Die Singularitäts-Mauer

Teil 1 von 3

Eine geometrische Spurensuche zur Faktorisierung großer Zahlen

Die Faktorisierung großer Zahlen gehört zu den faszinierendsten Problemen der modernen Mathematik.

Die Sicherheit vieler kryptografischer Verfahren basiert auf einer einfachen Annahme:

Eine Zahl $$ N=pq $$ mit zwei großen unbekannten Primfaktoren lässt sich nicht effizient zerlegen.

Wer einen schnellen Weg findet, solche Zahlen zu faktorisieren, würde einen der Grundpfeiler heutiger digitaler Sicherheit erschüttern.

Aus reiner Neugier entstand deshalb ein Experiment:

Kann man mit einfachen Mitteln – Python, moderner Hardware und Ideen aus der arithmetischen Geometrie – eine eigene Methode entwickeln, die Primfaktoren nicht direkt sucht, sondern durch mathematische Strukturen sichtbar macht?

Die Antwort war überraschend:

Ja – die Information über die Faktoren ist tatsächlich in geometrischen Strukturen vorhanden.

Aber:

Nein – nicht jede sichtbare Struktur lässt sich effizient ausnutzen.

Genau diese Erkenntnis war die eigentliche Entdeckung.

1. Der Ausgangspunkt: Zahlen als geometrische Objekte

Der erste Gedanke entstand aus einer einfachen Beobachtung:

Jede Zahl $$ c $$ besitzt unendlich viele additive Darstellungen: $$ a+b=c $$ Aus einer solchen Beziehung lässt sich eine elliptische Kurve konstruieren: $$ E:y^2=x(x-a)(x+b) $$ Diese Form erinnert an die berühmten Frey-Kurven, die im Zusammenhang mit Fermats letztem Satz eine zentrale Rolle spielten.

Die Idee war faszinierend:

Wenn die Zahl $$ c=pq $$ verborgene Primfaktoren besitzt, könnten diese Informationen vielleicht nicht nur in der Zahl selbst gespeichert sein, sondern auch in den geometrischen Eigenschaften der zugehörigen Kurve.

Damit begann die Suche nach einem geometrischen Fingerabdruck.

2. Die erste Spur: Zwei Kurven mit derselben Summe

Der nächste Gedanke war:

Wenn dieselbe Zahl $(c)$ auf unterschiedliche Weise dargestellt werden kann, entstehen mehrere geometrische Objekte.

Beispielsweise: $$ 19+2=21 $$ und: $$ 17+4=21 $$ erzeugen zwei verschiedene Frey-Kurven. Da beide Kurven dieselbe Summe $$ c=21 $$ enthalten, lag die Vermutung nahe:

Vielleicht liegt genau in der gemeinsamen Geometrie die Information über die Faktoren.

Bei kleinen Beispielen entstehen tatsächlich auffällige algebraische Beziehungen.

Der erste Eindruck war:

Vielleicht ist der Schnittpunkt zweier solcher Kurven der geometrische Fußabdruck der Zahl.

Doch hier zeigte sich die erste wichtige Grenze. Der Schnittpunkt ist nicht eindeutig.

Er hängt nicht nur von $$ c $$ ab, sondern auch von der gewählten Zerlegung: $$ c=a+b $$ Wählt man andere Paare: $$ 20+1=21 $$ und: $$ 15+6=21 $$ entsteht eine völlig andere Geometrie.

Der Schnittpunkt ist also kein unveränderlicher Fingerabdruck der Zahl.

Die Information ist vorhanden – aber nicht an einem einzelnen Punkt gespeichert.

3. Die Suche nach einer echten Invariante: Das Radikal

Die nächste Frage lautete:

Wenn der geometrische Punkt nicht eindeutig ist, gibt es vielleicht eine tiefere mathematische Größe, die unabhängig von der Darstellung bleibt?

Hier entstand die Verbindung zur abc-Vermutung.

