由于文章《流形介绍(Manifolds: A Gentle Introduction)》太长了,按 CSDN 博客要求,需要拆成两篇来写。下面主要是一些对度规张量的理解。
度规张量就是个对称矩阵?
又看了一些关于 metric tensor 的东西,知乎博文《度规张量(Metric Tensor)以及它的本质》中说度规张量是这样的:
的确,之前我也在博文《向量内积的几何解释》中介绍了向量内积的计算其实是带有一个度量矩阵的:
不过这应该和切空间之上的内积有所不同,毕竟切空间中的向量是微分操作。但还是在 Riemannian manifold - Wikipedia 中看到了最特殊的黎曼流形 – 欧氏空间 – 的切空间内积计算,与上面说的内积计算起码在形式上是一样的。
这给公式 ( 22 ) (22) (22) 带来了一个具体的实例,但目前还不能确定这个计算是这样的: g p ( ∑ i a i ∂ ∂ x i , ∑ j b j ∂ ∂ x j ) = [ a 1 a 2 … a n ] [ ∂ ∂ x 1 ∂ ∂ x 2 ⋮ ∂ ∂ x n ] [ ∂ ∂ x 1 ∂ ∂ x 2 … ∂ ∂ x n ] [ b 1 b 2 ⋮ b n ] = [ a 1 a 2 … a n ] [ ∂ ∂ x 1 ∂ ∂ x 1 ∂ ∂ x 1 ∂ ∂ x 2 … ∂ ∂ x 1 ∂ ∂ x n ∂ ∂ x 2 ∂ ∂ x 1 ∂ ∂ x 2 ∂ ∂ x 2 … ∂ ∂ x 2 ∂ ∂ x n ⋮ ⋮ ⋱ ⋮ ∂ ∂ x n ∂ ∂ x 1 ∂ ∂ x n ∂ ∂ x 2 … ∂ ∂ x n ∂ ∂ x n ] [ b 1 b 2 ⋮ b n ] = [ a 1 a 2 … a n ] [ 1 0 … 0 0 1 … 0 ⋮ ⋮ ⋱ ⋮ 0 0 … 1 ] [ b 1 b 2 ⋮ b n ] = ∑ i a i b i (25) \begin{aligned} &g_p(\sum_i a_i \frac{\partial}{\partial x^i}, \sum_j b_j \frac{\partial}{\partial x^j}) \\ =& \begin{bmatrix} a_1 & a_2 & \dots & a_n \end{bmatrix} \begin{bmatrix} \frac{\partial}{\partial x^1} \\ \frac{\partial}{\partial x^2} \\ \vdots \\ \frac{\partial}{\partial x^n} \end{bmatrix} \begin{bmatrix} \frac{\partial}{\partial x^1} & \frac{\partial}{\partial x^2} & \dots & \frac{\partial}{\partial x^n} \end{bmatrix} \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{bmatrix} \\ =& \begin{bmatrix} a_1 & a_2 & \dots & a_n \end{bmatrix} \begin{bmatrix} \frac{\partial}{\partial x^1} \frac{\partial}{\partial x^1} & \frac{\partial}{\partial x^1} \frac{\partial}{\partial x^2} & \dots & \frac{\partial}{\partial x^1} \frac{\partial}{\partial x^n} \\ \frac{\partial}{\partial x^2} \frac{\partial}{\partial x^1} & \frac{\partial}{\partial x^2} \frac{\partial}{\partial x^2} & \dots & \frac{\partial}{\partial x^2} \frac{\partial}{\partial x^n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial}{\partial x^n} \frac{\partial}{\partial x^1} & \frac{\partial}{\partial x^n} \frac{\partial}{\partial x^2} & \dots & \frac{\partial}{\partial x^n} \frac{\partial}{\partial x^n} \\ \end{bmatrix} \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{bmatrix} \\ =& \begin{bmatrix} a_1 & a_2 & \dots & a_n \end{bmatrix} \begin{bmatrix} 1 & 0 & \dots & 0 \\ 0 & 1 & \dots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \dots & 1 \\ \end{bmatrix} \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{bmatrix} \\ =& \sum_i a_i b_i \tag{25} \end{aligned} ====gp(i∑ai∂xi∂,j∑bj∂xj∂)[a1a2…an] ∂x1∂∂x2∂⋮∂xn∂ [∂x1∂∂x2∂…∂xn∂] b1b2⋮bn [a1a2…an] ∂x1∂∂x1∂∂x2∂∂x1∂⋮∂xn∂∂x1∂∂x1∂∂x2∂∂x2∂∂x2∂⋮∂xn∂∂x2∂……⋱…∂x1∂∂xn∂∂x2∂∂xn∂⋮∂xn∂∂xn∂ b1b2⋮bn [a1a2…an] 10⋮001⋮0……⋱…00⋮1 b1b2⋮bn i∑aibi(25) 我从 Metric tensor - Wikipedia 中找到了初步答案:
