基础科学模型-数学知识体系

基础科学数学知识体系框架，详细阐述了数学在不同学科中的应用以及涉及的各类数学方法和理论，层次分明，逻辑清晰。

基础科学模型

• 数学
  • 数学基础
    • 集合论
      • 公理系统 (ZFC)
        • 概念/定义: Zermelo-Fraenkel集合论（含选择公理，ZFC）是现代数学的基础公理系统，用于形式化集合的概念，确保数学的严谨性。
        • 公式:
          • 外延公理: ∀A ∀B (∀x (x ∈ A ↔ x ∈ B) → A = B) 集合由其元素唯一确定。
          • 正则公理: ∀A (A ≠ ∅ → ∃x (x ∈ A ∧ x ∩ A = ∅)) 防止集合包含自身，避免悖论。
          • 无穷公理: ∃S (∅ ∈ S ∧ ∀x (x ∈ S → x ∪ {x} ∈ S)) 保证存在无穷集合。
          • 幂集公理: ∀A ∃P ∀B (B ⊆ A → B ∈ P) 每个集合的子集构成其幂集。
          • 选择公理: ∀ 集族 A ∃ 选择函数 f: A → ∪A, f(A) ∈ A for all A ∈ A 允许从非空集合族中选择元素。
          • 良序定理等价形式: 任何集合可以被良序化（存在全序且每个非空子集有最小元）。
        • 应用场景/领域: 形式化数学基础、证明理论、逻辑、代数学、拓扑学
      • 连续统假设
        • 概念/定义: 连续统假设（CH）提出没有集合的势严格介于自然数集 N 和实数集 R 之间，即 ℵ₁ = 2^ℵ₀。
        • 公式: ℵ₁ = 2^ℵ₀（Cohen证明其独立于ZFC）。
        • 应用场景/领域: 集合论、基数理论、拓扑学（研究无穷集合的性质）、数学哲学。
      • 基数理论
        • 概念/定义: 基数理论研究集合的大小（势），通过双射比较集合的大小。
        • 公式:
          • 康托尔定理: |P(A)| > |A| 幂集的势严格大于原集合。证明：对角线法构造 B = { x ∈ A | x ∉ f(x) }，导出矛盾。
          • 伯恩斯坦定理: 若 |A| ≤ |B| 且 |B| ≤ |A|，则 |A| = |B| 通过构造双射证明。
          • 可数集: 与 N 等势的集合。例：Z 双射 f(n) = (-1)^n ⌊n/2⌋；Q 通过康托尔对角线枚举。
          • 不可数集: 非可数集合，如 R，|R| = 2^ℵ₀（通过二进制小数表示）。更高势：|R^R| > 2^ℵ₀。
        • 应用场景/领域: 集合论、分析学（测度论）、拓扑学、计算机科学（算法复杂性）。
      • 序理论
        • 概念/定义: 序理论研究集合上的偏序、全序及相关性质，如良序。
        • 公式:
          • 良序定理: 任何集合可被良序化（等价于选择公理）。应用：证明向量空间存在基。
          • 佐恩引理: 若偏序集每条链有上界，则存在极大元。
          • 超限归纳: 设 (W, ≤) 为良序集，若 ∀x (∀y < x P(y) → P(x))，则 ∀x ∈ W P(x)。
        • 应用场景/领域: 代数学（证明基的存在）、拓扑学、逻辑、计算机科学（排序算法）。
    • 数理逻辑
      • 命题逻辑
        • 概念/定义: 命题逻辑研究命题及其通过逻辑联结词构成的复合命题的真值。
        • 公式:
          • 联结词:
            • 非 (¬): P 真 → 假，P 假 → 真。
            • 与 (∧): 仅当 P 和 Q 均为真时为真。
            • 或 (∨): 仅当 P 和 Q 均为假时为假。
            • 蕴含 (→): P 真 Q 假时为假。
            • 等价 (↔): P 和 Q 真值相同时为真。
            • 完备集: {¬, ∧} 或 {¬, →} 可表示所有布尔函数。
          • 真值表: 例：重言式 P ∨ ¬P（排中律）；矛盾式 P ∧ ¬P。
          • 逻辑等价: (P → Q) ≡ (¬P ∨ Q)。
          • 范式理论:
            • 析取范式: ⋁ (⋀ literals)，如 (p ∧ ¬q) ∨ (¬ p ∧ r)。
            • 合取范式: ⋀ (⋁ literals)，如 (p ∨ q) ∧ (¬ p ∨ r)。
          • 推理规则:
            • 假言推理: P → Q, P ⊢ Q。
            • 归谬推理: 若 P ⊢ Q 且 P ⊢ ¬Q，则 ⊢ ¬P。
            • 构造性二难: (P → Q) ∧ (R → S), P ∨ R ⊢ Q ∨ S。
          • 逻辑演算系统:
            • 海廷直觉主义: 拒绝排中律，强调构造性证明。
            • 模态逻辑: 引入 □（必然）和 ◇（可能）算子。
        • 应用场景/领域: 计算机科学（电路设计、程序验证）、哲学、人工智能（知识表示）。
