代数几何：消元（Elimination）、扩展（Extension）

参考文献：Ideals, Varieties, and Algorithms (4th ed.) [Cox, Little & O’Shea 2015-06-14]

前置文章：仿射簇 和 Groebner基

Elimination

消元理想（elimination ideal）

域$k$，给定理想$I=<f_1,\cdots ,f_s>\subseteq k[x_1,\cdots ,x_n]$，它的$l$次消元理想（ l-th elimination ideal）定义为
$$I_l=I\cap k[x_{l+1},\cdots ,x_n]$$

Elimination Theorem

令$I\subseteq k[x_1,\cdots ,x_n]$是理想，令$G$是它的一组Groebner基，且字典序为$x_1>x_2>\cdots >x_n$，那么任意的$0\le l\le n$，
$$G_l=G\cap k[x_{l+1},\cdots ,x_n]$$
是消元理想$I_l$的一组Groebner基。

Extension

部分解（partial solution）

对于理想$I$，给定消元理想$I_l$，如果$(a_{l+1},\cdots ,a_n)\in V(I_l)$，我们称它是原始方程系统的部分解。

为了从部分解获得完全解（complete solution），假设消元理想$I_{l-1}=<g_1,\cdots ,g_r>\subseteq k[x_l,x_{l+1},\cdots ,x_n]$，那么我们求解方程
$$g_1(x_l,a_{l+1},\cdots ,a_n)=\cdots =g_r(x_l,a_{l+1},\cdots ,a_n)=0$$
得到所有可能的分量$x_l=a_l$，然后继续计算其他分量，直到扩展到完全解。

Extension Theorem

令$I=<f_1,\cdots ,f_s>\subseteq C[x_1,\cdots ,x_n]$是复变函数环的理想，令$I_1$是它的$1$次消元理想。对于任意的$1\le i\le s$，我们将$f_i$写作如下形式
$$f_i=c_i(x_2,\cdots ,x_n)x_1^{N_i}+f_i^{\prime }$$
其中$N_i={\mathrm{deg}}_{x_1}{f}_i\ge 0$，$f_i^{\prime }$的关于$x_1$的度数小于$N_i$，首项系数$c_i\in C[x_2,\cdots ,x_n]$非零。假设$(a_2,\cdots ,a_n)\in V(I_1)$是部分解，若$(a_2,\cdots ,a_n)\notin V(c_1,\cdots ,c_s)$，那么存在$a_1\in C$，使得$(a_1,a_2,\cdots ,a_n)\in V(I)$

在上述定理中，$(a_2,\cdots ,a_n)\notin V(c_1,\cdots ,c_s)$是说理想$I$的基的前导系数在部分解上并不同时消失（vanish simultaneously）。扩展定理仅当$(a_2,\cdots ,a_n)\in V(c_1,\cdots ,c_s)$时会失效，无法从部分解扩展到完全解。选取不同的基，簇$V(c_1,\cdots ,c_s)$会改变，我们希望这个簇越小越好。

例子

理想$I=<x^2+y^2+z^2-1,xyz-1>$，按照字典序，计算Groebner基
$$\begin{array}{rl}{g}_1& =y^4{z}^2+y^2{z}^4-y^2{z}^2+1\\ g_2& =x+y^{3}z+y{z}^3-yz\end{array}$$
明显有如下消元理想
I 1 = I ∩ C [ y , z ] = < g 1 > I 2 = I ∩ C [ z ] = { 0 } \begin{aligned} I_1 =& I \cap C[y,z] = <g_1>\\ I_2 =& I \cap C[z] = \{0\}\\ \end{aligned} I1​=I2​=​I∩C[y,z]=<g1​>I∩C[z]={0}​
那么由于 I 2 = { 0 } I_2 = \{0\} I2​={0}，根据零点定理，于是$V(I_2)=C$，即任意的$c\in C$都是部分解。

然后由于$I_2$是$I_1$的$1$次消元理想，$I_1=<g_1>$的首项系数的理想为$<z^2>$，根据扩展定理，除了$c=0$其他的部分解都可以继续扩展，得到部分解$(b,c)$