从这一段来看, metric tensor 是个 n × n n \times n n×n 的对称矩阵 G [ f ] G[\bm{f}] G[f],其中 f = ( X 1 , ⋯ , X n ) \bm{f} = (X_1, \cdots, X_n) f=(X1,⋯,Xn) 是基向量组,而 g i j [ f ] = g ( X i , X j ) g_{ij}[f] = g(X_i, X_j) gij[f]=g(Xi,Xj) 就是基向量之间的内积。也就是说,上面矩阵中的 ( ∂ ∂ x i ∂ ∂ x j ) (\frac{\partial}{\partial x^i} \frac{\partial}{\partial x^j}) (∂xi∂∂xj∂) 其实是 g ( X i , X j ) g(X_i, X_j) g(Xi,Xj),很显然,在欧式空间中 g ( X i , X j ) = { 1 , i = j 0 , i ≠ j g(X_i, X_j) = \left\{\begin{matrix} 1, & i = j \\ 0, & i \ne j \end{matrix}\right. g(Xi,Xj)={1,0,i=ji=j 这和我们之前学的普通内积计算 e i ⊺ e j \bm{e}_i^\intercal \bm{e}_j ei⊺ej 是一样的。但从正式的定义上看
根据这个 bilinear 性质,式 ( 25 ) (25) (25) 应该是这样的: g p ( ∑ i a i ∂ ∂ x i , ∑ j b j ∂ ∂ x j ) = [ a 1 a 2 … a n ] [ g ( ∂ ∂ x 1 , ∂ ∂ x 1 ) g ( ∂ ∂ x 1 , ∂ ∂ x 2 ) … g ( ∂ ∂ x 1 , ∂ ∂ x n ) g ( ∂ ∂ x 2 , ∂ ∂ x 1 ) g ( ∂ ∂ x 2 , ∂ ∂ x 2 ) … g ( ∂ ∂ x 2 ∂ ∂ x n ) ⋮ ⋮ ⋱ ⋮ g ( ∂ ∂ x n , ∂ ∂ x 1 ) g ( ∂ ∂ x n , ∂ ∂ x 2 ) … g ( ∂ ∂ x n , ∂ ∂ x n ) ] [ b 1 b 2 ⋮ b n ] \begin{aligned} &g_p(\sum_i a_i \frac{\partial}{\partial x^i}, \sum_j b_j \frac{\partial}{\partial x^j}) = \begin{bmatrix} a_1 & a_2 & \dots & a_n \end{bmatrix} \begin{bmatrix} g(\frac{\partial}{\partial x^1}, \frac{\partial}{\partial x^1}) & g(\frac{\partial}{\partial x^1}, \frac{\partial}{\partial x^2}) & \dots & g(\frac{\partial}{\partial x^1}, \frac{\partial}{\partial x^n}) \\ g(\frac{\partial}{\partial x^2}, \frac{\partial}{\partial x^1}) & g(\frac{\partial}{\partial x^2}, \frac{\partial}{\partial x^2}) & \dots & g(\frac{\partial}{\partial x^2} \frac{\partial}{\partial x^n}) \\ \vdots & \vdots & \ddots & \vdots \\ g(\frac{\partial}{\partial x^n}, \frac{\partial}{\partial x^1}) & g(\frac{\partial}{\partial x^n}, \frac{\partial}{\partial x^2}) & \dots & g(\frac{\partial}{\partial x^n}, \frac{\partial}{\partial x^n}) \\ \end{bmatrix} \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{bmatrix} \end{aligned} gp(i∑ai∂xi∂,j∑bj∂xj∂)=[a1a2…an] g(∂x1∂,∂x1∂)g(∂x2∂,∂x1∂)⋮g(∂xn∂,∂x1∂)g(∂x1∂,∂x2∂)g(∂x2∂,∂x2∂)⋮g(∂xn∂,∂x2∂)……⋱…g(∂x1∂,∂xn∂)g(∂x2∂∂xn∂)⋮g(∂xn∂,∂xn∂) b1b2⋮bn 所以最根本的是基向量之间的内积计算,即度规张量。其他向量之间的内积皆可由其坐标和此对称矩阵得出。
g ( X i , X j ) g(X_i, X_j) g(Xi,Xj) 可能并不一定要像欧氏空间那样定义,它只需要满足这三个条件就可以了,这有点像欧式空间向度量空间的泛化。
有了内积,就有范数了
也就有了向量的长度。进一步,还能计算流形上曲线的长度(来源于Lecture 9. Riemannian metrics)
这就是我们在高等数学中学的曲线积分。 g γ ( t ) ( γ ′ ( t ) , γ ′ ( t ) ) 1 / 2 g_{\gamma(t)}(\gamma^{'}(t), \gamma^{'}(t))^{1/2} gγ(t)(γ′(t),γ′(t))1/2 就是一小段曲线的长度。然而,就在这个积分式中, g γ ( t ) g_{\gamma(t)} gγ(t) 是随 p = γ ( t ) p = \gamma(t) p=γ(t) 的变化而变化的,这就很让人迷糊,前面我也说过了
这意味着 g p ( X p , Y p ) g_p(X_p, Y_p) gp(Xp,Yp) 不仅是两个切向量的函数,还得是 p p p 的函数,若以 p p p 为自变量,则函数的因变量是 g ( X , Y ) ( p ) g(X, Y)(p) g(X,Y)(p),即因变量依然是个函数,如何平滑变化呢?也许可以想到 f ( x , y ) f(x, y) f(x,y) 随 x x x 平滑变化,是指每固定一个 y = y 0 y = y_0 y=y0 后, f ( x , y 0 ) f(x, y_0) f(x,y0) 是 x x x 的平滑函数。但这里的内积函数中, p p p 变化意味着 ( X p , Y p ) (X_p, Y_p) (Xp,Yp) 不可能固定,头疼!
