虚数的一维表达模式需要修正和拓展,二维数向你招手
2023-08-29
四进制与人工智能 / 宇宙时空 / 精选文章 / 量子纠缠 / 隐士申子源
虚数的一维表达模式需要修正和拓展,二维数向你招手
隐士申子源 2023-08-29
阅读本文的人,申子源认为是有基本的数学常识的,有简单的高度数学常识就够了。
其实,现在的人,基本上对负数的理解都很直观。
比如去坐电梯的时候,是不是遇见-1层,-2层。
还有神奇的“夹层”、“B层”、“G层”,就是没有0层。
所以,负数其实也可以很直观。
虚数i的平方,就是-1,
也就是说:-1的开方根就是±1.
既然说到虚数,就会涉及复数的概念。
我们简单整理一下,虚数和复数的概念名称。
以下都是很基本的数学常识。
虚数和复数是数学中的两个重要概念,通常在解决方程和分析问题时使用。它们涉及到数学中的实数和虚构的数学构想。
实数:实数包括所有的正数、负数、零以及它们之间的数。实数可以在数轴上表示,每个实数都对应于数轴上的一个点。
虚数:虚数是一个特殊的数,用以表示那些平方后得到负数的数。虚数单位通常用 “i” 表示,定义为 √(-1)。虚数没有在实数轴上的位置,因为它们不是实数,但它们在数学中具有重要的角色。
复数:复数是由实部和虚部构成的数,通常形式为 a + bi,其中 a 和 b 都是实数,而 i 是虚数单位。实部 a 表示实数部分,而虚部 b 表示虚数部分。复数可以在复平面上表示,其中实轴表示实部,虚轴表示虚部。
虚数和复数之间的关系:
虚数单位 i 的引入扩展了实数域,使得那些原本没有实数解的方程也能够得到解。例如,方程 x^2 + 1 = 0 在实数域中无解,但引入虚数单位后,可以得到两个解:x = i 和 x = -i。
复数的运算包括加法、减法、乘法和除法,遵循一些规则,其中特别重要的是复数乘法的性质。复数乘法涉及实部和虚部的运算,导致了很多有趣的数学结构和性质。
复数可以表示为极坐标形式,即通过模数和幅角来表示。这种表示方式方便了复数的乘法和除法运算。
复数在物理学、工程学和其他科学领域中有广泛的应用,例如在电路分析、信号处理、量子力学等领域。
虚数和复数是在数学中引入的概念,扩展了实数域,使得更多的方程和问题都能够得到解,同时也在各种应用领域发挥着重要作用。
虚数i到底是怎么回事?
怎么会像幽灵一样的存在,但是人类却无法直观的理解。
其实,当负数的概念出现的时候,注定虚数和复数终将出现,只要人类按照固有的四维往前一步,但是牛角尖也钻到头了。
为什么这样说呢?
因为人类还是固执的抱着一维线性思维在表达数学,和解构物理世界。
虚数i相关的复数形式,其实是高维度的数(矢量)在一维上的映射投影,是人们想当然的化繁为简表达方式。矩阵和算筹更能够表达高维运算的算子和算法。 申子源的四进制揭秘GPU人工智能算法将还原这一表达方式。
从某种角度来看,虚数i可以被认为是高维度的数在复数平面上的投影,或者说是从更高维度的空间向一维的映射。
这种观点在某种程度上揭示了虚数概念的抽象性和复杂性。
使用矩阵和算子可以更全面地处理高维度的数据和运算。矩阵提供了一种有效的方式来表示和处理多维数据,比如二维、三维甚至更高维度的数据。
通过矩阵运算,我们可以方便地操作这些数据,进行线性变换、旋转、缩放等操作。
另一方面,算子和方法如李群、李代数等提供了更为抽象和高级的工具来处理高维度的数据和运算。这些工具可以描述物体的对称性、变换和运动等复杂现象,并且在物理学、工程学、计算机科学等多个领域有着广泛的应用。
不同的数学工具和表达方式都有其优点和适用范围。虚数i作为一种简化的表达方式,在处理复数问题时非常方便。而矩阵和算子等方法则提供了更全面、更强大的工具来处理高维度的数据和运算。
