第一百一十章 高阶吸引力 (第1/2页)

苍墨一有空就待在周乙的爸爸周教授办公室，他对周乙的好感与日俱增，三十大几的岁数，苍墨好不容易遇到一个和自己有共同语言的小女生，假如，这里说假如他有希望俘获周乙美人心的可能的情况下，他的第一步当然是在周教授那里获得好感加分项，混个脸熟，搏个好男人的形象，忠实、体贴、爱家、睿智、风趣、懂生活和爱老婆。
　　
　　他求知若渴，对周教授的讲座一个都不落下，然后，直接跟着去周教授的办公室，和周教授讨论，刚才的课题，高维和高阶的区分在哪里。
　　
　　周教授说：“很多人会把高维和高阶混为一谈，但在科学语境中它们是两个正交概念。高维指的是系统的自由度数量，也就是描述一个系统所需的独立变量个数，在数学中是坐标轴数量在物理中是相空间维度，在机器学习中是特征纬度。高阶指的是变量之间相互作用的阶数和关系嵌套层级。”
　　
　　苍墨抢答道，说：“例如高阶导数，多体相互作用项，高阶张量，非线性耦合结构等。维度描述状态空间，阶数描述相互作用复杂度，两者不是同一概念。”
　　
　　周教授说：“高阶并不等于降维，降维是映射或压缩操作，高阶是结构性质。更准确的说法是在许多复杂系统中通过构建合适的高阶关系模型，我们可以揭示高维状态空间中存在的低维可压缩结构，从而提升解释力与预测能力。例如在统计物理中宏观变量压缩大量微观自由度。在动力系统中高维系统可能收敛到低维吸引子，在机器学习中深层模型捕捉高阶非线性结构，从而实现有效表示。”
　　
　　苍墨说：“因此，高维决定系统的自由度规模。高阶刻画变量之间的耦合结构，而系统的可预测性往往来自高维空间中存在的低维结构。”
　　
　　周教授说：“这是一种跨学科的结构性框架，高维提供空间，高阶提取结构。高阶是高维中可压缩信息的压缩工具与展现形式，不是物理定律，但在数学，物理和工程实践中具有广泛对应。如果一句话概括:维度描述空间规模，阶数描述结构复杂度，预测能力来自结构中的可压缩性。”
　　
　　周乙没想到苍墨会在讲座结束后直接堵在门口。
　　
　　教学楼里人潮还未散尽，周远山教授被几个学生围着提问，灰色的眉微微拧着，一边解答一边往外走。周乙站在父亲身边，百无聊赖地打量着墙上的学者照片，
　　
　　

（本章未完，请点击下一页继续阅读）