有两段话让我逐渐明白了 metric tensor 是怎么回事。一段是上面的 Components of the metric,一段是下面这段话:
从这两段话来看, g p g_p gp 既可以看作一个内积函数,也可以看作一个 n × n n \times n n×n 的对称矩阵,它和普通内积计算中的度量矩阵 P ⊺ P P^\intercal P P⊺P 是一样的。Components of the metric 中的 g i j [ f ] = g ( X i , X j ) g_{ij}[f] = g(X_i, X_j) gij[f]=g(Xi,Xj) 和上面的 g i j = g ( ∂ i , ∂ j ) g_{ij} = g(\partial_i, \partial_j) gij=g(∂i,∂j) 都是指基向量 ( X i , X j ) 或 ( ∂ i , ∂ j ) (X_i, X_j) 或 (\partial_i, \partial_j) (Xi,Xj)或(∂i,∂j) 的之间的内积。如此,这个 n × n n \times n n×n 的对称矩阵 g p = [ g 11 ( p ) g 12 ( p ) ⋯ g 1 n ( p ) g 21 ( p ) g 22 ( p ) ⋯ g 11 ( p ) ⋮ ⋮ ⋱ ⋮ g n 1 ( p ) g n 2 ( p ) ⋮ g n n ( p ) ] g_p = \begin{bmatrix} g_{11}(p) & g_{12}(p) & \cdots & g_{1n}(p) \\ g_{21}(p) & g_{22}(p) & \cdots & g_{11}(p) \\ \vdots & \vdots & \ddots & \vdots \\ g_{n1}(p) & g_{n2}(p) & \vdots & g_{nn}(p) \end{bmatrix} gp= g11(p)g21(p)⋮gn1(p)g12(p)g22(p)⋮gn2(p)⋯⋯⋱⋮g1n(p)g11(p)⋮gnn(p) 就可以看成关于 p p p 的 ( n × n ) − v a l u e d (n \times n) - valued (n×n)−valued 的函数了,其中 g i j ( p ) = g p ( X i , X j ) g_{ij}(p) = g_p(X_i, X_j) gij(p)=gp(Xi,Xj) 是指基向量 ( X i , X j ) (X_i, X_j) (Xi,Xj) 之间的内积,它可以看作一个值(而不是函数)了。这就是对之前的 “ p → g p ( X ( p ) , Y ( p ) ) p \to g_p(X(p), Y(p)) p→gp(X(p),Y(p)) 对于任意两个切向量 X ( p ) , Y ( p ) X(p), Y(p) X(p),Y(p) 是 p p p 的光滑函数” 的解释。
因为对于任意的两个向量
它们的内积是
只要 ∀ i , j \forall i, j ∀i,j, g i j ( p ) g_{ij}(p) gij(p) 是光滑的,“ p → g p ( X ( p ) , Y ( p ) ) p \to g_p(X(p), Y(p)) p→gp(X(p),Y(p))” 就是光滑的。
总结
- 度规张量和之前学的度量矩阵其实是一回事;
- 度规张量随 p ∈ M p \in M p∈M 的平滑性其实是其实是基向量之间内积的平滑性;
- 有了度规张量,才有了内积、范数、长度等概念。
简单的例子
理论学来终觉浅,来两个例子看看吧。先试试欧氏空间和 S 2 S^2 S2 中的曲线长度计算。
欧式空间中的曲线积分
