陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(下篇)

这篇具有很好参考价值的文章主要介绍了陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(下篇)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

视频链接,求个赞哦:

陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(下篇)_哔哩哔哩_bilibili

import Mathlib.LinearAlgebra.Matrix.Determinant

import Mathlib.GroupTheory.Perm.Fin

import Mathlib.GroupTheory.Perm.Sign

import Mathlib.Data.Real.Sqrt

import Mathlib.Data.List.Perm

-- 本文件最终目标是证明行列式中矩阵相乘的运算规律:第二篇

-- det (M * N) = det M * det N

universe u v w z

open Equiv Equiv.Perm Finset Function

namespace Matrix --目的是避免模糊定义mul_apply

open Matrix BigOperators

variable {m n : Type*} [DecidableEq n] [Fintype n] [DecidableEq m] [Fintype m]

variable {R : Type v} [CommRing R]

local notation "ε " σ:arg => ((sign σ : ℤ) : R) -- “元编程”,创造新符号,ε 接收一个参数,结果就是sign σ

set_option linter.unusedVariables false --

-- 没讲到的部分会分别用“前置知识”视频发出来,先记???


 

def detRowAlternating2

: AlternatingMap R (n → R) R n --- 最后这个参数n属于补充说明,实际形式上只需传三个参数即可

:=

MultilinearMap.alternatization ( -- ???基本的要素都齐了,求和,连乘,全体置换,置换的符号。具体逻辑还不懂

(MultilinearMap.mkPiAlgebra R n R).compLinearMap

LinearMap.proj)

abbrev det2 (M : Matrix n n R): R :=

(detRowAlternating2) M -- 这里为什么类型是R,因为detRowAlternating2相当于detRowAlternating2.toFun


 

-- 前置知识

-- Perm 的使用,排列组合

-- 以下是一些关于 Perm n 的示例,其中 n 取不同的值:

-- 当 n = 1 时,Perm 1 表示长度为 1 的置换,即 [0]。

-- 当 n = 2 时,Perm 2 表示长度为 2 的置换,共有两种情况:[0, 1] 和 [1, 0]。

-- 当 n = 3 时,Perm 3 表示长度为 3 的置换,共有六种情况:[0, 1, 2]、[0, 2, 1]、[1, 0, 2]、[1, 2, 0]、[2, 0, 1] 和 [2, 1, 0]。

-- #eval Finset.val (Finset.univ : Finset (Fin 4))

def printPerms (n : ℕ) : List (List ℕ) :=

List.map List.reverse (List.permutations (List.range n))

-- ???Perm n的理解错了:Perm n即Equiv α α

-- α ≃ α 则是 Equiv α α的记号

-- α ≃ β is the type of functions from α → β with a two-sided inverse,是有双边逆的映射,而不是等价关系。

-- #check Perm n

-- #eval printPerms 4

-- #eval printPerms 3 -- [0, 1, 2] [2, 1, 0]



 

-- 正式开始:

lemma MainGoal_1 (M N : Matrix n n R) :

det (M * N)

= ∑ p : n → n, -- {1,2,3} → {1,2,3}

∑ σ : Perm n,

ε σ

*

∏ i,

M (σ i) (p i) * N (p i) i

:= by

simp only [det_apply']

simp only [mul_apply]

simp only [prod_univ_sum] -- ???与"先连加,再连乘,等于,先连乘,再连加",还有笛卡尔积“全覆盖”,相关的定理

-- 如何理解Fintype.piFinset t

-- 假设 t 是一个从集合 {1, 2} 到有限集合的映射,其中 t(1) = {a, b},t(2) = {x, y}。

-- 那么 Fintype.piFinset t 就表示集合 {(a, x), (a, y), (b, x), (b, y)},即这两个集合的笛卡尔积。

-- 举例说明prod_univ_sum

-- 首先,让我们假设集合α包含元素1和2,对应的集合分别为t1和t2。而且我们有以下映射关系:

-- t1 = {a, b}, t2 = {x, y}

-- 对应的函数f如下:

-- f(1, a) = 2, f(1, b) = 3, f(2, x) = 1, f(2, y) = 4

-- 现在我们来计算左侧和右侧的值。

-- 左侧:(∏ a, ∑ b in t a, f a b)

-- = (∑ b in t1, f(1, b)) * (∑ b in t2, f(2, b))

