首页 > 其他分享 >theoretical physics - first sight

theoretical physics - first sight

时间:2023-05-29 18:33:31浏览次数:44  
标签:wedge product right varphi cdots sight otimes physics theoretical

1. 外代数

1.3. wedge product

  • 包含vector spaces 的直和,性质\((1,\text{a})\)以及如下性质叫做外代数(exterior algebra)

    a). 双线性(bilinear)

    \[\begin{aligned} \left(\varphi_{1}+\varphi_{2}\right) \wedge \psi &=\varphi_{1} \wedge \psi+\varphi_{2} \wedge \psi \\ \varphi \wedge(a \psi) &=a(\varphi \wedge \psi), \quad a \in \mathbb{R} \end{aligned} \]

    b). associative

    \[(\varphi \wedge \psi) \wedge \chi=\varphi \wedge(\psi \wedge \chi) \]

s注意:对于有限个线性空间(或向量空间)一般认为直和就是直积,但是直积和张量积不同。

补充:张量的形式,例:\((2,3)\) 型 \(\gamma^{\rho \sigma}_{ijk}\) ; \((0,2)\) 型 \(\gamma_{\mu\nu}\)。\((n,m)\) 型 \(\gamma_{\rho_1,\dots,\rho_m}^{\sigma_1,\ldots,\sigma_n}\)

勘误

\([\ ]\)代表对易子,如 \([A,B]=AB-BA\) , \(\{\ \}\) 代表反对易子 \(\{A,B\}=AB+BA\)

辨析:Cartesian product tensor product, direct product (Kronecker product)

Cartesian product: 如果\(A, B\) 是集合,\(a\in A \ \& \ b\in B\)。then Cartesian product is

\[C=A \times B=\{(a, b) \mid a \in A, b \in B\} \]

Tensor product 两个vector space 的线性映射,而 kronecker product 作用于两个 matrixs

kronecker product: If \(A\) is an \(m × n\) matrix and \(B\) is a \(p × q\) matrix, then the Kronecker product \(A \otimes B\) is the \(pm × qn\) block matrix:

\[\mathbf{A} \otimes \mathbf{B}=\left[\begin{array}{ccc} a_{11} \mathbf{B} & \cdots & a_{1 n} \mathbf{B} \\ \vdots & \ddots & \vdots \\ a_{m 1} \mathbf{B} & \cdots & a_{m n} \mathbf{B} \end{array}\right] \]

tensor product:

If \(\left(e_{1}, \ldots, e_{n}\right)\) is a basis of \(V\) and \(\left(f_{1}, \ldots, f_{m}\right)\) is a basis of \(W\), then the set of elements \(e_{i} \otimes f_{j}\) where \(i=1, \ldots, n\) and \(f=1, \ldots, m\) forms a basis for \(V \otimes W .\) It is simple to see these span the space since for any \(v \otimes w\) we have \(v=\sum_{i} v_{i} e_{i}\) and \(w=\sum_{j} w_{j} f_{j}\) so that

\[v \otimes w=\left(\sum_{i} v_{i} e_{i}\right) \otimes\left(\sum_{j} w_{j} f_{j}\right)=\sum_{i, j} v_{i} w_{j} e_{i} \otimes f_{j} \]

Given this, we see that the basis also spans linear superpositions of elements of the form \(v \otimes w\), thus general elements of \(V \otimes W\). With \(n \cdot m\) basis vectors, the dimensionality of \(V \otimes W\) is equal to the product of the dimensionalities of \(V\) and \(W\) :

\[\operatorname{dim}(V \otimes W)=\operatorname{dim}(V) \times \operatorname{dim}(W) \]

Dimensions are multiplied (not added) in a tensor product.
How do we construct operators that act in the vector space \(V \otimes W ?\) Let \(T\) be an operator in \(V\) and \(S\) be an operator in \(W\). In other words, \(T \in \mathcal{L}(V)\) and \(S \in \mathcal{L}(W)\). We can then construct an operator \(T \otimes S\)

\[T \otimes S \in \mathcal{L}(V \otimes W) \]

defined to act as follows:

\[T \otimes S(v \otimes w) \equiv T v \otimes S w \]

张量概念:

设 \(V\) 是域 \(F\) 上的 \(n\) 维线性空间, \(q\) 个 \(V\) 的张量积

\[T^{q}(V)=V \otimes \cdots \otimes V \]