      • 谓词逻辑
        • 概念/定义: 谓词逻辑扩展命题逻辑，引入量词和谓词，描述对象及其关系。
        • 公式:
          • 量词语义:
            • 全称例化: ∀x P(x) ⊢ P(c)（c 为任意常量）。
            • 存在概括: P(c) ⊢ ∃x P(x)。
            • 量词否定: ¬∀x P(x) ≡ ∃x ¬P(x)。
          • 一阶语言结构:
            • 解释 I: 指定论域 D 和常量/函数/谓词符号的映射。
            • 满足关系: I ⊨ φ 当 φ 在 I 下为真。
          • 形式系统:
            • 一阶谓词演算: 包含 ∀ 和 ∃ 的公理系统。
            • 可靠性定理: 可证公式皆有效。
            • 完备性定理（Gödel 1929）: 有效公式皆可证。
          • 哥德尔不完备性定理:
            • 哥德尔编码: 公式 G 的编码 ⌜G⌝ = ∏ p_i^{g(s_i)}。
            • 自指引理: 存在 G ≡ ¬Prov(⌜G⌝)。
            • 第一定理: 任何 ω-一致系统存在不可判定命题。
            • 第二定理: 系统不能证明自身一致性（Con(T) ∉ Thm(T)）。
          • 模型论:
            • 紧致性定理: 一阶理论有模型当且仅当其每个有限子集有模型。
            • 勒文海姆-斯科伦定理: 若一阶理论有无限模型，则对任意基数 κ ≥ |L| 存在基数为 κ 的模型。
        • 应用场景/领域: 数学基础、形式验证、数据库理论（查询语言）、人工智能（自动推理）。
    • 数论
      • 概念/定义: 数论研究整数的性质及其关系，分为初等数论和代数数论。
      • 公式:
        • 欧几里得算法: gcd(a, b) = gcd(b, a mod b)。
        • 贝祖定理: 若 gcd(a, b) = d，则存在整数 x, y 使得 ax + by = d。
        • 欧拉定理: 若 gcd(a, n) = 1，则 a^φ(n) ≡ 1 (mod n)，其中 φ(n) 为欧拉函数。
        • 中国剩余定理: 若 m₁, m₂, ..., m_k 两两互素，则同余方程组 x ≡ a_i (mod m_i) 有唯一解模 M = m₁ m₂ ... m_k。
      • 应用场景/领域: 密码学（RSA、ECC）、计算机算法、代数几何。
  • 代数学
    • 群论
      • 概念/定义: 群论研究具有特定运算（满足群公理）的集合，称为群，描述对称性。
      • 公式:
        • 群公理:
          • 封闭性: ∀a, b ∈ G, ab ∈ G。
          • 结合律: (ab)c = a(bc)。
          • 单位元: ∃e ∈ G, ∀a, ea = ae = a。
          • 逆元: ∀a ∈ G, ∃a⁻¹, aa⁻¹ = a⁻¹a = e。
        • 群作用:
          • 轨道-稳定子定理: |G| = |Orb(x)| · |Stab(x)|。
          • 西罗定理: 若 |G| = p^a m（p ∤ m），则存在 p^a 阶子群。
        • 表示论:
          • 特征标: χ(g) = tr(ρ(g))。
          • 正交关系: 1/|G| Σ_g χ_i(g) χ_j(g)⁻ = δ_{ij}。
          • 舒尔引理: 不可约表示间同态为数量乘，Hom_G(V, W) ≅ C。
          • 正则表示: 群作用于群代数 F[G]。
        • 李群:
          • 一般线性群: GL(n, R) = { A ∈ M_n(R) | det A ≠ 0 }。
          • 指数映射: exp: g → G, exp(X) = Σ_{k=0}^∞ X^k / k!。
      • 应用场景/领域: 物理学（对称性、量子力学）、化学（分子对称）、密码学、计算机图形学。
    • 环论
      • 概念/定义: 环论研究具有加法和乘法的代数结构（环），如整数环和多项式环。
      • 公式:
        • 理想:
          • 主理想: (a) = { ra | r ∈ R }。
          • 极大理想: 商环 R/m 为域。
          • 素理想: 商环 R/p 为整环。
        • 诺特环等价条件:
          • 理想升链终止。
          • 每个理想有限生成。
          • 有限生成模的子模有限生成。
        • 局部化: S⁻¹R = { r/s | r ∈ R, s ∈ S }（S 为乘性子集）。
      • 应用场景/领域: 代数几何（多项式环）、数论、密码学、编码理论。
    • 域论
      • 概念/定义: 域论研究域（满足除法性质的环），如有理数域、实数域、有限域。