就以 Example 4 (3 维欧式空间中的曲线积分) 为例子算一算。图 8 中,曲线的参数为: x = γ ( t ) = ( s i n π 4 c o s π t , s i n π 4 s i n π t , c o s π 4 ) , t ∈ [ − 1 , 1 ] \bm{x} = \gamma(t) = (sin\frac{\pi}{4}cos\pi t, sin\frac{\pi}{4}sin\pi t, cos\frac{\pi}{4}), t \in [-1, 1] x=γ(t)=(sin4πcosπt,sin4πsinπt,cos4π),t∈[−1,1] 则某点处的切向量为 v t = ∑ i = 1 3 v ( x i ) ∂ ∂ x i = − π 2 s i n π t ⋅ ∂ ∂ x 1 + π 2 c o s π t ⋅ ∂ ∂ x 2 + 0 ⋅ ∂ ∂ x 3 \begin{aligned} v_t &= \sum_{i=1}^3 v(x^i) \frac{\partial}{\partial x^i} \\ &= -\frac{\pi}{\sqrt{2}}sin\pi t \cdot \frac{\partial}{\partial x^1}+ \frac{\pi}{\sqrt{2}}cos\pi t \cdot \frac{\partial}{\partial x^2} + 0 \cdot \frac{\partial}{\partial x^3} \\ \end{aligned} vt=i=1∑3v(xi)∂xi∂=−2πsinπt⋅∂x1∂+2πcosπt⋅∂x2∂+0⋅∂x3∂ 那么内积计算为 g ( v t , v t ) = ∑ i , j = 1 3 v ( x i ) v ( x j ) g ( ∂ ∂ x i , ∂ ∂ x j ) = ∑ i , j = 1 3 v ( x i ) v ( x j ) = π 2 2 s i n 2 π t + π 2 2 c o s 2 π t + 0 = π 2 2 \begin{aligned} g(v_t, v_t) &= \sum_{i,j=1}^3 v(x^i)v(x^j) g(\frac{\partial}{\partial x^i}, \frac{\partial}{\partial x^j}) \\ &= \sum_{i,j=1}^3 v(x^i)v(x^j) \\ &= \frac{\pi^2}{2}sin^2\pi t + \frac{\pi^2}{2}cos^2\pi t + 0 \\ &= \frac{\pi^2}{2} \end{aligned} g(vt,vt)=i,j=1∑3v(xi)v(xj)g(∂xi∂,∂xj∂)=i,j=1∑3v(xi)v(xj)=2π2sin2πt+2π2cos2πt+0=2π2 😅,不好意思,把 t t t 消掉了,所以这个例子不是那么好,不过我们只不过是想了解一下计算过程,假装 t t t 还在。下一步就照搬公式积曲线的长度: L [ γ ] = ∫ − 1 1 g ( v t , v t ) 1 / 2 d t = ∫ − 1 1 ( π 2 2 ) 1 / 2 d t = π 2 t ∣ − 1 1 = 2 π \begin{aligned} L[\gamma] &= \int_{-1}^{1} g(v_t, v_t)^{1/2} dt \\ &= \int_{-1}^{1} (\frac{\pi^2}{2})^{1/2} dt \\ &= \frac{\pi}{\sqrt 2} t |_{-1}^{1} \\ &= \sqrt 2 \pi \end{aligned} L[γ]=∫−11g(vt,vt)1/2dt=∫−11(2π2)1/2dt=2πt∣−11=2π 这其实就是高等数学中的曲线积分,只不过这里的小段曲线长度用 g ( v t , v t ) 1 / 2 g(v_t, v_t)^{1/2} g(vt,vt)1/2 表示了。
局部坐标系下如何计算?