Für eine Gleichung: $$ a+b=c $$ betrachtet die abc-Theorie nicht nur die Zahlen selbst, sondern ihr Radikal: $$ rad(abc) $$ Das Radikal ist das Produkt aller unterschiedlichen Primfaktoren von $(a)$, $(b)$ und $(c)$.

Wenn: $$ c=pq $$ gilt: $$ rad(abc)=rad(abpq) $$ Die gesuchten Faktoren von $(c)$ sind also tatsächlich Bestandteil dieser arithmetischen Struktur.

Das war der entscheidende Gedanke:

Die Primfaktoren verschwinden nicht beim Übergang von Zahlen zu Geometrie. Sie bleiben als Teil tieferer algebraischer Eigenschaften erhalten. Die Hoffnung entstand:

Wenn man viele verschiedene Darstellungen $$ a_i+b_i=c $$ untersucht, könnten die gemeinsamen Bestandteile dieser Strukturen die Faktoren von $(c)$ sichtbar werden.

4. Die Diskriminante: Der eingebaute Fingerabdruck

Bei der Frey-Kurve $$ E:y^2=x(x-a)(x+b) $$ ist eine zentrale Größe die Diskriminante: $$ \Delta=16a^2b^2(a+b)^2 $$ Da: $$ a+b=c $$ folgt: $$ \Delta=16a^2b^2c^2 $$ Damit enthält jede dieser Kurven automatisch die Primfaktoren von $(c)$.

Wenn: $$ c=pq $$ dann gilt: $$ p|\Delta $$ und: $$ q|\Delta $$ Die Faktoren sind also tatsächlich in jeder erzeugten Kurve eingebettet.

Aber auch hier zeigte sich die entscheidende Unterscheidung:

Information vorhanden bedeutet nicht automatisch Information erreichbar.

Die Diskriminante enthält die Faktoren. Die Herausforderung besteht darin, sie effizient herauszulösen.

5. Der Singularitäts-Scan

Aus dieser Idee entstand ein eigener Python-Prototyp.

Der Ansatz:

  1. Erzeuge viele verschiedene Darstellungen: $$ a_i+b_i=c $$

  2. Erzeuge daraus viele Kurven beziehungsweise Diskriminanten.

  3. Suche nach einer Primzahl $(l)$, die in allen Strukturen gleichzeitig eine Singularität erzeugt.

Vereinfacht wird geprüft: $$ l|\Delta_i $$ für viele verschiedene Kurven.

Eine einzelne Primzahl kann zufällig eine einzelne Gleichung beeinflussen.

Aber eine Primzahl, die über viele unabhängige Konstruktionen gleichzeitig erscheint, besitzt eine besondere Bedeutung.

6. Der erste Erfolg

Mit kleinen Zahlen funktionierte der Ansatz überraschend zuverlässig.

Beispiele:

c = 148655466133
12 konditionierte Gleichungen generiert.

Starte den deterministischen modularen Scan...

>>> KRYPTOGRAFISCHE ANOMALIE ENTDECKT <<<

Globaler Kollaps bei l = 200771

Zeit:
0.062 Sekunden

Weitere Läufe bestätigten das Verhalten:

c = 326202320303

Faktor:
350549

Zeit:
0.12 Sekunden

und:

c = 474581004559

Faktor:
622603

Zeit:
0.22 Sekunden

Der Effekt war reproduzierbar.

Die Singularität war real.

Die geometrische Struktur verriet tatsächlich einen Primfaktor.

7. Die Singularitäts-Mauer

Dann kam die entscheidende Frage:

Warum funktioniert dieser Ansatz bei kleinen Zahlen – aber nicht bei kryptografischen Größen?

Bei einem Faktor: $$ p\approx10^6 $$ kann ein Scan diesen Bereich noch vollständig durchsuchen.

Bei einer kryptografischen Zahl mit: $$ p\approx10^{30} $$ ändert sich die Situation dramatisch. Die Methode besitzt weiterhin ein mathematisches Signal. Aber sie muss eine Primzahl in einem Bereich von ungefähr: $$ 10^{30} $$ Möglichkeiten finden.

