前言

你需要付出的只是心底里那点小小的温软,从此坚硬如铁。


目录

  • 前言
  • 广义坐标变换
  • 广义相对论中的张量
    • 逆变张量
    • 协变张量
    • 混合张量
  • 张量代数
    • 加减
    • 缩并
    • 矢量的标积(内积)
  • 对称
    • 对称部分和反称部分
    • 复杂对称指标

\;\\\;\\\;

\;\\\;\\\;

广义坐标变换

广义相对论中应用的线性、非线性、正交、非正交的坐标变换统称广义坐标变换。

仿射 基本上相当于 线性
仿射空间不一定是直的或弯的,这要看曲率张量

设四维仿射空间中的广义坐标变换:

x′μ=x′μ(xμ),μ,ν=1,2,3,4x'^{\mu}=x'^{\mu}(x^{\mu}),\mu,\nu=1,2,3,4x′μ=x′μ(xμ),μ,ν=1,2,3,4

广义相对论中的四维时空坐标形式为 (x1,x2,x3,x4),x4=ict(x^1,x^2,x^3,x^4),x^4=ict(x1,x2,x3,x4),x4=ict

dx′μ=∂x′μ∂xαdxα(1)dx'^{\mu}=\frac{\partial x'^{\mu}}{\partial x^{\alpha}} dx^{\alpha} \qquad\qquad (1)dx′μ=∂xα∂x′μ​dxα(1)

重复指标代表求和,其被称为傀儡指标,简称傀标,上面式子右边,α\alphaα重复,为傀标。

dx′μ=∂x′μ∂x1dx1+∂x′μ∂x2dx2+∂x′μ∂x3dx3+∂x′μ∂x4dx4dx'^{\mu}=\frac{\partial x'^{\mu}}{\partial x^{1}} dx^{1}+\frac{\partial x'^{\mu}}{\partial x^{2}} dx^{2}+\frac{\partial x'^{\mu}}{\partial x^{3}} dx^{3}+\frac{\partial x'^{\mu}}{\partial x^{4}} dx^{4}dx′μ=∂x1∂x′μ​dx1+∂x2∂x′μ​dx2+∂x3∂x′μ​dx3+∂x4∂x′μ​dx4

傀标由一个上标和一个下标组成,比如(1)中的一对α\alphaα是一个傀标。

一个傀标四个分量

不能由两个相同的上标或两个相同的下标组成。

如果式子的行列式不为零,不为无穷的话,则坐标微分的逆变换存在。

若det∣∂x′μ∂xα∣≠0或∞若 \;\;\; det\bigg| \frac{\partial x'^{\mu}}{\partial x^{\alpha}} \bigg|\ne 0 或\infty若det∣∣∣∣​∂xα∂x′μ​∣∣∣∣​​=0或∞

有dxα=∂xα∂x′μdx′μ(2)有 \quad dx^{\alpha}=\frac{\partial x^{\alpha}}{ \partial x'^{\mu} }dx'^{\mu}\qquad\qquad (2)有dxα=∂x′μ∂xα​dx′μ(2)

∂xα∂x′μ⋅∂x′μ∂xβ=∂xα∂xβ=δβα\frac{\partial x^{\alpha}}{ \partial x'^{\mu} } \cdot \frac{\partial x'^{\mu}}{ \partial x^{\beta} }=\frac{\partial x^{\alpha}}{\partial x^{\beta}}=\delta ^{\alpha}_{\beta}∂x′μ∂xα​⋅∂xβ∂x′μ​=∂xβ∂xα​=δβα​

∂x′μ∂xα⋅∂xα∂x′ν=δνμ\frac{\partial x'^{\mu}}{\partial x^{\alpha}} \cdot \frac{\partial x^{\alpha}}{\partial x'^{\nu}} = \delta ^{\mu}_{\nu}∂xα∂x′μ​⋅∂x′ν∂xα​=δνμ​

其中 Kroneker符号为(写成英文因为不想记住它的由来)