      • 公式:
        • 多项式环:
          • 希尔伯特基定理: 诺特环上多项式环仍为诺特。
          • 高斯引理: 整环上本原多项式积仍本原。
        • 有限域:
          • 伽罗瓦域: GF(p^n) ≅ F_p[x]/(f(x))（f 为 n 次不可约多项式）。
          • 弗罗贝尼乌斯自同构: φ(x) = x^p。
        • 域扩张:
          • 代数元极小多项式: μ(x) 为 x 的最小单项式。
          • 可分扩张: 极小多项式无重根。
        • 伽罗瓦理论:
          • 伽罗瓦对应: L/K 伽罗瓦扩张，G=Gal(L/K)，中间域 ↔ 子群。
          • 正规扩张 ↔ 正规子群。
      • 应用场景/领域: 密码学（有限域）、代数几何、编码理论、物理学。
    • 同调代数
      • 概念/定义: 同调代数研究链复形、同调群及导出函子，描述代数结构的拓扑性质。
      • 公式:
        • 链复形: C_•: ... → C_n → C_{n-1} → ..., d_n ∘ d_{n+1} = 0。
        • 正合列: 0 → A → B → C → 0，精确序列。
        • 导出函子:
          • Ext^n(A, B): 测量模块同态的障碍。
          • Tor_n(A, B): 测量张量积的非精确性。
      • 应用场景/领域: 代数拓扑、代数几何、表示论。
    • 李代数
      • 概念/定义: 李代数研究向量空间上带有李括号的结构，描述连续对称性。
      • 公式:
        • 李括号: [X, Y] = XY - YX。
        • 嘉当分解: g = h ⊕ ⊕_{α ∈ Φ} g_α（根系分解）。
        • 根系理论: 根系 Φ 满足对称性和线性无关性。
      • 应用场景/领域: 量子力学、粒子物理、微分几何。
  • 几何学
    • 欧氏几何
      • 概念/定义: 欧氏几何研究平面和空间的几何性质，基于欧几里得公理。
      • 公式:
        • 希尔伯特公理体系:
          • 结合公理: 定义点、线、面的关系。
          • 顺序公理: 直线上的点次序。
          • 合同公理: 线段和角的等距性质。
        • 平行公设: 通过一点有且仅有一条直线与给定直线平行（独立性：非欧几何如罗巴切夫斯基几何）。
      • 应用场景/领域: 建筑设计、计算机图形学、物理学（经典力学）。
    • 微分几何
      • 概念/定义: 微分几何研究光滑流形上的几何性质，如曲率和联络。
      • 公式:
        • 微分流形: 局部同胚于 R^n 的豪斯多夫空间。
        • 斯托克斯定理: ∫_M dω = ∫_{∂M} ω。
        • 德拉姆上同调: H^k(M) = ker d_k / im d_{k-1}。
        • 列维-奇维塔联络: 唯一无挠且满足 ∇g = 0 的联络。
        • 黎曼曲率张量: R(X,Y)Z = ∇_X ∇_Y Z - ∇_Y ∇_X Z - ∇_{[X,Y]} Z。
        • 主丛:
          • 标架丛: G = GL(n)。
          • 和乐群: 沿闭曲线平行移动的变换群。
      • 应用场景/领域: 广义相对论、机器人学、计算机视觉。
    • 黎曼几何
      • 概念/定义: 黎曼几何研究配备黎曼度量的流形，描述局部几何性质。
      • 公式:
        • 里奇流: ∂g_{ij}/∂t = -2 R_{ij}（佩雷尔曼用于证明庞加莱猜想）。
        • 爱因斯坦场方程: R_{μν} - 1/2 R g_{μν} = 8π T_{μν}。
      • 应用场景/领域: 广义相对论、宇宙学、庞加莱猜想。
    • 代数几何
      • 概念/定义: 代数几何研究由多项式方程定义的几何对象（代数簇）。
      • 公式:
        • 仿射簇: V(S) = { x ∈ A^n | f(x) = 0, ∀f ∈ S }。
        • 希尔伯特零点定理: I(V(I)) = √I（代数闭域上）。
        • 概形论:
          • 仿射概形: Spec R。
          • 全局概形: 仿射概形粘接。
      • 应用场景/领域: 数论（椭圆曲线）、密码学、弦理论。
    • 辛几何
      • 概念/定义: 辛几何研究辛流形及其在动力系统中的性质。
      • 公式:
        • 辛形式: ω 为非退化闭 2-形式。
        • 达布定理: 辛流形局部同胚于 (R^{2n}, ω_0)。
        • 哈密顿方程: dq_i/dt = ∂H/∂p_i, dp_i/dt = -∂H/∂q_i。
      • 应用场景/领域: 经典力学、量子力学、控制理论。
    • 拓扑学
      • 概念/定义: 拓扑学研究空间在连续变换下的不变性质。
      • 公式:
