毛球定理

简介:   在代数拓扑中,毛球定理证明了偶数维单位球上的连续而又处处不为零的切向量场是不存在的。具体来说,如果f是定义在一个单位球上的连续函数,并且对球上的每一点P,其函数值是一个与球面在该点相切的向量,那么总存在球上的一点,使得f在该点的值为零。

  在代数拓扑中,毛球定理证明了偶数维单位上的连续而又处处不为零的切向量是不存在的。具体来说,如果f是定义在一个单位球上的连续函数,并且对球上的每一点P,其函数值是一个与球面在该点相切的向量,那么总存在球上的一点,使得f在该点的值为零。直观上(三维空间)可以想象为一个被“抚平”的“毛球”。这个定理最著名的陈述也正是“永远不可能抚平一个毛球”。这个定理首先在1912年被布劳威尔证明。

实际上,根据庞加莱-霍普夫定理,三维空间中的向量场的零点处的指数和为2,即二维球面的欧拉示性数,因此零点必然存在。对于二维环面,其欧拉特征数为0,因此“长满毛的甜甜圈”是有可能被“抚平”的。推广来说,对于任意的正则的偶数维紧流形,若其欧拉示性数不为0,则其上的连续切向量必然存在零点。

  

定理:如果n为大于等于2的偶数,那么所有

S_n

上的连续的切向量场

X

必然有至少一个零点。

对于奇数维的情形,存在连续(甚至解析)切向量场,在处处皆不为零。

毛球定理与气旋

 

毛球定理在气象学上的一个有趣应用是对于气旋的研究。如果我们把大气的运动:看为地球表面的一个向量,那么这个向量场连续,因为覆盖地球表面的大气层可以看作是连续分布的。作为理想化的模型,我们可以忽略空气的垂直运动,因为其相对于地球的半径是很小的,或者说我们只研究其水平分量(也是连续的)。

这样看来,一个完全没有风的点(空气静止)对应着向量场的一个零点。事实上,就物理上来说,空气是不可能在某一个区域处处绝对静止的,因为空气总在运动。但毛球定理说明零点存在,因此必然有空气静止的点,并且是孤立点。

一个物理学上的解释是这些零点对应着气旋反气旋的中心(风眼)。在这样的零点附近,风的分布成螺旋形,但永远不会从水平吹入中心或从其中吹出(只能上升或下降)。由毛球定理可以得出,地球表面永远存在气旋和风眼,在风眼处风平浪静,但四周都有风环绕。

目录
相关文章
|
8月前
|
人工智能 中间件 数据库
沐曦 GPU 融入龙蜥,共筑开源 AI 基础设施新底座
沐曦自加入社区以来,一直与龙蜥社区在推动 AIDC OS 的开源社区建设等方面保持合作。
|
存储 网络协议 Linux
【技术分享】syslog
4月更文挑战第5天
889 1
|
自然语言处理 Shell API
如何翻译 Markdown 文件?-1- 难点及解决方案
如何翻译 Markdown 文件?-1- 难点及解决方案
|
3月前
|
机器学习/深度学习 缓存 监控
大模型应用:矩阵乘加(GEMM)全解析:大模型算力消耗的逻辑与优化.68
GEMM(矩阵乘加)是大模型算力核心,占Transformer计算量90%以上。本文系统解析其数学原理、高维适配、算力测算公式,并详解INT8/INT4量化、矩阵分块、硬件加速与批处理四大优化策略,结合代码示例与性能监控方法,助力高效推理落地。
624 17
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
视觉语言模型(VLM)实战:让 AI 真正“看懂”图像
在多模态人工智能的浪潮中,视觉语言模型(Vision-Language Models, VLMs) 正迅速成为连接图像与文本理解的核心技术。从为视障人士描述场景,到电商智能客服识别用户上传的商品图,再到自动驾驶系统理解交通标志语义——VLM 正在模糊“看”与“说”的边界。本文将带你深入 VLM 的工作原理、典型架构,并通过一个实际案例展示如何构建一个简单的图像问答系统。
|
机器学习/深度学习 人工智能 自然语言处理
《深度剖析:人工智能与元宇宙构建的底层技术框架》
在科技飞速发展的当下,人工智能与元宇宙成为备受瞩目的前沿领域。人工智能的底层技术包括机器学习、深度学习和自然语言处理,赋予机器学习能力、图像识别和语言理解功能。元宇宙则依赖区块链、虚拟现实(VR/AR/MR)、数字孪生及高速网络等技术,构建去中心化、沉浸式和交互性强的虚拟世界。两者融合促进内容创作与用户体验提升,预示未来社会和经济发展的新方向。
367 0
|
机器学习/深度学习 存储 人工智能
【AI系统】Tensor Core 架构演进
自2017年Volta架构推出以来,英伟达的GPU架构不断进化,从Volta的张量核心(Tensor Core)革新,到Turing的整数格式支持,再到Ampere的稀疏矩阵计算优化,以及Hopper的FP8张量核心和Transformer引擎,直至2024年的Blackwell架构,实现了30倍的LLM推理性能提升。每一代架构都标志着深度学习计算的重大突破,为AI技术的发展提供了强大的硬件支持。
1371 1
|
机器学习/深度学习 存储 搜索推荐
NVIDIA Ampere 架构的结构化稀疏功能及其在搜索引擎中的应用
NVIDIA Ampere架构引入了结构化稀疏功能,显著加速了深度学习模型的推理过程。通过2:4的稀疏模式,即每4个相邻权重中有至少2个为0,实现了高效的内存访问和模型推理加速,同时保持了模型精度。腾讯机器学习平台部门利用这一特性,通过渐进式训练方法,实现了模型在搜索引擎中的高效部署与应用,如相关性预测、查询性能预测等场景,不仅提升了处理速度,还在某些情况下超过了原有模型的精度。此外,NVIDIA还提供了TensorRT和cuSPARSELt库,进一步增强了稀疏模型的推理效率。
468 0
 NVIDIA Ampere 架构的结构化稀疏功能及其在搜索引擎中的应用
|
人工智能 API Python
[AI MoA] 原来这就是 MoA(Mixture-of-Agents)
介绍一个项目,Mixture-of-Agents (MoA)。MoA 是一种新颖的方法,它利用多个 LLMs 的集体优势来增强性能,实现最先进的结果。通过采用每层包含多个 LLM 代理的分层架构,MoA 仅使用开源模型,在 AlpacaEval 2.0 上的得分为 65.1%,显着优于 GPT-4 Omni 的 57.5%!