Communitygithub.com

Tensor Network Research

Eine forschungsorientierte Agenten-Fähigkeit für Tensor-Netzwerk-Wissenschaft – kompatibel mit jedem Agenten, der den SKILL.md-Standard unterstützt.

Was ist Tensor Network Research?

Diese Fähigkeit versetzt KI-Agenten in die Lage, als kompetente Assistenten für Tensor-Netzwerk-Forschung zu agieren – sei es bei der Beantwortung fachlicher Fragen, dem Entwurf von Algorithmen, der Überprüfung von Papieren oder der Implementierung. Sie enthält zehn tiefgehende Wissensmodule in `references/`, die Themen wie Tensoralgebra, -zerlegungen, Optimierung, Tensor-Netzwerke, Machine Learning mit Tensoren, numerische lineare Algebra, wissenschaftliches Rechnen, Beweishilfe sowie das Lesen und Schreiben wissenschaftlicher Arbeiten abdecken. Acht Workflows unter `workflows/` leiten den Agenten durch Reasoning, Implementierung, Papieranalyse, Schreiben, Beweisführung, Algorithmenentwurf, Codierung und Experimente. Die Fähigkeit wird durch eine Datenbank häufiger Fehler (`mistakes/common-mistakes.md`), eine Ressourcensammlung (Notation, Glossar, Formelsammlung, Lehrbücher, wegweisende und aktuelle Arbeiten, Bibliotheken, Datensätze, Repositories) sowie Vorlagen für Prompts, Code und Referenzen ergänzt. Sie ist mit jedem Agenten nutzbar, der den SKILL.md-Standard unterstützt, und eignet sich besonders für Forschende, die KI-gestützte Unterstützung in hochspezialisierten Tensor-Methoden benötigen.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add haotong-Duan/tensor-network-research

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

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

  1. Zehn Wissensmodule unter references/, die Tensoralgebra, Zerlegungen, Optimierung, Tensor-Netzwerke, TN-ML, numerische lineare Algebra, wissenschaftliches Rechnen, Beweishilfe, Papier lesen und Papier schreiben abdecken.
  2. Acht Workflows unter workflows/ für Reasoning, Implementierung, Papier lesen, Papier schreiben, Beweisführung, Algorithmenentwurf, Codierung und Experiment-Design.
  3. Wiederverwendbare Vorlagen unter templates/ für Prompts, Code und Referenzmuster.
  4. Anti-Patterns unter mistakes/common-mistakes.md.
  5. Ressourcenindex mit Notation, Glossar, Formelsammlung, Lehrbüchern, wegweisenden und aktuellen Arbeiten, Bibliotheken, Datensätzen und Repositories.

Wann Unterdateien geladen werden sollten

BenutzerabsichtZuerst laden
Eine Tensor-Identität herleiten / verifizierenreferences/01-tensor-algebra.md
Eine Zerlegung auswählen oder kritisierenreferences/02-tensor-decompositions.md
Einen Algorithmus mit Konvergenzgarantien entwerfenreferences/03-tensor-optimization.md
Über einen Quanten- oder TN-Zustandsalgorithmus nachdenkenreferences/04-tensor-networks.md
TN auf ML / LLMs anwendenreferences/05-tn-machine-learning.md
Stabilität / Komplexität linearer Algebra diskutierenreferences/06-numerical-linear-algebra.md
Code schreiben / überprüfen / debuggenreferences/07-scientific-computing.md
Einen mathematischen Beweis schreiben oder prüfenreferences/08-proof-assistance.md
Ein Papier lesen oder zusammenfassenreferences/09-paper-reading.md + workflows/paper-reading-workflow.md
Ein Papier, eine Replik oder ein Kapitel schreibenreferences/10-paper-writing.md + workflows/paper-writing-workflow.md
Einen neuen Algorithmus entwerfenworkflows/algorithm-design-workflow.md
Numerische Experimente durchführenworkflows/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, d nicht 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:zeile oder pfad#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

  1. Identifizieren Sie die Absicht des Benutzers (siehe Tabelle oben) und laden Sie das passende references/-Modul zuerst.
  2. Querchecken Sie gegen die relevante workflows/-Datei.
  3. Verwenden Sie Vorlagen aus templates/, wenn Prompts oder Code generiert werden.
  4. Konsultieren Sie mistakes/common-mistakes.md, bevor Sie eine Empfehlung finalisieren – viele „offensichtliche“ TN-Entscheidungen sind subtil falsch.
  5. Zitieren Sie Papiere und Bücher im Stil [Autor Jahr] und schlagen Sie sie in references/seminal-papers.md / references/recent-papers.md / references/textbooks.md nach.

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

Verwandte Skills