Das Problem ist nicht die Existenz der Information. Das Problem ist die Skalierung. Der Algorithmus ist ein perfektes Skalpell, aber damit kann man keinen Ozean durchsuchen.

Diese Grenze wurde zur:

Singularitäts-Mauer.

8. Warum viele Gleichungen das Problem nicht automatisch lösen

Eine natürliche Erweiterung war:

Wenn eine Kurve nicht genügt, warum nicht tausende erzeugen?

Viele Strukturen: $$ \Delta_1,\Delta_2,\ldots,\Delta_n $$ enthalten alle dieselben Faktoren.

Die Hoffnung:

Ein gemeinsamer mathematischer Kern könnte die Faktoren herauslösen. Doch der gemeinsame Faktor allein genügt nicht. Die zusätzlichen Bestandteile von $(a_i)$ und $(b_i)$ erzeugen ein großes Rauschen.

Die Geometrie liefert ein Signal, aber sie liefert noch keinen effizienten Decoder.

9. Die Verbindung zu bekannten Faktorisierungsverfahren

Diese Erkenntnis führte zu einer überraschenden Verbindung mit existierenden Methoden.

Moderne Faktorisierungsalgorithmen funktionieren ebenfalls nicht durch direktes Suchen.

Quadratisches Sieb und GNFS

Diese Verfahren sammeln sehr viele mathematische Beziehungen. Erst durch die Kombination dieser Informationen entsteht eine Struktur, aus der die Faktoren berechnet werden können.

Elliptic Curve Method (ECM)

Die ECM von Hendrik Lenstra verfolgt eine andere Idee.

Sie sucht nicht nach einer Kurve, deren Diskriminante den Faktor enthält. Sie erzeugt viele zufällige elliptische Kurven. Bei günstiger Gruppenstruktur passiert ein scheinbares Scheitern:

Eine Division modulo $$ N=pq $$ ist plötzlich nicht möglich.

Dann gilt: $$ gcd(den,N)=p $$ und der Faktor erscheint automatisch.

Nicht ein Scan findet den Faktor. Ein mathematischer Zusammenbruch verrät ihn.

10. Die zweite Lektion: Mathematik und Implementierung

Eine eigene ECM-Implementierung zeigte eine weitere Grenze.

Die erste Version war mathematisch korrekt, aber langsam. Der Flaschenhals lag nicht in der Theorie. Er lag in der Umsetzung:

  • zu viele Funktionsaufrufe
  • unnötige Objekt-Erzeugung
  • Interpreter-Overhead
  • zu viel Konsolenausgabe

Durch Optimierungen:

  • Inline-Berechnungen
  • effizientere Skalarmultiplikation
  • parallele Prozesse
  • weniger Overhead

wurde aus einem theoretischen Modell ein funktionierendes Experiment.

11. Die eigentliche Erkenntnis

Das Experiment begann mit einer einfachen Frage:

Kann Geometrie versteckte Primfaktoren sichtbar machen?

Die Antwort lautet:

Ja.

Aber die entscheidende Frage ist nicht:

Gibt es eine mathematische Struktur?

Sondern:

Lässt sich diese Struktur auch in der Größenordnung kryptografischer Zahlen effizient nutzen?

Die arithmetische Geometrie zeigt:

Die Information über die Faktoren ist nicht verschwunden.

Sie ist tief eingebettet.

Die Herausforderung besteht darin, einen Mechanismus zu finden, der diese Information mit der richtigen Skalierung wieder sichtbar macht.

Die Singularitäts-Mauer war deshalb kein Scheitern.

Sie war der Punkt, an dem sichtbar wurde:

Geometrische Information allein reicht nicht.
Man braucht eine Geometrie, die mit der Größe des Problems skaliert.

Weiter mit Teil 2: Die Singularitätsmauer 2-3