科学空间|Scientific Spaces

九月三日BoJone和九个同学到云浮参加了今年广东省的数学竞赛预赛，那一起出发、玩笑、作战、吃饭的情景依然历历在目，让我久久不能忘怀。是呀，能够并肩作战的感觉真好！九日数学成绩出来了，遗憾的是今年政策改变了，我被告知整个市只有三个名额能够参加复赛，于是新兴只有我一个人进入了复赛（另外两个据说是罗定的，我们三个并列第一）。有点无语，我想，大概是要把那些为了功利而参赛的人都给刷下去吧...

今年广东的预赛题前所未有的简单，不论是和全国其他地方相比还是和上一年的题目相比，都简单了不少，但我还是做得不大理想，据我估计，120分的卷子我顶多能够拿个68分，所以BoJone的基本技能实在不容乐观。从云浮考试回来后，和同行的同学讨论试题，得出了一些很有趣的结果，那过程可谓其乐无穷呀！下面是倒数第二题预赛题的几个绝妙解法，供大家欣赏。解法由我和伍泽麒（人称“兔子、神兔”，人如其名，天资聪颖，性格可爱）完成。

题目：

在一条线段中随意选取两个点，把这条线段截成三段，求这三段线段能够组成一个三角形的概率。

点击阅读全文...

如图是一个三角形，要求三角形的外角和。外角和定义为“多边形每一个内角的补角之和”，比如这里的∠DAC+∠FCB+∠EBA。当然，这里一般指的是凸多边形。

三角形的外角和 (1)

显然，这并不是一个什么大难题，答案是360度，方法有很多，直接用内角和公式计算、想象成旋转一周甚至你亲自去测量一下都行。但我觉得最妙的方法无疑是下面的方法。

点击阅读全文...

前言

在之前的一些文章中，我们已经指出过现行教材的一些毛病。比如主次不当（最明显的是那些一上来就讲线性方程组的线性代数教程）、缺乏直观性、缺少引导性等，我想其中最主要的原因可能是过于随大流了，别人怎么编我们也跟着怎么编，缺乏自己的观点和逻辑，因此导致一些常见的毛病就一直流传了下来。也许正因如此，就导致了有那么一种奇怪的现象——明明有一种计算量少的、精确度高一些的方法，教科书几乎从未提及；另外一种计算量稍大、精确度稍低的方法，但每一本同类教科书都讲述了它。不能不说这是一个“未解之谜”......

本文要讲的就是这样的两种方法，它们分别是用来求定积分近似值的“中点矩形法则”和“梯形法则”。对于后者我想绝大多数学习过微积分的朋友都会有印象，它就是那个几乎出现在了所有微积分教材的方法；而前者我相信不少读者都未曾听闻，但让人意外的是，它的计算量稍低，精确度却稍高。本文就简单介绍这两种方法，并且比较它们的精度。而本文的独特之处在于，证明过程沿用了《复分析:可视化方法》的思路，使用几何方法漂亮地估计误差！

我们的目标是在难以精确计算的情况下，通过一定的方法求出$\int_a^b f(x)dx$的近似值，这些方法基本上都是利用了积分即面积的思想。

两种不同的方法

点击阅读全文...

作为量子理论的一个重要定理，不确定性原理总是伴随着物理意义出现的，但是从数学的角度来讲，把不确定性原理的数学形式抽象出来，有助于我们发现更多领域的“不确定性原理”。

本文中，我们将谈及不确定性原理的n维矩阵形式。首先需要解释给大家的是，不确定性原理其实是关于“两个厄密算符与一个单位向量之间的一条不等式”。在量子力学中，厄密算符对应着无穷维的厄密矩阵；而所谓厄密矩阵，就是一个矩阵同时取共轭和转置之后，等于它自身。但是本文讨论一个更简单的情况，那就是n维实矩阵，n维实矩阵中的厄密矩阵就是我们所说的实对称矩阵了。

设$\boldsymbol{x}$是一个$n$维单位向量，即$|\boldsymbol{x}|=1$，而$\boldsymbol{A}$和$\boldsymbol{B}$是n阶实对称矩阵。在量子力学中，$\boldsymbol{x}$就是波函数，但是在这里，它只不过是一个单位实向量；并记$\boldsymbol{I}$是$n$阶单位阵。

考虑
$$\bar{A}=\boldsymbol{x}^{T}\boldsymbol{A}\boldsymbol{x},\bar{B}=\boldsymbol{x}^{T}\boldsymbol{B}\boldsymbol{x}$$
从这些记号可以看出，这些量对应着可观测量的期望值。当然，如果不懂量子力学，可以只看上面的矩阵形式。

点击阅读全文...

