ВТОРИЧНОЕ ДИФФЕРЕНЦИАЛЬНОЕ ИСЧИСЛЕНИЕ А. ВИНОГРАДОВА: ИНТУИЦИОНИСТСКАЯ (АЛГОРИТМИЧЕСКАЯ) ИНТЕРПРЕТАЦИЯ ОСНОВНЫХ ИДЕЙ

Щеглов Виталий Николаевич

Аннотация
Эта статья предназначена для специалистов по математической логике и для психологов, занимающихся моделированием творческого сознания по численным массивам исходных данных.

Ключевые слова: , ,


Рубрика: 01.00.00 ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Щеглов В.Н. Вторичное дифференциальное исчисление А. Виноградова: интуиционистская (алгоритмическая) интерпретация основных идей // Современные научные исследования и инновации. 2012. № 11 [Электронный ресурс]. URL: https://web.snauka.ru/issues/2012/11/18599 (дата обращения: 15.03.2024).

При исследовании сложных объектов с помощью интуиционистских моделей математической логики [1, 2, 3] и, в частности, алгебраических моделей конструктивной (интуиционистской) логики (АМКЛ), обращает на себя внимание следующий факт. Интуиционистские модели могут быть истолкованы (в виде приближенного отображения действительности) как возможные состояния знания некоторого познающего субъекта, как модели творческого сознания. С помощью самой структуры или способа построения этих моделей удалось показать достаточно интересные алгоритмические интерпретации основ квантовой теории, теории калибровочных полей и общей теории относительности; квантовой теории калибровочных полей, квантовой теории гравитации, редукции квантованных  когерентных состояний ультраструктур нейронов мозга, особых состояний сознания, структуры качественных выводов из астрономической модели Керра; удалось сопоставить структуру Нагорной проповеди и библейских заповедей с этапами построения АМКЛ [4], а также многие другие интерпретации особенно в области  медицины (см. http://samlib.ru/s/sheglow_w_n/ ).

Возможно, любую интересную и сложную область познания можно интерпретировать с помощью этих достаточно гибких по своему построению интуиционистских моделей (далее будем писать иногда просто  «моделей» или М). Формализация этого подхода может по мере накопления опыта и новых данных постепенно уточняться и специализироваться при изучении отдельных областей знания. Можно рассматривать эти модели как некоторый «переводчик» терминов, взятых из специализированных областей знания на язык построения М; они  являются как бы некоторым формализованным познающим субъектом. Познание здесь осуществляется в виде алгебраических моделей интуиционистской  логики (моделей Бета-Крипке). Такие М при практическом их использовании отображают динамику состояний исследуемого объекта или субъекта («свободно становящиеся последовательности» [3]), или вообще динамику роста знаний некоторого субъекта (алгоритма вычисления АМКЛ). Приведем краткое описание этого алгоритма, детальное описание и множество примеров приведено в [1].

В исходном массиве действительных (или комплексных) чисел или чисел  k-значной логики) Х(n+1, m), где n – число переменных (столбцов в Х) и m – число состояний (строк t), записанных в порядке течения времени t, выделяется один или несколько столбцов Y, для которых Y = f(X). В дальнейшем для краткости этот массив (базу данных) будем записывать как (Х, Y, t), где t – время (или порядковый номер строки или в иных случаях номер индивида). Значения Y разбиваются на k частей (обычно на 2 по медиане), и эти значения кодируются, например, в виде булевой функции Z = (0, 1), где например, 0 – целевые состояния и 1 – не целевые.  Далее каждое состояние (строки в Х), которому задано определенное целевое значение Z, сравнивается со всей своей окрестностью нецелевых состояний, начиная с ближайших. Строятся конъюнкции К* (переменные соединены логическими связками «и», &) малого числа r открытых интервалов dx значений переменных для целевого состояния; r будем называть рангом конъюнкции К*. Итоговые К** (по всем целевым состояниям) вычисляются таким образом, чтобы К** были бы простыми импликациями (логические связки «если, то», −>), истинными формулами для Z, например: «если К**, то Z = 0» (иногда эти импликации будем называть исходными М). Примем также (это наше семантическое соглашение), что вычисление К* относится к функции подсознания, а К** и далее по алгоритму – к функции сознания. Затем вычисляются оценки Г для  каждой К** (число состояний, где встречается данная К**). Далее  строятся тупиковые дизъюнктивные формы (АМКЛ) для каждого значения Z = (0, 1) в отдельности. Начиная с наибольшей  Г отбираются эти К и объединяются логическими связками «или» (V); предварительно отбрасываются те из них, множества состояний которых («покрытия», множества номеров строк) уже входят в объединение покрытий ранее отобранных итоговых К (т. е. строится тупиковая дизъюнктивная форма или итоговая М). Далее все вышеприведенные аналогичные операции совершаются и для нецелевых состояний. «Целевым» значением здесь становится Z = 1; соответствующее объединенное связками V множество этих К присоединяется в скобках к исходному целевому множеству К посредством новой связки V и символа отрицания ┐.

