Was macht Tensor Network Research?
Eine forschungsorientierte Assistenten-Fähigkeit für die Wissenschaft der Tensor-Netzwerke. Verwenden Sie diese Fähigkeit, wann immer eine Frage, eine Designaufgabe, ein Papierentwurf oder eine Implementierung im Bereich Tensor-Netzwerke / Tensor-Zerlegungen / Tensor-Mannigfaltigkeiten / Tensor-Netzwerk-ML liegt.
Was diese Fähigkeit bereitstellt
- Zehn Wissensmodule unter
references/, die Tensoralgebra, Zerlegungen, Optimierung, Tensor-Netzwerke, TN-ML, numerische lineare Algebra, wissenschaftliches Rechnen, Beweishilfe, Papier lesen und Papier schreiben abdecken. - Acht Workflows unter
workflows/für Reasoning, Implementierung, Papier lesen, Papier schreiben, Beweisführung, Algorithmenentwurf, Codierung und Experiment-Design. - Wiederverwendbare Vorlagen unter
templates/für Prompts, Code und Referenzmuster. - Anti-Patterns unter
mistakes/common-mistakes.md. - Ressourcenindex mit Notation, Glossar, Formelsammlung, Lehrbüchern, wegweisenden und aktuellen Arbeiten, Bibliotheken, Datensätzen und Repositories.
Wann Unterdateien geladen werden sollten
| Benutzerabsicht | Zuerst laden |
|---|---|
| Eine Tensor-Identität herleiten / verifizieren | references/01-tensor-algebra.md |
| Eine Zerlegung auswählen oder kritisieren | references/02-tensor-decompositions.md |
| Einen Algorithmus mit Konvergenzgarantien entwerfen | references/03-tensor-optimization.md |
| Über einen Quanten- oder TN-Zustandsalgorithmus nachdenken | references/04-tensor-networks.md |
| TN auf ML / LLMs anwenden | references/05-tn-machine-learning.md |
| Stabilität / Komplexität linearer Algebra diskutieren | references/06-numerical-linear-algebra.md |
| Code schreiben / überprüfen / debuggen | references/07-scientific-computing.md |
| Einen mathematischen Beweis schreiben oder prüfen | references/08-proof-assistance.md |
| Ein Papier lesen oder zusammenfassen | references/09-paper-reading.md + workflows/paper-reading-workflow.md |
| Ein Papier, eine Replik oder ein Kapitel schreiben | references/10-paper-writing.md + workflows/paper-writing-workflow.md |
| Einen neuen Algorithmus entwerfen | workflows/algorithm-design-workflow.md |
| Numerische Experimente durchführen | workflows/experiment-workflow.md |
Grundlegende Reasoning-Prinzipien (auf jede Antwort anwenden)
- Symbole explizit definieren. Jedes Symbol, das in einer Formel vorkommt, muss
bei seiner ersten Verwendung definiert werden. Verwenden Sie
r,R,n,dnicht für verschiedene Dinge in derselben Herleitung. - Dimensionen / Tensorformen auf beiden Seiten jeder Gleichung überprüfen. Wenn eine Kontraktion geschrieben wird, schreiben Sie die Indexbuchhaltung explizit auf.
- Annahmen angeben. Rangschranken, Glattheit, Regularität, Generizität („generischer Tensor“), Separierbarkeit, reell vs. komplex, und ob das Zielfunktion konvex ist, müssen genannt werden, bevor sie verwendet werden.
- Herleiten, nicht beschwichtigen. Wenn ein Papier einen Schritt behauptet, leiten Sie ihn symbolisch oder anhand eines kleinen ausgearbeiteten Beispiels her. Wenn ein Schritt nicht hergeleitet werden kann, kennzeichnen Sie ihn als unbewiesene Behauptung.
- Komplexität prüfen. Jeder Algorithmus muss mit einer Flops-/Speicher- Schätzung und, sofern sinnvoll, mit Kosten pro Iteration versehen sein.
- Numerische Stabilität prüfen. Kommentieren Sie Konditionierung, Orthogonalitätsverlust, katastrophale Auslöschung und Rangdefizit.
- Ehrlich zu Grenzen sein. Wenn eine Frage offen ist, sagen Sie das. Wenn eine Methode nur unter Annahmen funktioniert, listen Sie die Annahmen auf.
Ausgabekonventionen
- Verwenden Sie LaTeX-Mathematik in
$...$(inline) und$$...$$(Anzeige) im Markdown. - Verwenden Sie Codeblöcke mit der richtigen Sprachmarkierung (
python,latex,bash). - Verweisen Sie auf bestimmte Dateien mit
pfad:zeileoderpfad#abschnitt, damit der Benutzer navigieren kann. - Bevorzugen Sie Tabellen und Aufzählungspunkte gegenüber Fließtext, wenn Eigenschaften, Optionen oder Kriterien aufgelistet werden.
- Vergleichen Sie zwei Methoden stets in einer 2- oder 3-spaltigen Tabelle mit denselben Achsen (Ziel, Komplexität, Konvergenz, Anforderungen).
Schnellstart
- Identifizieren Sie die Absicht des Benutzers (siehe Tabelle oben) und laden Sie das passende
references/-Modul zuerst. - Querchecken Sie gegen die relevante
workflows/-Datei. - Verwenden Sie Vorlagen aus
templates/, wenn Prompts oder Code generiert werden. - Konsultieren Sie
mistakes/common-mistakes.md, bevor Sie eine Empfehlung finalisieren – viele „offensichtliche“ TN-Entscheidungen sind subtil falsch. - Zitieren Sie Papiere und Bücher im Stil
[Autor Jahr]und schlagen Sie sie inreferences/seminal-papers.md/references/recent-papers.md/references/textbooks.mdnach.
Dateiindex
.
├── SKILL.md <- diese Datei
├── README.md <- menschenlesbare Übersicht
├── capabilities.md <- einseitige Fähigkeitsübersicht
├── references/ <- tiefgehende Wissensmodule
│ ├── 01-tensor-algebra.md
│ ├── 02-tensor-decompositions.md
│ ├── 03-tensor-optimization.md
│ ├── 04-tensor-networks.md
│ ├── 05-tn-machine-learning.md
│ ├── 06-numerical-linear-algebra.md
│ ├── 07-scientific-computing.md
│ ├── 08-proof-assistance.md
│ ├── 09-paper-reading.md
│ ├── 10-paper-writing.md
│ ├── glossary.md
│ ├── notation.md
│ ├── formula-library.md
│ ├── textbooks.md
│ ├── seminal-papers.md
│ ├── recent-papers.md
│ ├── libraries.md
│ ├── datasets.md
│ └── repositories.md
├── workflows/ <- Prozessdefinitionen
│ ├── reasoning-checklist.md
│ ├── implementation-checklist.md
│ ├── paper-reading-workflow.md
│ ├── paper-writing-workflow.md
│ ├── proof-workflow.md
│ ├── algorithm-design-workflow.md
│ ├── coding-workflow.md
│ └── experiment-workflow.md
├── templates/ <- wiederverwendbare Muster
│ ├── prompt-templates.md
│ ├── code-templates.md
│ └── reference-templates.md
└── mistakes/
└── common-mistakes.md