科学空间|Scientific Spaces

证明下列级数发散或者收敛：
(1) $\sum_{x = 1}^\infty \frac{1}{x} = 1 + \frac{1}{2} + \frac{1}{3} + \frac{1}{4} + ...$
(2) $\sum_{x = 1}^\infty \frac{1}{x^2} = 1 + \frac{1}{2^2} + \frac{1}{3^2} + \frac{1}{4^2} + ...$

一眼看上去，由于$1/x,1/{x^2}$都会趋向零，所以它们应该是收敛的。真的是这样吗？

点击阅读全文...

$\sum_{i=0}^{\infty} a_i x^i=a_0+a_1 x+a_2 x^2+a_3 x^3+...$
最近为了数学竞赛，我研究了有关数列和排列组合的相关问题。由于我讨厌为某个问题而设计专门的技巧，所以我偏爱通用的方法，哪怕过程相对麻烦。因此，我对数学归纳法（递推法）和生成函数法情有独钟。前者只需要列出问题的递归关系，而不用具体分析，最终把问题转移到解函数方程上来。后者则巧妙地把数列${a_n}$与幂级数$\sum_{i=0}^{\infty} a_i x^i$一一对应，巧妙地通过代数运算或微积分运算等得到结果。这里我们不用考虑该级数的敛散性，只需要知道它对应着哪一个“母函数”（母函数展开泰勒级数后得到了级数$\sum_{i=0}^{\infty} a_i x^i$）。显然，这两种方法的最终，都是把问题归结为代数问题。

点击阅读全文...

我要上学了

越来越佩服前人，说出了“光阴似箭，日月如梭”的真理。是呀，期末考试仿佛只是在昨天，今天已经又要上学了；俯仰之间，一个月的时间就过去了。

毫无疑问，又因为我的懒惰和不坚持，浪费了我很多的时间。回想一下寒假，我究竟收获了什么呢？主要是两个方面吧：学术和情感。

学术上，主要是数学和天文学里面的内容。数学我主要是深入了微积分方面的内容，把微积分的思想深刻了一点点，把微分方程（组）熟悉了一点点。我有一种很熟悉的感觉：现在自学高等数学，就好比我之前在小学时间学习中学数学。那时候超傻，书本上说了$\lim_{\Delta x->0} f'(x)=\frac{f(x+\Delta x)-f(x)}{\Delta x}$，我看不懂这个式子，整天郁闷$f(x)$是不是指$f\cdot (x)$。不过尽管那时候不懂这些，还是懂应用，我用导数最基本的定义去求极值，得出了一些有趣的发现，使我的兴趣倍增。现在学习微积分也是这样的感觉，我觉得我仅仅是很显浅地接触到，还有很多等待仔细琢磨....

点击阅读全文...

月全食-201106160340

6月中下旬，是北半球一年中黑夜最短的时期。今年6月22日是夏至节气，以北纬40°地区为例，当天天文昏影终到次日天文晨光始的间隔只有不到4小时50分钟。黑夜短暂会使我们可用于天文观测的时间缩短。但在夏至前后，午夜时分太阳也会在地平线下不太低的位置，这样我们就有可能整夜观测到一些类似国际空间站这样的低轨道人造天体。有兴趣的朋友可以查询相关的过境预报，挑战在一晚可以观测到多少次国际空间站过境这类的观测项目。发生在六月的日偏食和月全食，是今年天象的重头戏。接下来笔者就日偏食讲起，跟大家聊聊发生在6月的天象。

点击阅读全文...

