Визуализация основных шагов упрощенной схемы доказательства гипотезы Пуанкаре / forpes.ru

Главная
Визуализация основных шагов упрощенной схемы доказательства гипотезы Пуанкаре

Визуализация основных шагов упрощенной схемы доказательства гипотезы Пуанкаре +1

23.07.2026 04:08

Maximka200 0 2000 Источник

Как известно, гипотеза Пуанкаре на сегодня является единственной решённой задачей тысячелетия.

Её формулировка довольно проста:

Всякое односвязное компактное трёхмерное многообразие без края гомеоморфно трёхмерной сфере. Источник [1].

В 2002-2003 годах российский математик Григорий Яковлевич Перельман (Источник [10]) опубликовал 3 препринта на Arxiv.org со своим доказательством (Источник [11],[12], [13]). Его правильность проверили и подтвердили 3 независимые группы учёных (Источник [3], [6]) и в 2006 году Перельману присудили премию Филдса, а в 2010 году Премию тысячелетия в 1 млн долларов, но тот от обеих высоких наград отказался. Источник [1].

В этой статье мы сделаем компьютерную визуализацию основных пунктов доказательства.

Упрощённая схема доказательства приведена в Источник [1]:

Пусть есть произвольное односвязное компактное трёхмерное многообразие без края:

Начнём с потоков Риччи:

Поток Риччи — система дифференциальных уравнений в частных производных, описывающая деформацию римановой метрики на многообразии. Ключевая идея данных уравнений- где кривизна больше — там метрика меняется быстрее.Источник [2].

Уравнение Риччи записывается так:

$\frac{\partial g_{ij}}{\partial t} = -2 R_{ij}$

Где:

$g_{ij}$

— метрический тензор (задаёт геометрию многообразия),

$R_{ij}$

— тензор Риччи (характеризует кривизну),

t — параметр «времени» потока (не физическое время, а параметр эволюции метрики).

Источник [2]

Для иллюстрации напишем код на Python, демонстрирующий одномерную кривизну и поток:

import numpy as np
import matplotlib.pyplot as plt

# Параметры
N = 100                 # число точек на отрезке
L = 1.0                 # длина отрезка
dx = L / (N - 1)
x = np.linspace(0, L, N)

# Начальное «поле кривизны» (аналог скалярной кривизны в 1D)
# Сделаем горбик в центре
R = np.zeros(N)
center = N // 2
width = N // 8
for i in range(N):
    R[i] = np.exp(-((i - center) / width)**2)

# Метрика (в 1D это просто локальный масштаб ds^2 = g dx^2)
g = np.ones(N)          # изначально везде 1

dt = 0.01               # шаг по «времени потока»
steps = 500             # сколько шагов сделать

history_g = []

for t in range(steps):
    # Аналог потока Риччи: dg/dt ~ -R (упрощённо)
    dg = -2* R * dt
    g += dg
    
    # Ограничиваем, чтобы метрика не стала отрицательной
    g = np.maximum(g, 0.1)
    
    if t % 50 == 0:
        history_g.append(g.copy())

# Визуализация
plt.figure(figsize=(8, 4))
for i, g_snap in enumerate(history_g):
    plt.plot(x, g_snap, label=f'step {i*50}')
plt.plot(x, R, 'k--', linewidth=1, label='curvature R')
plt.xlabel('x')
plt.ylabel('metric g')
plt.title('Simplified Ricci-like flow (1D toy model)')
plt.legend()
plt.grid(True)
plt.show()

Результат работы программы видно здесь:

В 2d код будет посложнее:

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import Delaunay
from matplotlib.animation import FuncAnimation

# --- Параметры ---
N = 120                 # число точек
dt = 0.002              # шаг по «времени»
steps = 400             # сколько шагов
target_curvature = 0.0 # целевая кривизна в каждой вершине (0 = плоская)

np.random.seed(42)
points = np.random.rand(N, 2) * 10.0  # [0,10] x [0,10]

def compute_angles_and_curvature(points, tri):
    """
    Для каждой вершины считаем сумму углов треугольников вокруг неё.
    Дискретная гауссова кривизна: K_i = 2π - Σ углов.
    """
    n = len(points)
    angles_sum = np.zeros(n)
    
    for s in tri.simplices:
        i, j, k = s
        a = points[j] - points[i]
        b = points[k] - points[i]
        c = points[k] - points[j]
        
        la = np.linalg.norm(a)
        lb = np.linalg.norm(b)
        lc = np.linalg.norm(c)
        
