无法理解五维空间?看这里就懂了,还有更高维度的空间解析

2018 年 8 月 16 日 算法与数学之美

超级超级期待诺兰《星际穿越》,可惜是11月12日,苦逼的卖家双11刚过还要忙着发货,没办法去看首映,今天才补上。


除了非常多感人的情节,最让我奋的,就是看到很多以往只能想象的物理场景,被诺兰实物化,而且那么漂亮和壮丽,哪怕有很多和原本的想象有不同。

开篇看到Ghost的时候,我就猜到这个不是普通包袱,可能是来自未来的人类给他们的启示,不过也没有想到是男主角自己。到最后男主角通过黑洞进入五维空间,情节进入了高潮,抖落了所有的包袱。这里涉及了很多数学和物理学的概念,本人并非科学家,只是多年来喜欢物理学的普通人,Sheldon们等科学大咖就别喷了,如果有硬伤,也欢迎大家多交流,本文就不对情节做过多的评论,只是帮助大家形象理解多位空间而已。, 

在此之前,先普及几个概念

1. N维可以体现为N-1维的投影
一维只有长度,就是一条直线。

二维是长度和宽度,就是一个薄片,没有厚度(高度),所以所有的二维图形,在一维就投影为一条线。这个也不难理解。
三维加入了高度。以此类推,就是真正的投影的概念,比如,三维的球体,在二维就投影为一个圆形。注意,不是三围。
那么四维呢?等下讲。

2. 在N+1维中,可以通过扭曲N维,来连接N维中的任何两点


在一维里,两点之间只有一条直线距离是最近的,成为一条线段。
在二维的纸面上,我们还可以把这条线段扭曲变成一个圆形,那么这两点之间的距离就变为了0。
在三维中,我们可以干脆扭曲纸面,让两个点碰在一起。就像电影中演的那样。用笔戳破投影的两个洞,就是虫洞,而三维投影在二维纸面的是一个圆形,那么在三维中自然就是一个球形。相信这里很容易看懂。
在四维中的扭曲,你可以这样理解:你能够瞬间从任何一个地方,去任何一个地方。我们只是把空间扭曲而已。更形象的说,就是多啦A梦的随意门。
更多维度的扭曲,请见下文。


3. 关于概率波的坍塌,【薛定谔的猫】


薛定谔的猫是诸多量子困惑中有代表性的一个。相信大家已经听过很多次关于这个故事的描述了,我就简化一下“一只活蹦乱跳的猫被封在一个密室里,密室里有一盘毒药,不知道猫是否会去舔毒药,那么在你打开密室之前,猫是活还是死?”

根据我们在日常生活中的经验,可以认定,猫或者死,或者活。但是,如果我们用薛定谔方程来描述薛定谔猫,则只能说,它处于一种活与不活的叠加态。我们只有在揭开盖子的一瞬间,才能确切地知道猫是死是活。此时,猫的波函数由叠加态立即收缩(或者说坍塌)到某一个特定状态。量子理论认为:如果没有揭开盖子,进行观察,我们永远也不知道猫是死是活,它将永远处于半死不活的叠加态。

很难理解吗?你只要这样去想象即可:在你打开盖子的瞬间,时空裂变成了两个,一个是猫死了,一个是猫活着,这两个时空,从此以后互不相干继续存在下去,两个世界里有两个你,可能会去做不同的事情,而这两个时空(宇宙),也不会互相影响。那么在空间裂变之前(就是你打开密室的瞬间之前),两个时空是叠加的,猫的死活,就是一种概率。这个概率,或者说概率波,在你打开的瞬间,由波,变成了一个确定的点(概率波的坍塌)。

4.  平行宇宙

如果你理解了猫的或生或死的可能性,那么你就可以理解,在这里创造出了两个平行宇宙。如果再加上其他参数,比如,猫如果活着,是站着还是坐着;如果死了,是趴着还是躺着。加入这四种可能性后,就产生了4个平行宇宙(活着站,活着坐,死着趴,死着躺),以此类推其他的因素,则是无穷多个平行宇宙。