然后由于$I_1$是$I$的$1$次消元理想，$I$的首项系数的理想为$<1,yz>$，根据扩展定理，由于$V(1)=\varnothing$，因此任意的$(b,c)$总是可以扩展到完全解$(a,b,c)$上

于是，所有的部分解$c\ne 0$，都可以扩展到完全解$(a,b,c)\in C^3$

推论

在上述的例子中，我们看到了常数的前导系数。

令$I=<f_1,\cdots ,f_s>\subseteq C[x_1,\cdots ,x_n]$是复变函数环的理想，令$I_1$是它的$1$次消元理想。对于某个$1\le i\le s$，$f_i$有如下形式
$$f_i=c_i{x}_1^{N_i}+f_i^{\prime }$$
其中$N_i>0$是正整数，$f_i^{\prime }$的关于$x_1$的度数小于$N_i$，首项系数$c_i\in C$非零。假设$(a_2,\cdots ,a_n)\in V(I_1)$是部分解，那么总有$(a_2,\cdots ,a_n)\notin V(c_i)$，于是总存在$a_1\in C$，使得$(a_1,a_2,\cdots ,a_n)\in V(I)$

证明 Extension Theorem

过程很复杂，详见书籍Ideals, Varieties, and Algorithms的Chapter 3.5 3.6

1. 利用Groebner基来证明
2. 利用Resultants来证明

Geometry of Elimination

Projection map

给定理想$I=<f_1,\cdots ,f_s>$，对应的簇$V=V(I)\subseteq C^n$，考虑投影映射
$$\begin{array}{rlrlrlr}{\pi }_l:& & C^n& & \to & & C^{n-l}\\ & & (a_1,\cdots ,a_n)& & \mapsto & & (a_{l+1},\cdots ,a_n)\end{array}$$
令$I_l$是$I$的消元理想，那么
$${\pi }_l(V)\subseteq V(I_l)\subseteq C^{n-l}$$
其中
$${\pi }_l(V)=\{(a_{l+1},\cdots ,a_n)\in V(I_l):\exists a_1,\cdots ,a_l\in C,(a_1,\cdots ,a_n)\in V\}$$

Geometric Extension Theorem

给定理想$I=<f_1,\cdots ,f_s>$，对应的簇$V=V(I)\subseteq C^n$​。对于任意的$1\le i\le s$，我们将$f_i$写作如下形式
$$f_i=c_i(x_2,\cdots ,x_n)x_1^{N_i}+f_i^{\prime }$$
其中$N_i={\mathrm{deg}}_{x_1}{f}_i\ge 0$，$f_i^{\prime }$的关于$x_1$的度数小于$N_i$，首项系数$c_i\in C[x_2,\cdots ,x_n]$非零。令$I_1$是$I$的消元理想，那么有如下的等式
$$V(I_1)={\pi }_1(V)\cup (V(c_1,\cdots ,c_s)\cap V(I_1))$$

Closure Theorem

给定理想$I=<f_1,\cdots ,f_s>$，对应的簇$V=V(I)\subseteq C^n$，以及消元理想$I_l$，那么有

1. $V(I_l)$是包含${\pi }_l(V)\subseteq C^{n-l}$的最小簇（smallest variety）
2. 当$V\ne \varnothing$时，存在一个代数簇$W⊊V(I_l)$，使得$V(I_l)\backslash W\subseteq {\pi }_l(V)$

上述的“最小”意味着：如果${\pi }_l(V)\subseteq Z\subseteq C^{n-l}$是任意仿射簇，那么就有$V(I_l)\subseteq Z$

推论

给定理想$I=<f_1,\cdots ,f_s>$，对应的簇$V=V(I)\subseteq C^n$​。对于某个$1\le i\le s$，如果$f_i$有形式
$$f_i=c_i{x}_1^{N_i}+f_i^{\prime }$$
其中$N_i>0$是正整数，$f_i^{\prime }$的关于$x_1$的度数小于$N_i$，首项系数$c_i\in C$非零。令$I_1$是$I$的消元理想，那么有如下的等式
$$V(I_1)={\pi }_1(V)$$