δβα={1α=β0α≠β\delta^{\alpha}_{\beta}=\begin{cases} 1 \qquad \alpha = \beta \\ 0 \qquad \alpha \ne \beta\end{cases}δβα​={1α=β0α​=β​

综上,(1)和(2)中的变换矩阵互为逆矩阵。

\;\;

又因为洛伦兹变换的公式有 dxμ′=aμαdxα,dxα=(a−1)αμdxμ′dx'_{\mu}=a_{\mu\alpha}dx_{\alpha} \;\; , \;\; dx_{\alpha}=(a^{-1})_{\alpha\mu}dx'_{\mu}dxμ′​=aμα​dxα​,dxα​=(a−1)αμ​dxμ′​

如果将广义坐标变换限制成线性正交变换,则逆变与协变张量的变换规律将变得相同,两类张量变成一类张量。坐标变换的线性将变换系数变成常数。

aμα∼aαμ=∂x′μ∂xαa_{\mu\alpha} \sim a^{\mu}_{\alpha} = \frac{\partial x'^{\mu}}{\partial x^{\alpha}}aμα​∼aαμ​=∂xα∂x′μ​
(a−1)αμ∼(a−1)μα=∂xα∂x′μ(a^{-1})_{\alpha\mu} \sim (a^{-1})^{\alpha}_{\mu}=\frac{\partial x^{\alpha}}{\partial x'^{\mu} }(a−1)αμ​∼(a−1)μα​=∂x′μ∂xα​

变换的正交性: (a−1)μα=a~μα(a^{-1})^{\alpha}_{\mu}=\widetilde{a}^{\alpha}_{\mu}(a−1)μα​=aμα​

⇒∂xα∂x′μ=a~μα=aαμ=∂x′μ∂xα\Rightarrow \frac{\partial x^{\alpha}}{\partial x'^{\mu} }=\widetilde{a}^{\alpha}_{\mu} =a^{\mu}_{\alpha} = \frac{\partial x'^{\mu}}{\partial x^{\alpha}}⇒∂x′μ∂xα​=aμα​=aαμ​=∂xα∂x′μ​

此时部分逆变和协变,不分上下标,协变张量和逆变张量有相同的变换规则——采用的是正定度规

采用不定度规时,协变张量和逆变张量也有相同的变换规则,但是某些两者对应分量差一个负号。

\;\\\;\\\;

与洛伦兹变换的a正交矩阵不同,广义坐标变换矩阵[∂x′μ∂xν]\left[ \frac{\partial x'^{\mu}}{\partial x^{\nu}} \right][∂xν∂x′μ​] 不是正交矩阵,并且变换矩阵的逆矩阵 [∂xν∂x′μ]\left[ \frac{\partial x^{\nu}}{\partial x'^{\mu}} \right][∂x′μ∂xν​] 不是变换矩阵的转置。

广义坐标变换不同与洛伦兹变换

变换矩阵不一定是正交矩阵

变换矩阵的矩阵元不再是常数

\;\\\;\\\;

广义相对论中的张量

在四维仿射空间中,把零阶张量定义为不变的量(标量),可以是常数或函数

U′(x′)=U(x)U'(x')=U(x)U′(x′)=U(x)

逆变张量

一阶逆变张量,简称逆变张量。在广义坐标变换下,像坐标微分的量——坐标本身一般不是矢量,坐标微分才是矢量——

V′μ=∂x′μ∂xαVαV'^{\mu}=\frac{\partial x'^{\mu}}{\partial x^{\alpha}}V^{\alpha}V′μ=∂xα∂x′μ​Vα

逆变张量有四个分量,每个分量都是空间点(坐标)的函数

二阶逆变张量

T′μν=∂x′μ∂xα∂x′ν∂xβTαβT'^{\mu\nu}= \frac{\partial x'^{\mu}}{\partial x^{\alpha}} \frac{\partial x'^{\nu}}{\partial x^{\beta}} T^{\alpha\beta}T′μν=∂xα∂x′μ​∂xβ∂x′ν​Tαβ

