Investigación en Redes de Tensores
Un skill asistente de grado investigativo para la ciencia de redes de tensores. Utiliza este skill siempre que una pregunta, tarea de diseño, borrador de artículo o implementación se encuentre en el ámbito de redes de tensores / descomposición de tensores / variedades de tensores / aprendizaje automático con redes de tensores.
Qué ofrece este skill
- Diez módulos de conocimiento en
references/que cubren álgebra de tensores, descomposiciones, optimización, redes de tensores, TN-ML, álgebra lineal numérica, computación científica, asistencia para pruebas, lectura de artículos y escritura de artículos. - Ocho flujos de trabajo en
workflows/para razonamiento, implementación, lectura de artículos, escritura de artículos, escritura de pruebas, diseño de algoritmos, codificación y diseño de experimentos. - Plantillas reutilizables en
templates/para indicaciones, código y patrones de referencia. - Antipatrones en
mistakes/common-mistakes.md. - Índice de recursos que incluye notación, glosario, biblioteca de fórmulas, libros de texto, artículos seminales y recientes, bibliotecas, conjuntos de datos y repositorios.
Cuándo cargar subarchivos
| Intención del usuario | Cargar primero |
|---|---|
| Derivar / verificar una identidad tensorial | references/01-tensor-algebra.md |
| Elegir o criticar una descomposición | references/02-tensor-decompositions.md |
| Diseñar un algoritmo con garantías de convergencia | references/03-tensor-optimization.md |
| Razonar sobre un algoritmo cuántico o de estado TN | references/04-tensor-networks.md |
| Aplicar TN a ML / LLMs | references/05-tn-machine-learning.md |
| Discutir estabilidad / complejidad del álgebra lineal | references/06-numerical-linear-algebra.md |
| Escribir / revisar / depurar código | references/07-scientific-computing.md |
| Escribir o verificar una prueba matemática | references/08-proof-assistance.md |
| Leer o resumir un artículo | references/09-paper-reading.md + workflows/paper-reading-workflow.md |
| Escribir un artículo, una réplica o un capítulo de tesis | references/10-paper-writing.md + workflows/paper-writing-workflow.md |
| Diseñar un nuevo algoritmo | workflows/algorithm-design-workflow.md |
| Realizar experimentos numéricos | workflows/experiment-workflow.md |
Principios básicos de razonamiento (aplicar a cada respuesta)
- Definir símbolos explícitamente. Cada símbolo que aparece en una fórmula debe
definirse la primera vez que se utiliza. No reutilices
r,R,n,dpara cosas diferentes en la misma derivación. - Verificar dimensiones / formas de tensores en ambos lados de cada ecuación. Cuando se escribe una contracción, escribe el registro de índices explícitamente.
- Establecer supuestos. Límites de rango, suavidad, regularidad, genericidad ("tensor genérico"), separabilidad, real vs. complejo, y si el objetivo es convexo, deben indicarse antes de usarlos.
- Derivar, no divagar. Cuando un artículo afirma un paso, derívalo simbólicamente o con un pequeño ejemplo trabajado. Si un paso no se puede derivar, márcalo como una afirmación no verificada.
- Verificar complejidad. Cada algoritmo debe incluir una estimación de flops / memoria y, cuando sea significativo, un costo por iteración.
- Verificar estabilidad numérica. Comenta sobre el condicionamiento, la pérdida de ortogonalidad, la cancelación catastrófica y la deficiencia de rango.
- Ser honesto sobre los límites. Si una pregunta está abierta, dilo. Si un método solo funciona bajo supuestos, enumera los supuestos.
Convenciones de salida
- Utiliza matemáticas LaTeX en
$...$(en línea) y$$...$$(mostradas) en markdown. - Usa bloques de código con la etiqueta de idioma correcta (
python,latex,bash). - Haz referencia a archivos específicos con
ruta:líneaoruta#secciónpara que el usuario pueda navegar. - Prefiere tablas y viñetas sobre prosa al enumerar propiedades, opciones o criterios.
- Al comparar dos métodos, usa siempre una tabla de 2 o 3 columnas que cubra los mismos ejes (objetivo, complejidad, convergencia, requisitos).
Inicio rápido
- Identifica la intención del usuario (consulta la tabla anterior) y carga primero el módulo
references/correspondiente. - Verifica de manera cruzada con el archivo
workflows/relevante. - Usa las plantillas de
templates/al generar indicaciones o código. - Consulta
mistakes/common-mistakes.mdantes de finalizar una recomendación — muchas elecciones "obvias" de TN son sutilmente incorrectas. - Cita artículos y libros con el estilo
[Autor Año]y búscalos enreferences/seminal-papers.md/references/recent-papers.md/references/textbooks.md.
Índice de archivos
.
├── SKILL.md <- este archivo
├── README.md <- descripción general para humanos
├── capabilities.md <- mapa de capacidades de una página
├── references/ <- módulos de conocimiento profundos
│ ├── 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/ <- definiciones de procesos
│ ├── 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/ <- patrones reutilizables
│ ├── prompt-templates.md
│ ├── code-templates.md
│ └── reference-templates.md
└── mistakes/
└── common-mistakes.md