中任一元素称为 \(\boldsymbol{V}\) 上的一个 \(\boldsymbol{q}\) 秩反变张量 (q-contravariant tensor); \(p\) 个 \(V^{*}\) 的张量积

\[T_{p}(V)=V^{*} \otimes \cdots \otimes V^{*} \]

中任一元素称为 \(V\) 上的一个 \(p\) 秩协变张量 (p-covariant tensor); \(p\) 个 \(V^{*}\) 与 \(q\) 个 \(V\) 的张量 积

\[T_{p}^{q}(V)=V^{*} \otimes \cdots \otimes V^{*} \otimes V \otimes \cdots \otimes V \]

中任一元素称为 \(V\) 上的一个 \((p, q)\) 型张量, 也称为 \(V\) 上的一个 \(p\) 秩协变且 \(q\) 秩反变的混合张量 (\(p\)-covariant and \({q}\)-contravariant mixed tensor)。

多重线性张量代数

\(T^{\varphi}(V)\) 中任一张量 \(\boldsymbol{\alpha}\) 分别由上述两个基线性表出, 紧凑地写成

\[\begin{aligned} &\alpha=a^{{i_1}{i_2}\cdots i_{q}} \alpha_{i_{1}} \otimes \alpha_{i_{2}} \otimes \cdots \otimes \alpha_{i_{q}} \\ &\alpha=\tilde{a}^{j_{1} j_{2} \cdots j_{v}} \eta_{j_{1}} \otimes \eta_{j_{2}} \otimes \cdots \otimes \eta_{j_{q}} \end{aligned} \tag{1.8} \]

基于

\[\begin{array}{ll} \alpha_{j}=b_{j}^{i} \eta_{i}, & j=1,2, \cdots, n \\ \alpha^{j}=a_{i}^{j} \eta_{i}, & j=1,2, \cdots, n \end{array} \]

该 \(\boldsymbol{a}\) 张量可表示为:

\[\boldsymbol{\alpha}=a^{i_{1} i_{2} \cdots i_{q}}\left(b_{i_{1}}^{j_{1}} \eta_{j_{1}}\right) \otimes\left(b_{i_{2}}^{j_{2}} \eta_{j_{2}}\right) \otimes \cdots \otimes\left(b_{i_{q}}^{j_{q}} \eta_{j_{q}}\right) \]

\[=b_{i_{1}}^{j_{1}} b_{i_{2}}^{j_{2}} \cdots b_{i_{q}}^{j_{q}} a^{{i_{1}}{i_{2} \cdots i_{q}}} \eta_{j_{1}} \otimes \eta_{j_{2}} \otimes \cdots \otimes \eta_{j_{q}} \]

:\(\left(b_{i_{2}}^{j_{2}} \eta_{j_{2}}\right) \otimes\left(b_{i_{q}}^{j_{q}} \eta_{j_{q}}\right)\) 因为 \(b_{i_{2}}^{j_{2}}\) 是常数可以直接提出前面,而 \(\eta_{j_{q}}\) 是 向量所以直接乘。

从式 (1.8) 得

\[\tilde{a}^{j_{1} j_{2}\cdots{j}_{q}}=b_{i_{1}}^{j_{1}} b_{i_{2}}^{j_{2}} \cdots b_{i_{q}}^{j_{q}} a^{i_{1} i_{2} \cdots i_{q}} \]

注:楔积的解释

勘误

以下解释为错误解释(不要轻信知乎或者其他论坛上的人的总结,要忠于教材)

令 \(f \in A_{k}(V), g \in A_{l}(V)\) ,定义他们的楔积 (wedge product) \(f \wedge g\) 为:

\[f \wedge g=\frac{1}{k ! l !} Alt(f \otimes g) \tag{1.9-old} \]

这里 \(Alt\) 表示反对称

正确的解释

令 \(f \in A_{k}(V), g \in A_{l}(V)\) ,定义他们的楔积 (wedge product) \(f \wedge g\) 为:

\[\begin{aligned} &\small\tau \wedge \sigma=\frac{(r+p) !}{r ! p !} A l t(\tau \otimes \sigma)\\ &\scriptsize=\frac{1}{r ! p !} \sum_{\gamma \in \mathcal{S}_{r+p}} \operatorname{sgn}(\gamma)\tau^{i_{\gamma(1)} \ldots i_{\gamma(r)}} \sigma^{i_{\gamma(r+1)} \ldots i_{\gamma(r+p)}} e_{i_{1}} \otimes e_{i_{2}} \otimes \cdots \otimes e_{i_{r+p}}\\ \end{aligned} \tag{1.9-new} \]