Implicitization

Implicitization Problem

对于参数方程（parametric equations），如何求出包含参数化（the parametrization）的最小簇$V$的方程描述？

进一步的，

1. 判断参数化是否填满了簇$V$？
2. 如果存在未命中点（missing points），怎么找出它们？

1. case of a polynomial parametrization

给定参数方程组
$$\begin{array}{r}{x}_1=f_1(t_1,\cdots ,t_m)\\ ⋮\\ x_n=f_n(t_1,\cdots ,t_m)\end{array}$$
其中$f_i\in k[t_1,\cdots ,t_m]$，上述的参数方程组可以视作函数$F:k^m\to k^n$，
$$\begin{array}{r}F(t_1,\cdots ,t_m):=(f_1(t_1,\cdots ,t_m),\cdots ,f_n(t_1,\cdots ,t_m))\end{array}$$
注意，$F(k^m)\subseteq k^n$可能不是仿射簇，Implicitization Problem要我们寻找包含集合$F(k^m)$的最小的仿射簇$V$

定义簇
$$V=V(x_1-f_1,\cdots ,x_n-f_n)\subseteq k^{m+n}$$
它内部的点可以写作如下形式
$$(t_1,\cdots ,t_m,f_1(t_1,\cdots ,t_m),\cdots ,f_n(t_1,\cdots ,t_m))\subseteq k^{m+n}$$
上述的簇$V$可以看做函数$F$的图（graph）

定义注入映射$i:k^m\to k^{m+n}$
$$i(t_1,\cdots ,t_m)=(t_1,\cdots ,t_m,f_1(t_1,\cdots ,t_m),\cdots ,f_n(t_1,\cdots ,t_m))$$
定义射影映射${\pi }_m:k^{m+n}\to k^n$
$${\pi }_m(t_1,\cdots ,t_m,x_1,\cdots ,x_n)=(x_1,\cdots ,x_n)$$
很明显，$F={\pi }_m\circ i$是上述两个映射的组合，且$i(k^m)=V$，于是
$$F(k^m)={\pi }_m(i(k^m))={\pi }_m(V)$$

Polynomial Implicitization

令$k$是无限域，函数$F:k^m\to k^n$按照上述的定义，令理想$I=<x_1-f_1,\cdots ,x_n-f_n>\subseteq k[t_1,\cdots ,t_m,x_1,\cdots ,x_n]$，令$I_m=I\cap k[x_1,\cdots ,x_n]$是它的$m$次消元理想，那么$V(I_m)$就是$k^n$内包含$F(k^m)$的最小簇。

implicitization algorithm for polynomial parametrizations：

1. 给定参数方程组$x_i=f_i(t_1,\cdots ,t_m)$，其中$f_i\in k[t_1,\cdots ,t_m]$，构造理想$I=<x_1-f_1,\cdots ,x_n-f_n>$
2. 计算理想$I$的Groebner基$G$，其中的字典序为$t_1>\cdots >t_m>x_1>\cdots >x_n$
3. 根据 Elimination 定理，集合$G^{\prime }=G\cap k[x_1,\cdots ,x_n]$就是$I_m$的一组Groebner基
4. 根据 Polynomial Implicitization 定理，簇$V(G^{\prime })$就是$k^n$上包含 the parametrization 的最小簇。

2. case of a rational parametrization

给定参数方程组
$$\begin{array}{r}{x}_1=\frac{f_1(t_1,\cdots ,t_m)}{g_1(t_1,\cdots ,t_m)}\\ ⋮\\ x_n=\frac{f_n(t_1,\cdots ,t_m)}{g_n(t_1,\cdots ,t_m)}\end{array}$$
其中$f_i,g_i\in k[t_1,\cdots ,t_m]$，上述的参数方程组可以视作函数$F:k^m\backslash W\to k^n$，
$$\begin{array}{r}F(t_1,\cdots ,t_m):=(\frac{f_1(t_1,\cdots ,t_m)}{g_1(t_1,\cdots ,t_m)},\cdots ,\frac{f_n(t_1,\cdots ,t_m)}{g_n(t_1,\cdots ,t_m)})\end{array}$$
其中$W=V(g)\subseteq k^m$，$g:=g_1{g}_2\cdots g_n$，在簇$W$上函数$F$无定义。

