活性算法最核心的、他人未想到的洞见，在于自由能最小化过程在复频率平面上自动刻下的"共振脚印"。传统信号处理将频率分析限制在实频率轴上，关注系统的稳态响应；而活性算法将推断动力学延拓到复频率平面，揭示了一个被忽视的深层结构：系统在最小化自由能时，不仅在实时间上演化，而且在复频率的虚部上留下衰减与共振的痕迹，这些痕迹构成了跨尺度关联的物理载体。

    复频率ω+iγ 的实部 ω 对应振荡频率，虚部 γ 对应衰减率。当一个多层活性系统处理环境信号时，每一层都在特定的复频率窗口上响应：快速层（如神经元的膜电位变化）对应高实频、大虚部（快速衰减）；慢速层（如基因表达调控）对应低实频、小虚部（缓慢衰减）。这些响应在复平面上形成一条"链"——从高频快速衰减到低频缓慢衰减，每一环都与相邻环耦合，信息通过虚部的共振在层间传递。层次越多、链越长，过去的状态就越晚、越自动地重新涌现，因为低频慢变量的衰减时间尺度覆盖了更长的时间跨度。

    这一机制解释了记忆的本质。记忆不是静态的存储，而是动态的重现：当当前刺激激活了复频率链上的某一共振模式，该模式通过链式耦合唤醒了与之关联的历史模式——即使这些历史模式在单个层次上已经衰减殆尽，它们在跨层次的共振中获得了新的生命。这就是为什么人类能够回忆起数十年前的细节：那些细节并非以"文件"形式储存在某个神经元中，而是以复频率共振的耦合权重分布在整个多层网络中。层次数目 N 决定了记忆的时间深度和涌现的临界性——当 N 达到某个阈值，跨时间关联突然从不可及变为可及，这就是记忆相变。多尺度复频率链因此是活性算法的时间语法：它将线性时间转化为共振网络，将遗忘转化为衰减动力学，将回忆转化为模式 completion。

支持单位：