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

Título: Peneiras Neurais de Números Primos: Generalização Impulsionada por Densidade e Evidência Empírica para Assintóticas de Hardy–Littlewood

Autor: Manik Kakkar (Universidade Johns Hopkins)
Domínio: Teoria dos Números Computacional e Aprendizado de Máquina

---

1. Problema e Motivação

O artigo aborda um desafio fundamental na interseção entre a teoria dos números e o aprendizado de máquina: a identificação de famílias específicas de números primos (como primos gêmeos, primos de Sophie Germain, primos isolados, etc.) a partir de um fluxo de números primos conhecidos.

• Limitação do Estado da Arte: Métodos clássicos de peneira eliminam compostos, mas não atribuem pesos probabilísticos a candidatos coprimos. Abordagens anteriores de aprendizado de máquina para prever primalidade ou famílias de primos falharam devido à "aleatoriedade algorítmica" da sequência de números primos, resultando em taxas de verdadeiros positivos próximas de zero que diminuem com a escala.
• A Questão Central: É possível treinar uma rede neural profunda apenas em dados de uma escala menor (ex: $10^7$ a $10^9$), utilizando estritamente características causais (que não revelam o vizinho futuro do primo), para aprender filtros probabilísticos confiáveis que se generalizem para escalas extremamente grandes (até $10^{16}$)? Além disso, a direção dessa generalização corresponderá às previsões assintóticas da conjectura de Hardy–Littlewood?

---

2. Metodologia

O estudo introduz o PRIMEFAMILYNET, uma rede neural residual multi-cabeça projetada para prever a membresia em sete famílias de primos simultaneamente.

2.1 Representação de Características Causais

O modelo é estritamente causal, dependendo apenas do histórico da sequência de primos até o número atual $p$, sem acesso ao sucessor $p+$. O vetor de características $x(p)$ (25 dimensões) inclui:

• Resíduos Primoriais: $p \pmod m$ para $m \in \{6, 30, 210, 2310\}$ e primos pequenos. Estes codificam restrições modulares determinísticas que definem a estrutura das constelações de primos.
• Gap Reverso ($g_-$): A diferença entre $p$ e seu predecessor, normalizada.
• Características de Escala e Dígito: Logaritmos e somas de dígitos para auxiliar na normalização, mas sem revelar a magnitude absoluta de forma que quebre a invariância de escala.

2.2 Arquitetura do Modelo

• Estrutura: Uma Rede MLP Residual com 1,25 milhão de parâmetros.
• Entrada: Vetor causal de 25 dimensões (ou 29 para o modelo de controle não causal).
• Saída: 7 cabeças independentes de saída sigmoidal, cada uma representando a probabilidade de um primo pertencer a uma das sete famílias:
  1. Gêmeos (Twin)
  2. Primos de Sophie Germain
  3. Primos Seguros (Safe)
  4. Primos de Cousin
  5. Primos "Sexy"
  6. Primos de Chen
  7. Primos Isolados (complemento dos gêmeos)

2.3 Protocolo de Treinamento e Controle

• Dados: 200.000 primos rotulados no intervalo $[10^7, 10^9]$.
• Avaliação (OOD): Testado em escalas fora da distribuição (Out-of-Distribution) em $10^{10}, 10^{12}, 10^{14}$ e $10^{16}$.
• Modelo de Controle (Não Causal): Um modelo de controle teve acesso ao "gap futuro" ($g_+$), estabelecendo um limite superior de desempenho. A diferença entre o modelo causal e o não causal quantifica o "custo da causalidade".
• Funções de Perda: Comparação entre Weighted Binary Cross-Entropy (wBCE), Focal Loss e Asymmetric Loss (ASL) para lidar com o desequilíbrio de classes.

---

3. Resultados Principais

3.1 Generalização Monótona para Primos Isolados (Descoberta Chave)

A descoberta mais significativa é que a recuperação (recall) de primos isolados aumentou monotonicamente com a escala, indo de 0,809 em $5 \times 10^8$ para 0,984 em $10^{16}$.

