Гладкие многообразия и карты

Гладкие многообразия: геометрия без объемлющего пространства

Зачем выходить за пределы поверхностей?

Поверхность в ℝ³ — интуитивный объект: мы «видим» её снаружи. Но многие естественные геометрические объекты не вложены в привычное пространство. Фазовое пространство механической системы с n степенями свободы — 2n-мерное многообразие. Пространство квантовых состояний — бесконечномерное гильбертово пространство. Пространство конфигураций роботической руки — многообразие SO(3) × ℝ³.

Гладкое многообразие — способ работать с такими пространствами без ссылки на внешнее вложение.

Топологическое многообразие

Определение: Хаусдорфово топологическое пространство M, в котором каждая точка имеет окрестность, гомеоморфную (топологически равнозначную) открытому шару в ℝⁿ, называется n-мерным топологическим многообразием.

Проще: многообразие «локально плоское» — вблизи каждой точки оно выглядит как кусок ℝⁿ. Поверхность «плоская» как ℝ², пространство — как ℝ³, хотя глобально может быть устроена сложнее.

Карта (u, φ): открытое множество u ⊂ M с гомеоморфизмом φ: u → ℝⁿ. Это «система координат» на u. Атлас — семейство карт, покрывающее всё M.

Функции перехода (transition maps): при перекрытии двух карт (u_α, φ_α) и (u_β, φ_β): ψ_{αβ} = φ_β ∘ φ_α⁻¹ : φ_α(u_α ∩ u_β) → φ_β(u_α ∩ u_β) — отображение между областями в ℝⁿ.

Гладкое многообразие

Атлас гладкий, если все функции перехода ψ_{αβ} — гладкие (C∞) отображения. Гладкое многообразие — пара (M, [A]), где [A] — максимальный гладкий атлас (класс эквивалентности совместимых атласов).

Примеры:

• ℝⁿ: одна карта, тождественный атлас.
• Сфера Sⁿ: два атласа стереографических проекций. Север-атлас: φ_N(x₁,...,xₙ₊₁) = (x₁,...,xₙ)/(1−xₙ₊₁). Юг-атлас: φ_S аналогично с +xₙ₊₁. Функция перехода: φ_S ∘ φ_N⁻¹(u) = u/|u|² (инверсия) — гладкая при u ≠ 0 ✓.
• Тор T² = ℝ²/ℤ²: фактор-пространство. Атлас из четырёх карт (с перекрытиями у рёбер). Компактное двумерное многообразие.
• Проективное пространство ℝPⁿ: сфера Sⁿ с отождествлением антиподов x ~ −x. ℝP² — первый пример «неориентируемого» замкнутого многообразия.

Гладкие отображения и диффеоморфизмы

Функция f: M → ℝ гладкая, если для каждой карты (u, φ) функция f ∘ φ⁻¹: ℝⁿ → ℝ гладкая.

Отображение F: M → N между многообразиями гладкое, если в локальных координатах оно описывается гладкой функцией: ψ ∘ F ∘ φ⁻¹ — гладкая.

Диффеоморфизм: Гладкая биекция с гладким обратным. Это «эквивалентность» в категории гладких многообразий. Диффеоморфные многообразия геометрически неразличимы.

Конкретный пример: SO(3) и вращения

Группа SO(3) — все ортогональные матрицы с det = 1 (вращения в ℝ³). Это 3-мерное многообразие (компактное, связное). Параметризации: углы Эйлера (3 угла), угол–ось (ось + угол = 4 параметра с нормировкой).

SO(3) не является сферой S³, но имеет двойное накрытие: SU(2) ≅ S³ → SO(3) (двухлистное). Кватернионы единичной нормы (|q|=1) ≅ S³ — каждое вращение соответствует двум антиподальным кватернионам q и −q.

В роботике: конфигурация руки-манипулятора с 6 степенями свободы — элемент SO(3) × ℝ³ (6-мерное многообразие). Алгоритмы управления используют геометрию этого многообразия.

В квантовой механике: спинорные представления (полуцелый угловой момент) — представления SU(2), а не SO(3). Спин 1/2 электрона — результат двойного накрытия.

Многообразия в машинном обучении

Гипотеза многообразия утверждает: реальные данные высокой размерности (изображения, звук, текст) лежат вблизи многообразия малой размерности в пространстве признаков. Например, множество изображений лиц — не «равномерное» подпространство ℝ^{1000000}, а многообразие размерности ~50 (поза, освещение, выражение). Алгоритмы UMAP и t-SNE строят «карты» этого многообразия, используя идеи сохранения топологии и метрики. Автоэнкодеры в нейронных сетях фактически учат параметризацию скрытого многообразия данных — «кодировщик» задаёт карту, «декодировщик» — её обратную. Метод главных компонент (PCA) ищет линейные подпространства; нелинейные аналоги (UMAP, диффузионные карты) строят диффеоморфизмы между многообразием данных и плоским пространством малой размерности. Дифференциальная геометрия предоставляет математический язык для описания этих структур.

Многообразия в физике и инженерии

Концепция гладкого многообразия пронизывает теоретическую физику. Фазовое пространство механической системы с n степенями свободы — это 2n-мерное симплектическое многообразие: n обобщённых координат и n импульсов. Траектория системы — интегральная кривая гамильтонова векторного поля на этом многообразии. В теории относительности пространство-время — четырёхмерное лоренцево многообразие с метрикой переменного знака, и свободное падение — геодезическое движение на нём. В теории калибровочных полей, описывающей электромагнетизм и ядерные силы, поля являются сечениями расслоений над пространством-временем — обобщение многообразия с дополнительной структурой. В инженерии ориентация твёрдого тела описывается точкой группы SO(3) — трёхмерного компактного многообразия Ли. Алгоритмы управления квадрокоптерами и спутниками работают непосредственно на этом многообразии: уравнения движения интегрируются с помощью экспоненциального отображения группы Ли, что позволяет точно сохранять геометрию вращений и избегать «гимбальных замков», характерных для параметризации углами Эйлера.

Гладкие многообразия в обработке данных и машинном обучении

Анализ данных на многообразиях стал одним из ключевых направлений современного машинного обучения. Алгоритм Isomap строит малоразмерное представление данных, сохраняющее геодезические расстояния: вместо евклидовых расстояний используются длины кратчайших путей по графу ближайших соседей, приближающих геодезические расстояния на многообразии. Это позволяет обнаруживать нелинейные структуры в данных высокой размерности. В распознавании лиц множество изображений одного человека при разных углах освещения лежит на малоразмерном многообразии в пространстве пикселей, и методы manifold learning находят это многообразие. В нейронауке геометрия пространства нейронных активаций описывается как многообразие: методы UMAP и t-SNE строят его низкоразмерное представление, выявляя структуру нейронных кодов. Геометрия риманова многообразия положительно определённых матриц (ковариационных матриц) используется в компьютерном зрении для классификации данных с учётом структуры пространства. Дифференциальная геометрия задаёт язык нормализующих потоков — класса глубоких нейронных сетей, преобразующих произвольные распределения вероятностей через последовательность диффеоморфизмов.

Задание: (а) Покажите, что стереографическая проекция φ_N: S² {N} → ℝ² конформна (сохраняет углы). (б) Почему тор T² и сфера S² не диффеоморфны? Назовите топологический инвариант, различающий их. (в) SO(2) ≅ S¹: докажите через явную параметризацию (матрица вращения = exp(θJ), J = [[0,−1],[1,0]]).