小树也能读懂的零点定理弱形式

博客围绕整数运算、Noether正规化引理和零点定理弱形式展开。探讨整数运算性质,引入代数整数解不定方程;介绍Noether正规化引理,将域扩张结果移到环上;阐述零点定理弱形式,利用引理证明相关结论,还提及Hilbert零点定理。
Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

整数的故事

整数,大家再熟悉不过的东西。可是,一旦考虑上面的运算,事情就没有单纯了。整数的运算性质一直是数论的核心兴趣所在。素数,不定方程都是在运算的基础上进行考虑的。高斯的时代,人们考虑用多项式表达整数,比如 x 2 + y 2 = n x^2+y^2=n x2+y2=n,当 n n n为何值时,这个方程有整数解,解集又是什么。如果继续解方程和因式分解是一回事的思想,考虑将左边进行分解 x 2 + y 2 = ( x + i y ) ( x − i y ) x^2+y^2=(x+iy)(x-iy) x2+y2=(x+iy)(xiy),高斯引入高斯整数环 Z [ i ] \mathbb{Z}[i] Z[i],这样问题从 Z \mathbb{Z} Z转移到了 Z [ i ] \mathbb{Z}[i] Z[i]。如果我们探讨清楚了 Z [ i ] \mathbb{Z}[i] Z[i]的分解性质,方程就容易解了。

继续思考,我们引入 i i i,是因为 i i i x 2 + 1 = 0 x^2+1=0 x2+1=0的根。我们考察一般的方程 x n + a n − 1 x n − 1 + ⋯ + a 0 = 0 x^n+a_{n-1}x^{n-1}+\cdots+a_0=0 xn+an1xn1++a0=0,注意这里我们的首项系数是1,如果不是1的话,就势必要引入除法,就无法继续在整数的范围内考虑问题了。我们称这种方程的根为代数整数。在整数中加入代数整数,得到新的环,分析新环的唯一因子分解性质,有助于我们解不定方程。

Noether正规化引理

在研究域的扩张时,我们知道对于域的有限生成扩张 E / F E/F E/F,我们可以找到 F F F上代数无关的元素 x 1 , ⋯   , x n x_1,\cdots,x_n x1,,xn使得 E / F ( x 1 , ⋯   , x n ) E/F(x_1,\cdots,x_n) E/F(x1,,xn)为代数扩张。

如果想把域的这个结果移到环上面,就是这样子的:对于环的有限生成扩张 R / S R/S R/S,我们可以找到 S S S上代数无关的元素 x 1 , ⋯   , x n x_1,\cdots,x_n x1,,xn使得 R / S [ x 1 , ⋯   , x n ] R/S[x_1,\cdots,x_n] R/S[x1,,xn]为代数扩张。

如果我们想把代数扩张的结论加强为整扩张,就需要 S = k S=k S=k为域。此时我们得到所谓的Noether正规化引理。

零点定理弱形式

首先我们看看什么是零点定理的弱形式。设 k k k为域, R R R为有限生成 k k k代数,如果 R R R为域,则 R R R k k k的代数扩域。

利用Noether正规化引理,得到

k ↪ k [ t 1 , ⋯   , t n ] ↪ R k\hookrightarrow k[t_1,\cdots,t_n]\hookrightarrow R kk[t1,,tn]R

中间的代数为多项式环,后面的这个扩张为整扩张。

下面就是整扩张发挥作用的地方了。整扩张具有保持良好性质的能力。 R / S R/S R/S为整环之间的整扩张, R R R为域当且仅当 S S S为域。事实上,如果 S S S为域,任意 x ∈ R − S x\in R-S xRS,因为 R R R为整环,存在方程

x n + a n − 1 x n − 1 + ⋯ + a 0 = 0 , a 0 ≠ 0 x^n+a_{n-1}x^{n-1}+\cdots+a_0=0,a_0\neq 0 xn+an1xn1++a0=0,a0=0

于是 x ( − a 0 − 1 ) ( x n − 1 + a n − 1 x n − 2 + ⋯ + a 1 ) = 1 x(-a_0^{-1})(x^{n-1}+a_{n-1}x^{n-2}+\cdots + a_1)=1 x(a01)(xn1+an1xn2++a1)=1

反过来,如果 R R R为域,任意 x ∈ S − { 0 } x\in S-\{0\} xS{0} x − 1 ∈ R x^{-1}\in R x1R S S S上整,于是
x − n + a n − 1 x − n + 1 + ⋯ + a 0 = 0 , a 0 ≠ 0 x^{-n}+a_{n-1}x^{-n+1}+\cdots+a_0=0,a_0\neq 0 xn+an1xn+1++a0=0,a0=0
于是 x − 1 + a n − 1 x + ⋯ + a 0 x n − 1 = 0 x^{-1}+a_{n-1}x+\cdots+a_0x^{n-1}=0 x1+an1x++a0xn1=0 x − 1 ∈ S x^{-1}\in S x1S

