一种直观理解Galois理论的途径
传统的Galois理论在证明5次以及以上多项式无求根公式时所使用的群论并不直观,通常需要用一些特例去逐个构造证明过程,而且这些过程均是特异的,彼此之间并不可重用。这是因为Galois理论在应用时基于扩域操作,这一自底向上的操作通常是基于特定的目标多项式,并不具有普遍性。因此,在应用的时候非常不方便,且理解起来很晦涩难懂。
Galois理论之核心在于域与域的Galois群之间的同构关系。也就是说把对于无限的域的研究转换成对于有限的,域导出的群的,研究。那么一个关键问题就是,Galois群里面的元素到底是什么。
我们知道,韦达定理确定了根与系数的关系。然而这是一种对称多项式,也就是说,在系数域中,我们无法区分不同的根。而求根公式存在之意义就是要打破这种对称性。所谓打破对称性,简单的说,就是对于每个根找到一个symbolic expression,这个expression是唯一的,不同的根就是通过这个expression来区分的。如果可以找到这样一个东西,那就说明我们找到了求根公式。
就比如说根号这个符号,它的意义是什么呢?因为我们无法在系数域中区分不同的根,为什么呢?假设根,那么任意两个根之间的对换并不会改变系数的值,它们只能改变求根公式的相位,所以最后并不能用这个公式区分出,显然这是维达定理的对称性决定的。然而,如果我们引入根式,情况就会大不一样了,因为,即使这个单纯的对换依然使得系数相位发生了的改变,然而,由于除以了n,这使得求根公式的值也发生了对应的变化,换句话说,根与求根公式之间出现了1-1对应的关系。为了严谨起见,当我们再次对换后,之前的相位变化便被逆转了,所以求根公式的值也被逆转回去了。总结来说,根式的存在打破了原来系数域的对称性,使得我们可以区分最多两个不同的根。这个根号就是我们要找的symbolic expression。一般来说,当我们通过一系列对换操作和逆对换操作后,求根公式应该始终与同一个根绑定。如果在这一系列操作后,求根公式与根之间的1-1对应关系被打破了,那就说明当前的公式不足以区分所有的根。
举个例子,一重根号无法区别多余2个的根。考虑以下对换(1,2,3)->(2,1,3)->(2,3,1)->(3,2,1)->(3,2,1), 在这一过程中,我们观察到相位不会变化。然而,在整个过程结束后,取代了的位置,或者说得到了和起始时一样的求根公式。那么,也就是说,求根公式与根之间的1-1对应关系被打破了。
我们把这种对换序列定义为一个对换子,对换子保证了求根公式不会发生改变。所以如果根与求根公式的1-1对应关系始终成立,那么对换子应该同时保证根的位置也是不变的。然而,我们看到了一重对换子只能保证两个根不变。如果有三个根,则需要有二重对换子,也就是对换子的对换子。对应到根的表达式上,就是根号下再求根号:由于对换子保证了一切根号下系数域的相位不变性,因此对换子的对换子就保证了一切根号下,根号下系数域的,相位不变性。换句话说,如果一个多项式存在求根表达式,则这个表达式一定是在某个多重对换子下相位不变的,同时所有的根也是在这个对换子下不变的。
这里我们就发现了某种深刻的对应关系存在于对换子运算,根式嵌套,以及Galois群!首先Galois理论通过扩域运算来逐渐固定根的自同构运算,从而把解逐个固定住,一级级往上构造。那么固定这一级级根的Galois群就尤为重要。我们不仅要问,一个Galois群里面的元素究竟是什么,当我们在求解方程的根式表达式的时候?我们发现,Galois扩域扩的其实就是一级级嵌套的根式,每往上一级,已有的根式就通过群Aut(L/K)固定下来了,那么接下来就是研究剩下的还没固定下来的根之间有哪些置换方式,使得在当前域下面这些置换是无法区分的。在另一边,我们推导了嵌套根式与对换子的关系,而对换子也可以保证某些根式的取值不再改变,因此也是起到了固定的作用。这里我们终于洞察到了一个深刻的联系,即:固定n个根的伽罗瓦群G=Aut(L/K)中的元素就是所有的可以固定n个根的n重对换子!
举个例子:比如说对于四次多项式,有四个根,这四个根总共有4!=24总组合,而这就是0重对换子的数量,也就是最上级群G中置换的个数。那么针对这24总组合,全部一重对换子的数量是12,而这个刚好就是加入一个根号后扩域对应的Galois群中置换的个数,进一步的,针对这12个一重对换子,求所有可能的二重对换子,得到4,正好对应克莱因四元群V,最后再对这4个二重对换子求三重对换子,得到的是1,也就是e群。
最后,为什么5次方程没有求根公式,证明起来就很简单,因为我们可以求5个根的所有一重对换子,得到的答案是60,然后我们再求这60个一重对换子的二重对换子,答案依然是60. 所以,不管取多少重对换子,我们依然无法将根固定下来。换句话说,无论套叠多少个有限的根号,都无法得到根与求根公式的1-1对应关系。所以5次方程无求根公式。而这个60正好就是中元素的个数!