        • 代数拓扑:
          • 同伦群: π_n(X) 描述 n 维球到 X 的映射类。
          • 奇异同调: H_n(X) = Z_n(X) / B_n(X)。
        • 微分拓扑:
          • 横截相交理论: 研究流形间的相交性质。
          • 莫尔斯理论: 通过临界点研究流形拓扑。
        • 低维拓扑:
          • 德恩手术: 三维流形的构造方法。
          • 弗洛尔同调: 研究三维流形的不变性。
      • 应用场景/领域: 数据分析（拓扑数据分析）、物理学（弦理论）、几何学。
  • 分析学
    • 实变函数
      • 勒贝格测度
        • 勒贝格测度: 由 R^n 的开集生成的博雷尔 σ-代数。
        • 拉东测度: 局部紧豪斯多夫空间上的正则测度。
      • 积分理论
        • 勒贝格控制收敛定理: 若 |f_n| ≤ g 可积且 f_n → f，则 ∫ f_n → ∫ f。
        • 富比尼定理: ∫_{X × Y} f d(μ × ν) = ∫_X ( ∫_Y f dν ) dμ。
      • 函数空间
        • L^p 空间: { f | ∫ |f|^p dμ < ∞ }（1 ≤ p < ∞）。
        • 索伯列夫空间: W^{k,p} = { f ∈ L^p | D^α f ∈ L^p, |α| ≤ k }。
      • 应用场景/领域: 概率论、信号处理、偏微分方程。
    • 复分析
      • 解析函数性质
        • 柯西积分公式: f(a) = 1/(2πi) ∮_γ f(z)/(z-a) dz。
        • 最大模原理: $|f(z_0)| = \max_{z\in D} |f(z)| \Rightarrow f$常数
        • 魏尔斯特拉斯定理: $f_n \rightrightarrows f \Rightarrow f$解析
        • 解析延拓: 施瓦茨反射原理
      • 共形映射
        • 黎曼映射定理: $\exists f: \Omega \to \mathbb{D}$双全纯
        • 施瓦茨-克里斯托费尔变换: w = K ∫_0^z ∏_{k=1}^n (ζ - z_k)^{α_k - 1} dζ。
      • 辐角原理: 1/(2πi) ∮_γ f'/f dz = N - P（零点数 - 极点数）。
      • 应用场景/领域: 流体力学、电磁学、信号处理。
    • 傅里叶分析
      • 傅里叶级数: f(x) = a_0/2 + Σ_{n=1}^∞ [a_n cos(nx) + b_n sin(nx)]，a_n = 1/π ∫_{-π}^π f(x) cos(nx) dx, b_n = 1/π ∫_{-π}^π f(x) sin(nx) dx。
      • 傅里叶变换
        • 傅里叶变换: F{f}(ξ) = ∫_{-∞}^∞ f(x) e^{-iξ x} dx。
          • 微分性质: F{f'} = iξ F{f}。
          • 卷积性质: F{f*g} = F{f} · F{g}。
      • 离散傅里叶变换: X_k = Σ_{n=0}^{N-1} x_n e^{-i 2π k n / N}。
      • 应用场景/领域: 信号处理、图像处理、量子力学。
    • 微积分
      • 微分学:
        • 洛必达法则: lim_{x→c} f(x)/g(x) = lim_{x→c} f'(x)/g'(x)（0/0 或 ∞/∞ 型）。
        • 泰勒级数: f(x) = Σ_{n=0}^∞ f^(n)(a)/n! (x-a)^n。
          • 麦克劳林展开: $f(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(0)}{n!} x^n$
          • 拉格朗日余项: R_n(x) = f^(n+1)(ξ)/(n+1)! (x-a)^{n+1}。
      • 积分学:
        • 反常积分:
          • 第一类: ∫_a^∞ f(x) dx = lim_{b→∞} ∫_a^b f(x) dx。
          • 第二类: ∫_a^b f(x) dx = lim_{t→c^-} ∫_a^t f + lim_{s→c^+} ∫_s^b f。
        • 含参积分: F(y) = ∫_a^b f(x,y) dx，F'(y) = ∫_a^b ∂f/∂y dx（若 ∂f/∂y 连续）。
      • 应用场景/领域: 物理学（运动学）、工程学、经济学。
    • 泛函分析
      • 巴拿赫空间: 完备赋范向量空间。
      • 希尔伯特空间: 内积空间，完备，如 L^2。
      • 算子范数: ||T|| = sup_{||x||=1} ||T x||。
      • 应用场景/领域: 量子力学、偏微分方程、信号处理。
  • 概率统计
    • 概率论
      • 随机过程
        • 马尔可夫链: P(X_{n+1}=j | X_n=i) = P_{ij}。