В некоторых случаях требуется построение вероятностной модели. Для этого все частичные пересечения двух или более К обозначаются как новые К, оставшиеся множества и эти новые К вновь упорядочиваются по их Г,  переиндексируются и подсчитываются итоговые Г и Г/m.  Эти частоты в сумме дают единицу.

После вычисления модели обычно проводится ее интерпретация (обычно с помощью подходящих информационно-поисковых систем) – сопоставление с уже известными более общими теориями, в которые К входят как подмножества (поиск «мажоранты», «наводящих соображений», «пояснений» [5]). Иногда вычисляется также контекст отдельных наиболее интересных итоговых К, входящих в тупиковую форму. Это замкнутые интервалы значений всех переменных, не включенных в данную К, т. е. только для «своих» Г строк-состояний (для «покрытия» этой К). Интерпретация контекста (вместе с К) соответствует возможному «объяснению» функций Z и также несущественных переменных. При необходимости аналитического отображения логической модели производится аппроксимация всех подмножеств значений (х, у) для каждого К обобщенными рядами Эрмита или Фурье [1, 2, 6]. Будем считать, что мы потенциально имеем возможность отслеживать и сохранять в памяти компьютера весьма большие, но конечные массивы числовой содержательной информации, которая отображает доступный нам смысл исследуемого процесса.

Во многих часто встречающихся случаях Y = (у1, у2, …)  является многокритериальной функцией для Х (алгоритм см. в [1]). В более общем случае можно считать, что Х является массивом всей доступной информации,  как бы некоторый текст (в динамике, по строкам), посредством которого исследуемый объект обменивается информацией с исследователем. Номера соответствующих переменных («слов», столбцов массива Х), являются обычно некоторым ограниченным словарем, тезаурусом. При этом, вообще говоря, каждое слово из этого словаря можно задать в качестве функции цели у относительно оставшейся части Х. Все дело заключается в том, в каком контексте (смысле) проводится исследование. Более того, иногда даже конкретная цель для исследователя не совсем ясна. В этом случае можно вычислить некоторое множество моделей для «обзорного» множества у и отобрать модель, для которой информационная энтропия меньше – практически, можно предпочесть модель, которая содержит меньшее число выводов К с оценками Г = 1. Конечно, далее если возможно, следует с помощью информационно-поисковых средств интерпретировать полученную модель, а иногда и отбросить неинтересные тавтологии, которые неожиданно выявляются при тесной корреляции у с некоторыми сходными (с у) по смыслу переменными. Затем, если это требуется, уже строится модель для многокритериального Y. Еще отметим, что при исследовании объектов в динамике в массив исходных данных можно включать информацию (модели, в том числе и их Y), полученные на предыдущем шаге исследования (модели с «памятью»). Особенно это характерно при исследовании конфликтующих структур (дипломатия, разведка, информационное воздействие на социальные структуры…), при этом обычно Y отображается в виде значений k-значной логики.

Сами модели АМКЛ  в динамике (с контекстами) являются как бы наборами кадров некоторого кинофильма, отображающего поведение исследуемого объекта, который можно видеть с запаздыванием, зависящим от времени передачи исходных данных и всех вычислений. Вычисляемые итоговые импликации К (отдельные модели из АМКЛ) отображают здесь изменения во времени исследуемого объекта (или субъекта). В случае прогнозирования поведения объекта в будущем, входные данные должны включать также некоторые временные переменные: скорости, ускорения и т. п. Весьма часто такие процессы идут с обратной связью – Y зависит не только от значений входных переменных и Y в данный момент времени, но также и от более ранних их значений. При прогнозировании удобно использовать также аппроксимацию всех подмножеств значений (х, у) для каждого К обобщенными рядами Фурье или Эрмита – поведение объекта отображается как бы в виде «голографической интерференции» различных волн или в виде некоторых «всплесков», пакетов волн.

