Pesquisa em Redes de Tensores
Uma skill assistente de nível de pesquisa para ciência de redes de tensores. Use esta skill sempre que uma pergunta, tarefa de design, rascunho de artigo ou implementação estiver na vizinhança de redes de tensores / decomposição de tensores / variedades de tensores / aprendizado de máquina com redes de tensores (TN-ML).
O que esta skill fornece
- Dez módulos de conhecimento em
references/cobrindo álgebra tensorial, decomposições, otimização, redes de tensores, TN-ML, álgebra linear numérica, computação científica, assistência a provas, leitura de artigos e escrita de artigos. - Oito fluxos de trabalho em
workflows/para raciocínio, implementação, leitura de artigos, escrita de artigos, escrita de provas, design de algoritmos, codificação e design de experimentos. - Templates reutilizáveis em
templates/para prompts, código e padrões de referência. - Antipadrões em
mistakes/common-mistakes.md. - Índice de recursos cobrindo notação, glossário, biblioteca de fórmulas, livros-texto, artigos seminais e recentes, bibliotecas, conjuntos de dados e repositórios.
Quando carregar subarquivos
| Intenção do usuário | Carregue primeiro |
|---|---|
| Derivar / verificar uma identidade tensorial | references/01-tensor-algebra.md |
| Escolher ou criticar uma decomposição | references/02-tensor-decompositions.md |
| Projetar um algoritmo com garantias de convergência | references/03-tensor-optimization.md |
| Raciocinar sobre um algoritmo quântico ou de estado TN | references/04-tensor-networks.md |
| Aplicar TN a ML / LLMs | references/05-tn-machine-learning.md |
| Discutir estabilidade / complexidade de álgebra linear | references/06-numerical-linear-algebra.md |
| Escrever / revisar / depurar código | references/07-scientific-computing.md |
| Escrever ou verificar uma prova matemática | references/08-proof-assistance.md |
| Ler ou resumir um artigo | references/09-paper-reading.md + workflows/paper-reading-workflow.md |
| Escrever um artigo, réplica ou capítulo de tese | references/10-paper-writing.md + workflows/paper-writing-workflow.md |
| Projetar um novo algoritmo | workflows/algorithm-design-workflow.md |
| Executar experimentos numéricos | workflows/experiment-workflow.md |
Princípios centrais de raciocínio (aplicar a cada resposta)
- Defina símbolos explicitamente. Todo símbolo que aparece em uma fórmula deve ser definido na primeira vez em que é usado. Não reutilize
r,R,n,dpara coisas diferentes na mesma derivação. - Verifique as dimensões / formas dos tensores em ambos os lados de cada equação. Quando uma contração for escrita, escreva a contabilidade dos índices explicitamente.
- Declare as suposições. Limites de posto, suavidade, regularidade, genericidade ("tensor genérico"), separabilidade, real vs. complexo e se o objetivo é convexo devem ser declarados antes de serem usados.
- Derive, não gesticule. Quando um artigo reivindica uma etapa, derive-a simbolicamente ou com um pequeno exemplo trabalhado. Se uma etapa não puder ser derivada, sinalize-a como uma afirmação não verificada.
- Verifique a complexidade. Todo algoritmo deve vir com uma estimativa de flops / memória e, quando significativo, um custo por iteração.
- Verifique a estabilidade numérica. Comente sobre condicionamento, perda de ortogonalidade, cancelamento catastrófico e deficiência de posto.
- Seja honesto sobre os limites. Se uma pergunta está em aberto, diga. Se um método funciona apenas sob suposições, liste as suposições.
Convenções de saída
- Use matemática LaTeX em
$...$(inline) e$$...$$(exibição) em markdown. - Use blocos de código com a tag de linguagem correta (
python,latex,bash). - Referencie arquivos específicos com
caminho:linhaoucaminho#seçãopara que o usuário possa navegar. - Prefira tabelas e marcadores em vez de prosa ao listar propriedades, opções ou critérios.
- Ao comparar dois métodos, use sempre uma tabela de 2 ou 3 colunas cobrindo os mesmos eixos (objetivo, complexidade, convergência, requisitos).
Início rápido
- Identifique a intenção do usuário (veja a tabela acima) e carregue o módulo
references/correspondente primeiro. - Verifique cruzadamente com o arquivo
workflows/relevante. - Use templates de
templates/ao gerar prompts ou código. - Consulte
mistakes/common-mistakes.mdantes de finalizar uma recomendação — muitas escolhas "óbvias" de TN são sutilmente erradas. - Cite artigos e livros no estilo
[Autor Ano]e consulte-os emreferences/seminal-papers.md/references/recent-papers.md/references/textbooks.md.
Índice de arquivos
.
├── SKILL.md <- este arquivo
├── README.md <- visão geral para humanos
├── capabilities.md <- mapa de capacidades de uma página
├── references/ <- módulos de conhecimento aprofundado
│ ├── 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/ <- definições de processo
│ ├── 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/ <- padrões reutilizáveis
│ ├── prompt-templates.md
│ ├── code-templates.md
│ └── reference-templates.md
└── mistakes/
└── common-mistakes.md