N阶逆变张量

T′μν⋅⋅⋅λ=∂x′μ∂xα∂x′ν∂xβ⋅⋅⋅∂x′λ∂xσTαβ⋅⋅⋅σT'^{\mu\nu\cdot\cdot\cdot \lambda}= \frac{\partial x'^{\mu}}{\partial x^{\alpha}} \frac{\partial x'^{\nu}}{\partial x^{\beta}} \cdot\cdot\cdot \frac{\partial x'^{\lambda}}{\partial x^{\sigma}} T^{\alpha\beta\cdot\cdot\cdot \sigma}T′μν⋅⋅⋅λ=∂xα∂x′μ​∂xβ∂x′ν​⋅⋅⋅∂xσ∂x′λ​Tαβ⋅⋅⋅σ

在四维空间,n阶逆变张量有4n4^n4n个分量

\;\\\;\\\;

协变张量

一阶协变张量,即协变矢量

Vμ′=∂xα∂x′μVαV'_{\mu}= \frac{\partial x^{\alpha}}{\partial x'^{\mu}} V_{\alpha}Vμ′​=∂x′μ∂xα​Vα​

二阶协变张量

Tμν′=∂xα∂x′μ∂xβ∂x′νTαβT'_{\mu\nu}= \frac{\partial x^{\alpha}}{\partial x'^{\mu}} \frac{\partial x^{\beta}}{\partial x'^{\nu}} T_{\alpha\beta}Tμν′​=∂x′μ∂xα​∂x′ν∂xβ​Tαβ​

N阶协变张量

Tμν⋅⋅⋅λ′=∂xα∂x′μ∂xβ∂x′ν⋅⋅⋅∂xσ∂x′λTαβ⋅⋅⋅σT'_{\mu\nu\cdot\cdot\cdot \lambda}= \frac{\partial x^{\alpha}}{\partial x'^{\mu}} \frac{\partial x^{\beta}}{\partial x'^{\nu}} \cdot\cdot\cdot \frac{\partial x^{\sigma}}{\partial x'^{\lambda}} T_{\alpha\beta\cdot\cdot\cdot \sigma}Tμν⋅⋅⋅λ′​=∂x′μ∂xα​∂x′ν∂xβ​⋅⋅⋅∂x′λ∂xσ​Tαβ⋅⋅⋅σ​

\;\\\;\\\;

混合张量

Tν1ν2⋅⋅⋅νq′μ1μ1⋅⋅⋅μp=∂xμ1∂xα1⋅⋅⋅∂xμp∂xαp⋅∂xβ1∂xν1⋅⋅⋅∂xβq∂xνqTβ1β2⋅⋅⋅βqα1α2⋅⋅⋅αpT'^{\mu_1\mu_1\cdot\cdot\cdot\mu_p}_{\nu_1\nu_2\cdot\cdot\cdot\nu_q}= \frac{\partial x^{\mu_1}}{\partial x^{\alpha_1}} \cdot\cdot\cdot \frac{\partial x^{\mu_p}}{\partial x^{\alpha_p}} \cdot \frac{\partial x^{\beta_1}}{\partial x^{\nu_1}} \cdot\cdot\cdot \frac{\partial x^{\beta_q}}{\partial x ^{\nu_q}}T^{\alpha_1\alpha_2\cdot\cdot\cdot\alpha_p}_{\beta_1\beta_2\cdot\cdot\cdot\beta_q}Tν1​ν2​⋅⋅⋅νq​′μ1​μ1​⋅⋅⋅μp​​=∂xα1​∂xμ1​​⋅⋅⋅∂xαp​∂xμp​​⋅∂xν1​∂xβ1​​⋅⋅⋅∂xνq​∂xβq​​Tβ1​β2​⋅⋅⋅βq​α1​α2​⋅⋅⋅αp​​

