---|---:|
| PP | 1423 |
| PC | 4242 |
| CP | 4211 |
| CC | 10123 |
| SS | 3853 |
| DD | 1241 |

驗證：
\[
PP+PC+CP+CC=19999=K_{\max}.
\]

\[
\chi\text{ 與車道重疊驗證：PASS}.
\]

---

*EML-TCGQT-2026-KCOLUMN-v0.1*  
*© EveMissLab / Neo.K / GPT-5.5 Thinking*