几何

引言：从曲面测量的问题出发 在欧几里得空间中，平面几何的研究已经相当完善。然而，当我们把目光投向弯曲的曲面——地球的球面、马鞍形的双曲抛物面、或者更一般的任意光滑曲面时，许多在平面上理所当然的性质突然变得复杂起来。 一个朴素的问题：给定曲面上的两点 $A$ 和 $B$，如何测量它们之间的距离？在平面上，答案是简单的直线段长度。但在曲面上，“直线"的概念本身就需要重新审视。更重要的是，如果我们只允许在曲面上"行走”（不能离开曲面穿越三维空间），我们能测量的几何量是什么？这些量与曲面在三维空间中的嵌入方式有什么关系？ 这些问题引导高斯（Carl Friedrich Gauss）在1827年发表了奠基性论文《关于曲面的一般研究》，开创了现代微分几何的曲面理论。高斯的天才洞察在于：曲面上存在着两类几何量——一类是"内蕴的"（intrinsic），只依赖于曲面本身的几何结构；另一类是"外蕴的"（extrinsic），依赖于曲面在三维空间中的具体嵌入方式。 本文将系统地介绍曲面论的核心框架，重点阐述第一基本型和第二基本型的深刻意义，揭示它们如何从测量问题中自然涌现，并最终导向高斯那令人惊叹的"绝妙定理"（Theorema Egregium）。 第一章：曲面的参数化表示 1.1 从隐式到参数化 在三维欧几里得空间 $\mathbb{R}^3$ 中，一个曲面可以用隐式方程表示： $$ F(x, y, z) = 0 $$ 例如，半径为 $R$ 的球面由 $x^2 + y^2 + z^2 = R^2$ 定义。然而，对于微分几何的研究，参数化表示更为便利： $$ \mathbf{r}(u, v) = (x(u, v), y(u, v), z(u, v)) $$ 其中 $(u, v) \in D \subset \mathbb{R}^2$ 是参数域。这种表示将二维参数域"贴"到三维空间中，形成曲面。 图1：鞍面 $z = x^2 - y^2$ 的参数化表示，展示了坐标曲线和切平面。在点 $P$ 处，$u$-曲线（绿色）和 $v$-曲线（蓝色）张成了切平面。 1.2 切向量与切平面 在参数化表示下，曲面上一点的切向量可以通过对参数求偏导得到： $$ \mathbf{r}_u = \frac{\partial \mathbf{r}}{\partial u}, \quad \mathbf{r}_v = \frac{\partial \mathbf{r}}{\partial v} $$ ...

引言：蚂蚁与上帝 想象一只生活在一个曲面上的蚂蚁。这只蚂蚁不知道它生活在一个二维曲面上，它只知道在自己的"世界"里移动。如果蚂蚁沿着某个方向走了一圈，回到起点，它会发现走过的角度不等于 360 度——这在圆柱面上是 720 度（转了两圈），但在球面上可能大于 360 度。这只蚂蚁能感知到的几何性质，就是我们所说的内蕴几何。 现在想象一个悬浮在曲面之上的观察者——我们称之为"上帝视角"。这个观察者能看到曲面在三维空间中的具体形状，知道曲面是弯的、扭的、有孔的。这个观察者能看到的几何性质，就是我们所说的外蕴几何。 内蕴几何与外蕴几何的区别，是微分几何中最核心、最美妙的概念之一。理解了这两个概念，你就掌握了理解黎曼几何的钥匙。 在本篇文章中，我们将从直观的例子出发，系统性地介绍内蕴几何与外蕴几何的核心内容，探讨它们的区别与联系，并解释 Gauss 的绝妙定理——高斯曲率是内蕴的这一革命性发现。 第一章：内蕴几何——曲面本身的语言 1.1 蚂蚁的视角：什么是内蕴几何 内蕴几何研究的是不依赖于曲面如何嵌入外部空间的几何性质。简单来说，就是"生活在曲面上的生物"所能感知到的几何性质。 假设一只蚂蚁生活在一个曲面上。这只蚂蚁可以： 在曲面上爬行，测量两点之间的路径长度 测量区域的面积 画三角形，计算角度 沿着某个方向走一圈，测量角度的"亏空"或"过剩" 所有这些测量都不需要蚂蚁知道"曲面是在三维空间中的"。 1.2 第一基本形式：内蕴几何的度量工具 为了描述曲面的内蕴几何，我们需要一个数学工具来测量长度和角度。这个工具就是第一基本形式。 设曲面由参数方程 $\mathbf{r}(u, v) = (x(u, v), y(u, v), z(u, v))$ 给出。 定义三个基本量： $$E = \frac{\partial \mathbf{r}}{\partial u} \cdot \frac{\partial \mathbf{r}}{\partial u} = x_u^2 + y_u^2 + z_u^2$$ $$F = \frac{\partial \mathbf{r}}{\partial u} \cdot \frac{\partial \mathbf{r}}{\partial v} = x_u x_v + y_u y_v + z_u z_v$$ ...

