Lemma 2の分岐条件の導出 （Claude.aiと相談しながら得た導出） 目標： $X \to 0$ の近傍で $F(X) \gtrless X$ のどちらが成り立つかを判定し、ゼロ固定点の局所安定性を決める分岐条件を導く。
$$G(X) := 2\Phi(\sqrt{X}) - 1, \quad g(Y) := G'(Y) = \frac{\phi(\sqrt{Y})}{\sqrt{Y}}$$
$$F(X) := \left[\Sigma^2 + \left(X + \lambda_G I \cdot e(X, \tau_A)\right)^{-1}\right]^{-1}$$
均衡努力 $e(X, \tau_A)$ は一階条件（論文のSection 3.5）：
$$\Delta_X \cdot G(X) \cdot \lambda_I \cdot g(\sigma^{-2} + \lambda_I e + \tau_A) = e^{\alpha-1}$$
の唯一の解です。この一階条件を、以下では(FOC)と参照することにします。
Step 1： $X \to 0$ で $e \to 0$ の確認 $g(\cdot)$ は正の値を持ち、かつ単調減少 な関数です（精度が上がるほど追加情報の価値は逓減するため）。したがって：
$$g(\sigma^{-2} + \lambda_I e + \tau_A) \leq g(\sigma^{-2} + \tau_A) =: c_{\max} < \infty$$
これを(FOC)に代入すると：
$$e^{\alpha-1} \leq \Delta_X \cdot \lambda_I \cdot c_{\max} \cdot G(X)$$
$X \to 0$ で右辺 $\to 0$ なので、 $e^{\alpha-1} \to 0$ 、したがって $e \to 0$ 。
$$\boxed{X \to 0 \implies e \to 0}$$
$G(X) = 2\Phi(\sqrt{X}) - 1$ を $\sqrt{X} \to 0$ で展開します。
論文の $G(X)$ 定義（Section 3.3）に戻ると：
$$G(\tau) := \Pr(|Z| \leq 1) = 2\Phi(\sqrt{\tau}) - 1, \quad Z \sim N(0, \tau^{-1})$$
ここで $\Phi$ は標準正規分布の累積分布関数です。 $X \to 0$ での挙動を求めたいので、 $\sqrt{X} \to 0$ の極限を考えます。
そこで、 $\Phi(u)$ を $u = 0$ の周りで展開します。
$$\Phi(u) = \frac{1}{2} + \frac{1}{\sqrt{2\pi}} u - \frac{1}{6\sqrt{2\pi}} u^3 + \cdots$$
これは $\Phi'(u) = \phi(u) = \frac{1}{\sqrt{2\pi}}e^{-u^2/2}$ を積分した結果で、 $u=0$ で $\phi(0) = \frac{1}{\sqrt{2\pi}}$ であることから来ています。
次に、 $G(X) = 2\Phi(\sqrt{X}) - 1$ に代入します。
$$G(X) = 2\Phi(\sqrt{X}) - 1 = 2\left(\frac{1}{2} + \frac{1}{\sqrt{2\pi}}\sqrt{X} + O(X^{3/2})\right) - 1$$
$$= \frac{2}{\sqrt{2\pi}}\sqrt{X} + O(X^{3/2})$$
$$= \sqrt{\frac{2}{\pi}} \cdot X^{1/2} + O(X^{3/2})$$
したがって $X \to 0$ で：
$$\boxed{G(X) = \Theta(X^{1/2})}$$
$G(X)$ の直感的な意味は「精度 $X$ の正規分布が区間 $[-1, 1]$ に収まる確率」です。
$X$ が大きい（精度が高い）→ 分布が鋭く尖っている → $[-1,1]$ に収まりやすい → $G(X) \to 1$
$X$ が小さい（精度が低い）→ 分布が広がっている → $[-1,1]$ に収まりにくい → $G(X) \to 0$
$X \to 0$ の近傍では、分布の裾が $[-1,1]$ にかかる確率が $\sqrt{X}$ に比例して増えていく、というのがこの展開の意味です。
なぜ $X^1$ ではなく $X^{1/2}$ なのかが少し非自明ですが、 $G(X)$ を $X$ で直接テイラー展開しようとすると：
$$G'(X) = g(X) = \frac{\phi(\sqrt{X})}{\sqrt{X}}$$
