Paper 167 v0.1 — 소피 제르맹 소수 (Sophie Germain Primes): 장벽 측 관찰 (Barrier-Side

이 기사는 dev.to 커뮤니티를 위해 Rei-AIOS Paper 167을 재출판한 것입니다.
전체 참고 문헌 목록이 포함된 정식 버전은 아래의 영구 아카이브에 있습니다:

• GitHub 소스 (비공개): https://github.com/fc0web/rei-aios 저자: Nobuki Fujimoto (@fc0web) · ORCID 0009-0004-6019-9258 · 라이선스 CC-BY-4.0 ---

상태 (Status): v0.1-DRAFT (2026-06-18)
저자 (Authors): 藤本 伸樹 (Nobuki Fujimoto) / Claude Opus (Anthropic) / chat-Claude (Anthropic, articulation thread 2026-06-17)
날짜 (Date): 2026-06-18
라이선스 (License): AGPL-3.0 + 상업용 (Rei-AIOS 이중 라이선스)
DOI: 미정 (출판 시 Zenodo 저장 예정)
버전 (Version): v0.1-DRAFT
note.com: https://note.com/nifty_godwit2635
rei-aios 사이트: https://rei-aios.pages.dev
소스 아티팩트 (Source artifacts):

• scripts/empirical/parity-barrier-toy-2026-06-18.py (패리티 장벽 장난감 구현)
• scripts/empirical/sg-analysis-2026-06-18.py (실험 1–4 종합)
• scripts/empirical/sg-extrapolation-2026-06-18.py (경로 1 N=10⁸ 외삽)
• scripts/empirical/sg-gap-spectral-2026-06-18.py (경로 2 스펙트럼 분석)
• data/lean4-mathlib/CollatzRei/SGConjunctionWall.lean (경로 3 Lean 4 공리 없는 증거)

초록 (Abstract)

우리는 Sophie Germain (SG) 소수 — $2p + 1$ 역시 소수인 소수 $p$ — 에 대해 네 가지 장벽 측 경험적 관찰 결과를 보고합니다. 이 결과는 이전에 Collatz Lyapunov 장애물(Rei-AIOS Phase B, 2026-06-17)을 위해 개발된 Bellman-Ford LP-불가능성 프레임워크를 사용했습니다. 본 연구의 어느 부분도 SG 소수 무한정 추측(SG-primes-infinity conjecture)이나 다른 어떤 전진 방향으로의 진전을 주장하지 않습니다. Rei-AIOS 피드백 원칙 8(장벽 측 규율) 및 세 가지 명시적인 비주장 경계에 따라, 본 논문은 관찰, 형식적 증거 제시, 온라인 검증 가능한 감사에 국한됩니다. 네 가지 관찰 결과는 다음과 같습니다: (1) 비율 경험적 / Hardy-Littlewood 예측이 $N = 10^3, 10^4, 10^5, 10^6, 10^7, 10^8$에 걸쳐 단조 감소하여 1.337 → 1.221 → 1.176 → 1.120 → 1.103 → 1.087을 보이며, 이는 Hardy-Littlewood (1923) 점근선 $2C_2 x / ( ext{ln } x)^2$와 일치하지만 증명이 아닌 _경험적 수렴_을 구성합니다; (2) SG 소수 간격 분포는 $ ext{⟨r⟩} = 0.4154$를 갖는 포아송(Poisson)-형태이며 (Atas et al. 2013 참고 값: Poisson $allingdotseq 0.386$, GOE $allingdotseq 0.531$, GUE $allingdotseq 0.603$), 이는 리만 제로가 GUE-형태인 것과는 확연히 대조적이며, 포아송과의 $L_1$ 거리는 0.123인 반면 GUE와의 $L_1$ 거리는 0.745입니다; (3) 명시적인 Lean 4 공리 없는 유한 증거 집합(11/11 정리, 오직 $ ext{propext}, ext{Classical.choice}, ext{Quot.sound}$에만 의존)은 여러 단일 구성 요소 특징 계열 — is_prime(n), is_prime(2n+1), n mod 6, 그리고 쌍 $( ext{is_prime}(n), n ext{ mod } 6)$ — 이 SG 소수성을 엄격하게 탐지하는 데 실패하며, BF-실행 가능성 위상 경계는 정확히 전체 논리곱 $ ext{is_prime}(n) ext{ ∧ } ext{is_prime}(2n+1)$에 위치함을 보여줍니다; (4) Friedlander-Iwaniec (2010, Opera de Cribro) 및 Selberg의 홀수성 문제에 대한 최선의 노력 온라인 감사를 통해 패턴-5 내부 기록 오류를 발견했습니다 (Selberg의 홀수성 문제 식별 연도는 이전에 기록된

이 논문은 전진적 체 (sieve theory) 이론에 대한 기여가 아니라, 작은 장벽 측 (barrier-side) 기술로서 Selberg의 홀수성 문제 (parity-problem) 문헌 (Selberg 1949; Friedlander–Iwaniec 2010; Tao 2007)과 함께 읽을 때 가장 효과적입니다.