• Significado: Os primos isolados são os únicos entre as sete famílias que melhoraram com o aumento da escala.
• Causa: Isso reflete a previsão da conjectura de Hardy–Littlewood: a densidade de primos gêmeos decai como $1/(\log N)^2$, enquanto a densidade total de primos decai como $1/\log N$. Consequentemente, a fração de primos que são "isolados" aumenta com a escala.
• Prova de Aprendizado Real: Como o recall é uma razão dentro da classe positiva (invariante à prevalência da classe negativa), o aumento de 17,5 pontos percentuais não é um artefato de desequilíbrio de classes, mas sim um aprimoramento genuíno da fronteira de decisão aprendida pelo modelo. O modelo aprendeu a estrutura aritmética que define a isolamento sem ter recebido rótulos de densidade.

3.2 Desempenho em Outras Famílias

• Decaimento Previsível: Para a maioria das outras famílias (gêmeos, cousin, sexy), o recall diminuiu monotonicamente, alinhando-se com a previsão de que essas constelações se tornam mais raras em escalas maiores.
• Primos de Chen: O modelo causal superou o modelo não causal em todas as escalas (vantagem crescendo de +0,050 para +0,245 em $10^{16}$). Isso ocorre porque o gap futuro ($g_+$) só indica o caso onde $p+2$ é primo, enquanto os resíduos primoriais capturam tanto o caso primo quanto o caso semiprimo (definição de Chen).
• Colapso em Escalas Extremas: Primos de Sophie Germain e Primos Seguros sofreram colapso de recall em escalas muito altas ($>10^{14}$) com certas funções de perda, indicando que a densidade dessas famílias torna o sinal de aprendizado muito esparsa.

3.3 Comparação de Funções de Perda

• Focal Loss: Catastrófico para famílias esparsas (recuperação caiu para 0,000 em primos de Sophie Germain e seguros), pois suprime gradientes de exemplos difíceis que são essenciais para famílias raras.
• Asymmetric Loss (ASL): Teve melhor desempenho in-distribution (dentro da distribuição de treino), mas degradou-se mais severamente out-of-distribution (OOD) comparado ao Weighted BCE.
• Weighted BCE: Foi o mais robusto para generalização de escala, mantendo recall não nulo em todas as famílias e escalas.

3.4 Custo da Causalidade

O modelo causal manteve mais de 95% do recall do modelo não causal para cinco das sete famílias perto de $10^{10}$, reduzindo o espaço de busca em 62–88%. Isso demonstra que os resíduos modulares contêm informações suficientes para inferir a estrutura do vizinho futuro sem vazamento de dados.

---

4. Contribuições e Significado

1. Evidência Empírica para Hardy–Littlewood: O trabalho fornece a primeira linha de evidência de aprendizado de máquina que corrobora independentemente as previsões de densidade assintótica de constelações de primos. O modelo, treinado sem conhecimento da fórmula assintótica, aprendeu implicitamente a trajetória de densidade correta.
2. Generalização Além da Escala de Treino: Demonstra que redes residuais profundas podem aprender fronteiras de peneira aritmética que se generalizam por nove ordens de magnitude ($10^9 \to 10^{16}$) usando apenas características causais.
3. Insights sobre Funções de Perda: Estabelece que, para tarefas de generalização de escala com desequilíbrio de classes dinâmico, o desempenho in-distribution (como o recall alto com ASL) é um critério enganoso. Funções de perda que não suprimem gradientes de exemplos difíceis (como o Weighted BCE) são superiores para robustez OOD.
4. Novo Paradigma de Peneira: Propõe uma "peneira probabilística" neural que não apenas elimina compostos, mas atribui probabilidades baseadas na estrutura modular, superando as limitações das peneiras clássicas que não ponderam candidatos.

Conclusão

O artigo prova que a estrutura aritmética dos números primos, codificada em resíduos modulares e gaps reversos, é aprendível por redes neurais de forma causal e generalizável. O aprimoramento do recall de primos isolados com a escala é a prova definitiva de que o modelo internalizou a teoria das peneiras de primos e a dinâmica de densidade de Hardy–Littlewood, em vez de apenas memorizar estatísticas de treinamento.