لماذا مهمة العوامل؟
يبدأ هامينغ القسم 9 من الكتاب بإشارة أن جميع المشاكل التصميمية الهندسية تعيش في الفضاء المتجهي n-بعد، حيث يمثل n عدد المعلمات المستقلة. لتفهم هذا الفضاء، يتطلب فهم العوامل - يظهرون داخل صيغة الحجم لجميع الكرات المتجهية n-بعد.
تقريب ستيرلينغ
يصبح حساب n! مستحيلًا بشكل مباشر عند الكبر من n. تقدير ستيرلينغ يوفر تقريبًا:
n! ≈ √(2πn) · (n/e)^n
بالنسبة لاشتقاق اللوغاريتم (الذي يقوم به هامينغ لتحويل المنتج إلى مجموع):
ln(n!) ≈ n·ln(n) − n + 0.5·ln(2πn)
يتحسن التقريب عندما يكبر n: النسبة بين تقريب ستيرلينغ / n! → 1 عندما تؤول n إلى ∞. ومع ذلك، ينمو الفرق المطلق دون قيود. كلا الحقائق موجودة في آنٍ واحد.
طريقة هامينغ في الاستدلال: تقريب المجموع Σ ln(k) لجميع الكائنات k=1..n بواسطة积 النسبة ∫ ln(x) dx من 1 إلى n عن طريق قاعدة المثلث، ثم أخذ العدد المضروب. يظهر العدد √(2π) من سلوك الخطأ المثلثي.
| n | ستيرلينغ | True n! | نسبة | |---|---|---|---| | 5 | 118.02 | 120 | 0.9835 | | 10 | 3,598,696 | 3,628,800 | 0.9917 | | 20 | ~2.423×10^18 | ~2.432×10^18 | 0.9958 |
استخدام تقريب ستيرلينغ
تثبت صيغة اللوغاريتم من تقريب ستيرلينغ أنها مفيدة بشكل خاص في حسابات النسب حيث يتم إلغاء مقياس العدد المطلق:
ln(n!) ≈ n·ln(n) − n + 0.5·ln(2πn)
وظيفة جاما
الوظيفة العقدية n! لها معنى فقط بالنسبة للأعداد الصحيحة غير السالبة. يحتاج هامنج إلى صيغة حجم الكرة للنسبة العليا من الأعداد الحقيقية الإيجابية n، لذا يُدخل وظيفة جاما:
Γ(n) = ∫₀^∞ x^(n−1) · e^(−x) dx (يتقارب عند n > 0)
استخدام طريقة التكامل بالجذور ينتج الصيغة التقليدية: Γ(n) = (n−1) · Γ(n−1).
في الأعداد الصحيحة الإيجابية: Γ(n) = (n−1)! لذا Γ(5) = 4! = 24.
في النصف الأعداد الصحيحة: Γ(1/2) = √π ≈ 1.772. هذا ينتج من التكامل الجوازي ∫₋∞^∞ e^(−x²) dx = √π.
القيم التي نحتاجها لحجم الكرات: Γ(n/2 + 1) عند الأعداد الصحيحة النصفية.
| n | n/2 + 1 | Γ(n/2 + 1) | |---|---|---| | 1 | 3/2 | √π/2 ≈ 0.886 | | 2 | 2 | 1! = 1 | | 3 | 5/2 | 3√π/4 ≈ 1.329 | | 4 | 3 | 2! = 2 | | 5 | 7/2 | 15√π/8 ≈ 3.323 |
الصيغة والضحك
باستخدام وظيفة ستيرلنج وجاما، يُستنتج هامنج حجم كرة n-بعدية ذات نصف قطر r:
V_n(r) = C_n · r^n حيث C_n = π^(n/2) / Γ(n/2 + 1)
تعتمد C_n فقط على n وليس r. القيم الأولى:
| n | C_n | |---|---| | 1 | 2 | | 2 | π ≈ 3.142 | | 3 | 4π/3 ≈ 4.189 | | 4 | π²/2 ≈ 4.935 | | 5 | 8π²/15 ≈ 5.264 | | 6 | π³/6 ≈ 5.168 | | 8 | π⁴/24 ≈ 4.059 | | 10 | π⁵/120 ≈ 2.550 |
الضحك: يرتفع C_n إلى ذروة قرب n=5 (C_5 ≈ 5.264)، ثم يعود إلى الصفر. كرة وحدة في الأبعاد العالية لديها في الواقع حجم قليل للغاية - حتى مع التوقع أن إضافة المزيد من الأبعاد يجب أن تزيد بالفضاء.