在拙作《“熵”不起：从熵、最大熵原理到最大熵模型（一）》中，笔者从比较“专业”的角度引出了熵，并对熵做了诠释。当然，熵作为不确定性的度量，应该具有更通俗、更形象的来源，本文就是试图补充这一部分，并由此给出一些妙用。

熵的形象来源

我们考虑由0-9这十个数字组成的自然数，如果要求小于10000的话，那么很自然有10000个，如果我们说“某个小于10000的自然数”，那么0～9999都有可能出现，那么10000便是这件事的不确定性的一个度量。类似地，考虑$n$个不同元素（可重复使用）组成的长度为$m$的序列，那么这个序列有$n^m$种情况，这时$n^m$也是这件事情的不确定性的度量。

$n^m$是指数形式的，数字可能异常地大，因此我们取了对数，得到$m\log n$，这也可以作为不确定性的度量，它跟我们原来熵的定义是一致的。因为
$$m\log n=-\sum_{i=1}^{n^m} \frac{1}{n^m}\log \frac{1}{n^m}$$

读者可能会疑惑，$n^m$和$m\log n$都算是不确定性的度量，那么究竟是什么原因决定了我们用$m\log n$而不是用$n^m$呢？答案是可加性。取对数后的度量具有可加性，方便我们运算。当然，可加性只是便利的要求，并不是必然的。如果使用$n^m$形式，那么就相应地具有可乘性。

点击阅读全文...

前言

从今年开始，CCL会议将计划同步举办评测活动。笔者这段时间在一创业公司实习，公司也报名参加这个评测，最后实现上就落在我这里，今年的评测任务是阅读理解，名曰《第一届“讯飞杯”中文机器阅读理解评测》。虽说是阅读理解，但事实上任务比较简单，是属于完形填空类型的，即一段材料中挖了一个空，从上下文中选一个词来填入这个空中。最后我们的模型是单系统排名第6，验证集准确率为73.55%，测试集准确率为75.77%，大家可以在这里观摩排行榜。（“广州火焰信息科技有限公司”就是文本的模型）

事实上，这个数据集和任务格式是哈工大去年提出的，所以这次的评测也是哈工大跟科大讯飞一起联合举办的。哈工大去年的论文《Consensus Attention-based Neural Networks for Chinese Reading Comprehension》就研究过另一个同样格式但不同内容的数据集，是用通用的阅读理解模型做的（通用的阅读理解是指给出材料和问题，从材料中找到问题的答案，完形填空可以认为是通用阅读理解的一个非常小的子集）。

虽然，在这次评测任务的介绍中，评测方总有意无意地引导我们将这个问题理解为阅读理解问题。但笔者觉得，阅读理解本身就难得多，这个就一完形填空，只要把它作为纯粹的完形填空题做就是了，所以本文仅仅是采用类似语言模型的做法来做。这种做法的好处是思路简明直观，计算量低（在笔者的GTX1060上可以跑到batch size为160），便于实验。

模型

回到模型上，我们的模型其实比较简单，完全紧扣了“从上下文中选一个词来填空”这一思想，示意图如下。

完形填空模型

点击阅读全文...

前几天，好几个数学/物理群都在转发李永乐老师发在他微博里的一道题：

绳子固定在杆上旋转的曲线问题

想起好久没有做数学物理题了，所以我也思考了一下，也搜了一些资料，在此与大家分享一下。

相关内容

点击阅读全文...

这几天网上热传了一道“四鸭共半圆”题目：

四鸭共半圆问题

可能有不少读者看到后也尝试做过，就连李永乐老师也专门开了一节课讲这道题（参考《圆形水池四只鸭子在同一个半圆里，概率有多大？》）。就这道题目本身而言，答案并不算困难，可以有很多方法算出来。稍微有难度的是它的推广版本，也就是本文标题所描述的，将鸭子的数目一般化为$n$只，将半圆一般化为圆心角为$\theta$的扇形。更有趣的是，当$\theta \leq \pi$时，依然有比较初等的解法，但是当$\theta > \pi$后，复杂度开始“剧增”...

点击阅读全文...