比如: a + bi,其中 a 和 b 都是实数,i 是虚数单位。
从这个例子,a+bi是一维线性表达,而几何图形必须在平面上展示,是一个二维表达。
很多人估计对一维线性的数学表达认识不清晰,蒙查查搞不懂什么意思。
这里详细的解析一下,希望有帮助。
一维线性数学涉及到在一条直线或一个单一的数轴上的数学概念和运算。在这种情况下,所有的变化都只沿着一个维度发生,即沿着数轴的方向。以下是一维线性数学的概念示例:
实数:实数是一维数学中的基本概念,包括所有的正数、负数、零以及它们之间的数。这些数可以在一维数轴上表示,每个实数对应于数轴上的一个点。
一维向量:一维向量是只有一个分量的向量,通常表示为 [a]。这个向量只有一个方向,可以看作是一个实数倍数。
一维线性方程:一维线性方程通常是指形如 ax + b = 0 的方程,其中 a 和 b 是实数,x 是未知数。这类方程的解可以通过简单的代数运算得到,解即为 x = -b/a。
实数函数:一维线性数学中的函数描述了一个实数域到自身的映射。线性函数是一类特殊的函数,其图像是一条直线,遵循 f(x) = mx + b 的形式。
关于 a+bi 与几何图形的比较:
a+bi 是一个复数,其中 a 和 b 是实数部分和虚数部分。虽然表面上包含了两个分量,但它在复平面上仅占据一个点,因此仍属于一维线性数学的范畴。
几何图形通常需要在平面上展示,这是一个二维的情况,因为它需要两个坐标来确定一个点的位置。例如,平面上的点需要两个实数坐标 (x, y) 来描述,这涉及到二维数学。
总而言之,一维线性数学涉及到沿着一个维度的数学概念和运算,包括实数、一维向量、一维线性方程等。复数 a+bi 虽然包含两个分量,但在复平面上只占据一个点,因此仍属于一维线性数学的范畴。与之相比,几何图形需要在二维平面上展示。
从某种意义上讲,复数 a+bi 表达,是一种伪一维线性表达,本质上,它就是一个二维数。
二维数又是什么?
以后单独讲,能够看到这里,并且基本理解的人已经不多了。
如果想从事人工智能,必须要吃透四进制,也必须要懂得二维数,这个时候去理解量子计算也就入门了。
进入量子计算的世界,首先需要掌握四进制数学。不同于我们日常使用的十进制数学,四进制数学中只有四个数字:0、1、2和3,这四个数字可以组合成任意整数。在量子计算中,四进制数学是用来描述量子比特状态的基础语言,掌握四进制数学是理解量子计算的关键之一。
接下来,我们需要掌握二维数。在经典计算机中,每个比特只能取0或1,而在量子计算机中,每个量子比特可以处于0和1之间的任意状态,这种状态可以用一个二维向量表示。掌握二维数可以帮助我们更好地理解量子计算中的量子态和量子门操作。
当我们掌握了四进制数学和二维数之后,再去理解量子计算就会变得更加容易。量子计算是一种基于量子力学的计算方式,它利用了量子比特之间的叠加和纠缠等特性,可以实现比经典计算机更高效的计算。在量子计算中,每个量子比特的状态都是一个二维向量,它们之间可以通过量子门操作进行变换和交互。 但是,量子计算也带来了新的挑战。由于量子比特的状态是高度敏感的,外界的微小干扰都可能导致计算结果的错误。
因此,在量子计算中需要更加精细的误差控制和纠错技术,以保证计算的准确性和可靠性。 总之,如果想从事人工智能领域的工作,必须要吃透四进制数学和二维数,这样才能更好地理解量子计算和其在人工智能领域的应用。
量子纠缠态,就是太极阴阳数理模型。
END
这是一个系列的书本节选内容,如果需要全书,电子书和纸质版本的,请留言。
估计只要做人工智能基础算法方向,以及Ai芯片架构方向的人,才会需要。
已经拓展到量子计算的相关内容,四进制与人工智能一书,将有量子数量模型的例子解析。