再然后,我们要在立体投影后的坐标系下算一算这个曲线长度。在 “北极” 坐标下,根据式 ( 16 ) ( 17 ) (16)(17) (16)(17),切向量为: v t = − ( 2 + 1 ) π s i n π t ⋅ ∂ ∂ u 1 + ( 2 + 1 ) π c o s π t ⋅ ∂ ∂ u 2 \begin{aligned} v_t = -(\sqrt{2} + 1)\pi sin\pi t \cdot \frac{\partial}{\partial u_1} + (\sqrt{2} + 1) \pi cos\pi t \cdot \frac{\partial}{\partial u_2} \end{aligned} vt=−(2+1)πsinπt⋅∂u1∂+(2+1)πcosπt⋅∂u2∂ 那么内积计算为 g ( v t , v t ) = ∑ i , j = 1 2 v ( u i ) v ( u j ) g ( ∂ ∂ u i , ∂ ∂ u j ) \begin{aligned} g(v_t, v_t) &= \sum_{i,j=1}^2 v(u^i)v(u^j) g(\frac{\partial}{\partial u^i}, \frac{\partial}{\partial u^j}) \end{aligned} g(vt,vt)=i,j=1∑2v(ui)v(uj)g(∂ui∂,∂uj∂) 关键就在于我们现在不知道 g ( ∂ ∂ u i , ∂ ∂ u j ) g(\frac{\partial}{\partial u^i}, \frac{\partial}{\partial u^j}) g(∂ui∂,∂uj∂) 是什么值了,只能求助于基变换了,根据式 ( 12 ) (12) (12),有 ∂ ∂ u i = ∑ j ( ∂ ∂ x j ) ( ∂ x j ∂ u i ) \begin{aligned} \frac{\partial}{\partial u_i} = \sum_j (\frac{\partial}{\partial x^j}) (\frac{\partial x_j}{\partial u^i}) \end{aligned} ∂ui∂=j∑(∂xj∂)(∂ui∂xj) 那么内积计算为 g ( v t , v t ) = ∑ i , j = 1 2 v ( u i ) v ( u j ) g [ ∑ k ( ∂ ∂ x k ) ( ∂ x k ∂ u i ) , ∑ l ( ∂ ∂ x l ) ( ∂ x l ∂ u j ) ] = ∑ i , j = 1 2 v ( u i ) v ( u j ) ( ∑ k ( ∂ x k ∂ u i ) g [ ∂ ∂ x k , ∑ l ( ∂ ∂ x l ) ( ∂ x l ∂ u j ) ] ) = ∑ i , j = 1 2 v ( u i ) v ( u j ) ( ∑ k ( ∂ x k ∂ u i ) ∑ l ( ∂ x l ∂ u j ) g ( ∂ ∂ x k , ∂ ∂ x l ) ) = ∑ i , j = 1 2 v ( u i ) v ( u j ) ( ∑ k , l ( ∂ x k ∂ u i ) ( ∂ x l ∂ u j ) g ( ∂ ∂ x k , ∂ ∂ x l ) ) = ∑ i , j = 1 2 v ( u i ) v ( u j ) ( ∑ k ( ∂ x k ∂ u i ) ( ∂ x k ∂ u j ) ) = ∑ i , j = 1 2 v ( u i ) v ( u j ) ( [ ∂ x 1 ∂ u i ∂ x 2 ∂ u i ∂ x 3 ∂ u i ] [ ∂ x 1 ∂ u j ∂ x 2 ∂ u j ∂ x 3 ∂ u j ] ) = [ v ( u 1 ) v ( u 2 ) ] [ ∂ x 1 ∂ u 1 ∂ x 2 ∂ u 1 ∂ x 3 ∂ u 1 ∂ x 1 ∂ u 2 ∂ x 2 ∂ u 2 ∂ x 3 ∂ u 2 ] [ ∂ x 1 ∂ u 1 ∂ x 1 ∂ u 2 ∂ x 2 ∂ u 1 ∂ x 2 ∂ u 2 ∂ x 3 ∂ u 1 ∂ x 3 ∂ u 2 ] [ v ( u 1 ) v ( u 2 ) ] \begin{aligned} g(v_t, v_t) &= \sum_{i,j=1}^2 v(u^i)v(u^j) g[ \sum_k (\frac{\partial}{\partial x^k}) (\frac{\partial x_k}{\partial u^i}), \sum_l (\frac{\partial}{\partial x^l}) (\frac{\partial x_l}{\partial u^j}) ] \\ &= \sum_{i,j=1}^2 v(u^i)v(u^j) \left( \sum_k (\frac{\partial x_k}{\partial u^i}) g[ \frac{\partial}{\partial x^k}, \sum_l (\frac{\partial}{\partial x^l}) (\frac{\partial x_l}{\partial u^j}) ] \right) \\ &= \sum_{i,j=1}^2 v(u^i)v(u^j) \left( \sum_k (\frac{\partial x_k}{\partial u^i}) \sum_l (\frac{\partial x_l}{\partial u^j}) g(\frac{\partial}{\partial x^k}, \frac{\partial}{\partial