利用这个结果,我们有 k [ t 1 , ⋯   , t n ] k[t_1,\cdots,t_n] k[t1,,tn]为域,因此 k [ t 1 , ⋯   , t n ] = k k[t_1,\cdots,t_n]=k k[t1,,tn]=k,从而 R R R k k k的代数扩域。

下面我们来说一下为什么这个定理称为是零点定理的弱形式。 R = k [ x 1 , ⋯   , x n ] R=k[x_1,\cdots,x_n] R=k[x1,,xn],如果 R R R为域,则 k k k代数同态:
ϕ : k [ t 1 , ⋯   , t n ] → R : t i ↦ x i \phi:k[t_1,\cdots,t_n]\rightarrow R: t_i\mapsto x_i ϕ:k[t1,,tn]R:tixi

的核为极大理想。而上面的结论说明 x i x_i xi k k k上的代数元,因而存在 f i ∈ k [ t ] f_i\in k[t] fik[t]使得 f i ( x i ) = 0 f_i(x_i)=0 fi(xi)=0,因而 f i ( t i ) ∈ K e r   ϕ f_i(t_i)\in Ker\ \phi fi(ti)Ker ϕ。考虑多项式环 S = k [ t 1 , ⋯   , t n ] S=k[t_1,\cdots,t_n] S=k[t1,,tn]的任意极大理想 m m m,令 R = S / m R=S/m R=S/m,则 m = K e r   ϕ m=Ker\ \phi m=Ker ϕ。由此,我们可以得知多项式环 k [ t 1 , ⋯   , t n ] k[t_1,\cdots,t_n] k[t1,,tn]的任意极大理想中包含有 k [ t i ] k[t_i] k[ti]中的非零元素。

如果 k k k为代数闭域, f i ( t i ) f_i(t_i) fi(ti)必然还可以取成不可约多项式 t i − a i t_i-a_i tiai,因而
m ⊃ ( x 1 − a 1 , ⋯   , x n − a n ) m\supset (x_1-a_1,\cdots,x_n-a_n) m(x1a1,,xnan),另一方面,通过替换变量知道 ( x 1 − a 1 , ⋯   , x n − a n ) (x_1-a_1,\cdots,x_n-a_n) (x1a1,,xnan)为极大理想,从而 k [ t 1 , ⋯   , t n ] k[t_1,\cdots,t_n] k[t1,,tn]的极大理想形如 ( x 1 − a 1 , ⋯   , x n − a n ) (x_1-a_1,\cdots,x_n-a_n) (x1a1,,xnan)

有了这个弱形式,我们来看Hilbert零点定理。设 k k k为代数闭域, I ⊲ k [ t 1 , ⋯   , t n ] I\lhd k[t_1,\cdots,t_n] Ik[t1,,tn],则 I ( V ( I ) ) = I I(V(I))=\sqrt I I(V(I))=I ,也就是说仿射簇的零化多项式都在根理想中。

I = ( f 1 , ⋯   , f m ) I=(f_1,\cdots,f_m) I=(f1,,fm) f f f为零化多项式,则 V ( f 1 , ⋯   , f m , 1 − T f ) = ∅ ⊂ k n + 1 V(f_1,\cdots,f_m,1-Tf)=\empty\subset k^{n+1} V(f1,,fm,1Tf)=kn+1。根据上面关于极大理想的形式,我们知道必然有 ( f 1 , ⋯   , f m , 1 − T f ) = k [ t 1 , ⋯   , t n , T ] (f_1,\cdots,f_m,1-Tf)=k[t_1,\cdots,t_n,T] (f1,,fm,1Tf)=k[t1,,tn,T],从而
a 1 ( t , T ) f 1 + ⋯ + a m ( t , T ) f m + a ( t , T ) ( 1 − T f ) = 1 a_1(t,T)f_1+\cdots+a_m(t,T)f_m+a(t,T)(1-Tf)=1 a1(t,T)f1++am(t,T)fm+a(t,T)(1Tf)=1

T = 1 f T=\frac{1}{f} T=f1,于是 f r ∈ ( f 1 , ⋯   , f m ) f^r\in (f_1,\cdots,f_m) fr(f1,,fm),即 f ∈ I f\in \sqrt{I} fI

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值