PREREG before the run: the empty-step feature (similarity of |f_n| to |f_n-1|, rule S > 1/2, the bisection constant) and the repeating-pattern feature with the period chosen from the data (lag maximising the mean ratio similarity of rho_j and rho_j-p over the history, lags up to half the history). Detectability only; criteria E1/E2/R1/R2 and the falsifier declared; no rule in the method.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

PREREG_empty_step_2026-09-21.md

@@ -0,0 +1,42 @@
+# PREREG — признак пустого шага и признак повтора рисунка (проверка различимости)
+
+Составлено до прогона. Основание: разбор `diag_contraction_sequence.py` (коммит `0ec7142`) показал,
+что на плоских функциях xᵐ метод ходит циклом из 4 вычислений — два недолёта ρ = (1−1/m)^m,
+перескок, **почти пустое вычисление ρ ≈ 1**. Похожесть соседних ρ режим не распознала (AUC 0.28–0.42).
+Валерий: «пред-регистрируй и проверь признак пустого шага; длину периода всегда можно выбрать из
+данных».
+
+⚠️ Оба признака подсказаны картинкой, которую я уже видел. Поэтому здесь — только **проверка
+различимости** на записанных траекториях, без правила в методе. Правило строится, только если
+проверка пройдена, и под отдельной пред-регистрацией.
+
+## Признаки (ρₙ = |fₙ / fₙ₋₁|, трасса предложенного метода и чтения (3))
+
+**E — пустой шаг.** Похожесть нового значения на старое, форма отношения SIM:
+`S_E = min(|fₙ|, |fₙ₋₁|) / max(|fₙ|, |fₙ₋₁|)`. Пустой шаг: S_E близко к 1.
+Правило без выбранного порога: **S_E > ½** — шаг убрал меньше половины |f|, то есть проиграл
+тому, что даёт деление пополам на простом корне. Число ½ — единственная константа метода
+(определение деления), а не выбор.
+
+**R — повтор рисунка.** Период p выбирается **из данных** в каждом состоянии: среди лагов
+2 … ⌊k/2⌋ (k — сколько ρ уже есть в истории) берётся тот, при котором средняя похожесть
+`min(ρⱼ, ρⱼ₋ₚ)/max(ρⱼ, ρⱼ₋ₚ)` по доступной истории максимальна. Признак — эта максимальная
+похожесть S_R. Правило: **S_R > ½**, та же константа. Верхняя граница лагов задаётся длиной истории
+(нужно минимум два повтора), а не выбирается.
+
+## Критерии (объявлены до прогона)
+
+| # | что меряется | ПРОЙДЕНО, если |
+|---|---|---|
+| E1 | AUC S_E: плоские против APS, fun1, прочих CHA | > 0.5 против **всех трёх** групп |
+| E2 | доля срабатываний S_E > ½ | на плоских выше, чем на APS **и** на fun1 |
+| R1 | AUC S_R, те же три сравнения | > 0.5 против всех трёх |
+| R2 | доля срабатываний S_R > ½ | на плоских выше, чем на APS и на fun1 |
+
+Планки для сравнения: `m ≥ 2` — 0.2% на APS, 5.8% на плоских; похожесть соседних ρ — AUC 0.28–0.42.
+
+**Фальсификатор:** если E1 или E2 ложны — признак пустого шага режим не различает, правило на нём не
+строим. То же для R.
+
+**Что не заявляется даже при успехе:** что правило окупится. Срабатывание на APS — это лишние
+деления пополам там, где метод выигрывает; цену покажет только отдельный прогон правила в методе.

