Как известно, гипотеза Пуанкаре на сегодня является единственной решённой задачей тысячелетия.
Её формулировка довольно проста:
Всякое односвязное компактное трёхмерное многообразие без края гомеоморфно трёхмерной сфере. Источник [1].
В 2002-2003 годах российский математик Григорий Яковлевич Перельман (Источник [10]) опубликовал 3 препринта на Arxiv.org со своим доказательством (Источник [11],[12], [13]). Его правильность проверили и подтвердили 3 независимые группы учёных (Источник [3], [6]) и в 2006 году Перельману присудили премию Филдса, а в 2010 году Премию тысячелетия в 1 млн долларов, но тот от обеих высоких наград отказался. Источник [1].
В этой статье мы сделаем компьютерную визуализацию основных пунктов доказательства.
Упрощённая схема доказательства приведена в Источник [1]:
Пусть есть произвольное односвязное компактное трёхмерное многообразие без края:
Начнём с потоков Риччи:
Поток Риччи — система дифференциальных уравнений в частных производных, описывающая деформацию римановой метрики на многообразии. Ключевая идея данных уравнений- где кривизна больше — там метрика меняется быстрее.Источник [2].
Уравнение Риччи записывается так:
Где:
— метрический тензор (задаёт геометрию многообразия),
— тензор Риччи (характеризует кривизну),
t — параметр «времени» потока (не физическое время, а параметр эволюции метрики).
Для иллюстрации напишем код на Python, демонстрирующий одномерную кривизну и поток:
import numpy as np
import matplotlib.pyplot as plt
# Параметры
N = 100 # число точек на отрезке
L = 1.0 # длина отрезка
dx = L / (N - 1)
x = np.linspace(0, L, N)
# Начальное «поле кривизны» (аналог скалярной кривизны в 1D)
# Сделаем горбик в центре
R = np.zeros(N)
center = N // 2
width = N // 8
for i in range(N):
R[i] = np.exp(-((i - center) / width)**2)
# Метрика (в 1D это просто локальный масштаб ds^2 = g dx^2)
g = np.ones(N) # изначально везде 1
dt = 0.01 # шаг по «времени потока»
steps = 500 # сколько шагов сделать
history_g = []
for t in range(steps):
# Аналог потока Риччи: dg/dt ~ -R (упрощённо)
dg = -2* R * dt
g += dg
# Ограничиваем, чтобы метрика не стала отрицательной
g = np.maximum(g, 0.1)
if t % 50 == 0:
history_g.append(g.copy())
# Визуализация
plt.figure(figsize=(8, 4))
for i, g_snap in enumerate(history_g):
plt.plot(x, g_snap, label=f'step {i*50}')
plt.plot(x, R, 'k--', linewidth=1, label='curvature R')
plt.xlabel('x')
plt.ylabel('metric g')
plt.title('Simplified Ricci-like flow (1D toy model)')
plt.legend()
plt.grid(True)
plt.show()Результат работы программы видно здесь:
В 2d код будет посложнее:
import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import Delaunay
from matplotlib.animation import FuncAnimation
# --- Параметры ---
N = 120 # число точек
dt = 0.002 # шаг по «времени»
steps = 400 # сколько шагов
target_curvature = 0.0 # целевая кривизна в каждой вершине (0 = плоская)
np.random.seed(42)
points = np.random.rand(N, 2) * 10.0 # [0,10] x [0,10]
def compute_angles_and_curvature(points, tri):
"""
Для каждой вершины считаем сумму углов треугольников вокруг неё.
Дискретная гауссова кривизна: K_i = 2π - Σ углов.