لماذا ينهار الحجم؟
الключ: الحجم = C_n · r^n. عندما r < 1، r^n → 0 بشكل إكسابوي. القيود على نصف القطر تؤذي الحجم بشكل أسرع من نمو الأبعاد. يقع معظم حجم الوحدة النجمية في ركنيه، خارج الكرة المنسوبة.
ضحك ركني
في 2D: مربع الوحدة [−1,1]^2 لديه مساحة 4. يملأ الدائرة المنسدلة مساحة π ≈ 3.14. تمتلئ الدائرة 78% من المساحة.
في 3D: الكوب الواحد [−1,1]^3 لديه حجم 8. الدائرة المنسدلة لديها حجم 4π/3 ≈ 4.19. تمتلئ الدائرة 52%.
في n أبعاد: الكوب الواحد [−1,1]^n لديه حجم 2^n. الدائرة المنسدلة لديها حجم C_n. النسبة داخل الدائرة:
f(n) = C_n / 2^n
عندما يزداد n: C_n → 0 بينما 2^n → ∞. لذا f(n) → 0 بسرعة. في 10D، تمتلئ الدائرة أقل من 0.3% من الكوب.
belevance الهندسي: في مساحة تصميمية متعددة الأبعاد، لا يمكنك العينة بواسطة اختيار نقاط عشوائية. ستقع معظم النقاط العشوائية في الركنات، بعيدًا عن مركزها. يفشل فهمك المبني في 3D تمامًا.
لماذا فشل فهم 3D
رسالة هامينغ الأساسية في القسم 9: كل نظام هندسي يتألف من n معاملات مستقل تعيش في مساحة n-أبعاد. الهيدروديناميكية، والتحكم في الأنظمة، وتصميم المصفوفات، ومOLECULES OF DRUGS - جميعها تتضمن مساحات معاملات مع n >> 3.
ثلاثة حالات خاصة من فشل فهم 3D في الأبعاد العالية:
1. المسافات الفوقية. في 3D، طول المحور الرئيسي لكوب الوحدة هو √3 ≈ 1.73. في كوب الوحدة الني-أبعاد، طول المحور الرئيسي هو √n. ل n=100، طول المحور الرئيسي هو 10 - ومع ذلك، كل معامل لا يزال يتراوح بين 0 و 1. النقاط التي تبدو 'قريبة' في أي بعد واحد هي بعيدة جدًا في مساحة n-أبعاد.
2. تركز الحجم. كما أوضح أعلاه: تركز الحجم في الركنات، وليس في كرة المركز. يفشل فهمك أن مركز المساحة هو نمطي.
3. تعداد الجيران. في 2D، يملك النقطة حوالي πr² جيران داخل نصف قطر r. في nD، يتناسب تعداد الجيران مع C_n·r^n، وهو في الواقع صفر تقريبًا عند r صغير. تندمج المناطق المجاورة.
استنتاج هامينغ: 'لا يمكنك تصور ما يحدث في المساحة n-ية.' يجب أن تعتمد على الرياضيات - على معادلات الحجم والبعد والاحتمال - وليس على الخيال.
تطبيق الهندسة
انكماش حجم الكرة له عواقب حقيقية على الممارسة الحديثة:
التميز: الانحدار بالتقدير في مساحات متغيرات عالية الأبعاد يعمل بشكل أفضل من البحث العشوائي ببساطة لأنها تستغل معلومات التكامل المحلي لتجول في تركيب الركنات والفجوات.
التعلم الآلي: مساحات وزنات شبكات العصبية لديها ملايين الأبعاد. التنبؤ بالهندسة يظهر أن التثبيت العشوائي نادرًا ما يقع بالقرب من حل جيد - لكن عملية التدريب يتجه نحو ذلك من خلال خطوات متسلسلة من التكامل المنظم.
تصميم التجارب: تغطية مساحة متغيرات عالية الأبعاد بالنقاط تتطلب عدداً كبيراً指数ياً من النقاط. هذا يثير تصميمات التجارب المنظمة (الكوبيات العليا، تصميمات ملأ المساحة) فوق العينة العشوائية.