p个逆变指标和q个协变指标的张量,称为p+q阶混合张量,或(p,q)(p,q)(p,q)阶张量。

n阶逆变张量称为(n,0)(n,0)(n,0)阶张量

n阶协变张量称为(0,n)(0,n)(0,n)阶张量

δβα\delta ^{\alpha}_{\beta}δβα​ 是(1,1)(1,1)(1,1)阶张量

δν′μ=∂x′μ∂xα∂xβ∂x′νδβα⇒α=β∂x′μ∂xα∂xα∂x′ν=∂x′μ∂x′ν={1μ=ν0μ≠ν\delta'^{\mu}_{\nu}=\frac{\partial x'^{\mu}}{\partial x^{\alpha}} \frac{\partial x^{\beta}}{\partial x'^{\nu}} \delta^{\alpha}_{\beta} \stackrel{\alpha=\beta}{\Rightarrow} \frac{\partial x'^{\mu}}{\partial x^{\alpha}} \frac{\partial x^{\alpha}}{\partial x'^{\nu}}=\frac{\partial x'^{\mu}}{\partial x'^{\nu}}=\begin{cases} 1 \qquad \mu=\nu \\ 0 \qquad \mu\ne \nu \end{cases}δν′μ​=∂xα∂x′μ​∂x′ν∂xβ​δβα​⇒α=β∂xα∂x′μ​∂x′ν∂xα​=∂x′ν∂x′μ​={1μ=ν0μ​=ν​

为1意思和变量对自己求导得1意思相同。

为零意思是两个没有关系的变量之间微分,相当于对常数求导为零。

\;\\\;\\\;

张量代数

广义相对论中的张量表示和狭义相对论中的不同,后者的指标只放在下面,而广义相对论的指标也可以放上面,不表示乘方。

\;

Tαβ是二阶协变张量T_{\alpha\beta} 是二阶协变张量Tαβ​是二阶协变张量

Tαβ是二阶逆变张量T^{\alpha\beta} 是二阶逆变张量Tαβ是二阶逆变张量

\;

协变基 {αi}\{\alpha_i\}{αi​} \quad 逆变基 {αi}\{ \alpha ^i\}{αi} , 两者互为对偶基

\;\\\;\\\;

加减

张量的加减是相应分量的加减,因此加减中的张量必须同阶

张量是逐点定义的,所以加减中的张量必须在同一点上

Cρτγμν=Aρτγμν+BρτγμνC^{\mu\nu}_{\rho\tau\gamma}=A^{\mu\nu}_{\rho\tau\gamma}+B^{\mu\nu}_{\rho\tau\gamma}Cρτγμν​=Aρτγμν​+Bρτγμν​

\;\\\;\\\;

张量的乘是外乘,使阶数增加
Cαβγμν=Aαβμ⋅BγνC^{\mu\nu}_{\alpha\beta\gamma}=A^{\mu}_{\alpha\beta} \cdot B^{\nu}_{\gamma}Cαβγμν​=Aαβμ​⋅Bγν​

(p1,q1)(p_1,q_1)(p1​,q1​)阶的张量和(p2,q2)(p_2,q_2)(p2​,q2​)阶的张量相乘,得到(p1+p2,q1+q2)(p_1+p_2,q_1+q_2)(p1​+p2​,q1​+q2​)阶的张量

\;\\\;\\\;

缩并

张量的一个上标和一个下标相同,那么这两个就成为了傀标。

傀标不表示张量的阶数,可以消掉。

张量阶数降低,比如下式是由(2,3)(2,3)(2,3)阶张量缩并成(1,2)(1,2)(1,2)阶张量

Cρμλμν=CρλνC^{\mu\nu}_{\rho\mu\lambda}=C^{\nu}_{\rho\lambda}Cρμλμν​=Cρλν​

Cρμλμν=Cρ1λ1ν+Cρ2λ2ν+⋅⋅⋅C^{\mu\nu}_{\rho\mu\lambda}=C^{1\nu}_{\rho1\lambda}+C^{2\nu}_{\rho2\lambda}+\cdot\cdot\cdotCρμλμν​=Cρ1λ1ν​+Cρ2λ2ν​+⋅⋅⋅

缩并必须在上下标之间进行,两个上标或两个下标不能缩并,因此只有拥有逆变张量和协变张量的混合张量才能进行缩并运算

\;\\\;\\\;