-- = (f(1, a) + f(1, b)) * (f(2, x) + f(2, y))

-- = (2 + 3) * (1 + 4)

-- = 5 * 5

-- = 25

-- 右侧:∑ p in Fintype.piFinset t, ∏ x, f x (p x)

-- = f(1, a) * f(2, x) + f(1, a) * f(2, y) + f(1, b) * f(2, x) + f(1, b) * f(2, y)

-- = 2 * 1 + 2 * 4 + 3 * 1 + 3 * 4

-- = 2 + 8 + 3 + 12

-- = 25

-- 因此,根据 Finset.prod_univ_sum 定理,左侧和右侧的值相等,都等于25。

simp only [mul_sum]

simp only [Fintype.piFinset_univ]--???

rw [Finset.sum_comm]

done


 

lemma MainGoal_2 (M N : Matrix n n R):

∑ p : n → n,

∑ σ : Perm n,

(ε σ)

*

∏ i,

M (σ i) (p i) * N (p i) i

= ∑ p in (@univ (n → n) _).filter Bijective,

∑ σ : Perm n,

ε σ

*

(∏ i,

M (σ i) (p i) * N (p i) i)

:= by

apply Eq.symm

apply sum_subset --s₁ ⊆ s₂, x ∈ s₂, x ∉ s₁的情况为0,则可以直接去掉

· intro h1 h2

exact mem_univ h1

· intros h3 h4 h5

apply det_mul_aux -- ???这个先不理解,后面专门出一个视频来教如何读证明并且分解证明成策略模式。

-- 一个先连乘,再连加的东西,结果是0,关键是非双射导致的,有点意思

-- 举个例子,p=[1,1],Perm 2只有两个变换:1.恒等变换,简称id;2.换位变换,简称swap

-- ε id * (M (id 1)(p 1) * N (p 1)1) * (M (id 2)(p 2) * N (p 2)2)

-- = 1 * (M 1 1 * N 1 1) * (M 2 1 * N 1 2)

-- = M 1 1 * N 1 1 * M 2 1 * N 1 2

-- ε swap * (M (swap 1)(p 1) * N (p 1)1) * (M (swap 2)(p 2) * N (p 2)2)

-- = -1 * (M 2 1 * N 1 2) * (M 1 1 * N 1 1)

-- = -M 2 1 * N 1 2 * M 1 1 * N 1 1

simp only [mem_filter] at h5 -- 就是filter的定义呗,是属于某个集合里面的,而且满足条件1

simp only [mem_univ] at h5

simp only [true_and_iff] at h5

set h6 := fun x ↦ h3 x -- 写这个h6,h7是为了补充说明,其实这里h6就是和h3同一个映射,写法不一样而已

-- have h7: h6=h3 --为了讲解而写的

-- := by

-- exact rfl

exact h5

done


 

lemma MainGoal_3 (M N : Matrix n n R):

∑ p in (@univ (n → n) _).filter Bijective,

∑ σ: Perm n,

ε σ

*

(∏ i,

M (σ i) (p i) * N (p i) i)

=

∑ τ : Perm n,

∑ σ : Perm n,

(ε σ)

*

(∏ i,

M (σ i) (τ i) * N (τ i) i)

:= by

rw [sum_comm]

rw [sum_comm] -- 这两步sum_comm相当于没变,只改成了x,y

-- 反向推理

refine' sum_bij _ _ _ _ _ -- ???这个需要问一下gpt找到数学世界里的对应定理名称。不一样的定义域s、t,不同的函数f、g,求和相同,需要什么条件呢。5个条件

-- 举例:

-- 假设我们有以下集合和映射:

-- 令 α = {1, 2, 3},即集合 {1, 2, 3}。

-- 令 β = {a, b, c},即集合 {a, b, c}。

-- 令 γ = {x, y, z},即集合 {x, y, z}。

-- 定义函数 f: α → β 和 g: γ → β 如下:

-- 对于 f,我们定义 f(1) = a,f(2) = b,f(3) = c。

-- 对于 g,我们定义 g(x) = a,g(y) = b,g(z) = c。

-- 接下来,定义函数 i: α → γ 如下:

-- i(1) = x

-- i(2) = y

-- i(3) = z

-- 现在,我们可以检查定理的条件是否满足:

-- 映射关系 (h): 对于所有 a 属于 {1, 2, 3},我们有 f a = g (i a)。

-- 这是满足的,例如,对于 a = 1,我们有 f(1) = a 和 g(i(1)) = g(x) = a。

-- i 是单射 (i_inj): 如果 i a₁ = i a₂,则 a₁ = a₂。

-- 这是满足的,因为 i 的定义是一对一的,不同的 a 映射到不同的 γ 中的元素。

-- i 是满射 (i_surj): 对于任意 b 属于 {x, y, z},存在 a 属于 {1, 2, 3},使得 b = i a。

-- 这也是满足的,因为 i 的定义覆盖了整个 γ。

-- 如果这些条件满足,我们可以应用定理,从而得出:

-- [

-- \prod_{x \in {1, 2, 3}} f(x) = \prod_{x \in {x, y, z}} g(x)

-- ]

-- 即,

-- [

-- abc = abc

-- ]

· intros ih1 ih2 -- 这里ih1潜台词是随机的ih1

-- 感性理解就是容易犯错,不想犯错还是得程序验证

simp only [Perm]

have ih3:= (mem_filter.mp ih2).right

have ih4:= ofBijective ih1 ih3 -- 单射+满射的映射,向上升级概念为(或者叫自然拓展性质):具有双边逆的映射(实质并没有发生任何变化)

-- 提一句:通常名字为of的函数,就是讲一些等价的概念互相转换。

exact ih4 -- 如果这里定义错了,下面满盘皆输

-- 证明的一个哲学意义是:给出某一个例子,是属于这个命题说的类的。

-- 注意不能像以下这样定义

-- intros ih1 ih2

-- have ih3:= Equiv.refl n

-- simp only [Perm]

-- exact ih3

· intro h1

intro h2 --原来这里会用到refine1的证明

simp only [mem_univ]

· intros h_1 h_2

have h_3:= mem_filter.1 h_2

obtain 〈h_4,h_5〉 := h_3

simp only [id_eq]

set h_6 := ofBijective h_1 h_5 -- h_1和h_6相等吗?,由ofBijective的toFun定义知道就是h_1

-- have h1_equal_h6 : h_1=h_6 --为了讲解

-- := by

-- exact rfl

rfl

· intros inj_1 inj_2 inj_3 inj_4 inj_5

simp only [id_eq] at inj_5 -- 看起来很明显,但就是完成不了

ext x

have inj_6:= ofBijective_apply inj_1

have inj_7:= ofBijective_apply inj_2

rw [

← inj_6,

inj_5,

inj_7]

done

· intros b x

refine' Exists.intro b _ -- 存在,给出例子,然后代入第二个参数中,比如这里就是把a全部替换成了b

-- 如果第二个参数中不用直接替换的,比如下面这行,就直接证明第二个参数代表的命题即可

refine' Exists.intro _ _ -- 比如这里ha在第二个参数中没有需要替换的,直接证明第二个命题即可

· refine' mem_filter.2 _

constructor

· refine' mem_univ (↑b)

· exact Equiv.bijective b

· -- refine' coe_fn_injective _ --在外层套了一个不变的映射

simp only [id_eq]

-- simp only [FunLike.coe_fn_eq]

refine' Equiv.ext _

intros x2

-- ↑(ofBijective ↑b (_ : Bijective ↑b))前面这个和↑b作用效果一样吗?查一下ofBijective的toFun := f定义就知道,就是f本身

-- 下面是进一步的探究,不看了

-- have equalTest: (ofBijective ↑b (_ : Bijective ↑b)) = b

-- := by

-- refine ((fun {α β} {e₁ e₂} ↦ Equiv.coe_inj.mp) rfl).symm

rfl

done

done


 

lemma MainGoal_4 (M N : Matrix n n R):

∑ τ : Perm n,

∑ σ : Perm n,

(ε σ)

*

(∏ i,

M (σ i) (τ i) * N (τ i) i)

= ∑ σ : Perm n,

∑ τ : Perm n,

(∏ i,

N (σ i) i)

*

(ε τ)

* ∏ j, M (τ j) (σ j)

:= by

simp only [mul_comm]

simp only [mul_left_comm]

simp only [prod_mul_distrib] -- 1个连乘变成2个连乘相关的定理

simp only [mul_assoc]

done

-- ///

def hhh3_h4 (M N : Matrix n n R) (h5: Perm n) (h1: Perm n)