주요 키워드: 소피 제르맹 소수 (Sophie Germain primes), 홀수성 문제 (parity problem), 체 이론 장벽 (sieve theory barrier), Hardy-Littlewood 추측 (Hardy-Littlewood conjecture), Bellman-Ford 불가능성 (Bellman-Ford infeasibility), Lean 4 공리 없는 (Lean 4 axiom-free), 논리곱 벽 (conjunction wall), 장벽 측 규율 (barrier-side discipline).

제1절. 서론

1.1 범위 및 이 논문이 아닌 것

이 논문은 2026-06-18에 Rei-AIOS 워크플로우 내에서 수행된 탐색적 분석을 기록하며, 다음 질문에 대한 응답입니다: Collatz Lyapunov 스타일의 장애물 (obstructions)을 위해 조립된 장벽 매핑 툴킷 (barrier-mapping toolkit)이 주어졌을 때, 동일한 툴킷을 소피 제르맹 소수 (Sophie Germain primes)에 적용하면 어떤 경험적 관찰 결과가 도출되는가?

정직하게 기록된 답변은 네 가지 작은 관찰 결과이며, 이 중 어느 것도 SG-소수 무한 추측 (SG-primes-infinity conjecture)을 진전시키지 않으며, 새로운 체 이론적 방법론을 구성하지도 않습니다. 범위를 명확히 하기 위해 이를 미리 명시합니다:

1. Hardy-Littlewood (1923) k-튜플 추측 (k-tuple conjecture) 하에서의 경험적-예측 비율 (empirical-to-predicted ratio)의 수치적 수렴 (제2절).
2. 리만 제로 (Riemann zeros)의 GUE 유사 통계와 대조되는, SG-소수 간격에 대한 Poisson 유사 스펙트럼 통계 (Poisson-like spectral statistics) (제3절).
3. 여러 단일 구성 요소 특징들이 SG-성 (SG-ness)을 엄격하게 탐지하는 데 실패함을 보여주는 Lean 4 공리 없는 유한 증거 정리 세트 (Lean 4 axiom-free finite-witness theorem set); 논리곱 (conjunction)이 곧 벽이다 (제4절).
4. 최선의 노력 온라인 감사를 통해 포착된 패턴-5 내부 기록 수정 (제5절).

1.2 이 논문이 주장하지 않는 것

Rei-AIOS 피드백 원칙 8("Rei 방법론 = 장벽 측 규율 (barrier-side discipline)", 2026-06-18에 네 가지 독립적인 응용 사례인 Collatz / Millennium-general / Sophie Germain / individual-Millennium을 통해 확립됨)에 따라, SG 소수(Sophie Germain primes)의 무한성을 해결하거나, 부분적으로 해결하거나, 혹은 이를 해결할 수 있는 기술적 장치(technical apparatus)를 생성하는 데 이르는 순방향 (forward) 방향은 현재 툴킷(toolkit)의 범위를 구조적으로 벗어나 있습니다. 셀베르그 패리티 장벽 (Selberg parity barrier) (Selberg 1949; 현대적 해설은 Tao 2007 참조)은 표준 체 (sieve methods)가 무한성 결과에 도달하는 것을 막는 증명된 장애물이며, 본 논문은 이를 우회하는 척하지 않습니다. 제4절의 토이 모델 (toy model)은 실제 장벽이 아니라 패리티 장벽의 단순화된 선형 유사체 (linear analogue)입니다.

특히, 본 논문은 명시적으로 다음을 수행하지 않습니다:

• (a) SG 소수가 무한하다는 방향으로의 진전을 주장하지 않음.
• (b) 하디-리틀우드 공식 (Hardy-Littlewood formula)의 검증을 주장하지 않음 (수치적 일치는 관찰일 뿐 증명이 아님; π(x) 대 Li(x)에 관한 Skewes-number의 역사적 교훈 참조).
• (c) D-FUMT₈, ZCSG, SNST, SELF⟲ 또는 기타 Rei 고유의 산물 (Rei-native artifact)이 패리티 장벽의 통합, 기술적 입력, 또는 형식화(formalization)라고 주장하지 않음.
• (d) "일반적 장애물 증명기 (general obstruction prover)" 또는 "Selberg을 넘어서 (Beyond Selberg)" 프레임워크를 주장하지 않음. Bellman-Ford 불가능성 인코딩 (infeasibility encoding)은 패리티 스타일의 장벽과 라벨링 대응 (labelling correspondence) 관계를 갖는 것이지, 형식적 준동형 (formal homomorphism)이 아닙니다.