"""
n = len(points)
angles_sum = np.zeros(n)
for s in tri.simplices:
i, j, k = s
a = points[j] - points[i]
b = points[k] - points[i]
c = points[k] - points[j]
la = np.linalg.norm(a)
lb = np.linalg.norm(b)
lc = np.linalg.norm(c)
# защита от вырожденных треугольников
if la < 1e-8 or lb < 1e-8 or lc < 1e-8:
continue
cos_i = np.clip((la**2 + lb**2 - lc**2) / (2*la*lb), -1.0, 1.0)
cos_j = np.clip((la**2 + lc**2 - lb**2) / (2*la*lc), -1.0, 1.0)
cos_k = np.clip((lb**2 + lc**2 - la**2) / (2*lb*lc), -1.0, 1.0)
angles_sum[i] += np.arccos(cos_i)
angles_sum[j] += np.arccos(cos_j)
angles_sum[k] += np.arccos(cos_k)
K = 2*np.pi - angles_sum
return K
# --- Подготовка для анимации ---
fig, ax = plt.subplots(figsize=(6, 6))
ax.set_aspect('equal')
ax.axis('off')
# Хранилище кадров
frames_K = []
frames_points = []
# Начальное состояние
tri = Delaunay(points)
K = compute_angles_and_curvature(points, tri)
frames_K.append(K.copy())
frames_points.append(points.copy())
# --- Эволюция (поток) ---
for t in range(steps):
# Вычисляем кривизну
tri = Delaunay(points)
K = compute_angles_and_curvature(points, tri)
# Правило обновления: двигаем точки так, чтобы кривизна стремилась к target_curvature
diff = target_curvature - K
# Локальное масштабирование: если K > target, «раздвигаем» точки вокруг вершины
scale_factor = 1.0 + dt * diff
scale_factor = np.clip(scale_factor, 0.8, 1.2) # ограничение, чтобы не схлопнулось
center = points.mean(axis=0)
points = center + (points - center) * scale_factor[:, np.newaxis]
# Сохраняем состояние
if t % 10 == 0:
frames_K.append(K.copy())
frames_points.append(points.copy())
# --- Визуализация: последний кадр + распределение кривизны ---
tri_final = Delaunay(frames_points[-1])
K_final = frames_K[-1]
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.triplot(frames_points[-1][:, 0], frames_points[-1][:, 1], tri_final.simplices,
color='gray', linewidth=0.4, alpha=0.7)
sc = plt.scatter(frames_points[-1][:, 0], frames_points[-1][:, 1],
c=K_final, cmap='coolwarm', s=25, edgecolors='k', linewidths=0.3)
plt.colorbar(sc, label='Gaussian curvature K')
plt.title('Final state after Ricci-like flow')
plt.axis('equal')
plt.subplot(1, 2, 2)
mean_K = [np.mean(K) for K in frames_K]
var_K = [np.var(K) for K in frames_K]
plt.plot(mean_K, label='Mean curvature', color='blue')
plt.plot(var_K, label='Variance of curvature', color='orange')
plt.axhline(target_curvature, color='green', linestyle='--', label='Target')
plt.xlabel('Step (every 10 iterations saved)')
plt.ylabel('Curvature stats')
plt.legend()
plt.grid(True, alpha=0.3)
plt.title('Evolution of curvature statistics')
plt.tight_layout()
plt.show()В итоге мы получим следующую картинку:
Он позволяет деформировать риманову метрику на многообразии, но в процессе деформации возможно образование «сингулярностей» — точек, в которых кривизна стремится к бесконечности, и деформацию невозможно продолжить.Источник [1]
В таком случае производят хирургию: Вырезают "шею" и залепляют её шарами, а затем продолжают деформацию.Источник [1].
Напишем код для демонстрации:
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# --- Параметры поверхности (гантель) ---
def radius_gantel(z, L=4.0, r_thick=1.0, neck_width=0.4, neck_height=0.5):
"""
Радиус сечения гантели в зависимости от z.
L - полная длина вдоль z, r_thick - радиус шаров,
neck_width - ширина шеи, neck_height - насколько она тонкая.
"""
# Нормализованная координата от -1 до 1
t = z / (L / 2)
# Функция, которая даёт «шею» в центре и «шары» по краям
r = r_thick * (1.0 - neck_height * np.exp(-t**2 / (neck_width**2)))
return r
def smooth_radius(z, L, r_thick, alpha=0.3):
"""
Имитация сглаживания (упрощённый «поток Риччи»):
делаем шею менее выраженной, поверхность более сферической.
alpha - сила сглаживания: 0 = без сглаживания, 1 = почти сфера.