          • 查普曼-科尔莫戈罗夫方程: P_{ij}^{(n+m)} = Σ_k P_{ik}^{(n)} P_{kj}^{(m)}。
        • 布朗运动: W_t 满足 W_0=0，独立增量，W_t - W_s ~ N(0, t-s)。
        • 泊松过程: 到达率 λ，N(t) ~ Poisson(λ t)。
      • 随机分析
        • 伊藤积分: ∫_0^t f(s) dW_s = lim_{Δt → 0} Σ f(t_{i-1}) (W_{t_i} - W_{t_{i-1}})。
        • 伊藤引理: $dF = \partial_t F dt + \partial_x F dX_t + \frac{1}{2} \partial_{xx}^2 F (dX_t)^2$
        • 马利亚万分析
          • 定义：随机变分学
          • 公式：$\delta F = \int \frac{\delta F}{\delta \phi} \delta \phi$
          • 应用：金融数学、场论
      • 极限理论
        • 大数定律: $\frac{1}{n}\sum X_i \xrightarrow{P} \mu$
        • 中心极限定理: (S_n - nμ)/(σ √n) →_d N(0,1)。
        • 重对数律
          • 定义：随机游走精确渐近
          • 公式：$\limsup \frac{S_n}{\sqrt{2n \ln \ln n}} = \sigma$ a.s.
          • 应用：风险分析、算法复杂性
      • 随机矩阵
        • 威沙特分布
          • 定义：协方差矩阵分布
          • 公式：$X^T X \sim W_p(n, \Sigma)$
          • 应用：多元统计、信号处理
        • 马尔琴科-帕斯图定律
          • 定义：大维随机矩阵特征值分布
          • 公式：$F^{\mathbf{S}_n} \to F_{\gamma}$
          • 应用：无线通信、金融相关性
      • 应用场景/领域: 金融数学、物理学、机器学习。
    • 统计学
      • 贝叶斯理论
        • 贝叶斯后验: p(θ | X) ∝ p(X | θ) p(θ)。
        • MCMC算法:
          • Metropolis-Hastings: $\alpha = \min (1, \frac{q(\theta'|\theta) p(\theta'|X)}{q(\theta|\theta') p(\theta|X)})$
          • 吉布斯抽样: $\theta_i^{(k+1)} \sim p(\theta_i | \theta_{-i}^{(k)}, X)$
      • 统计推断
        • 似然比检验: λ(x) = sup_{θ ∈ Θ_0} L(θ | x) / sup_{θ ∈ Θ} L(θ | x)。
        • 内曼-皮尔逊引理: $\phi(x) = I(\frac{f_1(x)}{f_0(x)} > k)$
        • 假设检验
          • 定义：检验统计假设的方法
          • 公式：$p$-值决策
          • 应用：科学实验、A/B测试
      • 非参数统计
        • 核密度估计: f̂_h(x) = 1/(nh) Σ_{i=1}^n K((x - X_i)/h)。
        • 自助法: $\widehat{\mathrm{se}}_{\mathrm{boot}} = \sqrt{ \frac{1}{B-1} \sum (\hat{\theta}^*(b) - \bar{\hat{\theta}^*})^2 }$
      • 高维统计
        • LASSO回归: min_β ||Y - Xβ||_2^2 + λ ||β||_1。
        • 矩阵补全: $\min \|M\|_* \text{ s.t. } P_\Omega(M) = P_\Omega(A)$
      • 生存分析
        • 考克斯比例风险模型
          • 定义：半参数生存模型
          • 公式：$h(t|x) = h_0(t) \exp(\beta^T x)$
          • 应用：医学研究、可靠性工程
        • 卡普兰-迈耶估计
          • 定义：非参数生存函数估计
          • 公式：$\hat{S}(t) = \prod_{t_i \leq t} (1 - \frac{d_i}{n_i})$
          • 应用：临床试验、工业失效分析
      • 应用场景/领域: 数据科学、医学统计、经济学。
  • 应用数学
    • 数值分析
      • 矩阵计算
        • QR分解: A = QR（格拉姆-施密特正交化）。
        • SVD分解: A = U Σ V^T。
      • 微分方程数值解