为了控制 rational polynomial 的分母，我们添加一个新变量$y$，考虑多项式环$k[y,t_1,\cdots ,t_m,x_1,\cdots ,x_n]$以及仿射空间$k^{1+m+n}$，定义如下的理想：
$$J=<g_1{x}_1-f_1,\cdots ,g_n{x}_n-f_n,1-gy>$$
定义注入映射$j:k^m\backslash W\to k^{1+m+n}$
$$j(t_1,\cdots ,t_m)=(\frac{1}{g(t_1,\cdots ,t_m)},t_1,\cdots ,t_m,\frac{f_1(t_1,\cdots ,t_m)}{g_1(t_1,\cdots ,t_m)},\cdots ,\frac{f_n(t_1,\cdots ,t_m)}{g_n(t_1,\cdots ,t_m)})$$
定义射影映射${\pi }_{1+m}:k^{1+m+n}\to k^n$
$${\pi }_{1+m}(y,t_1,\cdots ,t_m,x_1,\cdots ,x_n)=(x_1,\cdots ,x_n)$$
很明显，$F={\pi }_{1+m}\circ j$是上述两个映射的组合

可以证明$j(k^m\backslash W)=V(J)$：根据$j$和$J$的定义，明显$j(k^m\backslash W)\subseteq V(J)$；对于任意的点$(y,t_1,\cdots ,t_m,x_1,\cdots ,x_n)\in V(J)$，$g(t_1,\cdots ,t_m)y=1$意味着任意的$g_i$在点$(t_1,\cdots ,t_m)$上都非零，从而可以求解出$x_i=\frac{f_i(t_1,\cdots ,t_m)}{g_i(t_1,\cdots ,t_m)}$，于是这个点属于$j(k^m\backslash W)$，即$j(k^m\backslash W)\supseteq V(J)$

于是
$$F(k^m\backslash W)={\pi }_{1+m}(j(k^m\backslash W))={\pi }_{1+m}(V(J))$$

Rational Implicitization

令$k$是无限域，函数$F:k^m\backslash W\to k^n$按照上述的定义，令理想$J=<g_1{x}_1-f_1,\cdots ,g_n{x}_n-f_n,1-gy>\subseteq k[y,t_1,\cdots ,t_m,x_1,\cdots ,x_n]$，其中$g=g_1{g}_2\cdots g_n$，$W=V(g)$，令$J_{1+m}=J\cap k[x_1,\cdots ,x_n]$是它的$1+m$次消元理想，那么$V(J_{1+m})$就是$k^n$内包含$F(k^m\backslash W)$的最小簇。

implicitization algorithm for rational parametrizations：

1. 给定参数方程组$x_i=\frac{f_i(t_1,\cdots ,t_m)}{g_i(t_1,\cdots ,t_m)}$，其中$f_i,g_i\in k[t_1,\cdots ,t_m]$，构造理想$J=<g_1{x}_1-f_1,\cdots ,g_n{x}_n-f_n,1-gy>$
2. 计算理想$J$的Groebner基$G$，其中的字典序为$y>t_1>\cdots >t_m>x_1>\cdots >x_n$
3. 根据 Elimination 定理，集合$G^{\prime }=G\cap k[x_1,\cdots ,x_n]$就是$J_{1+m}$的一组Groebner基
4. 根据 Rational Implicitization 定理，簇$V(G^{\prime })$就是$k^n$上包含 the parametrization 的最小簇。