: --映射间组合的一个定理

∏ j,

M (h5 j) (h1 j) =

∏ j,

M ((h5 * h1⁻¹) j) j -- perm n之间的乘法是什么结果呢?还是perm n

:= by

rw [← (h1⁻¹ : _ ≃ _).prod_comp] -- 两个函数的连乘的结果一样的相关证明(感性理解:置换后反正都要遍历的对吧,连乘应该都一样的哦)

simp only [Equiv.Perm.coe_mul]

simp only [apply_inv_self]

simp only [Function.comp_apply]

done

def h6 (h5: Perm n) (h1: Perm n)

: (ε h1) * (ε (h5 * h1⁻¹)) -- [1,2,3] => [3,1,2]

= (ε h5) -- 转置的符号相关的定理

:=

calc

(ε h1) * ε (h5 * h1⁻¹)

= ε (h5 * h1⁻¹ * h1)

:= by

rw [mul_comm, sign_mul (h5 * h1⁻¹)] --???sign_mul

-- simp only [_root_.map_mul]

simp only [sign_mul]

simp only [map_inv]--???map_inv这个证明可以细讲

simp only [Int.units_inv_eq_self] -- 1或-1的倒数还是自己

simp only [Units.val_mul] --明明一看就知道相等的。。。

simp only [Int.cast_mul]

_ = ε h5

:= by

simp only [inv_mul_cancel_right]

lemma MainGoal_5 (M N : Matrix n n R):

∑ σ : Perm n,

∑ τ : Perm n,

(∏ i, N (σ i) i)

*

(ε τ)

*

∏ j, M (τ j) (σ j)

=

∑ σ : Perm n,

∑ τ : Perm n,

(∏ i, N (σ i) i)

*

(ε σ * ε τ)

*

∏ i,

M (τ i) i

:= by

refine' sum_congr _ _ --定义域一样,定义域内f和g的映射值一样,则两个求和结果一样

· rfl

· intros h1 h2

refine' Fintype.sum_equiv _ _ _ _ --两个不同函数求和的结果一样的相关证明

· exact Equiv.mulRight h1⁻¹ -- 将映射1变成映射2的一个映射,具体作用是右乘,这是一步需要后面依赖的证明,所以不能随意证明,通常都是第一步这样

-- [1,2,3] h1=> [3,2,1] h1⁻¹=> [1,2,3]

-- [1,2,3] h10=> [2,3,1] => [2,1,3]

-- h10 * h1⁻¹ (Perm n)

-- (? * h1⁻¹)

· intros h5 --其实infoview里面的 ?1:?2 这样的写法,?1就是一个随机的属于?2的对象或元素

simp_rw [Equiv.coe_mulRight]

simp_rw [(h6 h5 h1)]

simp only [(hhh3_h4 M N h5 h1)]

done


 

-- //


 

def MainGoal_6_1_1_1 (M: Matrix n n R)

:= (det_apply' M)

def MainGoal_6_1_1_2 (M: Matrix n n R):

∑ x : Perm n, (ε x) * ∏ x_1 : n, M (x x_1) x_1

= ∑ x : Perm n, (∏ x_1 : n, M (x x_1) x_1) * (ε x) -- 这明明就是一个交换律能完成的,偏要congr一下拆开。。。

:= by

refine' sum_congr _ _

· exact (Eq.refl univ)

· intros h212x h212a

have h2_1_2_1

: (ε h212x) * ∏ x_1 : n, M (h212x x_1) x_1 = (ε h212x) * ∏ x_1 : n, M (h212x x_1) x_1

:= by

exact rfl --竟然直接搞定了

have h2_1_2_2 := mul_comm (ε h212x) (∏ x_1 : n, M (h212x x_1) x_1)

have h2_1_2_3 := h2_1_2_1.trans h2_1_2_2

exact h2_1_2_3

def MainGoal_6_1_1 (M N : Matrix n n R):

det M = ∑ x : Perm n, (∏ x_1 : n, M (x x_1) x_1) * (ε x)

