Neural Prime Sieves: Density-Driven Generalization and Empirical Evidence for Hardy-Littlewood Asymptotics

Resumen Técnico: Neural Prime Sieves

1. Planteamiento del Problema

El artículo aborda un desafío fundamental en la teoría de números computacional: la identificación probabilística de familias especiales de números primos (como primos gemelos, primos de Sophie Germain, primos seguros, primos de Chen, etc.) a partir de una secuencia de primos conocidos.

• Limitaciones actuales: Los métodos clásicos (cribas combinatorias) eliminan compuestos pero no asignan pesos probabilísticos a los candidatos. Los enfoques anteriores de aprendizaje automático han fallado debido a la "aleatoriedad algorítmica" de la secuencia de indicadores de primalidad, logrando tasas de verdaderos positivos cercanas al azar, especialmente a gran escala.
• El desafío específico: ¿Puede una red neuronal entrenada exclusivamente en un rango de datos limitado ($10^7$ a $10^9$) y utilizando estrictamente características causales (sin acceso a la información futura o al vecino siguiente del primo) aprender filtros probabilísticos fiables para siete familias de primos simultáneamente?
• Generalización fuera de distribución (OOD): ¿Puede el modelo generalizar correctamente a escalas nueve órdenes de magnitud más allá del entrenamiento (hasta $10^{16}$) y seguir las tendencias de densidad predichas por la conjetura de Hardy-Littlewood?

2. Metodología

A. Formulación del Problema y Características (Features)
El modelo, denominado PRIMEFAMILYNET, recibe como entrada un vector de características estrictamente causal para un primo $p$ conocido:

• Residuos primoriales: Residuos normalizados de $p$ módulo primoriales ($6, 30, 210, 2310$) y pequeños primos. Estas características codifican restricciones aritméticas deterministas sobre los vecinos de $p$.
• Brecha hacia atrás ($g_-$): La diferencia entre $p$ y su predecesor primo.
• Características de escala y dígitos: Información logarítmica sobre el tamaño de $p$ y propiedades de sus dígitos decimales.
• Restricción de causalidad: El modelo nunca tiene acceso a la brecha hacia adelante ($g_+$) ni al valor de $p+2$, lo que impide el "fuga de datos" (data leakage) y obliga al modelo a inferir la estructura del vecino futuro basándose únicamente en la historia pasada y las propiedades modulares.

B. Arquitectura de la Red

• Modelo: Una red neuronal residual de múltiples cabezas (Multi-head Residual Network) con 1.25 millones de parámetros.
• Estructura: Proyección de entrada $\to$ Bloques residuales (con normalización de capa y GELU) $\to$ Proyecciones de reducción $\to$ Siete cabezas de salida independientes (una por familia de primos) con activación sigmoide.
• Entrenamiento: Entrenado con 200,000 primos en el rango $[10^7, 10^9]$. Se compararon tres funciones de pérdida para manejar el desequilibrio de clases:
  1. Binary Cross-Entropy ponderada por frecuencia (wBCE).
  2. Focal Loss.
  3. Asymmetric Loss (ASL).

C. Controles y Validación

• Modelo de control no causal: Un modelo que sí tiene acceso a la brecha hacia adelante ($g_+$) para establecer un límite superior teórico de rendimiento.
• Evaluación: Se probaron modelos en escalas de $10^{10}$ hasta $10^{16}$ para medir la generalización fuera de distribución.

3. Contribuciones Clave y Resultados

A. Generalización Monótona Impulsada por la Densidad (Hallazgo Principal)
El resultado más significativo es el comportamiento de los primos aislados (primos que no forman parte de un par gemelo):

• Mientras que la mayoría de las familias de primos vieron disminuir su recall (tasa de recuperación) a medida que aumentaba la escala (debido a la rareza de los primos), el recall de los primos aislados aumentó monótonamente.
• Datos: El recall subió de 0.809 en $5 \times 10^8$ a 0.984 en $10^{16}$ (una mejora de 17.5 puntos porcentuales).
• Interpretación: Dado que el recall es una métrica invariante a la prevalencia de la clase, este aumento no se debe simplemente a que haya más primos aislados en la población. Refleja un afinamiento real del límite de decisión aprendido por la red. A medida que la densidad de primos gemelos disminuye (según la conjetura de Hardy-Littlewood), la firma modular que distingue a los primos aislados se vuelve más distintiva, y la red aprende a explotarlo mejor a escalas masivas sin haber sido entrenada en ellas.

B. Superioridad de las Características Causales en Primos de Chen
Para los primos de Chen (donde $p+2$ es primo o semiprimo), el modelo causal superó consistentemente al modelo no causal en todas las escalas evaluadas.

• Ventaja: La brecha de rendimiento creció de +0.050 en $5 \times 10^8$ a +0.245 en $10^{16}$.
• Razón: La brecha hacia adelante ($g_+=2$) solo indica el caso donde $p+2$ es primo, perdiendo información sobre el caso semiprimo. Las características modulares (residuos primoriales) capturaron ambas condiciones (primo y semiprimo) de manera más generalizable.

C. Análisis de Funciones de Pérdida y Robustez

• Focal Loss: Colapsó completamente para familias algebraicas raras (primos de Sophie Germain y seguros), alcanzando un recall de 0.000.
• Asymmetric Loss (ASL): Logró un mejor recall dentro de la distribución de entrenamiento (in-distribution), pero se degradó drásticamente fuera de ella (out-of-distribution) en escalas extremas.
• wBCE (Cross-Entropy ponderada): Fue la función más robusta para la generalización a gran escala, manteniendo un rendimiento estable en familias lineales donde ASL falló.
• Conclusión: El recall dentro de la distribución es un criterio engañoso para seleccionar modelos destinados a generalizar a escalas muy diferentes.

D. Validación de la Conjetura de Hardy-Littlewood
El modelo, entrenado sin ninguna supervisión explícita sobre las fórmulas asintóticas, reprodujo automáticamente la trayectoria de densidad predicha por la teoría analítica de números. La correlación entre la fracción de densidad de primos y el recall del modelo fue extremadamente alta ($R^2 > 0.98$), proporcionando una corroboración empírica independiente de las predicciones de densidad de constelaciones de primos.

4. Significado e Implicaciones

1. Aprendizaje de Estructura Aritmética: El estudio demuestra que las redes neuronales profundas pueden aprender y generalizar estructuras aritméticas complejas (límites de criba) basándose únicamente en características causales y modulares, sin memorizar estadísticas de entrenamiento.
2. Nueva Evidencia Computacional: Proporciona la primera línea de evidencia empírica basada en aprendizaje automático que valida las predicciones de densidad de Hardy-Littlewood para escalas extremas ($10^{16}$), algo que anteriormente solo se verificaba mediante conteo directo de primos.
3. Guía para el Diseño de Modelos: Establece que para problemas de predicción de clases raras con desplazamiento de distribución (cambio de densidad), las funciones de pérdida que suprimen agresivamente los gradientes (como Focal Loss o ASL) pueden ser contraproducentes. La ponderación simple de clases (wBCE) demostró ser superior para la generalización a largo plazo.
4. Aplicabilidad: El enfoque sugiere que el aprendizaje automático puede ser una herramienta viable para explorar propiedades de números primos en rangos donde el cálculo directo es prohibitivo, siempre que se formulen correctamente las características causales y modulares.

En resumen, el papel demuestra que un modelo de "caja negra" entrenado en datos limitados puede descubrir y explotar las leyes asintóticas profundas de la teoría de números, mejorando su precisión a medida que la naturaleza misma de los números primos se vuelve más predecible estadísticamente a escalas mayores.