Будем считать, что на первом этапе исследования всевозможных текстов по заданной теме уже вычислены модели, которые распознают в этих произведениях ситуации, отображаемые в итоге некоторыми наборами научных, психологических, философских, религиозных понятий или иных обобщенных выводов, часто обозначаемых определенными терминами. Приведем далее список возможных семантических соглашений (интерпретаций результатов функционирования самого алгоритма построения АМКЛ), которые в итоге приписывают как самому алгоритму построения, так и различным параметрам модели, записанной в общем виде (например, функционалам К и Г) их определенные смысловые значения в различных ситуациях. Эти соглашения могут уточняться по мере накопления новых сведений о применении этих соглашений в определенной содержательной области. Следует отметить, что, возможно, лишь интуиционистские модели в настоящее время позволяют как бы более тонко «настроить» способы понимания, семантику получаемых выводов из моделей, относящихся к определенному содержательному виду. Будем записывать (жирным курсивом) далее нумерованный список по теме статьи некоторых сложных высказываний и понятий различных цитируемых авторов. Эти высказывания будем сопоставлять с различными стадиями функционирующего алгоритма или с наличием различных параметров модели (здесь как бы составляется словарь заранее согласованного «перевода» слов с одного языка на другой). Ссылка на литературу для каждого элемента списка приводится лишь один раз – она относится и к последующим элементам списка, вплоть до очередной новой ссылки  (но внутри поясняющего текста могут быть свои ссылки). Приводимые ниже элементы списка следуют ходу изложения текста цитируемых авторов. В этом списке и в соответствующих интерпретациях даются по возможности лишь краткие определения различных терминов. Их более точный смысл следует искать в контексте всей статьи. Далее в интерпретациях курсивом выделяются термины и высказывания, для краткости поясняющие, например, с точки зрения психологии эти термины (или когда приводятся примеры). Иногда курсив применяется просто для выделения  смысла слов.

1. Математика нелинейного мира [7]. − В частности отображение алгебраических моделей конструктивной (интуиционистской) логики (АМКЛ) с помощью обобщенных рядов Эрмита или Фурье.

2. Математическим языком классической физики является дифференциальное исчисление. Аналогичный естественный математический язык для квантовой физики в полном объеме еще не построен, но ему уже можно дать имя − Вторичное Дифференциальное Исчисление. − Вычисление m исходных импликаций (высказываний) К** выявляет отличительные свойства (differentia) одного класса эквивалентности значений Z(0, 1) по сравнению с другим классом. Вычисление m’<<m итоговых импликаций (предикатов) К, т.е. тупиковой дизъюнктивной формы, выявляет обобщенные эти отличительные свойства. Термин “обобщенные” здесь будем использовать в том смысле, что в дальнейшем (при необходимости) с помощью информации К всегда могут быть вычислены модели исследуемого объекта в виде, например, обобщенных рядов Эрмита или Фурье.

3.  …Принцип соответствия Бора, согласно которому классическая физика является предельным случаем квантовой… Поскольку языком классической физики является дифференциальное исчисление, то оно, это старое доброе дифференциальное исчисление есть предельный, вырожденный случай более общей математической теории, которую можно было бы назвать квантовым дифференциальным исчислением. − Для итоговой импликации К, отображающей лишь одну строку массива исходных данных (оценка Г = 1), т.е. для некоторого случайного состояния исследуемого объекта, этого “кванта” исходной информации, аналитическая модель должна отображать δ-функцию Дирака (“иглу”). Эта функция соответствует как бы “аппроксимации” такой К при Г=1 рядом Фурье с весьма большой частотой, в принципе, с бесконечным числом членов этого ряда (“случай” в природе). Эта большая частота должна быть как-то увязана с данным (информационным) состоянием исследуемого объекта (для микрообъектов эта связь отображается постоянной Планка h). Для импликаций К с большими Г мы уже имеем “классические” состояния объекта: эти К аппроксимируются ограниченным числом членов рядов Фурье (при задании, например, статистического критерия Фишера, ограничивающего дальнейший рост числа членов ряда).