        # защита от вырожденных треугольников
        if la < 1e-8 or lb < 1e-8 or lc < 1e-8:
            continue
        
        cos_i = np.clip((la**2 + lb**2 - lc**2) / (2*la*lb), -1.0, 1.0)
        cos_j = np.clip((la**2 + lc**2 - lb**2) / (2*la*lc), -1.0, 1.0)
        cos_k = np.clip((lb**2 + lc**2 - la**2) / (2*lb*lc), -1.0, 1.0)
        
        angles_sum[i] += np.arccos(cos_i)
        angles_sum[j] += np.arccos(cos_j)
        angles_sum[k] += np.arccos(cos_k)
    
    K = 2*np.pi - angles_sum
    return K

# --- Подготовка для анимации ---
fig, ax = plt.subplots(figsize=(6, 6))
ax.set_aspect('equal')
ax.axis('off')

# Хранилище кадров
frames_K = []
frames_points = []

# Начальное состояние
tri = Delaunay(points)
K = compute_angles_and_curvature(points, tri)
frames_K.append(K.copy())
frames_points.append(points.copy())

# --- Эволюция (поток) ---
for t in range(steps):
    # Вычисляем кривизну
    tri = Delaunay(points)
    K = compute_angles_and_curvature(points, tri)
    
    # Правило обновления: двигаем точки так, чтобы кривизна стремилась к target_curvature
    diff = target_curvature - K
    
    # Локальное масштабирование: если K > target, «раздвигаем» точки вокруг вершины
    scale_factor = 1.0 + dt * diff
    scale_factor = np.clip(scale_factor, 0.8, 1.2)  # ограничение, чтобы не схлопнулось
    
    center = points.mean(axis=0)
    points = center + (points - center) * scale_factor[:, np.newaxis]
    
    # Сохраняем состояние
    if t % 10 == 0:
        frames_K.append(K.copy())
        frames_points.append(points.copy())

# --- Визуализация: последний кадр + распределение кривизны ---
tri_final = Delaunay(frames_points[-1])
K_final = frames_K[-1]

plt.figure(figsize=(10, 4))

plt.subplot(1, 2, 1)
plt.triplot(frames_points[-1][:, 0], frames_points[-1][:, 1], tri_final.simplices,
            color='gray', linewidth=0.4, alpha=0.7)
sc = plt.scatter(frames_points[-1][:, 0], frames_points[-1][:, 1],
                 c=K_final, cmap='coolwarm', s=25, edgecolors='k', linewidths=0.3)
plt.colorbar(sc, label='Gaussian curvature K')
plt.title('Final state after Ricci-like flow')
plt.axis('equal')

plt.subplot(1, 2, 2)
mean_K = [np.mean(K) for K in frames_K]
var_K = [np.var(K) for K in frames_K]
plt.plot(mean_K, label='Mean curvature', color='blue')
plt.plot(var_K, label='Variance of curvature', color='orange')
plt.axhline(target_curvature, color='green', linestyle='--', label='Target')
plt.xlabel('Step (every 10 iterations saved)')
plt.ylabel('Curvature stats')
plt.legend()
plt.grid(True, alpha=0.3)
plt.title('Evolution of curvature statistics')

plt.tight_layout()
plt.show()

В итоге мы получим следующую картинку:

Он позволяет деформировать риманову метрику на многообразии, но в процессе деформации возможно образование «сингулярностей» — точек, в которых кривизна стремится к бесконечности, и деформацию невозможно продолжить.Источник [1]

В таком случае производят хирургию: Вырезают "шею" и залепляют её шарами, а затем продолжают деформацию.Источник [1].

Напишем код для демонстрации:

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# --- Параметры поверхности (гантель) ---
def radius_gantel(z, L=4.0, r_thick=1.0, neck_width=0.4, neck_height=0.5):
    """
    Радиус сечения гантели в зависимости от z.
    L - полная длина вдоль z, r_thick - радиус шаров,
    neck_width - ширина шеи, neck_height - насколько она тонкая.
    """
    # Нормализованная координата от -1 до 1
    t = z / (L / 2)
    # Функция, которая даёт «шею» в центре и «шары» по краям
    r = r_thick * (1.0 - neck_height * np.exp(-t**2 / (neck_width**2)))
    return r

def smooth_radius(z, L, r_thick, alpha=0.3):
    """
    Имитация сглаживания (упрощённый «поток Риччи»):
    делаем шею менее выраженной, поверхность более сферической.
    alpha - сила сглаживания: 0 = без сглаживания, 1 = почти сфера.
    """
    t = z / (L / 2)
    # Базовая гантель
    r_base = radius_gantel(z, L, r_thick, neck_width=0.6, neck_height=0.7)
    # Целевая сфера (радиус как среднее)
    r_sphere = r_thick
    # Линейная интерполяция между гантелью и сферой
    r_smooth = (1 - alpha) * r_base + alpha * r_sphere
    return r_smooth