x^l}) \right) \\ &= \sum_{i,j=1}^2 v(u^i)v(u^j) \left( \sum_{k,l} (\frac{\partial x_k}{\partial u^i}) (\frac{\partial x_l}{\partial u^j}) g(\frac{\partial}{\partial x^k}, \frac{\partial}{\partial x^l}) \right) \\ &= \sum_{i,j=1}^2 v(u^i)v(u^j) \left( \sum_{k} (\frac{\partial x_k}{\partial u^i}) (\frac{\partial x_k}{\partial u^j}) \right) \\ &= \sum_{i,j=1}^2 v(u^i)v(u^j) \left( \begin{bmatrix} \frac{\partial x_1}{\partial u^i} & \frac{\partial x_2}{\partial u^i} & \frac{\partial x_3}{\partial u^i} \end{bmatrix} \begin{bmatrix} \frac{\partial x_1}{\partial u^j} \\ \frac{\partial x_2}{\partial u^j} \\ \frac{\partial x_3}{\partial u^j} \end{bmatrix} \right) \\ &= \begin{bmatrix} v(u^1) & v(u^2) \end{bmatrix} \begin{bmatrix} \frac{\partial x_1}{\partial u^1} & \frac{\partial x_2}{\partial u^1} & \frac{\partial x_3}{\partial u^1} \\ \frac{\partial x_1}{\partial u^2} & \frac{\partial x_2}{\partial u^2} & \frac{\partial x_3}{\partial u^2} \end{bmatrix} \begin{bmatrix} \frac{\partial x_1}{\partial u^1} & \frac{\partial x_1}{\partial u^2} \\ \frac{\partial x_2}{\partial u^1} & \frac{\partial x_2}{\partial u^2} \\ \frac{\partial x_3}{\partial u^1} & \frac{\partial x_3}{\partial u^2} \end{bmatrix} \begin{bmatrix} v(u^1) \\ v(u^2) \end{bmatrix} \end{aligned} g(vt,vt)=i,j=1∑2v(ui)v(uj)g[k∑(∂xk∂)(∂ui∂xk),l∑(∂xl∂)(∂uj∂xl)]=i,j=1∑2v(ui)v(uj)(k∑(∂ui∂xk)g[∂xk∂,l∑(∂xl∂)(∂uj∂xl)])=i,j=1∑2v(ui)v(uj)(k∑(∂ui∂xk)l∑(∂uj∂xl)g(∂xk∂,∂xl∂))=i,j=1∑2v(ui)v(uj) k,l∑(∂ui∂xk)(∂uj∂xl)g(∂xk∂,∂xl∂) =i,j=1∑2v(ui)v(uj)(k∑(∂ui∂xk)(∂uj∂xk))=i,j=1∑2v(ui)v(uj) [∂ui∂x1∂ui∂x2∂ui∂x3] ∂uj∂x1∂uj∂x2∂uj∂x3 =[v(u1)v(u2)][∂u1∂x1∂u2∂x1∂u1∂x2∂u2∂x2∂u1∂x3∂u2∂x3] ∂u1∂x1∂u1∂x2∂u1∂x3∂u2∂x1∂u2∂x2∂u2∂x3 [v(u1)v(u2)] 哎!这不是成了式 ( 24 ) (24) (24) 了吗!原来式 ( 23 ) (23) (23) 辛辛苦苦从局部坐标系换回欧式空间就是为了这。先把这个式子算了吧: g ( v t , v t ) = ( 2 + 1 ) 2 π 2 [ − s i n π t c o s π t ] [ ( 2 + 1 ) 2 ( − c o s 2 π t + s i n 2 π t ) + 1 2 ( 2 + 2 ) 2 − ( 2 + 1 ) 2 c o s π t s i n π t ( 2 + 2 ) 2 ( 2 + 1 ) c o s π t ( 2 + 2 ) 2 − ( 2 + 1 ) 2 c o s π t s i n π t ( 2 + 2 ) 2 ( 2 + 1 ) 2 ( c o s 2 π t − s i n 2 π t ) + 1 2 ( 2 + 2 ) 2 ( 2 + 1 ) s i n π t ( 2 + 2 ) 2 ] [ ( 2 + 1 ) 2 ( − c o s 2 π t + s i n 2 π t ) + 1 2 ( 2 + 2 ) 2 − ( 2 + 1 ) 2 c o s π t s i n π t ( 2 + 2 ) 2 − ( 2 + 1 ) 2 c o s π t s i n π t ( 2 + 2 ) 2 ( 2 + 1 ) 2 ( c o s 2 π t − s i n 2 π t ) + 1 2 ( 2 + 2 ) 2 ( 2 + 1 ) c o s π t ( 2 + 2 ) 2 ( 2 + 1 ) s i n π t ( 2 + 2 ) 2 ] [ − s i n π t c o s π t ] = ( 2 + 1 ) 2 π 2 [ − s i n π t c o s π t ] [ − c o s 2 π t + s i n 2 π t + ( 2 − 1 ) 2 4 − c o s π t s i n π t 2 c o s π t 2 ( 2 + 1 ) − c o s π t s i n π t 2 c o s 2 π t − s i n 2 π t + ( 2 − 1 ) 2 4 s i n π t 2 ( 2 + 1 ) ] [ − c o s 2 π t + s i n 2 π t + ( 2 − 1 ) 2 4 − c o s π t s i n π t 2 − c o s π t s i n π t 2 c o s 2 π t − s i n 2 π t + ( 2 − 1 ) 2 4 c o s π t 2 ( 2 + 1 ) s i n π t 2 ( 2 + 1 ) ] [ − s i n π t c o s π t ] = ( 2 + 1 ) 2 π 2 [ − s i n π t 2 + 2 c o s π t 2 + 2 0 ] [ − s i n π t 2 + 2 c o s π t 2 + 2 0 ] = π 2 2 \begin{aligned} g(v_t, v_t) &= (\sqrt{2} + 1)^2\pi^2 \begin{bmatrix} -sin\pi t & cos\pi t \end{bmatrix} \begin{bmatrix} \frac{(\sqrt2+1)^2(-cos^2\pi t + sin^2\pi t) + 1}{2(2+\sqrt2)^2} & \frac{-(\sqrt2+1)^2 cos\pi tsin\pi t}{(2+\sqrt2)^2} & \frac{(\sqrt2+1) cos\pi t}{(2+\sqrt2)^2} \\ \frac{-(\sqrt2+1)^2 cos\pi tsin\pi t}{(2+\sqrt2)^2} & \frac{(\sqrt2+1)^2(cos^2\pi t - sin^2\pi t) + 1}{2(2+\sqrt2)^2} & \frac{(\sqrt2+1)sin\pi t}{(2+\sqrt2)^2} \end{bmatrix} \begin{bmatrix} \frac{(\sqrt2+1)^2(-cos^2\pi t + sin^2\pi t) + 1}{2(2+\sqrt2)^2} & \frac{-(\sqrt2+1)^2 cos\pi tsin\pi t}{(2+\sqrt2)^2} \\ \frac{-(\sqrt2+1)^2 cos\pi tsin\pi t}{(2+\sqrt2)^2} & \frac{(\sqrt2+1)^2(cos^2\pi t - sin^2\pi t) + 1}{2(2+\sqrt2)^2} \\ \frac{(\sqrt2+1) cos\pi t}{(2+\sqrt2)^2} & \frac{(\sqrt2+1) sin\pi t}{(2+\sqrt2)^2} \end{bmatrix} \begin{bmatrix} -sin\pi t \\ cos\pi t \end{bmatrix} \\ &= (\sqrt{2} + 1)^2\pi^2 \begin{bmatrix} -sin\pi t & cos\pi t \end{bmatrix} \begin{bmatrix} \frac{-cos^2\pi t + sin^2\pi t + (\sqrt2-1)^2}{4} & \frac{-cos\pi tsin\pi t}{2} & \frac{cos\pi t}{2(\sqrt2+1)} \\ \frac{-cos\pi tsin\pi t}{2} & \frac{cos^2\pi t - sin^2\pi t + (\sqrt2-1)^2}{4} & \frac{sin\pi t}{2(\sqrt2+1)} \end{bmatrix} \begin{bmatrix} \frac{-cos^2\pi t + sin^2\pi t + (\sqrt2-1)^2}{4} & \frac{-cos\pi tsin\pi t}{2} \\ \frac{-cos\pi tsin\pi t}{2} & \frac{cos^2\pi t - sin^2\pi t + (\sqrt2-1)^2}{4} \\ \frac{cos\pi t}{2(\sqrt2+1)} & \frac{sin\pi t}{2(\sqrt2+1)} \end{bmatrix} \begin{bmatrix} -sin\pi t \\ cos\pi t \end{bmatrix} \\ &= (\sqrt{2} + 1)^2\pi^2 \begin{bmatrix} \frac{-sin\pi t}{2+\sqrt2} & \frac{cos\pi t}{2+\sqrt2} & 0 \end{bmatrix} \begin{bmatrix} \frac{-sin\pi t}{2+\sqrt2} \\ \frac{cos\pi t}{2+\sqrt2} \\ 0 \end{bmatrix} \\ &= \frac{\pi^2}{2} \end{aligned} g(vt,vt)=(2+1)2π2[−sinπtcosπt] 2(2+2)2(2+1)2(−cos2πt+sin2πt)+1(2+2)2−(2+1)2cosπtsinπt(2+2)2−(2+1)2cosπtsinπt2(2+2)2(2+1)2(cos2πt−sin2πt)+1(2+2)2(2+1)cosπt(2+2)2(2+1)sinπt 