4. … Уравнения, описывающие квантовые поля, должны быть дифференциальными уравнениями нового, неизвестного ранее типа, который соотносится с уравнениями в частных производных так же, как уравнения в частных производных соотносятся с обыкновенными дифференциальными уравнениями… Диффеотопы… представляют собой особого рода многообразия, как правило, бесконечномерные, снабженные контактной структурой бесконечного порядка.  − Это, например, обобщенные эрмитовы модели, которые с геометрической точки зрения образуют некоторую сложную поверхность (размерность которой обычно гораздо меньше n), для которой всегда можно вычислить в итоге (дифференцируя все эти модели) их касательные расслоения, соответствующие общему числу использованных для аппроксимации К. См. также п. 3.

Здесь еще отметим, что с топологической точки зрения каждое из этих сложных образований (r+1-мерные многогранники для каждого множества К или соответствующие r+1-мерные “сферы” для аналитических моделей) по своему построению (по алгоритму) не имеют внутри себя “пустот”, отвечающих, например, наличию в них значений х, относящихся к иному классу эквивалентности Z. Однако для итоговой (“глобальной”) АМКЛ, для всех значений Z, эти “пустоты” всегда существуют. Если бы было возможно представить зрительный образ, например, обобщенной эрмитовой модели, то он для сложного объекта выглядел бы как некоторое образование из множества частично пересекающихся “сфер” с пустотами между ними, причем некоторые такие сферы могут быть обособленными. Еще отметим, что в различных частных случаях сами некоторые исходные переменные уже могут быть заданы (заранее вычислены) в виде производных или, в иных случаях, в виде конечных разностей − соответствующие дифференциальные (обобщенные) уравнения или их разностные варианты вычисляются в таких случаях непосредственно. Интересный алгоритм, визуализирующий АМКЛ в виде некоторого многомерного раскрашенного “глобуса”, приведен в [8].

5. Актуальные вычисления, использующие методы вторичного дифференциального исчисления, зачастую оказываются столь сложными и трудоемкими, что их осуществление без надлежащей компьютерной поддержки становится невозможным. Поэтому разработка соответствующего специализированного программного обеспечения для символических “вторичных” вычислений является исключительно важной задачей. − В том случае, если существуют числовые массивы исходных данных, многие подобные прикладные задачи достаточно эффективно решаются с помощью программы вычисления алгебраических моделей конструктивной (интуиционистской) логики (АМКЛ).


Библиографический список
  1. Щеглов В.Н.  Творческое сознание: интуиционизм, алгоритмы и модели. –  Тула: «Гриф и К», 2004. –  201 с., см. книгу автора также в Интернете:   http://samlib.ru/s/sheglow_w_n/ ,  http://publ.lib.ru/ARCHIVES/SCH/SCHEGLOV_Vitaliy_Nikolaevich/_Scheglov_V.N..html(здесь также статьи с формулами), http://shcheglov.livejournal.com/ (ссылки на новые статьи),  http://escalibro.com/ru/poetry/works/sheglow_w_n/,    http://escalibro.com/ru/poetry/works/corolev32/ (все эти ссылки действительны и для всех других работ автора, некоторые последние работы могут также быть в  http://web.snauka.ru/wp-admin/ ).
  2. Щеглов В.Н.  Творческое сознание: интерпретация алгоритма построения алгебраических моделей конструктивной (интуиционистской) логики,  2007. – 12 с.
  3. Драгалин А. Г.  Математический интуиционизм.  –  М.:  «Наука», 1979. – 256 с.
  4. Щеглов В.Н. Нагорная проповедь: сопоставление  с алгоритмом  построения алгебраических моделей интуиционистской логики, 2008. – 9 с.
  5. Шанин Н.А.  Об иерархии способов понимания суждений в конструктивной математике// Труды  математического института имени В. А. Стеклова, CXXIX // Проблемы конструктивного направления в математике, 6. –  Л.: «Наука»,  1973. –  С. 203 – 266.
  6. Антосик П., Микусинский Я., Сикорский Р. Теория обобщенных функций.  – М.: Мир, 1976. – 312 с.
  7. Виноградов А.М. Математика нелинейного мира. http://gordon0030.narod.ru/archive/17450/index.html (см. архив выпусков №300 29.09.2003).
  8. Щеглов В.Н. Суперструны: интуиционистская (алгоритмическая) интерпретация основных идей, 2012. − 6 с.


Количество просмотров публикации: Please wait

Все статьи автора «Щеглов Виталий Николаевич»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться:
  • Регистрация