接下来我们来理解多维空间。
四维,就是加入了时间的三维。如果你也处在四维空间,你看到的人,应该是这样的)。
http://www.my51a.com/ewebeditor/uploadfile/200998164646650.jpg
http://images.zj.com/uppic/2009/09/04/1276514_2.jpg


事实上应该比这个轨迹更长,这个人的一生,都体现在这个长长的轨迹里,让我们把图中的这种形状叫做“四维轨迹图”好了。而我们在三维世界看到的这个人,就是这个长长的四维轨迹图的一个瞬间的投影而已。所以,三维就是四维中的某一个时刻,反过来,四维则是三维的集合。

五维,就是概率(也可以理解为不同的可能性),即加入了平行宇宙的四维。那么投影在四维中,也是一个四维轨迹图。那么在五维世界里,应该是什么样子的呢?

在五维中,你会看到,同一个人,有无数个四维轨迹图(每一个轨迹图,都是他的一生,可能是成为医生,他也可能成为了总统等等。所以五维中,有无数种可能的此人的一生)叠加在一起,投影到任何一个四维空间,概率波就坍缩成为某一种特定状态,也就是他的某一种一生。

在《星际穿越》中,男主在最终进入黑洞后,进入了五维空间,里面有他女儿房间的所有时段,电影为了方便演示,没有用四维轨迹图的方式,而是用了无数个房间。有人会问,这样不是应该是四维吗,为何是五维?因为在当时的情形下,他女儿的命运也可能有可能性,可能没有解出方程,可能没有接收到他的信息等等。所以电影解读为五维是比较合适的。

补充一点,四维扭曲三维的两个点,在上文我们已经讨论过,就是随意门。那么,五维连接四维的两个点,是怎样的呢?我们把“某人的一生”这个四维轨迹图中的任何两点(两个时刻,比如3岁和30岁)扭曲在一起,看上去,就是这个人突然从3岁变成了30岁。也就是说,五维空间里的人,可以随意改变自己所处的时间(年纪)。


让我们再进一步,什么是六维?

在五维中,这个人的一生,有很多种可能性,你可以想象无数个四维轨迹图像牙签一样插在一个圆心上,成为一个巨大球体好了,只不过每一个“牙签”都是独立的,之间没有办法直接相连。不妨把这个“牙签球”,都看作成为六维在五维的投影。如果你理解了上文的【在N+1维中,可以通过扭曲N维,来连接N维中的任何两点】,那么你就可以更好理解六维。

在六维中,这个牙签球的任何两个牙签的任何两点,都可以随意相连。让我们举个例子,在其中的一个“牙签”(请记得,每一个牙签,都是四维轨迹图,都是这个人的某种一辈子)上,此人3岁时摔倒了,脸上留下了永久的疤痕;而另外一个牙签上,此人30岁则没有疤痕。也就是说,不仅仅这个人可以突然从3岁变成30岁,还可以突然从有疤痕的3岁,变成没有疤痕的30岁。换句话说,六维空间的人,不仅可以改变自己的任何年纪,还可以改变自己的命运,可以体验科学家的生活,也可以突然变成一个富人,可以让自己变高,变矮,变瘦变壮,想过怎样的生活都可以随时改变。

把我们现有的宇宙的所有无穷多个可能性的四维轨迹图,做成牙签球,就是五维世界了。那么六维就是可以链接任意两根牙签的超级牙签球。

六维,已经包含了所有的可能性,还敢想象一下七维吗?