"""
t = z / (L / 2)
# Базовая гантель
r_base = radius_gantel(z, L, r_thick, neck_width=0.6, neck_height=0.7)
# Целевая сфера (радиус как среднее)
r_sphere = r_thick
# Линейная интерполяция между гантелью и сферой
r_smooth = (1 - alpha) * r_base + alpha * r_sphere
return r_smooth
# --- Генерация сетки ---
L = 4.0
z = np.linspace(-L/2, L/2, 80)
theta = np.linspace(0, 2*np.pi, 80)
Z, Theta = np.meshgrid(z, theta)
# Радиусы для «до» (гантель) и «после» (сглаженная)
R_before = radius_gantel(Z, L)
R_after = smooth_radius(Z, L, r_thick=1.0, alpha=0.85) # сильное сглаживание
# Переход в декартовы координаты
X_before = R_before * np.cos(Theta)
Y_before = R_before * np.sin(Theta)
X_after = R_after * np.cos(Theta)
Y_after = R_after * np.sin(Theta)
# --- Визуализация ---
fig = plt.figure(figsize=(12, 5))
ax1 = fig.add_subplot(121, projection='3d')
surf1 = ax1.plot_surface(X_before, Y_before, Z, cmap='viridis', alpha=0.9, edgecolor='none')
ax1.set_title('До: гантелеподобное многообразиеn(возможная сингулярность в шее)')
ax1.set_xlabel('X'); ax1.set_ylabel('Y'); ax1.set_zlabel('Z')
ax2 = fig.add_subplot(122, projection='3d')
surf2 = ax2.plot_surface(X_after, Y_after, Z, cmap='plasma', alpha=0.9, edgecolor='none')
ax2.set_title('После: сглаженное многообразиеn(упрощённая имитация потока Риччи)')
ax2.set_xlabel('X'); ax2.set_ylabel('Y'); ax2.set_zlabel('Z')
plt.tight_layout()
plt.show()В результате получаем следующую картинку:
Таким образом, исходное многообразие гомеоморфно (то есть переходит путём непрерывных деформаций) связной сумме трёхмерных сфер,
то есть трёхмерной сфере.
Таким образом, в данной статье сделана компьютерная визуализация основных идей доказательства Перельмана, получены несколько графических иллюстраций многообразия, потоков Риччи, сглаживания "шеи" и финального результата.
Статья носит чисто иллюстративный и демонстративный характер для наглядного представления доказательства гипотезы Пуанкаре.
Литература:
1.https://ru.wikipedia.org/wiki/Гипотеза_Пуанкаре
2.https://ru.wikipedia.org/wiki/Поток_Риччи
3.https://arxiv.org/abs/math/0612069
4.https://old.mccme.ru/free-books/matpros/articles/МП-24/mp-24-pages-8.pdf
5.https://arxiv.org/abs/0809.1483
6.https://arxiv.org/pdf/math/0211159
7.https://www.wikidata.org/wiki/Q99179783
8.https://www.wikidata.org/wiki/Q99178831
9.https://docs.yandex.ru/docs/view?tm=1784695492&tld=ru&lang=ru&name=mp-24-pages-8.pdf&text=гипотеза пуанкаре доказательство&url=https%3A%2F%2Fold.mccme.ru%2Ffree-books%2Fmatpros%2Farticles%2F%25D0%259C%25D0%259F-24%2Fmp-24-pages-8.pdf&lr=20683&mime=pdf&l10n=ru&sign=a33bbb82ab624fbc77c6d5f4d9a042d9&keyno=0&nosw=1&serpParams=tm%3D1784695492%26tld%3Dru%26lang%3Dru%26name%3Dmp-24-pages-8.pdf%26text%3D%25D0%25B3%25D0%25B8%25D0%25BF%25D0%25BE%25D1%2582%25D0%25B5%25D0%25B7%25D0%25B0%2B%25D0%25BF%25D1%2583%25D0%25B0%25D0%25BD%25D0%25BA%25D0%25B0%25D1%2580%25D0%25B5%2B%25D0%25B4%25D0%25BE%25D0%25BA%25D0%25B0%25D0%25B7%25D0%25B0%25D1%2582%25D0%25B5%25D0%25BB%25D1%258C%25D1%2581%25D1%2582%25D0%25B2%25D0%25BE%26url%3Dhttps%253A%2F%2Fold.mccme.ru%2Ffree-books%2Fmatpros%2Farticles%2F%2525D0%25259C%2525D0%25259F-24%2Fmp-24-pages-8.pdf%26lr%3D20683%26mime%3Dpdf%26l10n%3Dru%26sign%3Da33bbb82ab624fbc77c6d5f4d9a042d9%26keyno%3D0%26nosw%3D1
10.https://ru.wikipedia.org/wiki/Перельман,_Григорий_Яковлевич
11.https://arxiv.org/abs/math/0307245
Автор: Maximka200