引言：为什么线性代数如此重要？ 想象你站在一个开阔的平原上,手中拿着一支箭。这支箭可以指向任何方向,可以伸长或缩短,可以与另一支箭相加。这就是向量的原始概念——一个既有方向又有大小的量。从这样简单的直观出发,人类发展出了一整套描述空间、变换和数据结构的数学语言:线性代数。 线性代数的美妙之处在于它的简洁性和普遍性。在二维平面上,一个点可以用两个坐标 $(x, y)$ 表示;在三维空间中,需要三个坐标 $(x, y, z)$;而在机器学习中处理的数据可能有一千维、一万维,甚至更高。线性代数提供了一套统一的工具来处理这些高维空间,而且它的规律在任意维数下都保持不变。 更令人惊讶的是,当你使用 ChatGPT、看 Netflix 推荐、或在 Google 搜索时,背后都有线性代数的身影。深度学习的神经网络本质上就是一系列线性变换和非线性激活的交替组合;推荐系统中的矩阵分解技术直接源自奇异值分解;而搜索引擎的 PageRank 算法则是特征值问题的经典应用。 在这篇文章中,我们将踏上一段从理论到应用的完整旅程。我们会从向量空间的几何直观出发,理解线性变换的本质,然后逐步深入到机器学习和深度学习的核心算法中。我们不仅会学习"怎么做",更重要的是理解"为什么"——为什么奇异值分解如此强大?为什么梯度下降会收敛?为什么注意力机制能够工作? 让我们开始这段旅程。 第一部分:线性代数基础理论 1. 向量空间的本质 1.1 从几何到抽象 在二维平面上,我们习惯用坐标表示向量。向量 $\mathbf{v} = (3, 2)$ 表示从原点出发,沿 $x$ 轴移动 3 个单位,再沿 $y$ 轴移动 2 个单位。但向量的概念远不止于此。 向量空间的抽象定义只需要 8 条公理: 加法封闭性: $\mathbf{u} + \mathbf{v}$ 仍在空间中 加法交换律: $\mathbf{u} + \mathbf{v} = \mathbf{v} + \mathbf{u}$ 加法结合律: $(\mathbf{u} + \mathbf{v}) + \mathbf{w} = \mathbf{u} + (\mathbf{v} + \mathbf{w})$ 零向量存在: $\mathbf{0} + \mathbf{v} = \mathbf{v}$ 负向量存在: $\mathbf{v} + (-\mathbf{v}) = \mathbf{0}$ 数乘封闭性: $c\mathbf{v}$ 仍在空间中 数乘分配律: $c(\mathbf{u} + \mathbf{v}) = c\mathbf{u} + c\mathbf{v}$ 数乘结合律: $c(d\mathbf{v}) = (cd)\mathbf{v}$ 这个定义看似抽象,但它统一了各种不同的对象: ...