# --- Генерация сетки ---
L = 4.0
z = np.linspace(-L/2, L/2, 80)
theta = np.linspace(0, 2*np.pi, 80)
Z, Theta = np.meshgrid(z, theta)

# Радиусы для «до» (гантель) и «после» (сглаженная)
R_before = radius_gantel(Z, L)
R_after = smooth_radius(Z, L, r_thick=1.0, alpha=0.85)  # сильное сглаживание

# Переход в декартовы координаты
X_before = R_before * np.cos(Theta)
Y_before = R_before * np.sin(Theta)

X_after = R_after * np.cos(Theta)
Y_after = R_after * np.sin(Theta)

# --- Визуализация ---
fig = plt.figure(figsize=(12, 5))

ax1 = fig.add_subplot(121, projection='3d')
surf1 = ax1.plot_surface(X_before, Y_before, Z, cmap='viridis', alpha=0.9, edgecolor='none')
ax1.set_title('До: гантелеподобное многообразие\n(возможная сингулярность в шее)')
ax1.set_xlabel('X'); ax1.set_ylabel('Y'); ax1.set_zlabel('Z')

ax2 = fig.add_subplot(122, projection='3d')
surf2 = ax2.plot_surface(X_after, Y_after, Z, cmap='plasma', alpha=0.9, edgecolor='none')
ax2.set_title('После: сглаженное многообразие\n(упрощённая имитация потока Риччи)')
ax2.set_xlabel('X'); ax2.set_ylabel('Y'); ax2.set_zlabel('Z')

plt.tight_layout()
plt.show()

В результате получаем следующую картинку:

Таким образом, исходное многообразие гомеоморфно (то есть переходит путём непрерывных деформаций) связной сумме трёхмерных сфер,

то есть трёхмерной сфере.

Таким образом, в данной статье сделана компьютерная визуализация основных идей доказательства Перельмана, получены несколько графических иллюстраций многообразия, потоков Риччи, сглаживания "шеи" и финального результата.

Статья носит чисто иллюстративный и демонстративный характер для наглядного представления доказательства гипотезы Пуанкаре.

Литература:

1.https://ru.wikipedia.org/wiki/Гипотеза_Пуанкаре

2.https://ru.wikipedia.org/wiki/Поток_Риччи

3.https://arxiv.org/abs/math/0612069

4.https://old.mccme.ru/free-books/matpros/articles/МП-24/mp-24-pages-8.pdf

5.https://arxiv.org/abs/0809.1483

6.https://arxiv.org/pdf/math/0211159

7.https://www.wikidata.org/wiki/Q99179783

8.https://www.wikidata.org/wiki/Q99178831

9.https://docs.yandex.ru/docs/view?tm=1784695492&tld=ru&lang=ru&name=mp-24-pages-8.pdf&text=гипотеза пуанкаре доказательство&url=https%3A%2F%2Fold.mccme.ru %2Ffree-books%2Fmatpros%2Farticles%2F%25D0%259C%25D0%259F-24%2Fmp-24-pages-8.pdf&lr=20683&mime=pdf&l10n=ru&sign=a33bbb82ab624fbc77c6d5f4d9a042d9&keyno=0&nosw=1&serpParams=tm%3D1784695492%26tld%3Dru%26lang%3Dru%26name%3Dmp-24-pages-8.pdf%26text%3D%25D0%25B3%25D0%25B8%25D0%25BF%25D0%25BE%25D1%2582%25D0%25B5%25D0%25B7%25D0%25B0%2B%25D0%25BF%25D1%2583%25D0%25B0%25D0%25BD%25D0%25BA%25D0%25B0%25D1%2580%25D0%25B5%2B%25D0%25B4%25D0%25BE%25D0%25BA%25D0%25B0%25D0%25B7%25D0%25B0%25D1%2582%25D0%25B5%25D0%25BB%25D1%258C%25D1%2581%25D1%2582%25D0%25B2%25D0%25BE%26url%3Dhttps%253A%2F%2Fold.mccme.ru %2Ffree-books%2Fmatpros%2Farticles%2F%2525D0%25259C%2525D0%25259F-24%2Fmp-24-pages-8.pdf%26lr%3D20683%26mime%3Dpdf%26l10n%3Dru%26sign%3Da33bbb82ab624fbc77c6d5f4d9a042d9%26keyno%3D0%26nosw%3D1

10.https://ru.wikipedia.org/wiki/Перельман,_Григорий_Яковлевич