이 네 가지 비주장(non-claims)은 Rei-AIOS 메모리의 project_sg_explicit_non_claims_2026-06-18.md에 **영구적 경계 (permanent boundaries)**로 기록되어 있으며, 본 논문은 제6절에서 이를 향후 모든 독해를 위한 감사 게이트 (audit gates)로서 재진술합니다.

1.3 이 논문이 주장하는 것

네 개의 각 섹션은 다음과 같은 유형의, 정밀하게 범위가 고정된(scope-pinned) 주장을 포함합니다: 사용된 특정 인코딩 / 파라미터 / 기능군 (feature family) 하에서, 다음과 같은 유한하거나 계산적인 관찰이 성립한다. 이러한 주장들은 헤더에 나열된 소스 산물(source artifacts)로부터 개별적으로 확인 가능합니다.

1.4 방법론적 프레이밍 (Methodological framing)

이 방법론은 2026-06-17의 Rei-AIOS Phase A→B→C Collatz 작업(project_collatz_aeb_sequence_2026-06-18.md, reference_collatz_lyapunov_obstruction_generalized_2026-06-17.md)에서 통째로 빌려왔습니다:

• "Lyapunov-like" (리야푸노프 유사) 가능성 질문에 대한 LP-불가능성 (LP-infeasibility) / 음의 순환 (negative-cycle) Bellman-Ford 인코딩이며, 로그 상쇄 (log-cancellation)를 통해 순수 유리 선형 산술 (rational linear arithmetic)로 축소되어 표준 그래프 알고리즘에 의해 O(|V| · |E|) 시간에 결정 가능합니다.
• 유한한 증거 (finite witnesses)를 위한 공리 없는 (axiom-free) Lean 4 + Mathlib v4.27 레코드 규율 (record discipline)을 사용하며, #print axioms를 통해 커널 공리 (kernel-axiom) 감사를 수행합니다.
• 3단계의 정직한 범위 (honest-scope) 규율: 【観察 / observation (관찰)】, 【仮説 / hypothesis (가설)】, 【思弁 / speculation (사변)】을 적용하며, 네 번째 암묵적 단계인 【連想 / mere association (단순 연상)】은 거부 기본값 (reject-default)으로 사용됩니다.

우리는 이 프레이밍이 새롭다고 주장하지 않습니다. BF/LP 인코딩은 표준적인 도구이며, 공리 없는 Lean 4 규율은 Mathlib 커뮤니티에서 널리 실천되고 있고, 3단계 정직 규율은 다른 이름으로 오래된 전통입니다. 섹션 6에 이 규율을 기록합니다.

섹션 2. 경로 1 — Hardy-Littlewood 비율 외삽 (extrapolation) N = 10³ to 10⁸

2.1 설정 (Setup)

소피 제르맹 소수 (Sophie Germain primes)에 특화된 Hardy-Littlewood (1923) k-tuple 추측은 다음과 같이 예측합니다.

$$
\pi_{SG}(x) \sim 2 C_2 \cdot \frac{x}{(\ln x)^2}
$$

여기서 C_2 = ∏_{p ≥ 3 prime} p(p-2) / (p-1)² ≈ 0.66016181584...는 쌍둥이 소수 상수 (twin-prime constant)입니다. 우리는 N ∈ {10³, 10⁴, 10⁵, 10⁶, 10⁷, 10⁸}에 대해 경험적 개수 π_{SG}(N)와 경험적 / 예측 비율을 계산했습니다.

체 (sieve)는 길이 2N + 1의 단일 bytearray (인덱스당 1바이트)로 구현되었으며, N = 10⁸에서 약 191 MB의 메모리 점유율을 가집니다. N = 10⁸에서의 총 실제 실행 시간 (wall-clock)은 단일 스레드에서 약 13초였습니다.

2.2 결과 (Results)

N	π_{SG}(N) 경험적	HL 예측	비율	편차
10³	37	27.7	1.3372	+33.72%
...
N = 10³, 10⁴, 10⁵, 10⁶, 10⁷, 10⁸에서의 경험적 개수는 모두 OEIS A092816과 정확히 일치합니다.

2.3 정직한 해석 【観察】

비율 수열 {1.3372, 1.2207, 1.1758, 1.1198, 1.1025, 1.0875}은 엄격하게 단조 감소(strictly monotone decreasing)하며, 연속적인 10배수 단위(decade-to-decade) 비율은 0.913, 0.963, 0.952, 0.985, 0.984입니다. 즉, 접근 속도 자체가 느려지고 있으며, 이는 최고차 항 점근선(leading-order asymptotic)의 예측된 1 + O(1 / \ln N) 보정 구조와 일치합니다.