引言：从二维到无穷维 在我们之前的文章中，我们探索了高斯曲率（Gaussian Curvature），这个概念描述了二维曲面的弯曲程度。高斯的伟大发现是：曲面的弯曲是"内蕴"的，即只依赖于曲面自身的度量，而与曲面在三维空间中的嵌入方式无关。 但是，如果我们生活在四维时空中呢？或者更高维的空间？我们还能用同样的方式描述弯曲吗？ 答案是肯定的，但需要更加强大的数学工具。这个工具就是黎曼曲率张量（Riemann Curvature Tensor），由伟大的数学家伯恩哈德·黎曼（Bernhard Riemann）在19世纪中叶提出。 黎曼曲率张量是黎曼几何的核心概念，它不仅推广了高斯曲率，更成为了广义相对论中描述时空弯曲的数学基础。 第一章：回顾高斯的遗产 在深入黎曼曲率张量之前，让我们简要回顾高斯的工作。 高斯曲率与绝妙定理 对于二维曲面，高斯曲率 $K$ 定义为： $$ K = \frac{LN - M^2}{EG - F^2} $$ 其中 $E, F, G$ 是第一基本形式的系数，$L, M, N$ 是第二基本形式的系数。 高斯的绝妙定理告诉我们：$K$ 可以仅用 $E, F, G$ 及其导数表示，因此是曲面的内蕴性质。 这个定理暗示了一个深刻的观点：空间本身可能有内在的几何结构，这种结构不依赖于任何"外部"空间。 从曲面到更高维度 高斯的工作集中在二维曲面上。但问题是：如何将这个思想推广到更高维度？ 答案是：我们需要一种能够描述任意维度空间弯曲的数学对象。这个对象必须满足： 在二维情况下，它应该退化到高斯曲率 它应该包含足够的信息来描述任意方向、任意平面上的弯曲 它应该是内蕴的（即只依赖于度量） 黎曼曲率张量正是满足这些要求的数学对象。 第二章：黎曼的远见——1854年的演讲 伯恩哈德·黎曼（1826-1866） 伯恩哈德·黎曼是高斯的学生，也是数学史上最具原创性的思想家之一。他的工作跨越数论、复分析、微分几何等多个领域。 1854年6月10日，黎曼在哥廷根大学做了题为**《论几何基础的假设》**（Über die Hypothesen, welche der Geometrie zu Grunde liegen）的演讲。这篇演讲被认为是微分几何史上最重要的文献之一，也是黎曼几何的奠基之作。 黎曼几何的基本思想 在这次演讲中，黎曼提出了一个革命性的想法：几何不一定是三维欧几里得空间的子集，它可以是任意维度的"流形"（manifold）。 黎曼定义： 流形（Manifold）：局部看起来像欧几里得空间的几何对象 度量（Metric）：定义流形上两点之间的距离和角度 曲率（Curvature）：描述流形的弯曲程度 黎曼意识到：如果我们有一个度量 $g_{ij}$，我们可以计算各种几何量，包括曲率。但这个曲率在高维情况下应该是什么样的？ 黎曼的原始定义 黎曼在演讲中给出了曲率的原始定义（与现代形式略有不同）： 考虑流形上一点 $P$，取两个切向量 $X, Y$。沿着由 $X$ 和 $Y$ 张成的二维平面，我们可以构建一个"测地三角形"。这个三角形在流形上沿着测地线（最短路径）连接三点。 ...

引言：弯曲的世界 想象一下，你是一只蚂蚁，生活在一个巨大的球面上。对于这只蚂蚁来说，这个世界看起来是什么样子的？如果你问它：“这个世界是平的还是弯曲的？“它会怎么回答？ 这个问题看似简单，却蕴含着深刻的数学思想。古希腊的欧几里得用五条公理构建了完美的平面几何学，但现实世界中的曲面——球面、马鞍面、波浪形的海浪——让数学家们不得不思考：如何描述这些弯曲的几何形状？ 答案就是曲率，特别是高斯曲率（Gaussian Curvature）。这个概念不仅改变了我们对几何的理解，更成为了现代物理的基石。 第一章：曲率的直观理解 在深入数学之前，让我们先从直觉出发，理解什么是"弯曲”。 直线的曲率 一条直线没有弯曲，我们说它的曲率为零。这一点很直观——直线上任意一点都朝同一个方向延伸，没有"拐弯”。 圆的曲率呢？如果一个圆的半径是 $R$，那么它的曲率定义为： $$ \kappa = \frac{1}{R} $$ 这个定义很合理：圆越小（半径越小），弯曲得越厉害，曲率越大；圆越大（半径越大），弯曲越不明显，曲率越小；当半径趋于无穷大时，圆就变成了直线，曲率趋于零。 