请注意,我们的这些可能性,依然是建立在现在这个世界的物理基础上的,比如,人要长一个鼻子两个眼睛,地球也有重力,冰水混合物是0摄氏度,光速是30万公里每秒……那么,是否还有其他宇宙,和我们所在的这个世界不同呢?如果有,那么把两个世界相连,就是七维了。

如果六维是超级牙签球,那么七维,就是存在另外的超级牙签球,其物理规律,和我们所在的这个完全不同。把两个球相连,就是七维。也就是说,我们现在的宇宙,变成了另外一个宇宙。

那么八维就很好理解了,假设我们所在的这个宇宙牙签球是A,可以变成B牙签球,那么也可以变成C牙签球,每一个牙签球的物理规律,都不相同。八维就是所有不同牙签球连接的集合。把A-B,A-C,A-D……所有的连线都看成新的大牙签,再插在一起,组成一个“牙签球的牙签球”, 就是八维。但是每一个大牙签依然互相不影响。我们无法从A-B这个大牙签,跳跃到A-C这个大牙签上。

九维,就是可以突破上述限制,随意更改,宇宙已经醉了,已经你已经想怎么样就怎么样了,你已经是神了。

那么十维,就是把这些所有的所有集中起来,没有再比这个再大再多的集合了。

让我们总结一下所有的维度
一维:长度
二维:宽度
三维:高度
四维:时间
五维:概率/可能性
六维:所有可能性的集合
七维:从我们的宇宙,到另外的宇宙
八维:不同宇宙的可能性集合
九维:可以随便改变的宇宙
十维:所有的一切的一切的一切

∑编辑 | Gemini

来源 | 豆瓣电影

算法数学之美微信公众号欢迎赐稿

稿件涉及数学、物理、算法、计算机、编程等相关领域,经采用我们将奉上稿酬。

投稿邮箱:math_alg@163.com

登录查看更多
0

相关内容

【斯坦福大学博士论文】自监督场景表示学习, 97页pdf
专知会员服务
92+阅读 · 2020年6月19日
最新《机器学习理论初探》概述
专知会员服务
42+阅读 · 2020年5月19日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
【中科大徐童】多模态语义理解与关联
专知会员服务
81+阅读 · 2019年12月7日
GAN 为什么需要如此多的噪声?
AI科技评论
14+阅读 · 2020年3月17日
特征方程的物理意义
算法与数学之美
6+阅读 · 2019年5月13日
可视化理解四元数,愿你不再掉头发
计算机视觉life
30+阅读 · 2019年1月2日
【干货】深入理解变分自编码器
专知
21+阅读 · 2018年3月22日
【机器学习理论】我所理解的 SVM 2——核函数的应用
机器学习研究会
5+阅读 · 2018年3月17日
为什么大家都不戳破深度学习的本质?
36大数据
4+阅读 · 2017年12月7日
机器学习(27)【降维】之主成分分析(PCA)详解
机器学习算法与Python学习
9+阅读 · 2017年11月22日
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数
机器学习算法与Python学习
3+阅读 · 2017年9月23日
PCA的基本数学原理
算法与数学之美
11+阅读 · 2017年8月8日
Arxiv
6+阅读 · 2018年11月1日
VIP会员
相关资讯
GAN 为什么需要如此多的噪声?
AI科技评论
14+阅读 · 2020年3月17日
特征方程的物理意义
算法与数学之美
6+阅读 · 2019年5月13日
可视化理解四元数,愿你不再掉头发
计算机视觉life
30+阅读 · 2019年1月2日
【干货】深入理解变分自编码器
专知
21+阅读 · 2018年3月22日
【机器学习理论】我所理解的 SVM 2——核函数的应用
机器学习研究会
5+阅读 · 2018年3月17日
为什么大家都不戳破深度学习的本质?
36大数据
4+阅读 · 2017年12月7日
机器学习(27)【降维】之主成分分析(PCA)详解
机器学习算法与Python学习
9+阅读 · 2017年11月22日
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
机器学习(18)之支持向量机原理(三)线性不可分支持向量机与核函数
机器学习算法与Python学习
3+阅读 · 2017年9月23日
PCA的基本数学原理
算法与数学之美
11+阅读 · 2017年8月8日
Top
微信扫码咨询专知VIP会员