\(\Lambda^pV\) 的一个基:

\[\beta^{i_{1}} \wedge \beta^{i_{2}} \wedge \cdots \wedge \beta^{i_{p}}, \quad 1 \leqslant i_{1}<i_{2}<\cdots<i_{p} \leqslant n \]

于是有:

\[\begin{aligned} \operatorname{dim} \Lambda^{p} V &=\left(\begin{array}{l} n \\ p \end{array}\right) \\ \operatorname{dim} \Lambda V &=2^{n} \end{aligned} \]

注意:对于理论物理而言有时不需要过多注意基础理论的的证明,但是要会用这个结论去证明其他的东西。

任何 \(p- \text{from}\) 的 \(\varphi \in \Lambda^pV\) 可以如下分解(表示)

\[\varphi=\frac{1}{p !} \sum_{i_{1}, \ldots, i_{p}} \varphi_{i_{1} \cdots i_{p}} \beta^{i_{1}} \wedge \cdots \wedge \beta^{i_{p}} \]

wedge product of \(p\)-form \(\varphi\) and a \(q\)-form \(\psi\) corresponds to the antisymmetrized tensor product up to a factor \((p+q) !\) :

\[\varphi \wedge \psi \leftrightarrow(p+q) ! \varphi_{\left[i_{1} \cdots i_{p}\right.} \psi_{\left.j_{1} \cdots j_{q}\right]} \tag{1.10} \]

方括号是指完全反对称。

problem 这里(1.9) 与式(1.10)有什么区别,为什么会出现不一样?

补充

反对称括号

The antisymmetrization of this tensor is defined by;

\[A l t\left(v_{1} \otimes \cdots \otimes v_{r}\right)=\frac{1}{r !} \sum_{\gamma \in \mathcal{S}_{r}} \operatorname{sgn}(\gamma) v_{\gamma(1)} \otimes \cdots \otimes v_{\gamma(r)} \]

张量计算
\(T^{q}(V)\) 可记成 \(T_{o}^{q}(V) ; T_{p}(V)\) 可记成 \(T_{p}^{\circ}(V)\) 。此外, 规定

\[T_{0}^{0}(V)=F \]

由于 \(T_{p}^{q}(V)\) 是域 \(F\) 上的线性空间, 因此它有加法和纯量乘法运算。在取定的一个基下, 用坐标表示的张量的加法是把对应分量相加, 因此可以用下式来表示 \((p, q)\) 型张量的 加法:

\[(c+d)_{j_{1} j_{2} \cdots j_{p}}^{i_{1} i_{2} \cdots i_{q}}=c_{j,_{1} j_{2} \cdots j_{p}}^{i_{1} i_{2} \cdots i_{q}}+d_{j_{1} j_{2} \cdots j_{p}}^{i_{1} i_{2} \cdots i_{q}} \]

类似地, 可以用下式表示 \((p, q)\) 型张量的纯量乘法:

\[(k c)_{j_{1} j_{2} \cdots j_{p}}^{i_{1} i_{2} \cdots i_{q}}=k c_{j_{1} j_{2} \cdots j_{p}}^{i_{1} i_{2} \cdots i_{q}} \]

在同构的意义下

\[T_{p}^{q}(V) \otimes T_{r}^{s}(V) \cong T_{p+r}^{q+s}(V) \]

设同构映射为 \(\psi\), 任给 \(\boldsymbol{f} \in T_{p}^{q}(V), \boldsymbol{g} \in T_{r}^{s}(V)\), 规定 \(\boldsymbol{f}\) 与 \(\boldsymbol{g}\) 的乘积为

\[\psi(\boldsymbol{f} \otimes \boldsymbol{g}) \in T_{\boldsymbol{p}+\boldsymbol{r}}^{\mu+s}(V) \]

把 \(\boldsymbol{f}\) 与 \(\boldsymbol{g}\) 的乘积仍记成 \(\boldsymbol{f} \otimes \boldsymbol{g}\) 。于是有了张量的乘积, 即 \(T_{P}^{q}(V)\) 中的张量与 \(T_{r}^{s}(V)\) 中的张 量的乘积为 \(T_{o+r}^{q+s}\) 中的张量。在 \(V\) 中取一个基, 分别得到 \(T_{p}^{q}(V), T_{r}^{s}(V), T_{o+r}^{q+s}(V)\) 的一个