이는 Hardy-Littlewood 예측이 올바른 점근선(asymptotic)일 경우 기대할 수 있는 유한한 N에서의 거동입니다. 이것은 증명이 아닙니다. 해석적 정수론(analytic number theory) 역사에서 훨씬 더 광범위한 수치적 증거조차 오해를 불러일으킨 사례가 있었습니다. 대표적인 예로 π(x) 대 Li(x)에 관한 Littlewood (1914)와 Skewes (1933)의 사례가 있는데, 여기서 엄청나게 큰 x까지의 경험적 증거는 특정 부등식을 시사했으나, 이후 그 부등식이 무한히 자주 역전된다는 것이 밝혀졌습니다. 우리는 Hardy-Littlewood 추측의 검증을 주장하는 것이 아닙니다. 우리의 스캔 범위 내에서 경험적 개수가 해당 추측의 최고차 항(leading order)과 일치함을 주장하는 것입니다.

2.4 정직한 비주장 (Honest non-claims)

• 편차(deviation)가 계속해서 감소할 것이라고 주장하지 않습니다 (우리의 범위 내에서 감소했다는 사실만을 언급합니다).
• 수렴 속도(rate of convergence)를 주장하지 않습니다.
• 10⁸을 넘어서는 특정 N에서의 일치를 주장하지 않습니다.

3절. 경로 2 — SG 소수 간격 스펙트럼 통계 (SG prime gap spectral statistics)

3.1 동기 (Motivation)

Hilbert–Pólya 프로그램 하에서 Riemann zero(리만 제로)들은 가우시안 유니터리 앙상블 (Gaussian Unitary Ensemble, GUE)과 일치하는 고유값 통계(eigenvalue statistics)를 보여줍니다. 이는 잘 문서화된 경험적 일치 사례입니다 (Montgomery 1973; Odlyzko 1987; 이에 대한 본 연구진의 재현 결과는 Rei-AIOS STEP 1162–1165를 참조하십시오). "SG 소수에서 얼마나 많은 스펙트럼 구조가 보이는가?"라는 정신에 입각한 한 가지 자연스러운 질문은 다음과 같습니다: SG 소수 간격(SG prime gaps)이 동일한 고유값 유사 통계(eigenvalue-like statistics)를 나타내는가?

표준 테스트 통계량은 다음과 같습니다:

• ⟨r⟩ (Atas et al. 2013): s_i가 i번째 간격(gap)일 때, r_i = min(s_i, s_{i+1}) / max(s_i, s_{i+1})의 평균값. 참조값: Poisson ≈ 0.386, GOE ≈ 0.531, GUE ≈ 0.603.
• 간격 히스토그램 (평균 간격 단위): Poisson 밀도 e^{-s} 및 GUE Wigner surmise 밀도 (32/π²) s² e^{-4s²/π}와 비교.
• 수 분산 (Number variance) Σ²(L) (길이 L인 윈도우 내의 점의 개수): Poisson Σ²(L) = L (선형, linear) 및 GUE Σ²(L) ∼ (1/π²)(\ln(2\pi L) + \gamma + 1) (하위 선형 로그형, sub-linear logarithmic)과 비교.

3.2 설정 (Setup)

섹션 2에서 언급한 10⁷까지의 56,032개 소피 제르맹 (SG) 소수를 사용했습니다. 이로부터 56,030개의 최근접 이웃 비율 (nearest-neighbour-ratio) 샘플과 [0, 4] 범위(평균 간격 단위)에서의 20-빈 간격 히스토그램 (spacing histogram)을 계산했습니다.

3.3 결과 (Results)

⟨r⟩ 통계량:

항목	값
샘플 크기	56,030
...
가장 가까운 참조값은 Poisson이며, 0.029의 완만한 양의 편차를 보입니다.

간격 히스토그램 L1 거리 (Spacing histogram L1 distance):

분포 대비	L1 거리
Poisson e^{-s}	0.1229
GUE Wigner surmise	0.7446

경험적 간격 분포는 GUE보다 Poisson에 약 6배 더 가깝습니다.

펼쳐진 수열 (unfolded sequence)에 대한 L ∈ {1, 2, 4, 8, 16}에서의 수 분산 (Number variance) Σ²(L):

L	평균 개수 (mean count)	분산 (variance)	분산 / L	GUE 예측값
1	1.035	0.964	0.964	0.346
...
variance / L 비율은 L ≤ 8에서 약 1.0이며, 이는 Poisson과 일치합니다. L = 16에서의 편차는 유한 샘플로 인한 인위적 결과 (finite-sample artefact, L당 200개의 윈도우)일 가능성이 높습니다.

3.4 정직한 해석 【観察】