2(2+2)2(2+1)2(−cos2πt+sin2πt)+1(2+2)2−(2+1)2cosπtsinπt(2+2)2(2+1)cosπt(2+2)2−(2+1)2cosπtsinπt2(2+2)2(2+1)2(cos2πt−sin2πt)+1(2+2)2(2+1)sinπt [−sinπtcosπt]=(2+1)2π2[−sinπtcosπt] 4−cos2πt+sin2πt+(2−1)22−cosπtsinπt2−cosπtsinπt4cos2πt−sin2πt+(2−1)22(2+1)cosπt2(2+1)sinπt 4−cos2πt+sin2πt+(2−1)22−cosπtsinπt2(2+1)cosπt2−cosπtsinπt4cos2πt−sin2πt+(2−1)22(2+1)sinπt [−sinπtcosπt]=(2+1)2π2[2+2−sinπt2+2cosπt0] 2+2−sinπt2+2cosπt0 =2π2 得到了一样的结果。为了简化计算,这里没有计算中间雅可比矩阵的自相乘积,但想计算的话还是可以算的,只是太过麻烦。这其中的矩阵 [ − c o s 2 π t + s i n 2 π t + ( 2 − 1 ) 2 4 − c o s π t s i n π t 2 c o s π t 2 ( 2 + 1 ) − c o s π t s i n π t 2 c o s 2 π t − s i n 2 π t + ( 2 − 1 ) 2 4 s i n π t 2 ( 2 + 1 ) ] [ − c o s 2 π t + s i n 2 π t + ( 2 − 1 ) 2 4 − c o s π t s i n π t 2 − c o s π t s i n π t 2 c o s 2 π t − s i n 2 π t + ( 2 − 1 ) 2 4 c o s π t 2 ( 2 + 1 ) s i n π t 2 ( 2 + 1 ) ] \begin{bmatrix} \frac{-cos^2\pi t + sin^2\pi t + (\sqrt2-1)^2}{4} & \frac{-cos\pi tsin\pi t}{2} & \frac{cos\pi t}{2(\sqrt2+1)} \\ \frac{-cos\pi tsin\pi t}{2} & \frac{cos^2\pi t - sin^2\pi t + (\sqrt2-1)^2}{4} & \frac{sin\pi t}{2(\sqrt2+1)} \end{bmatrix} \begin{bmatrix} \frac{-cos^2\pi t + sin^2\pi t + (\sqrt2-1)^2}{4} & \frac{-cos\pi tsin\pi t}{2} \\ \frac{-cos\pi tsin\pi t}{2} & \frac{cos^2\pi t - sin^2\pi t + (\sqrt2-1)^2}{4} \\ \frac{cos\pi t}{2(\sqrt2+1)} & \frac{sin\pi t}{2(\sqrt2+1)} \end{bmatrix} 4−cos2πt+sin2πt+(2−1)22−cosπtsinπt2−cosπtsinπt4cos2πt−sin2πt+(2−1)22(2+1)cosπt2(2+1)sinπt 4−cos2πt+sin2πt+(2−1)22−cosπtsinπt2(2+1)cosπt2−cosπtsinπt4cos2πt−sin2πt+(2−1)22(2+1)sinπt 就是局部坐标系下的度规张量,里面的元素 g ( ∂ ∂ u i , ∂ ∂ u j ) g(\frac{\partial}{\partial u^i}, \frac{\partial}{\partial u^j}) g(∂ui∂,∂uj∂) 是 t t t 的光滑函数,自然也是 p ∈ M p \in M p∈M 的光滑函数。
现在看来,式 ( 24 ) (24) (24) 中的 g U = J x ⊺ J x g_U = J_x^\intercal J_x gU=Jx⊺Jx 就好理解多了,雅可比矩阵不仅是坐标变换矩阵,更是度规张量变换的方式。这里之所以变换到欧式空间中,可能是因为 γ ( t ) \gamma(t) γ(t) 本身是欧式空间下的参数方程。现在还不知道完全脱离欧式空间时,度规张量内的值怎么得到。
补充资料
这里还有个问题, g p ( X p , X p ) g_p(X_p, X_p) gp(Xp,Xp) 内积函数其实是接收两个任意的向量作为输入的,不仅仅是两个基向量。前面我们说它是一个 n × n n \times n n×n 的对称矩阵,是假设输入是一对基向量,再根据其线性性质,可拓展至整个向量空间。
你有没有听说过向量和函数其实是一回事?博客 From Vector to Function — Transformations, Basis, and Kernel Method 讲述了函数如何看作无穷维向量的。
这是一元函数的情况,自然可以想到二元函数就是无穷维的矩阵。【有限维向量是离散的,而无穷维向量是连续的】
回到
g
p
(
X
p
,
X
p
)
g_p(X_p, X_p)
gp(Xp,Xp),看作二元函数,若它仅接收基向量,就是离散的嘛,如下图,展示了
6
×
6
6 \times 6
6×6 的矩阵,代表着
6
6
6 个基向量之间求内积的结果。
既然是基向量,那向量空间中任何一点都可以表示为基向量的线性组合,再求内积,就可使此矩阵无穷无尽,即对称的无穷维矩阵。