title |
---|
AI4Math 练习项目说明 |
2023 年 7 月
-
我们将按照基础数学方向和应用数学方向将全体同学分成项目小组,3-4 位同一方向的同学构成一组。
-
根据小组成员的方向,请参考「选题样例」一节确定小组选题。你可以选择样例中的题目,也可以自选与之难度类似的其他题目。请使用 Lean4 完成所选择的定理叙述的形式化,并完成其证明。
-
确认选题后,请每组派一位同学与助教沟通确认所选的题目,确认选题难度是否适中,并协调不同组之间的选题尽量互不重复。基础数学选题的小组请与姜杰东联系,应用数学选题的小组请与李晨毅或王子彧联系。
-
项目将于 2023.07.25-2023.07.29 每天下午进行展示。请在展示前,将编译通过的
.lean
文件,提前发给助教。请在文件开头的注释中注明小组成员的构成。 -
完成本项目时,你可以使用包括搜索引擎在内的任意电子工具。我们也推荐你在 Lean 社群上将你遇到的问题大胆提问,或与其他同学或助教讨论。但我们仍要求小组成员在获得必要的帮助后,独立地写下整个形式化证明。
-
本项目的目的,在于训练大家查找 Mathlib 的能力,与有条理的形式化数学定理的能力。因此后文中所列出的题目,对于有该领域基础知识的同学相对简单。搜索引擎亦能很好地帮助你得到相关问题的正确数学证明。
-
在完成项目的过程中,请注意以下诸点:
-
请首先查找并阅读 Mathlib 中与选题相关的内容,若小组选题在 Mathlib 上已经有较完善的基础,请尽量避免重复造轮子。
-
若小组选题在 Mathlib 上没有完善的基础,你可能需要自行写下相关定义,及前续定理。
-
对于需要自选具体形式化定理内容的小组,你所选的定理可以是教科书的课后习题、经典推论、或者其他定理,但请检索该命题是否在 Mathlib 中已经有相似命题,如果确有类似的,请更换命题。(请注意,有些看似简单的定理在 Lean 中的证明是较为困难的,请谨慎选择并与助教交流你想证明的题目)我们希望大家主要展示 Mathlib 定理与 tactics 的使用,不要求大家攻克难题。
-
-
在进行项目展示时,请注意以下诸点:
-
若小组所研究的题目在 Mathlib 上已经有较完善的基础,请在展示时首先大致讲解课题相关定理在 Lean 中的实现与使用。
-
若小组选题在 Mathlib 上没有完善的基础,请在展示时首先讲解相关定义及前续定理在 Lean 中的实现及使用。
-
如果你所证明的定理不是大一大二基础课程所含内容,建议大家在展示时先讲解该定理使用自然数学语言的证明。
-
欢迎大家分享(吐槽)一部分使用 Lean 的经验,可以是选 Lean 实现过程中与实际的数学工作中不太一致的地方。如果可以的话,可以分享你认为对研究领域的后续知识形式化会遇到哪些难点。
-
课堂展示时请展示你的代码,语言为 Lean4,可以使用幻灯片辅助展示但并非必要,展示的主要目的是为其他同学讲清楚 Lean 在数学研究的不同分支上如何使用。
-
-
以下列出数十个问题,它们被分为几个板块: 线性代数、抽象代数、 交换代数、数论、基础分析、点集拓扑、泛函. 每个板块大致有几个小题。你可以从中选择你喜欢的板块和问题或是选择其他难度相似的问题。带
$\star$ 标记的问题相较于其他问题可能更具形式化方面的难度。 -
你也可以选择其他数学分支的定理进行形式化,例如:组合恒等式。
-
如果你认为完成一道题目过于简单,可以选择多道题目完成。
-
如果你觉得某问题的叙述有误, 则你可以解释错误并按照你的想法更正,并形式化更正后的定理。
习题 1. 给定特征
习题 2. 线性空间
习题 3. 给定有限维线性空间
习题 4 (
习题 5 (
习题 6. 对群
习题 7. 证明有限群到
习题 8. 证明
习题 9. 证明
习题 10. 证明二次扩张都是 Galois 扩张
习题 11 (
若
习题 12 (
习题 13 (
习题 14 (
习题 15. 证明 素理想回避定理:设环
习题 16. 对正整数
习题 17 (
习题 18 (
习题 19. 设
习题 20. 求极限 $$ \lim_{x\to+\infty}\left(1+\frac1x\right)^{x^2}e^{-x}=\frac1{\sqrt e} $$
习题 21 (
习题 22 (
习题 23. 证明紧空间到
习题 24 (
习题 25 (
习题 26. 给定
下面列了 8 个相关选题,每个选题提到了相关方向的一些定理,给了一些参考文献的部分内容,里面可能涉及到了很多定理与例子。实际形式化的时候,可以从易到难,从例子到定理。
-
凸集:可以将 1.3.1 节 [1] 中的一些例子的证明形式化,也可以尝试证明 1.3.3 节中的凸集分离定理不同形式(这可能在 Mathlib 库中的 Hahn-Banach 定理中提到过)。
-
凸函数:可以在 1.3.2 节 [1] 中形式化凸函数的一些性质与判定(如梯度单调、海瑟矩阵半正定等)。也可以形式化有关强凸函数的性质。 如果高维函数难以操作,也可以先尝试在一维函数的背景下形式化。
-
向量范数和矩阵范数:可以探索 Mathlib 中关于范数已经有的结论,探索部分还没有形式化的内容,可以参考 [1] 1.2.1 相关内容。
-
高维微积分:可以尝试使用
fderiv
和deriv
的定义来形式化一些高维微积分或 计算矩阵函数的导数。如果定理形式化较为困难,也可以从例子入手。 -
多项式插值、样条:可以考虑拉格朗日插值的存在性以及误差估计,样条函数的存在性等等内容,也可以从最佳逼近角度证明一些基本定理,参考 [2] 第二章的部分内容。
-
矩阵迹和行列式: 可以将矩阵计算的一些特性形式化,如分块矩阵、Schur 补、SMW 公式。注意其中部分内容在 Mathlib 中已经形式化。可以参考 [1] 中 1.2.4 节相关内容。
-
数值微分、数值积分:可以给出微分和积分格式的误差估计,灵活应用导数、积分和中值定理。参考文献为 [2] 第三章部分。
-
矩阵的特征值和特征向量相关性质:例如实对称矩阵一定有实特征值等等,可以参考 [1] 1.2.2 节相关内容。
@book{sun2006optimization,
title={Optimization theory and methods: nonlinear programming},
author={Sun, Wenyu and Yuan, Ya-Xiang},
volume={1},
year={2006},
publisher={Springer Science \& Business Media}
}
@book{张平文2007数值分析,
title={数值分析},
author={张平文,李铁军},
year={2007},
publisher={北京大学出版社}
}