矢量的标积(内积)

先外乘,再缩并。

一个张量的上标和另一个张量的下标相同,那么就变成了傀标。

标量C=AμBμ标量C=A^{\mu}B_{\mu}标量C=AμBμ​

\;\\\;\\\;

对称

对于一个二阶协变张量

对称:Tμν=TνμT_{\mu\nu}=T_{\nu\mu}Tμν​=Tνμ​

反对称:Tμν=−TνμT_{\mu\nu}=-T_{\nu\mu}Tμν​=−Tνμ​

\;

对于一个二阶逆变张量

对称:Tμν=TνμT^{\mu\nu}=T^{\nu\mu}Tμν=Tνμ

反对称:Tμν=−TνμT^{\mu\nu}=-T^{\nu\mu}Tμν=−Tνμ

\;

对于一个高阶张量 Tαβγσμνδ=TαβγσμδνT^{\mu\nu\delta}_{\alpha\beta\gamma\sigma}=T^{\mu\delta\nu}_{\alpha\beta\gamma\sigma}Tαβγσμνδ​=Tαβγσμδν​

称其对上标 ν,δ\nu,\deltaν,δ 对称

对于一个高阶张量 Tαβγσμνδ=−TσβγαμνδT^{\mu\nu\delta}_{\alpha\beta\gamma\sigma}=-T^{\mu\nu\delta}_{\sigma\beta\gamma\alpha}Tαβγσμνδ​=−Tσβγαμνδ​

称其对下标 α,σ\alpha,\sigmaα,σ 反对称

\;\;\;

对称部分和反称部分

任何一个张量都能写成一个对称张量和一个反称张量之和

Tμν=T(μν)+T[μν]T^{\mu\nu}=T^{(\mu\nu)}+T^{[\mu\nu]}Tμν=T(μν)+T[μν]

对称部分:T(μν)=Tμν+Tνμ2对称部分:T^{(\mu\nu)}=\frac{T^{\mu\nu} + T^{\nu\mu}}{2}对称部分:T(μν)=2Tμν+Tνμ​

反称部分:T[μν]=Tμν−Tνμ2反称部分:T^{[\mu\nu]}=\frac{T^{\mu\nu} - T^{\nu\mu}}{2}反称部分:T[μν]=2Tμν−Tνμ​

\;\;\;

复杂对称指标

Tαβγδμ(νσ)T^{\mu(\nu\sigma)}_{\alpha\beta\gamma\delta}Tαβγδμ(νσ)​ 表示 ν和σ\nu和\sigmaν和σ 是对称的

T[α∣βγ∣δ]μνσT^{\mu\nu\sigma}_{[\alpha|\beta\gamma|\delta]}T[α∣βγ∣δ]μνσ​ 表示 α和δ\alpha和\deltaα和δ 是反称的

广义相对论基础【2】广义相对论中的张量+张量代数相关推荐

  1. 【MindSpore深度学习框架】MindSpore中的张量Tensor

    文章目录 一.Tensor是什么 二.构造张量 三.Tensor的运算.属性.方法 1.运算 2.属性 3.方法 欢迎回到MindSpore神经网络编程系列.在这篇文章中,我们将通过MindSpore ...

  2. 六、物理中的张量问题

    六.物理中的张量问题 1. 经典热力学基础 对于经典平衡态,系综理论的核心是:对于一个全同粒子构成的系统,该系统处于某一种状态(或称为构型,记为( s 1 , s 2 , ⋯ s_1,s_2,\cdo ...

  3. 图解机器学习中的张量

    图解张量(tensor) 张量是什么?本讲的目的是回答这个问题,不是用一堆数学方程,用一些简单的家用物品,包括儿童积木.小箭头.几块纸板和一根尖头棒.我认为理解张量的最佳途径是首先确保你对向量的理解是 ...

  4. 实践指南 | 用PyTea检测 PyTorch 中的张量形状错误

    点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨陈萍.泽南 来源丨机器之心 编辑丨极市平台 导读 韩国首尔大学 ...