1.4. Inner derivative

对于任何vector space \(V\) 内的vector \(v\), inner derivative \(i_v\) 可以降低一个degree

\[\begin{aligned} i_{v}: \Lambda^{p} V & \rightarrow \Lambda^{p-1} V \\ \varphi & \mapsto i_{v} \varphi, \quad v \in V \\ \left(i_{v} \varphi\right)\left(v_{1}, \ldots, v_{p-1}\right): &=\varphi\left(v, v_{1}, \ldots, v_{p-1}\right) \end{aligned} \]

如果 \(\varphi\) 是 \(1-\text{form}\) 于是: \(i_{v} \varphi=\varphi(v) \in \mathbb{R}\)

标签:wedge,product,right,varphi,cdots,sight,otimes,physics,theoretical
From: https://www.cnblogs.com/quant-lei/p/17441312.html

相关文章

  • Gelsight
    参考项目转载Github:gelsight_heightmap_reconstruction图像畸变矫正importnumpyasnpimportcv2importmatplotlib.pyplotaspltfromscipy.interpolateimportgriddatafromscipy.interpolateimportRbfclassimp:def__init__(self):self.kernel......
  • RedisInsight支持redis集群可视化
    RedisInsight是Redis官方出品的可视化管理工具,可用于设计、开发、优化你的Redis应用。支持深色和浅色两种主题,界面非常炫酷!可支持String、Hash、Set、List、JSON等多种数据类型的管理,同时支持远程使用CLI功能,功能非常强大!......
  • 论文阅读笔记《Residual Physics Learning and System Identification for Sim to rea
    ResidualPhysicsLearningandSystemIdentificationforSimtorealTransferofPoliciesonBuoyancyAssistedLeggedRobots发表于2023年。论文较新,未找到发表期刊。基于浮力辅助的足式机器人策略迁移的残差物理学习与系统识别SontakkeN,ChaeH,LeeS,etal.Resi......
  • Source Insight 常用技巧
    参考:(11条消息)SourceInsight中正则表达式的使用_sourceinsight正则表达式搜索_qianqian_0825的博客-CSDN博客1-正则表达式检索功能1-1当你对照log,想检索log在代码中的具体位置,恰好这段打印比较复杂,无法用普通的搜索查到,可使用"LookupReferences",搜索手段选"Reg......
  • Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning
    目录概符号说明Laplaciansmoothing代码LiQ.,HanZ.andWuX.Deeperinsightsintographconvolutionalnetworksforsemi-supervisedlearning.AAAI,2018.概本文分析了GCN的实际上就是一种Smoothing,但是如果层数过多就会导致over-smoothing.符号说明\(\mat......
  • Vulnhub之Inplainsight靶机详细测试过程及经验教训
    Inplainsight识别目标主机IP地址─(kali㉿kali)-[~/Vulnhub/Inplainsight]└─$sudonetdiscover-ieth1-r192.168.56.0/24Currentlyscanning:192.168.56.0/24|ScreenView:UniqueHosts......
  • 优维可观测轴心产品大观:HyperInsight超融合持续可观测解决方案
    随着Kubernetes得到越来越广泛的采用,企业软件系统正在向复杂的云原生架构进行革命性转变。应用形式呈现有Web、APP、小程序等多种形式,访问的网络有4G、5G、Wi-Fi等。企业用云也从单一云时代,逐渐来到混合多云时代。在这些庞大复杂的多云环境中,各种模块、这种语言开发的应用程序或服......
  • source insight使用(五)
    sourceinsight设置编码格式的方法options->Preference->Defaultencoding文件->reloadasencoding选项括号自动对齐设置Options->FileTypeOptionsAutoIndent...(自动缩进)按照下图配置Tab补齐提示Options->Preferences...->Typing选项卡->Tabkeyeelectsitem......
  • 工具 | Source Insight的配置及使用参考
    工具|SourceInsight的配置及使用参考需要理解代码?SourceInsight是一个功能强大的面向项目的编程编辑器、代码浏览器和分析器,可帮助您在工作和计划时理解代码。SourceInsight具有针对C/C++、C#、Java、Objective-C等的内置动态分析。1.SourceInsight护眼色配置在Options-......
  • 搭建虚拟机和source insight开发环境
    开发中经常有需要看大平台代码的时候,这个时候代码太大在虚拟机里面用vscode看会非常卡顿,因此可以使用sourceinsight来解决这个问题,但是sourceinsight是win环境的,因此需要搭建一个虚拟机和win之间的桥梁,下面记录一下这个过程:主要是使用sourceinsight+samba访问虚拟机的linux......