:= by

exact (MainGoal_6_1_1_1 M).trans (MainGoal_6_1_1_2 M) -- .trans就是等号传递

def h2_2_1(N : Matrix n n R):= det_apply' N

def h2_2_2(N : Matrix n n R): ∑ x : Perm n, (ε x) * ∏ x_1 : n, N (x x_1) x_1

= ∑ x : Perm n, (∏ x_1 : n, N (x x_1) x_1) * (ε x) -- 又是一个内部交换就好了

:= by

refine' sum_congr _ _

· exact Eq.refl univ

· intros h222x h222a

have h2_2_2_1 : (ε h222x) * ∏ x_1 : n, N (h222x x_1) x_1 = (ε h222x) * ∏ x_1 : n, N (h222x x_1) x_1

:= by

rfl

have h2_2_2_2:= (mul_comm ((ε h222x)) (∏ x_1 : n, N (h222x x_1) x_1))

have h2_2_2_3:= h2_2_2_1.trans h2_2_2_2

exact h2_2_2_3

def MainGoal_6_1_2 (N : Matrix n n R): det N = ∑ x : Perm n, (∏ x_1 : n, N (x x_1) x_1) * (ε x)

:= by

exact (h2_2_1 N).trans (h2_2_2 N)

lemma MainGoal_6_1 (M N : Matrix n n R):

det M * det N

= ∑ x : Perm n,

(∑ x : Perm n, (∏ x_1 : n, M (x x_1) x_1) * (ε x))

*

((∏ x_1 : n, N (x x_1) x_1) * (ε x))

:= by

have temp1:= (MainGoal_6_1_1 M N)

have temp2:= (MainGoal_6_1_2 N)

have h1 := congr (congrArg HMul.hMul temp1) (temp2) -- congr就是相同函数,相同参数,结果一样的意思;congrArg也是类似的意思

rw [h1]

exact mul_sum

-- exact h1.trans mul_sum

--//

def h3_3 (M N : Matrix n n R) (h3_1: Perm n) (h3_2: h3_1 ∈ univ)

: (∑ x : Perm n,

(∏ x_1 : n, M (x x_1) x_1)

*

(ε x)

)

*

(

(∏ x_1 : n, N (h3_1 x_1) x_1)

*

(ε h3_1)

)

= ∑ x : Perm n,

(∏ x_1 : n, N (h3_1 x_1) x_1)

*

(ε h3_1)

*

(

(∏ x_1 : n, M (x x_1) x_1)

*

(ε x)

)

:= by

have h3_3_1 :

(∑ x : Perm n,

(∏ x_1 : n, M (x x_1) x_1)

*

(ε x)

)

*

(

(∏ x_1 : n, N (h3_1 x_1) x_1)

*

(ε h3_1)

)

=

(∏ x_1 : n, N (h3_1 x_1) x_1)

*

(ε h3_1)

*

∑ x : Perm n,

(∏ x_1 : n, M (x x_1) x_1)

*

(ε x)

:= by

have h3_3_1_1 := mul_comm

(∑ x : Perm n, (∏ x_1 : n, M (x x_1) x_1) * (ε x))

((∏ x_1 : n, N (h3_1 x_1) x_1) * (ε h3_1))

exact h3_3_1_1

have h3_3_2:= h3_3_1.trans mul_sum

exact h3_3_2

def h3_4 (M N : Matrix n n R) (h3_1: Perm n) (h3_2: h3_1 ∈ univ)

:

∑ x_1 : Perm n,

(∏ x_2 : n, N (h3_1 x_2) x_2)

*

(ε h3_1)

*

(

(∏ x : n, M (x_1 x) x)

*

(ε x_1)

)

=

∑ x_1 : Perm n,

(∏ x_2 : n, N (h3_1 x_2) x_2)

*

(

(∏ x : n, M (x_1 x) x)

*

((ε h3_1) * (ε x_1))

) -- 又是交换就可以了。。。

:= by

refine' sum_congr _ _

· exact (Eq.refl univ)

· intros h34x_1 h34a

have h3_4_1 : (∏ x_2 : n, N (h3_1 x_2) x_2) * (ε h3_1) * ((∏ x : n, M (h34x_1 x) x) * (ε h34x_1))

= (∏ x : n, M (h34x_1 x) x) * ((∏ x_2 : n, N (h3_1 x_2) x_2) * ((ε h3_1) * (ε h34x_1)))

:= ((mul_left_comm ((∏ x_2 : n, N (h3_1 x_2) x_2) * (ε h3_1)) (∏ x : n, M (h34x_1 x) x)