diag_empty_step.py

@@ -0,0 +1,90 @@
+"""Detectability check for PREREG_empty_step_2026-09-21.md: empty step (E) and repeating
+pattern with the period chosen from the data (R).  Method untouched - states come from the
+behaviour-neutral trace hook.
+
+    python -u diag_empty_step.py
+"""
+from __future__ import annotations
+
+from scipy.optimize._tstutils import _APS_TESTS_DICTS, _CHANDRUPATLA_TESTS_DICTS
+
+from diag_contraction_similarity import CONFIGS, FLAT, auc
+from simroot.pure import pure_root
+
+XTOL, MAXFEV, ACC = 1e-12, 200, 1e-6
+
+
+def ratio_sim(a, b):
+    hi, lo = max(a, b), min(a, b)
+    return lo / hi if hi > 0.0 else 1.0
+
+
+def features(f, a, b, r, cfg):
+    """(S_E, S_R) at every traced state; S_R is None until two repeats fit the history."""
+    st = {"trace": []}
+    x, _n, conv = pure_root(f, a, b, XTOL, MAXFEV, stats=st, **cfg)
+    if not (conv and abs(float(x) - r) <= ACC):
+        return []
+    out, rhos = [], []
+    for s in st["trace"]:
+        if s["xp2"] is None or s["fx"] == 0.0 or s["fp"] == 0.0:
+            continue
+        rho = abs(s["fx"] / s["fp"])
+        if not (rho == rho) or rho == float("inf"):
+            continue
+        rhos.append(rho)
+        s_e = ratio_sim(abs(s["fx"]), abs(s["fp"]))
+        s_r = None
+        k = len(rhos)
+        best = None
+        for p in range(2, k // 2 + 1):          # at least two repeats must fit the history
+            sims = [ratio_sim(rhos[j], rhos[j - p]) for j in range(p, k)]
+            v = sum(sims) / len(sims)
+            if best is None or v > best:
+                best = v
+        s_r = best
+        out.append((s_e, s_r))
+    return out
+
+
+def main():
+    out = {}
+    for cname, cfg in CONFIGS.items():
+        groups = {"APS": [], "CHA fun1": [], "CHA flat fun3-6": [], "CHA other": []}
+        for d in _APS_TESTS_DICTS:
+            a, b = (float(v) for v in d["bracket"])
+            f = (lambda ff, aa: lambda t: ff(t, *aa))(d["f"], d.get("args", ()))
+            groups["APS"] += features(f, a, b, float(d["root"]), cfg)
+        for d in _CHANDRUPATLA_TESTS_DICTS:
+            a, b = (float(v) for v in d["bracket"])
+            fam = str(d["ID"]).split(".")[0]
+            g = ("CHA flat fun3-6" if fam in FLAT else "CHA fun1" if fam == "fun1"
+                 else "CHA other")
+            groups[g] += features(d["f"], a, b, float(d["root"]), cfg)
+        print(f"\n== {cname}")
+        print(f"   {'group':<18} {'states':>7} {'E: S_E > 1/2':>13} {'R: S_R > 1/2':>13}"
+              f" {'(R defined)':>12}")
+        res = {"rates": {}, "auc": {}}
+        for g, v in groups.items():
+            n = max(len(v), 1)
+            vr = [x[1] for x in v if x[1] is not None]
+            e_rate = 100.0 * sum(x[0] > 0.5 for x in v) / n
+            r_rate = 100.0 * sum(y > 0.5 for y in vr) / max(len(vr), 1)
+            res["rates"][g] = (len(v), e_rate, len(vr), r_rate)
+            print(f"   {g:<18} {len(v):7d} {e_rate:12.1f}% {r_rate:12.1f}% {len(vr):12d}")
+        flat = groups["CHA flat fun3-6"]
+        print("   AUC, flat states against:           E        R")
+        for g in ("APS", "CHA fun1", "CHA other"):
+            ae = auc([x[0] for x in flat], [x[0] for x in groups[g]])
+            ar = auc([x[1] for x in flat if x[1] is not None],
+                     [x[1] for x in groups[g] if x[1] is not None])
+            res["auc"][g] = (ae, ar)
+            print(f"     {g:<30} {ae:.3f}    {ar:.3f}")
+        out[cname] = res
+    print("\nbars: m>=2 fires 0.2% canonical / 5.8% flat; successive-ratio similarity AUC"
+          " 0.28-0.42")
+    return out
+
+
+if __name__ == "__main__":
+    main()