        • 有限差分法: u''(x) ≈ (u(x+h) - 2u(x) + u(x-h))/h^2。
        • 谱方法: $u(x) = \sum a_k \phi_k(x)$
      • 迭代法
        • 共轭梯度法: x_{k+1} = x_k + α_k p_k。
        • 预处理技术: $M^{-1} A x = M^{-1} b$
      • 应用场景/领域: 工程计算、计算机图形学、科学计算。
    • 最优化理论
      • 凸优化
        • KKT条件: ∇f(x*) + Σ λ_i ∇g_i(x*) = 0，λ_i g_i(x*) = 0。
        • 内点法: $\min f_0(x) - \mu \sum \log(-g_i(x))$
      • 随机优化
        • 随机梯度下降: x_{k+1} = x_k - η ∇f(x_k)。
          • 应用：深度学习、在线学习
        • ADMM算法: $x^{k+1} = \arg\min_x \mathcal{L}_\rho(x, z^k, y^k)$
          • 应用：分布式优化、图像重建
      • 整数规划
        • 分支定界法: 分支 x_j ≤ ⌊x_j*⌋ 或 x_j ≥ ⌈x_j*⌉。
        • 割平面法:
          • 高莫雷割: $\sum f_{ij} x_j \geq f_i$
          • 覆盖不等式: $\sum_{j \in C} x_j \geq 1$
      • 排队论
        • M/M/1模型
          • 定义：泊松到达指数服务单队列
          • 公式：$L = \frac{\lambda}{\mu - \lambda}$
          • 应用：网络路由、服务系统
        • 排队网络理论
          • 定义：互连排队系统
          • 公式：杰克逊网络
          • 应用：制造系统、云计算
      • 应用场景/领域: 机器学习、运筹学、经济学。
    • 密码学
      • 对称加密
        • AES:
          • 字节替换: $b' = M b^{-1} + c$在$\mathsf{GF}(256)$
          • 列混淆: c(x) = {03} · x^3 + {01} · x^2 + {01} · x + {02}。
        • ChaCha20:
          • 四分之一轮函数
            • 定义：快速混淆函数
            • 公式：$a \leftarrow a+b; d \leftarrow (d \oplus a) \lll 16$
            • 应用：流密码、TLS协议
      • 非对称加密
        • RSA攻击方法:
          • RSA共模攻击: m = c_1^a c_2^b mod N（a e_1 + b e_2 = gcd(e_1,e_2)=1）。
          • 维纳攻击: $d < \frac{1}{3} N^{1/4}$
        • ECC点乘算法:
          • 倍加算法: $Q = 2P, R = P + Q$
          • 蒙哥马利阶梯: $R_{1-k} \leftarrow 2R_{1-k}; R_k \leftarrow R_k + R_{1-k}$
      • 密码分析技术
        • 差分密码分析
          • 差分密码分析: 寻找高概率差分路径 Δx → Δy。
          • 差分特征
            • 定义：输入输出差分概率
            • 公式：$P(\Delta x \to \Delta y)$
            • 应用：分组密码破译
          • 关键思想
            • 定义：寻找高概率差分链
            • 公式：$\Delta_0 \to \Delta_1 \to \cdots \to \Delta_k$
            • 应用：AES安全性分析
        • 侧信道攻击:
          • 简单功耗分析: $P(t)$显示密钥位
          • 相关功耗分析: $\rho(P(t), H(t))$
    • 运筹学
      • 优化算法对比
        • 梯度下降
          • 定义：一阶迭代优化
          • 公式：$x_{k+1} = x_k - \eta \nabla f(x_k)$
          • 应用：神经网络训练
        • 牛顿法
          • 定义：二阶收敛优化
          • 公式：$x_{k+1} = x_k - [Hf(x_k)]^{-1} \nabla f(x_k)$
          • 应用：凸优化、金融工程
        • BFGS
          • 定义：拟牛顿法
          • 公式：$H_{k+1} = (I - \rho_k s_k y_k^T)H_k(I - \rho_k y_k s_k^T) + \rho_k s_k s_k^T$