上述算法直到1990年才被KALKBRENER给出。

例子

给定参数方程
$$\begin{array}{rl}x& =\frac{u^2}{v}\\ y& =\frac{v^2}{u}\\ z& =u\end{array}$$
根据算法，我们先定义理想，其中$w$是新变量：
$$J=<vx-u^2,uy-v^2,z-u,1-uvw>$$
令$w>u>v>x>y>z$，容易计算Groebner基，得到
$$J_3=J\cap k[x,y,z]=<x^{2}y-z^3>$$
因此，簇$V(J_3)$就是包含参数化的最小簇。容易检验$(x,y,z)$总是落在曲面$x^{2}y=z^3$上。进一步的，可以验证它们填满了这个簇$V(x^{2}y-z^3)$（是否填满了簇，这需要针对不同的参数方程具体分析）

Singular Points and Envelopes

假设曲线$f(x,y)=0$在平面$k^2$内，其中$f\in k[x,y]$，簇$V(f)\in k^2$，点$(a,b)\in V(f)$。直线$L$经过点$(a,b)$，写作关于$t$的参数方程：
$$\begin{gathered} x=a+ct \\ y=b+dt \end{gathered}$$
我们说**$L$ meets $V(f)$ with multiplicity $m$ at $(a,b)$**，如果$t=0$是多项式$g(t)=f(a+ct,b+dt)$的$m$重根，即$g=t^{m}h$，$h(0)\ne 0$

定义函数$f$的梯度向量（gradient vector）
$$\nabla f=\left(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}\right)$$

1. 如果$\nabla f(a,b)\ne (0,0)$，那么存在唯一的经过$(a,b)$的直线，与$V(f)$相遇的重数大于等于$2$，这条直线叫做切线（tangent line），易知$\nabla f(a,b)$与这条切线垂直（perpendicular）
2. 如果$\nabla f(a,b)=(0,0)$，那么任意的经过$(a,b)$的直线，与$V(f)$相遇的重数都大于等于$2$

奇异点（Singular Points）：令$f\in k[x,y]$，点$(a,b)\in V(f)$，如果$\nabla f(a,b)=(0,0)$，那么我们叫它为奇异点；否则，叫做非奇异点（nonsingular point）。

易知，奇异点$(a,b)\in V(f)$满足方程组
$$f=\frac{\partial f}{\partial x}=\frac{\partial f}{\partial y}=0$$
给定多项式$F\in R[x,y,t]$，其中$t\in R$是固定实数。那么由$F(x,y,t)=0$所定义的簇，记做$V(F_t)\subseteq R^2$。让$t$沿着$R$变化，则$V(F_t)$跟随变化，它们组成了曲线族（family of curves）

包络线（Envelopes）：粗略地说，包络线是与一族曲线都相切的曲线。给定$R^2$上的曲线族$V(F_t)$，包络线是一个点集，每个点$(x,y)$都对于某些$t\in R$，满足以下方程
$$F(x,y,t)=\frac{\partial F}{\partial t}(x,y,t)=0$$
其中$(x,y)$记录包络线的位置，$t$记录这个位置所相切的曲线。

为了计算曲线族$V(F_t)$的包络线，

1. 根据函数$F$，构造理想$I=<F(x,y,t),\frac{\partial F}{\partial t}(x,y,t)>$
2. 字典序$t>x>y$，计算它的Groebner基$G$
3. 那么$G^{\prime }=G\cap k[x,y]$是消元理想$I_1$的Groebner基
4. 簇$V(G^{\prime })$包含包络线，如果部分解$(x,y)\in V(I_1)$能够扩展到$I$的某些完全解$(x,y,t)\in R^3$，那么点$(x,y)$属于包络线

注意，扩展定理是关于$C[x_1,\cdots ,x_n]$的，因此即使一个点$(x,y)\in R^2$能扩展出某些$t\in C$，也可能不存在$R^3$内的完全解。

另外，簇$V(I_1)$的奇异点上，可能存在曲线族内的多条曲线与它相切。

例子

曲线族$(x-t{)}^2+(y-t^2{)}^2=4$，

下图绘制了包络线以及中心线$(t,t^2)$，