(ε h34x_1)).trans

(congrArg (HMul.hMul (∏ x : n, M (h34x_1 x) x))

(mul_assoc (∏ x_2 : n, N (h3_1 x_2) x_2) (ε h3_1) (ε h34x_1))))

have h3_4_2 : (∏ x : n, M (h34x_1 x) x) * ((∏ x_2 : n, N (h3_1 x_2) x_2) * ((ε h3_1) * (ε h34x_1)))

=(∏ x_2 : n, N (h3_1 x_2) x_2) * ((∏ x : n, M (h34x_1 x) x) * ((ε h3_1) * (ε h34x_1)))

:= (mul_left_comm (∏ x : n, M (h34x_1 x) x) (∏ x_2 : n, N (h3_1 x_2) x_2)

((ε h3_1) * (ε h34x_1)))

have h3_4_3:= h3_4_1.trans h3_4_2

exact h3_4_3

lemma MainGoal_6_2 (M N : Matrix n n R)

:

∑ x : Perm n,

(∑ x : Perm n,

(∏ x_1 : n, M (x x_1) x_1)

*

(ε x)

)

*

(

(∏ x_1 : n, N (x x_1) x_1)

*

(ε x)

)

=

∑ x : Perm n,

∑ x_1 : Perm n,

(∏ x_2 : n, N (x x_2) x_2)

*

(

(∏ x : n,M (x_1 x) x)

*

((ε x) * (ε x_1))

)

:= by

have h2 := MainGoal_6_1 M N

refine' sum_congr _ _

· exact (Eq.refl univ)

· intros h3_1 h3_2

have h3_5:= (h3_3 M N h3_1 h3_2).trans (h3_4 M N h3_1 h3_2)

exact h3_5

--//

def MainGoal_6_3 (M N : Matrix n n R):= (MainGoal_6_1 M N).trans (MainGoal_6_2 M N)

lemma MainGoal_6 (M N : Matrix n n R):

∑ σ : Perm n,

∑ τ : Perm n,

(∏ i, N (σ i) i)

*

(ε σ * ε τ)

*

(∏ i, M (τ i) i)

= det M * det N

:= by

have h4:= MainGoal_6_3 M N

simp only [h4]

congr -- 去掉两边套在最外的,恰好是相同的函数

funext xx1

congr

funext xx2

rw [mul_right_comm]

repeat rw [← mul_assoc]

done




 

-- @[simp]

theorem MainGoal (M N : Matrix n n R)

: det (M * N) = det M * det N

:= by

have h1 :det (M * N) = det M * det N :=

calc

det (M * N)

= ∑ p : n → n, ∑ σ : Perm n, ε σ * ∏ i, M (σ i) (p i) * N (p i) i --第1个变式

:= by

exact MainGoal_1 M N

_ = ∑ p in (@univ (n → n) _).filter Bijective,--第2个变式

∑ σ : Perm n,

ε σ

*

(∏ i, M (σ i) (p i) * N (p i) i)

:= by

exact MainGoal_2 M N

_ = ∑ τ : Perm n, --第3个变式

∑ σ : Perm n,

(ε σ)

*

(∏ i,

M (σ i) (τ i) * N (τ i) i)

:= by

exact MainGoal_3 M N

_ = ∑ σ : Perm n,--第4个变式

∑ τ : Perm n,

(∏ i, N (σ i) i)

*

ε τ

*

∏ j, M (τ j) (σ j)

:= by

exact MainGoal_4 M N

_ = ∑ σ : Perm n, --第5个变式

∑ τ : Perm n,

(∏ i, N (σ i) i)

*

(ε σ * ε τ)

*

∏ i,

M (τ i) i

:= by

exact MainGoal_5 M N

_ = det M * det N --第6个变式

:= by

-- simp only [det_apply', Finset.mul_sum, mul_comm, mul_left_comm, mul_assoc] --这里无法分步,所以直接分析print来写成下面这样子:

exact MainGoal_6 M N

exact h1

done



 

end Matrix文章来源地址https://www.toymoban.com/news/detail-816692.html

到了这里,关于陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(下篇)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 人工智能与语音助手:未来的智能助手

    语音助手是人工智能领域的一个重要应用,它可以通过自然语言处理和语音识别技术来理解和回答用户的问题。在过去的几年里,语音助手技术已经取得了显著的进展,例如苹果的Siri、谷歌的Google Assistant、亚马逊的Alexa等。这些语音助手可以帮助用户完成各种任务,如设置闹

    2024年02月22日
    浏览(68)
  • 人工智能语音助手:如何实现智能助手的实时语音监控功能?