          • 应用：中规模优化
        • L-BFGS
          • 定义：有限内存BFGS
          • 公式：存储向量对 $(s_k, y_k)$
          • 应用：大规模机器学习
      • 线性规划: max c^T x s.t. Ax ≤ b, x ≥ 0。
      • M/M/1模型: 平均队长 L = λ/(μ - λ)。
      • 应用场景/领域: 物流、调度、资源分配
  • 前沿交叉领域
    • 量子计算
      • 量子算法
        • 肖尔算法:
          • 模幂计算: U_f |x⟩ |y⟩ = |x⟩ |y ⊕ f(x)⟩
          • 量子傅里叶变换: QFT |j⟩ = 1/√N Σ_{k=0}^{N-1} ω^{jk} |k⟩
          • 周期恢复: 连分数分解求$r$
        • 格罗弗搜索: O(√N) 次查询。
      • 量子纠错
        • 表面码: $S_v = X_{\otimes \text{边}} Z_{\otimes \text{邻边}}$
        • 容错阈值定理: $p < 10^{-3}$可容错
      • 量子态可视化
        • 布洛赫球: |ψ⟩ = cos(θ/2)|0⟩ + e^{iφ}sin(θ/2)|1⟩。
        • 量子门动画
          • 公式：X门：$\sigma_x$, H门：$\frac{1}{\sqrt{2}} \begin{bmatrix}1&1\\1&-1\end{bmatrix}$
      • 应用场景/领域: 密码破解、优化、化学模拟。
    • 机器学习
      • 深度学习
        • 反向传播:
          • 反向传播: δ^l = ((W^{l+1})^T δ^{l+1}) ⊙ σ'(z^l)。
          • 前向计算: $a^l = \sigma(W^l a^{l-1} + b^l)$
          • 误差反传: $\delta^l = ((W^{l+1})^T \delta^{l+1}) \odot \sigma'(z^l)$
        • 注意力机制:
          • 缩放点积: Attention(Q,K,V) = softmax(QK^T / √d_k) V
          • 多头注意力: $\mathrm{MultiHead} = \mathrm{Concat}(\mathrm{head}_i) W^O$
      • 强化学习
        • 策略优化:
          • PPO优化: L(θ) = E[min(r_t(θ) A_t, clip(r_t(θ),1-ε,1+ε) A_t)]。
          • 演员-评论家: $\nabla J(\theta) \approx \mathbb{E} [ \nabla_\theta \log \pi_\theta Q_w(s,a) ]$
        • Q-learning: $Q(s,a) \leftarrow Q(s,a) + \alpha [r + \gamma \max_{a'} Q(s',a') - Q(s,a)]$
      • 应用场景/领域: 图像识别、自然语言处理、推荐系统。
    • 数学物理
      • 量子场论
        • 路径积分: ⟨φ | e^{-iHt} | ψ⟩ = ∫ Dφ e^{i S[φ]}。
        • 杨-米尔斯理论: $F_{\mu\nu} = \partial_\mu A_\nu - \partial_\nu A_\mu + [A_\mu, A_\nu]$
      • 广义相对论
        • 史瓦西解: ds^2 = -(1 - 2GM/rc^2) dt^2 + (1 - 2GM/rc^2)^-1 dr^2 + r^2 dΩ^2。
        • 霍金辐射: $T = \frac{\hbar c^3}{8\pi G M k_B}$
      • 应用场景/领域: 量子场论、广义相对论、弦理论。
    • 计算生物学
      • 群体遗传学
        • 莱特-费舍尔模型: X_{t+1} ~ Binom(2N, X_t / (2N))。
        • 金曼合作图: $\frac{\partial \phi}{\partial t} = \frac{1}{2} \sigma^2 \frac{\partial^2 \phi}{\partial x^2} + m (y - x) \frac{\partial \phi}{\partial x}$
      • 神经编码
        • 霍奇金-赫胥黎方程: C_m dV/dt = I - g_Na m^3 h (V - E_Na) - g_K n^4 (V - E_K) - g_L (V - E_L)。
        • 尖峰神经网络: $V(t) = \sum_i w_i \sum_s \epsilon(t - t_i^{(s)}) + V_{\mathrm{rest}}$
      • 应用场景/领域: 基因组学、神经科学、流行病学。
  • 补充知识
    • 核心公式
      • 欧拉公式