$X \to 0$ で $\phi(\sqrt{X}) \to \phi(0) = \frac{1}{\sqrt{2\pi}}$ ですが、 $\frac{1}{\sqrt{X}} \to \infty$ なので $G'(0)$ は発散します。つまり $G(X)$ は $X=0$ で微分不可能 であり、通常の意味でのテイラー展開（ $X$ の整数べき）は存在しません。代わりに $\sqrt{X}$ を変数として展開することで、 $X^{1/2}$ という非整数べきが自然に現れます。これは正規分布の確率密度が $u=0$ で正の値を持つことの直接的な帰結です。
Step 1より $e \to 0$ が確認できたので、(FOC) の $g(\cdot)$ の引数は：
$$\sigma^{-2} + \lambda_I e + \tau_A \to \sigma^{-2} + \tau_A$$
したがって $g(\cdot) \to g(\sigma^{-2} + \tau_A) =: c_0 > 0$ （有限の正定数）。
Step 2の結果を使うと (FOC) は $X \to 0$ で：
$$\underbrace{\Delta_X \cdot \lambda_I \cdot c_0}_{=: C > 0} \cdot X^{1/2} \approx e^{\alpha - 1}$$
$e$ について解くと：
$$e(X, \tau_A) = \Theta\left(X^{\frac{1}{2(\alpha-1)}}\right)$$
指数を $\beta := \dfrac{1}{2(\alpha-1)}$ と置きます。
Step 4： $F(X) \gtrless X$ の判定 $F(X)$ を展開します：
$$F(X) = (X + \lambda_G I e)\left(1 - \Sigma^2(X + \lambda_G I e) + \cdots\right)$$
$$= (X + \lambda_G I e) - \Sigma^2(X + \lambda_G I e)^2 + \cdots$$
したがって：
$$F(X) - X = \underbrace{\lambda_G I \cdot e}_{\Theta(X^\beta)} - \underbrace{\Sigma^2(X + \lambda_G I e)^2}_{\Theta(X^{2\min(1,\beta)})} + \cdots$$
$X \to 0$ での主要項は第1項と第2項の競合で決まります。
第1項のオーダー： $\Theta(X^\beta)$
第2項のオーダー： $e = \Theta(X^\beta)$ と $X = \Theta(X^1)$ のうち小さい方が $(X + \lambda_G I e)$ を支配するので、 $\Theta(X^{2\min(1,\beta)})$
競合の結果：
$\beta < 2\beta$ （常に成立）かつ $\beta < 1$ のとき：第1項が支配 → $F(X) - X > 0$
$\beta > 1$ かつ $\beta < 2$ （つまり $1 < \beta < 2$ ）のとき：第1項が支配 → $F(X) - X > 0$
$\beta > 2$ のとき：第1項 $\Theta(X^\beta)$ は第2項 $\Theta(X^2)$ より速くゼロへ → 第2項が支配 → $F(X) - X < 0$
$\beta < 1$ と $1 < \beta < 2$ は、いずれも第1項が支配的なので、まとめることができて、分岐点は $\beta = 2$ ：
$$\frac{1}{2(\alpha-1)} = 2 \implies \boxed{\alpha - 1 = \frac{1}{4}}$$
条件
$\beta$
$F(X) - X$ の符号
ゼロの安定性
$\alpha - 1 > \frac{1}{4}$ $\beta < 2$ $> 0$
不安定 （知識崩壊は起きない）
$\alpha - 1 < \frac{1}{4}$ $\beta > 2$ $< 0$
安定 （知識崩壊の罠が生まれる）
分岐点 $\alpha - 1 = \frac{1}{4}$ は、二つの力が釣り合う点 です。
$$\underbrace{\frac{1}{2(\alpha-1)}}_{\text{均衡努力の減衰速度}} = \underbrace{2}_{\text{知識維持に必要な努力の減衰速度}}$$
左辺は $G(X) \sim X^{1/2}$ （正規分布の裾の形）とコスト関数の曲率 $\alpha$ から来ます
右辺はカルマン更新の非線形性から来ます
この二つが偶然ではなく、モデルの構造（正規分布＋カルマンフィルタ＋べき乗コスト）から必然的に生まれる組み合わせです。
