结果族 148：The entropy-rate dimension formula for self-similar measures · 学科：Dynamical systems and ergodic theory · 验证状态：主结果已 Lean 形式化
拿几台”复印机”，每台都会把图形缩小再挪个位置；随机挑一台复印，再对复印件继续随机复印……无限重复后得到的粉末状图样有多”胖”？胖瘦的刻度叫维数。老公式只在各台复印件互不遮挡时管用；本文证明：随便遮挡、随便重叠，维数依然等于”每步选择携带的信息量 ÷ 每步缩小的对数值”。一个公式通吃所有情形。
关键词卡片
看个具体例子
主定理：@@M@@\dim_{\mathrm H}\mu=\min\{1,\ h_{\mathrm{RW}}/\chi\}@@。代入两个具体例子：
@@M@@x/3@@ 与 @@M@@x/3+2/3@@，各以 @@M@@1/2@@ 概率使用）：@@M@@h_{\mathrm{RW}}=\ln 2@@，@@M@@\chi=\ln 3@@，维数 @@M@@=\ln 2/\ln 3\approx 0.631@@；@@M@@x/3,\ x/3+1/3,\ x/3+2/3@@ 等权：存在大量精确重叠，熵按”结果”而非”指令”计数得 @@M@@h_{\mathrm{RW}}=\ln 3=\chi@@，维数 @@M@@=1@@——测度恰是 @@M@@[0,1]@@ 上的均匀分布。同样的配方，重叠不重叠都不出岔子，这就是公式”无条件”的含义。
为什么值得关心
自相似集是分形几何与遍历论的交叉路口，Erdős、Solomyak、Hochman 等大师在此逐块攻城，每一步都要附加分离或算术条件；本公式一劳永逸地取消了全部额外假设，把”维数等于信息率除以压缩率”这句直觉变成无条件定理。
已 Lean 形式化
第一级台阶
把”复印机”的比喻翻成半数学的话：对象是一批”先按各自倍数缩小、再平移到各自位置”的操作，外加一套随机挑用它们的规则；操作是把挑中的操作独立地、无穷次地复合下去。粉末图样就是这一随机过程的极限分布，它的”胖瘦”要由两个量共同决定：每步随机挑选平均携带的信息量，与每步平均缩小的对数值。
第二级台阶
用本科术语说：每个操作是压缩相似映射，即一次仿射变换，斜率绝对值小于一、允许为负；随机复合 n 步得到的是一个随机仿射映射，取其分布的香农熵。熵率 h 定义为该熵除以 n 的极限——注意熵按”得到的映射”而非”挑用的指令”计数，重复合出的同一映射只算一次；Lyapunov 指数 χ 则是各步缩小倍数对数值的平均。测度的 Hausdorff 维数刻画它铺满空间的效率，这里取下维数形式。
第三级台阶
定理断言：对任意有限映射族与任意正权重，极限测度的维数恰为 min{1, h/χ}。语境里没有任何分离条件：不同指令序列可以定义完全相同的映射（精确重叠），压缩比可以不等、可以为负。这一”无条件”正是难点——已知反例表明没有精确重叠的系统也能让不同圆柱以超指数速度贴近，任何依赖定量分离下界的论证都会落空。结论借助精确维性定理同时给出几乎处处局部维数；但定理只断言维数，不涉绝对连续性。
在完全不设分离条件的前提下，证明了直线上任何自相似测度的 Hausdorff 维数都等于 @@M@@\min\{1,h_{\mathrm{RW}}/\chi\}@@：随机游走熵率除以 Lyapunov 指数，精确重叠、不等压缩比与负压缩比统统允许，彻底解决熵率维度猜想。