    作者:禅与计算机程序设计艺术 随着人工智能技术的快速发展,语音助手已经成为人们日常生活中不可或缺的智能助手。作为人工智能助手,实时语音监控是必不可少的。本文将介绍如何更好地实现智能助手的实时语音监控功能,为用户提供更加优质的服务。 1 基本概念解释

    2024年02月08日
    浏览(68)
  • ChatGPT:人工智能助手的新时代

    随着人工智能的不断发展,自然语言处理技术正逐渐成为我们与计算机交互的重要方式之一。其中,ChatGPT作为一种基于大规模预训练语言模型的对话生成系统,正引领着人工智能助手的新时代。本篇博客将介绍ChatGPT的原理、应用场景以及优势,帮助读者更好地了解和应用这

    2024年02月05日
    浏览(64)
  • 那些好用的人工智能写作助手(1)——Writesonic

    Writesonic - ToolAI最全面最完整的AI工具集合 Writesonic 是一款人工智能驱动的写作助手,致力于帮助用户快速、高效地撰写各种类型的文本内容。它可以在几秒钟内生成文章、博客文章、登录页面、谷歌广告、Facebook 广告、产品描述、电子邮件等。具有AI文章创意,简介,大纲,

    2024年02月12日
    浏览(46)
  • 那些好用的人工智能写作助手(2)——Rytr

    Rytr-ToolAI Rytr是一款人工智能写作助手,可以帮助快速生成高质量的文本内容。只需输入或简要说明,Rytr就可以生成完整的文章、博客、电子邮件、社交媒体帖子和其他类型的文本内容。Rytr不仅可以帮助您节省时间和精力,还可以提高您的写作效率和质量。同时,Ryt

    2024年02月11日
    浏览(64)
  • 数学与人工智能:数学在人工智能中的应用

    人工智能(Artificial Intelligence)是一门研究如何让机器具有智能行为的学科。在过去的几十年里,人工智能已经取得了显著的进展,从简单的规则引擎到复杂的深度学习网络,人工智能已经成功地解决了许多复杂的问题。然而,在这个过程中,数学在人工智能中的应用也是不可或

    2024年02月21日
    浏览(51)
  • 人工智能基础部分24-人工智能的数学基础,汇集了人工智能数学知识最全面的概况

    、 大家好,我是微学AI,今天给大家介绍一下人工智能基础部分24-人工智能的数学基础,汇集了人工智能数学知识最全面的概况,深度学习是一种利用多层神经网络对数据进行特征学习和表示学习的机器学习方法。要全面了解深度学习的数学基础,需要掌握这些数学知识:向

    2024年02月21日
    浏览(75)
  • 【人工智能】之深入理解 AI Agent:超越代码的智能助手(2)

    人工智能(AI)正在以前所未有的速度迅猛发展,而AI Agent(智能代理)则是这一领域中备受瞩目的一环。 AI Agent 不仅仅是程序的执行者,更是能够感知、学习和交互的智能实体。本文将深入探讨什么是 AI Agent ,以及这一概念在当今科技领域中的重要性。 AI Agent 是指一种能够

    2024年01月19日
    浏览(63)
  • 人工智能技术在智能语音助手中的应用:从智能家居到智慧交通

    作者:禅与计算机程序设计艺术 引言 1.1. 背景介绍 随着科技的发展,人工智能技术越来越受到人们的关注。人工智能助手作为一种新型的技术,已经成为人们生活中不可或缺的一部分。智能语音助手作为人工智能助手的一种,受到越来越多的用户青睐。智能语音助手可以实

    2024年02月07日
    浏览(68)
  • 使用人工智能助手 Github Copilot 进行编程 02

    本章涵盖了 在您的系统上设置 Python、VS Code 和 Copilot 引⼊ Copilot 设计流程 Copilot 的价值在于基本的数据处理任务 本章将帮助您在自己的计算机上开始使用 Copilot,并熟悉与其的交互方式。在设置好Copilot 后,我们将要求您尽可能跟随我们的示例进行操作。实践是最好的学习方

    2024年01月25日
    浏览(62)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包