        • 基本形式: e^{iπ} + 1 = 0
        • 复变形式: e^{iθ} = cos θ + i sin θ
        • 图论应用: V - E + F = 2
        • 应用场景/领域: 复分析、信号处理、拓扑学。
      • 黎曼ζ函数
        • 特殊值: $\zeta(2) = \frac{\pi^2}{6}, \zeta(4) = \frac{\pi^4}{90}$
        • 公式: ζ(s) = Σ_{n=1}^∞ 1/n^s，函数方程 ζ(s) = 2^s π^{s-1} sin(πs/2) Γ(1-s) ζ(1-s)。
        • 应用场景/领域: 数论、物理学（统计力学）。
      • 傅里叶变换对
        • 正变换: F{f}(ξ) = ∫_{-∞}^∞ f(x) e^{-iξ x} dx
        • 逆变换: f(x) = 1/(2π) ∫_{-∞}^∞ F{f}(ξ) e^{iξ x} dξ。
        • 应用场景/领域: 信号处理、图像分析、量子力学。
    • 重要常数
      • 自然常数: e ≈ 2.71828。
      • 圆周率: π ≈ 3.14159。
      • 欧拉-马歇罗尼常数: γ ≈ 0.57721。
      • 黄金分割: φ = (1 + √5)/2 ≈ 1.61803。
    • 未解问题
      • 黎曼猜想: ζ(s) 非平凡零点实部均为 1/2。
      • 纳维-斯托克斯存在性: 三维NS方程光滑解的整体存在性。
      • 霍奇猜想: 射影代数簇的调和形式是代数闭链类。
      • 庞加莱猜想（已解决）: 单连通闭三维流形同胚于 S^3。
      • 应用场景/领域: 数论、流体力学、代数几何、拓扑学。
    • 可视化技术
      • 复变函数域着色: arg f(z) 着色，|f(z)| 明暗。
      • 分形生成
        • Mandelbrot集: z_{n+1} = z_n^2 + c（逃逸时间算法）。
        • 科克曲线: 迭代细分线段
      • 拓扑曲面
        • 克莱因瓶参数方程:
          • x = (r + cos(u/2)sin v - sin(u/2)sin 2v) cos u。
          • y = (r + cos(u/2)sin v - sin(u/2)sin 2v) sin u。
          • z = sin(u/2)sin v + cos(u/2)sin 2v。
        • 单纯形法动态演示
          • 阶段1
            • 定义：人工变量初始化
            • 公式：添加松弛/人工变量
            • 应用：线性规划教学
          • 阶段2
            • 定义：旋转运算迭代
            • 公式：主元消去
            • 应用：优化算法演示
          • 退化解处理
            • 定义：防止循环规则
            • 公式：布兰德规则
            • 应用：算法鲁棒性
      • 应用场景/领域: 数据可视化、数学教育、计算机图形学。
    • 数学史
      • 古希腊数学
        • 欧几里得《几何原本》
          • 定义：公理化几何体系
          • 应用：数学教育基础
        • 阿基米德求积术
          • 定义：早期积分方法
          • 应用：圆周率计算
      • 近代发展
        • 伽罗瓦群论革命
          • 定义：代数方程可解性理论
          • 应用：抽象代数奠基
        • 希尔伯特23问题
          • 定义：20世纪数学纲领
          • 应用：数学发展指导
      • 现代里程碑
        • 怀尔斯证明费马大定理
          • 定义：$x^n + y^n = z^n$ 无整数解 ($n>2$)
          • 应用：椭圆曲线发展
        • 佩雷尔曼证明庞加莱猜想
          • 定义：里奇流证明拓扑猜想
          • 应用：几何分析突破
    • 数学方法论
      • 证明技术
        • 构造性证明
        • 数学归纳法: P(1) ∧ ∀k (P(k) → P(k+1)) → ∀n P(n)。
        • 反证法: P → ⊥ ⊢ ¬P。
      • 计算思维
        • 算法复杂度: 例：FFT 为 O(n log n)。
        • 数值稳定性: 条件数$\kappa(A) = \|A\| \|A^{-1}\|$
      • 跨学科方法
        • 几何代数化
          • 定义：几何问题代数化
          • 应用：代数几何、弦论
        • 分析拓扑化
          • 定义：分析问题拓扑化
          • 应用：指标定理、规范理论
      • 应用场景/领域: 证明理论、算法设计、跨学科研究。