引力透镜
————用经典力学推导光的引力偏转角公式

引力透镜效应造成的爱因斯坦十字

在2012年第四期的《天文爱好者》上，Richard de Grijs（何锐思）教授的《引力透镜——再领科学潮》一文详细而精彩地讲述了有关引力透镜方面的知识，尤其是它在天文方面的重要应用，让我收获颇丰。笔者在赞叹作者优美的文笔和译者程思浩同好的生动翻译之余，也感到了一丝不足。文章主要讲了引力透镜在天文研究中所扮演的重要角色，却未对引力透镜的原理、本质方面多加描述。时空的扭曲是广义相对论给出的答案，可是难道仅仅从经典力学就不能领略丝毫？藉此，BoJone这在里对引力透镜多说些东西，与大家相互学习研究。当然，由于我只是一个初出茅庐的业余爱好者，其中的不当之处还望各位斧正。

点击阅读全文...

不可否认，变分法是非常有用而绝妙的一个数学工具，它“自动地”为我们在众多函数中选出了最优的一个，而免除了具体的分析过程。物理中的最小作用量原理则让变分法有了巨大的用武之地，并反过来也推动了变分法的发展。但是变分法的一个很明显的特点就是在大多数情况下计算相当复杂，甚至如果“蛮干”的话我们几乎连微分方程组都列不出来。因此，一些有用的技巧是很受欢迎的。本文就打算介绍这样的一个小技巧，来让某些变分问题得到一定的化简。

我是怎么得到这个技巧的呢？事实上，那是几个月前我在阅读《引力与时空》时，读到变分原理那一块时我怎么也读不懂，想不明白。明明我觉得是错误的东西，为什么可以得到正确的结果？我的数学直觉告诉我绝对是作者的错，可是我又想不出作者哪里错了，所以就一直把这个问题搁置着。最近我终于得到了自己比较满意的答案，并且窃认为是本文所要讲的这个技巧却被物理学家“误用”了。

技巧

首先来看通常我们是怎么处理变分问题的，以一元函数为例，对于求
$$S=\int L(x,\dot{x},t)dt$$

点击阅读全文...

本文我们来探讨下列积分的极值曲线：
$$S=\int f(x,y)\sqrt{dx^2+dy^2}=\int f(x,y)ds$$

这本质上也是一个短程线问题。但是它形式比较简答，物理含义也更加明显。比如，如果$f(x,y)$是势函数的话，那么这就是一个求势能最小的二维问题；如果$f(x,y)$是摩擦力函数，那么这就是寻找摩擦力最小的路径问题。不管是哪一种，该问题都有相当的实用价值。下面将其变分：

$$\begin{aligned} \delta S =&\int \delta[f(x,y)\sqrt{dx^2+dy^2}] \\ =&\int [ds\delta f(x,y)+f(x,y)\frac{\delta (dx^2+dy^2)}{2ds}]\\ =&\int ds(\frac{\partial f}{\partial x}\delta x+\frac{\partial}{\partial y}\delta y)+f \frac{dx d(\delta x)+dy d(\delta y)}{ds} \\=&\int ds(\frac{\partial f}{\partial x}\delta x+\frac{\partial}{\partial y}\delta y)+f \frac{dx}{ds} d(\delta x)+\frac{dy}{ds} d(\delta y) \end{aligned}$$

点击阅读全文...

在2018年的文章里《f-GAN简介：GAN模型的生产车间》笔者介绍了f-GAN，并评价其为GAN模型的“生产车间”，顾名思义，这是指它能按照固定的流程构造出很多不同形式的GAN模型来。前几天在arxiv上看到了新出的一篇论文《Designing GANs: A Likelihood Ratio Approach》（后面简称Designing GANs或原论文），发现它在做跟f-GAN同样的事情，但走的是一条截然不同的路（不过最后其实是殊途同归），整篇论文颇有意思，遂在此分享一番。

f-GAN回顾

从《f-GAN简介：GAN模型的生产车间》中我们可以知道，f-GAN的首要步骤是找到满足如下条件的函数$f$：

1、$f$是非负实数到实数的映射（$\mathbb{R}^* \to \mathbb{R}$）；

2、$f(1)=0$；

3、$f$是凸函数。

点击阅读全文...