取有限个压缩相似（contracting similarity）@@M@@\varphi_i(x)=r_i x+t_i@@（@@M@@0<|r_i|<1@@）与正权重 @@M@@p_i@@，独立随机复合后取极限，便得到自相似测度（self-similar measure）@@M@@\mu@@。Moran 与 Hutchinson 的经典理论在开集条件（open set condition）下给出维数公式；一旦去掉分离假设，问题立刻变得极其微妙：Erdős 证明 Pisot 参数的 Bernoulli 卷积（Bernoulli convolution）奇异，Solomyak 证明几乎处处绝对连续，Hochman 的熵增长逆定理表明维数亏损必迫使圆柱映射超指数集中。此后 Varjú、Rapaport、Feng–Feng、Bárány–Verma 等在超越参数、代数压缩比、有理平移等种种算术或分离条件下逐步推进；而 Varjú 综述中的熵率维度猜想（Conjecture 3）断言：不用任何分离与算术假设，维数也应由映射随机游走的熵率给出。更棘手的是，Baker 与 Bárány–Käenmäki 构造了没有精确重叠、不同圆柱却以任意超指数速度互相逼近的系统，这意味着证明必须能在毫无定量分离下界时处理”极近而不重合”的映射。
主定理：对任意有限指标化映射族 @@M@@\varphi_i(x)=r_i x+t_i@@（压缩比可不等、可为负、不同指标可给出同一映射）及任意严格正概率向量 @@M@@p@@，记 @@M@@G_n=\varphi_{I_1}\circ\cdots\circ\varphi_{I_n}@@ 为随机复合的完整仿射映射，其熵率（entropy rate）@@M@@h_{\mathrm{RW}}=\lim_{n\to\infty}H(G_n)/n@@，Lyapunov 指数 @@M@@\chi=-\sum_i p_i\log|r_i|@@，则
@@M@@D\dim_{\mathrm H}\mu_{\Phi,p}=\min\left\{1,\frac{h_{\mathrm{RW}}(\Phi,p)}{\chi(\Phi,p)}\right\}.@@
关键在于熵按”映射”而非”地址”计数：精确重叠（exact overlap，不同字定义同一完整仿射映射）被显式允许。由 Feng–Hu 的精确维性（exact dimensionality）定理，上式常数同时是测度的几乎处处局部维数。同文推论包括：无精确重叠时回到经典公式 @@M@@\min\{1,H(p)/\chi\}@@；吸引子维数 @@M@@\dim_{\mathrm H}K_\Phi=\min\{1,s_*\}@@（@@M@@s_*@@ 为相似维数）；以及齐次三映射族 @@M@@x\mapsto\lambda x,\ \lambda x+1,\ \lambda x+t@@ 的维数公式。定理只断言维数，不断言绝对连续性。
上界较直接：把编码符号按 @@M@@n@@ 个一组分块，以 @@M@@G_n@@ 支撑中互不相同的映射为新字母表，重组后的系统仍生成同一 @@M@@\mu@@，其单符号熵为 @@M@@H(G_n)@@、平均压缩深度为 @@M@@n\chi@@，再用大数定律与覆盖论证即得 @@M@@d\le\min\{1,h/\chi\}@@。下界用反证法：设 @@M@@d<1@@ 且 @@M@@d\chi<h@@，分三步导出矛盾。
第一步建立两件熵机制。其一为有限律估计：有限律 @@M@@\nu@@ 的精确熵超出其尺度 @@M@@\rho@@ 网格熵的部分，是”藏在格子里”的信息；引理断言这些信息必然体现为更细尺度上可观的公平两点律（fair pair，等权二点分布）质量，且常数与支撑点间最小距离无关。证明采用随机化嵌套分割，把切割线随机扰动后取平均，使贴近边界的原子不被反复计费——这正是无需定量分离的原因。其二为一致非饱和（uniform nonsaturation）：若 @@M@@d<1@@，则每个一比特尺度窗口都有一致正的熵亏 @@M@@\delta>0@@，否则用停止时自相似性把近饱和传递到一切更细尺度，与维数压制的熵上界矛盾。
