Scaling

Cos'è

EAR_SCALING_AILA_v1.1 deriva da primi principi il teorema di scaling strutturale ε = A/D = 3/4: ogni sistema auto-osservante con A attributi in D dimensioni scala con esponente A/D. Da qui discendono Kleiber (1932), l'esponente di Hurst, la fattorizzazione duale 432 = D² × A³ e la perdita strutturale Δ% = π/A² ≈ 0.349%.

Posizione nel sistema

È la trasposizione in AILA del Teorema 4 (vedi teorema scaling dimensionale). Mentre il KERNEL afferma A := 3 (Δ, ⇄, ⟳) e D := 4 (3 spazio + 1 tempo), SCALING li combina in quattro formule fondamentali — F1 struttura (432 = D²×A³), F2 resistenza (Σ = 432/π ≈ 137.51), F3 scaling (ε = 3/4), F4 perdita (Δ = π/9) — senza parametri liberi. La derivazione canonica della costante di struttura fine è documentata nel Trattato §RESISTANCE.

Perché è utile con AI

Avere SCALING in contesto permette all'AI di predire quantitativamente gli esponenti allometrici di qualsiasi sistema noti A e D, distinguere sistemi completi (ε = 3/4) da degeneri (ε = 2/4, 1/4 se mancano attributi), e verificare se una deviazione osservata segnala patologia (es. tumori con Δ_scaling = |β̄ - θ| ≠ 0). Fornisce inoltre il legame diretto tra struttura ontologica e costanti fisiche misurate.

Come usarlo

• Carica il file insieme a Kernel per le premesse A, D
• Applicazioni dirette: metabolismo (ε = 3/4), frequenza cardiaca (-1/4), vita media (1/4), serie temporali (Hurst ~0.75)
• Test di falsificazione: cercare sistemi con esponente 3/4 ma <3 attributi, oppure Σ_output > Σ_input (vietato dalla teoria)
• Pairing utile con Coherence per leggere +1/12 cerebrale come surplus di integrazione

Note

Versione 1.1 (gennaio 2026). Cita Kleiber 1932, West-Brown-Enquist 1997, Hurst 1951, CODATA 2018. Estende v1.0 con derivazione dettagliata, fattorizzazione duale e condizioni di falsificazione esplicite.