平面曲线的曲率 对于任意一条平面曲线，我们可以这样定义曲率：在某一点处，找一个最接近该曲线的圆（称为"密切圆"），这个圆的曲率就是曲线在该点的曲率。 数学上，如果曲线由参数方程 $(x(t), y(t))$ 给出，曲率的公式是： $$ \kappa = \frac{|x’(t)y’’(t) - y’(t)x’’(t)|}{(x’(t)^2 + y’(t)^2)^{3/2}} $$ 这个公式看起来有点复杂，但本质上就是用曲线的二阶导数（加速度）来描述弯曲程度。 从曲线到曲面 现在我们要迈出关键的一步：从曲线到曲面。球面是弯曲的，马鞍面也是弯曲的，但它们"弯曲"的方式不同。这种差异，正是高斯曲率要捕捉的。 第二章：从平面到曲面——数学家的探索 古希腊的遗产 古希腊几何学以欧几里得的《几何原本》为代表，建立在五条公理之上。其中最著名的是第五公理（平行公理）：“过直线外一点，有且只有一条直线与该直线平行。” 这条公理在平面上成立，但在曲面上却不一定成立。这暗示着，曲面的几何可能与平面有本质区别。 黎曼前的探索 在19世纪初，数学家们开始思考更一般的几何学。Gauss（高斯）之前的一些数学家，如Monge和Euler，已经研究过曲面的某些性质。 莱昂哈德·欧拉（Leonhard Euler）在1760年给出了一个重要发现：对于曲面上的任意一点，存在两个特殊的方向，沿着这两个方向的法曲率分别取得最大值和最小值。这两个值被称为主曲率，记为 $\kappa_1$ 和 $\kappa_2$。 欧拉还发现了一个重要公式：如果两个主方向之间的夹角是 $\theta$，那么沿着与第一个主方向夹角为 $\phi$ 的方向的法曲率是： $$ \kappa_n(\phi) = \kappa_1 \cos^2 \phi + \kappa_2 \sin^2 \phi $$ 这个公式被称为欧拉曲率公式，它告诉我们，如果知道了两个主曲率，就知道了一切方向的法曲率。 但欧拉的研究有一个局限：他只考虑了法曲率，即沿着某个方向在法平面内的曲率。这种曲率依赖于曲面在空间中的"嵌入方式"，被称为"外蕴曲率"（extrinsic curvature）。 卡尔·弗里德里希·高斯的登场 卡尔·弗里德里希·高斯（Carl Friedrich Gauss, 1777-1855）是数学史上最伟大的数学家之一。他在1827年发表了一篇里程碑式的论文：《关于曲面的一般研究》（Disquisitiones Generales Circa Superficies Curvas）。 ...

$ \det(D^2 u) = f(x, u, \nabla u), \quad x \in \Omega \subset \mathbb{R}^n $ 其中 $u$ 通常为凸函数，$D^2 u$ 是 Hessian 矩阵，$\det(D^2 u)$ 表示 Hessian 的行列式。它是所有二阶偏导的“体积型”组合，与线性椭圆方程（如拉普拉斯方程）相比高度非线性。 2. 二维一般形式 $ A(u_{xx}u_{yy}-u_{xy}^2)+B u_{xx}+2C u_{xy}+D u_{yy}+E=0 $ 其中 $A,B,C,D,E$ 可依赖于 $(x,y,u,u_x,u_y)$。当 $A \neq 0$ 时，方程具有典型的 Monge–Ampère 结构。 公式推导（核心思路） 1. 曲率处方式推导 设曲面由函数 $z = u(x)$ 给出，其高斯曲率为 $ K = \frac{\det(D^2 u)}{(1+|\nabla u|^2)^{(n+2)/2}} $ 因此，如果希望曲面具有给定曲率 $K(x)$，则必须满足 $ \det(D^2 u) = K(x),(1+|\nabla u|^2)^{(n+2)/2} $ 这正是 Monge–Ampère 方程的几何起源之一，也解释了其在凸几何问题（如 Minkowski 问题）中的核心地位。 2. 最优传输与雅可比行列式推导 设 $T: \Omega \to \Omega’$ 为传输映射，将密度 $f_\Omega$ 传输到 $f_{\Omega’}$，满足质量守恒： $ \int_A f_\Omega(x),dx = \int_{T(A)} f_{\Omega’}(y),dy $ ...