总结一下:假设一个多项式存在求根公式,那么这个公式和根之间必然是1-1对应的。当我们对换任意两个根的时候,对应的求根公式必然也要变化。如果存在某个对换序列,使得求根公式不发生变化而根的顺序发生了变化,则意味着必然有两个根共享同一个求根公式,这就说明这个求根公式不成立,它无法区分那两个根。唯一使求根公式不发生变化的就是N重对换子,而如果根的顺序在N重对换子下发生了变化,则当前求根公式不成立。N重对换子与N重根式相关,一个具有N重根式的求根公式必然在N重对换子下不发生变化。因此对于N个根,要判断N重对换子是否能使求根公式成立,只需要判断这N个根是否在N重对换子下不变。Galois理论通过具体的实例来构造可以固定每个根的Galois群级,而N重对换子这是在符号层面上,抽象的去固定根的可能形式。但是Galois群中元素的本质其实就是N重对换子。
一种直观理解Galois理论的途径相关推荐
- 反向传播的直观理解 (以及为什么反向传播是一种快速的算法)
解释:公式 46 其实就是微分的定义公式,"W + εej "代表对于由 j 个 weight 构成的单位向量 W,在其他权重都不变的情况下,使得 Wj 微小的改变 ε(W为单位 ...
- 差分隐私的定义、直观理解与基本性质
数据是人工智能的燃料,优秀的深度学习模型需要依靠大量高质量数据集进行训练.然而,随着模型精度的不断提升,对于个人隐私的泄露现象也变得越发严重.此外,随着互联网企业的扩展,用户数据开始担任重要生产资料的 ...
- 如何直观理解AUC评价指标?
导语 最近一直在思考如何直观理解AUC,查了维基百科的以及网上的讲解描述,感觉仍然很难把这个概念表述得通俗易懂,直到昨天周会后拿笔在纸上画了画,感觉似乎找到了一种比较有意思的理解方法,下面就请各位看官 ...
- “损失函数”是如何设计出来的?直观理解“最小二乘法”和“极大似然估计法”
[本文内容是自对视频:"损失函数"是如何设计出来的?的整理.补充和修正] 在大多数课程,尤其是帮助大家快速掌握深度学习的课程,损失函数似乎并不是一个需要额外关心的问题.因为它往往都 ...
- 用相似矩阵的几何意义直观理解PCA降维方法
PCA(主成分分析)是降维中最经典的方法,其推导求解的常用两种方法包括最大方差理论(样本点到超平面的投影都尽可能分开)以及最小平方误差理论(样本点到超平面的距离都足够近),以上两种方法都需要进行严格意 ...
- Rrs与rrs/Rrs直观理解/菲涅尔反射
海洋水色遥感中常会出现Rrs(遥感反射比)与rrs,前者较为常见,下面来介绍一下两者的定义与关系: (注意Rrs的单位,sr-1,通常人们称之为遥感反射率,实际上Rrs定义为辐亮度L与辐照度E的比值, ...
- kkt条件的理解_直观理解KKT条件
KKT最优化条件是Karush[1939],以及Kuhn和Tucker[1951]先后独立发表出來的.这组最优化条件在Kuhn和Tucker发表之后才逐渐受到重视,因此许多情况下只记载成库恩塔克条件( ...
- 理解与理论:人工智能基础问题的悲观与乐观
来源:筑土为坛 梅剑华,男,1980年生,湖北秭归人,山西大学哲学社会学院教授,博士生导师,先后赴美国罗格斯大学.匹兹堡大学.奥地利萨尔茨堡大学等访学,研究方向是语言哲学与心灵哲学.实验哲学与认知科学 ...
- RNN循环神经网络的直观理解:基于TensorFlow的简单RNN例子
RNN 直观理解 一个非常棒的RNN入门Anyone Can learn To Code LSTM-RNN in Python(Part 1: RNN) 基于此文章,本文给出我自己的一些愚见 基于此文 ...
最新文章
- Flume监听文件夹中的文件变化,并把文件下沉到hdfs
- PetShop 4.0 SQLHelper
- redis的zset类型(有序集合)
- 在mathtype中怎么打出花体字母
- 编译安装的mysql如何更改文件路径
- 信息内容安全-基于微博热搜的yuqing监测系统
- 2019第七届“图灵杯”NEUQ-ACM程序设计竞赛(个人赛)
- Excel如何快速对比数据
- DirectX 11 Tutorial 1 中文翻译版教程: 在Visual Studio上配置DirectX 11
- 沥青路面粘弹性力学分析基础研究
- 教你快速开发一个 狼人杀微信小程序(附源码)
- Linux上配置BIP语言编译器及引擎
- 【docker问题】Client.Timeout exceeded while awaiting header
- Swoole 基础入门
- Debian6.0安装后系统基本配置
- (转载)MatLab绘图
- html汉子竖着显示,html文字怎么竖排显示
- 试用微软 必应输入法 功能简洁
- 深度学习的数学-卷积神经网络的误差反向传播
- ctfshow web入门 {45-54}