第二步做块型（block type）分解：把符号流按长度 @@M@@b@@ 分块，条件于每块中各符号的出现计数。计数固定了该块的带符号压缩比；所有块的压缩确定后，平移量唯一决定完整复合映射。记录计数每块只耗 @@M@@m\log(b+1)@@ 比特，故条件平移律仍保有至少 @@M@@nh_b@@ 的映射熵，哪怕许多地址相撞。维数 @@M@@d@@ 又压住其在尺度 @@M@@\rho_n=2^{-\lceil An\rceil}@@ 的网格熵，两者之差给出埋在该尺度之下的信息量 @@M@@\ge\varepsilon n@@；固定类型还使和集（sumset）很小，代入有限律估计即得：在典型收缩事件上，某个有限深度带 @@M@@[a_n,B_n]@@ 内积累了 @@M@@\ge cn@@ 的公平对质量。
第三步处理深度带可任意延伸的困难：在前面的带端点已知后才逐段选取块长，使后面的带严格排在前面带之下。在每个目标深度 @@M@@L@@ 观测窗口熵 @@M@@g_j@@；由 @@M@@\Delta_v@@ 的凸性与”对未观测未来类型取平均恰还原 @@M@@\mu@@ 的缩放拷贝”，每个公平对经两点增益（two-point gain）引理产生至少 @@M@@\delta/2@@ 的窗口熵增益。而同一深度下保留的窗口互不相交，增益沿望远镜求和被 @@M@@2\log M@@ 一致封顶。对 @@M@@L=1,\dots,T@@ 求和，每个带都贡献与 @@M@@T@@ 成正比的下界，最终得到 @@M@@2T\log M\ge\delta c qT/(4D)@@；右端随带数 @@M@@q@@ 无限增长，矛盾。
本文主结果已有 Lean 形式化证明，是结果族 148 的定理核心篇；无重叠测度公式、吸引子公式与三映射特例均作为同文推论由主定理直接导出，彼此支撑。论文明确声明不断言绝对连续、有效分离或定量收敛速率，深度带上端 @@M@@B_n@@ 也无有效界。按 OpenAI 官方声明，未经形式化的结果可能有问题；本篇核心结论已过形式化核验，在家族中可信度最高。
问 1：证明里哪一步最关键也最脆弱？
（答：下界的第三步——深度带望远镜论证。公平对质量可能藏在任意深的尺度带里，带的上端没有有效界；证明只能在前一带端点确定后才选下一段块长，再靠”同一观测深度上保留窗口互不相交”把熵增益一致封顶。这是全文最精巧也最易出漏洞的组合构造。）
问 2：熵为什么必须按”映射”而不是”地址”计数？
（答：存在精确重叠时，多个不同指令字给出同一仿射映射；按地址计数得到的是 H(p)，会高估信息量。等权三映射 x/3、x/3+1/3、x/3+2/3 的例子中大量地址相撞，按映射计数才得到正确的 h=χ、维数 1。）
问 3：与 Hochman、Rapaport、Varjú、Feng–Feng 等前人相比，真正的新意是什么？
（答：前人的熵率公式都要弱指数分离或代数、超越、有理平移等算术条件；本文取消一切分离与算术假设，允许精确重叠、不等与负压缩比，彻底证明 Varjú 综述中的熵率维度猜想。）
问 4：这篇是家族中已 Lean 形式化的一篇，风险就消失了吗？
（答：主结果已形式化确实大幅降低风险，但需核对形式化陈述与论文陈述逐字对应（如允许负比值、指标化重复映射是否都在形式化范围内），且证明所引的外部定理中只有精确维性一条，形式化是否覆盖全部自证引理仍需社区确认。）
问 5：没有分离条件，证明靠什么抵御”极近而不重合”的圆柱？
（答：有限律估计的关键设计是把切割线随机扰动后取平均，使贴近边界的原子不被反复计费，常数与支撑点间最小距离无关——正因如此 Baker 与 Bárány–Käenmäki 式的超指数逼近反例不构成障碍。）
问 6：维数等于 1 之后，能推出绝对连续吗？谁会用到这个定理？
（答：不能，论文明确声明不断言绝对连续——Bernoulli 卷积在 Pisot 参数下的奇异性说明满维数与绝对连续是两回事。直接用户是分形几何与遍历论社区：推论立即给出无重叠经典公式、吸引子维数公式与齐次三映射族的维数公式。）
总评
无条件地关上熵率维度猜想之门，且主结果已过形式化核验，是家族中可信度最高的工作；剩余风险集中在形式化范围与论文陈述的逐字对应上。