  5. js 判断变量是否有值返回bool_基础 |判断 JS 中的变量类型竟然可以如此简单

    原标题:基础 |判断 JS 中的变量类型竟然可以如此简单 嗨 这里是IMWEB 一个想为更多的前端人 享知识 助发展 觅福利 有情怀有情调的公众号 欢迎关注转发 让更多的前端技友一起学习发展~ 正文 ...

  6. UA PHYS515 电磁理论I 麦克斯韦方程组基础4 介质中的麦克斯韦方程

    UA PHYS515 电磁理论I 麦克斯韦方程组基础4 介质中的麦克斯韦方程 推导介质中的麦克斯韦方程 电位移矢量与辅助磁场强度 推导介质中的麦克斯韦方程 前三讲我们介绍了真空中的麦克斯韦方程的建立, ...

  7. Python基础学习-Python中最常见括号()、[]、{}的区别 2015-08-13 07:54 by xuxiaoxiaoxiaolu, 1138 阅读, 0 评论, 收藏, 编辑 Pytho

    Python基础学习-Python中最常见括号().[].{}的区别 2015-08-13 07:54 by xuxiaoxiaoxiaolu, 1138 阅读, 0 评论, 收藏, 编辑 Pytho ...

  8. iptables的基础知识-iptables中的状态检测

    2019独角兽企业重金招聘Python工程师标准>>> iptables的基础知识-iptables中的状态检测:iptabels被认为是Linux中实现包过滤功能的第四代应用程序. ...

  9. python tensorflow tf.Session().run()函数(运行操作并评估“fetches”中的张量)

    参考文章:TensorFlow-sess.run() 当我们构建完图(可能是我们pre_process后生成的图片?NoNoNo,它只是指tensorflow框架的一种设计理念--计算流图)后,需要在 ...

  10. java基础之java中的基本数据类型

    java基础之java中的基本数据类型 学习java一段时间了,使用java也差不多一年多了,可是对于后续的java的学习真的是后劲不足,或者是说懒惰吧,回想一下这一年多,用java最多的就是Andr ...

最新文章

  1. 在OperaMasks中使用ELite和JRuby动态语言的秘笈
  2. UA PHYS515A 电磁理论V 电磁波与辐射10 简单辐射问题 一根通电电线的辐射
  3. C语言二进制转换为十六进制(附完整源码)
  4. 这些面试中的智力题,你都会了吗
  5. pycharm写python代码_使用pycharm写python代码的一些提高效率的技巧(持续更新)-Go语言中文社区...
  6. raspberry pi_Raspberry Pi在单板计算机,新的符合FCC规则的路由器芯片等众多清单上排名第一
  7. python——学习登录用户和密码的判断——1
  8. 前端笔记—第4篇CSS基础知识2
  9. 三次方程求根公式例子二
  10. LabVIEW笔记(一)
  11. Python适合0基础菜鸟学吗
  12. Xtensa DSP结构学习
  13. 用JS控制SVG的预设动画
  14. 清空mysql数据库(适用虚拟主机)
  15. 大数据成保险反欺诈新突破口
  16. 百度云管家下载速度也作假
  17. Excel VBA:按日期汇总计算输出结果(sumif)
  18. 開口說英語─生活英語 1000句
  19. String 的常用API?
  20. qt代码实现添加按钮功能

热门文章

  1. 如果使用半导体RFID读写器CK-S640-AP60E读取RI-TRP-DR2B-40的UID信息
  2. Pandas_规整数据_转换数据_melt()
  3. Shamir门限秘密共享方案 秘密分配及还原过程详解 【橘小白】
  4. android语音识别sdk接入收费吗,百度语音识别开放平台SDK使用方法
  5. 亲爱的面试官,这个我可没看过!(Android部分)
  6. stm32 c语言运行速度,stm32F7,cache,tcm及运行速度问题
  7. jQuery排他思想(siblings)
  8. Arduino Uno 与 触摸模块 ttp223 实验详录
  9. dataworks/odps上传资源,注册函数,下载资源
  10. ARVR游戏开发中常用到的人物模型合集