SlideShare a Scribd company logo
𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく)
𝒙 =
𝑥1
𝑥2
𝑥3
,
𝐸 𝒙 =
1
2
𝑒1
2
𝒙 + 𝑒2
2
𝒙 + 𝑒3
2
𝒙
のとき,
𝒆 𝒙 =
𝑒1 𝒙
𝑒2 𝒙
𝑒3 𝒙
とする.
𝒈 = ∇𝐸 𝒙 =
𝜕𝐸
𝜕𝒙
=
𝜕𝐸 𝒙
𝜕𝑥1
𝜕𝐸 𝒙
𝜕𝑥2
𝜕𝐸 𝒙
𝜕𝑥3
=
𝜕𝑒1(𝒙)
𝜕𝑥1
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥1
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥1
𝑒3(𝒙)
𝜕𝑒1(𝒙)
𝜕𝑥2
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥2
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥2
𝑒3(𝒙)
𝜕𝑒1(𝒙)
𝜕𝑥3
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥3
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥3
𝑒3(𝒙)
𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく)
𝐻 =
𝑑2
𝐸 𝒙
𝑑𝒙2
=
𝜕𝒈
𝜕𝒙
=
𝜕2
𝐸 𝒙
𝜕𝑥1
2
𝜕2
𝐸 𝒙
𝜕𝑥1 𝜕𝑥2
𝜕2
𝐸 𝒙
𝜕𝑥1 𝜕𝑥3
𝜕2
𝐸 𝒙
𝜕𝑥2 𝜕𝑥1
𝜕2
𝐸 𝒙
𝜕𝑥2 𝜕𝑥2
𝜕2
𝐸 𝒙
𝜕𝑥2 𝜕𝑥3
𝜕2
𝐸 𝒙
𝜕𝑥3 𝜕𝑥1
𝜕2
𝐸 𝒙
𝜕𝑥3 𝜕𝑥2
𝜕2
𝐸 𝒙
𝜕𝑥3 𝜕𝑥3
=
𝜕2
𝑒1 𝒙
𝜕𝑥1
2 𝑒1 𝒙 +
𝜕𝑒1 𝒙
𝜕𝑥1
𝟐
+
𝜕2
𝑒2 𝒙
𝜕𝑥1
2 𝑒2 𝒙 +
𝜕𝑒2 𝒙
𝜕𝑥1
𝟐
+
𝜕2
𝑒3 𝒙
𝜕𝑥1
2 𝑒3 𝒙 +
𝜕𝑒3 𝒙
𝜕𝑥1
𝟐
… …
… … …
… … … 3×3
↑
(1,1)成分だけ表示
𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく)
𝐽 =
𝜕𝑒1 𝒙
𝜕𝑥1
𝜕𝑒1 𝒙
𝜕𝑥2
𝜕𝑒1 𝒙
𝜕𝑥3
𝜕𝑒2 𝒙
𝜕𝑥1
𝜕𝑒2 𝒙
𝜕𝑥2
𝜕𝑒2 𝒙
𝜕𝑥3
𝜕𝑒3 𝒙
𝜕𝑥1
𝜕𝑒3 𝒙
𝜕𝑥2
𝜕𝑒3 𝒙
𝜕𝑥3
𝐽 𝑇
𝐽 =
𝜕𝑒1 𝒙
𝜕𝑥1
𝜕𝑒2 𝒙
𝜕𝑥1
𝜕𝑒3 𝒙
𝜕𝑥1
𝜕𝑒1 𝒙
𝜕𝑥2
𝜕𝑒2 𝒙
𝜕𝑥2
𝜕𝑒3 𝒙
𝜕𝑥2
𝜕𝑒1 𝒙
𝜕𝑥3
𝜕𝑒2 𝒙
𝜕𝑥3
𝜕𝑒3 𝒙
𝜕𝑥3
𝜕𝑒1 𝒙
𝜕𝑥1
𝜕𝑒1 𝒙
𝜕𝑥2
𝜕𝑒1 𝒙
𝜕𝑥3
𝜕𝑒2 𝒙
𝜕𝑥1
𝜕𝑒2 𝒙
𝜕𝑥2
𝜕𝑒2 𝒙
𝜕𝑥3
𝜕𝑒3 𝒙
𝜕𝑥1
𝜕𝑒3 𝒙
𝜕𝑥2
𝜕𝑒3 𝒙
𝜕𝑥3
=
𝜕𝑒1 𝒙
𝜕𝑥1
2
+
𝜕𝑒2 𝒙
𝜕𝑥1
2
+
𝜕𝑒3 𝒙
𝜕𝑥1
2
… …
… … …
… … …
よって, ||𝒆 𝒙 ||が小さいときや𝒆 𝒙 の二階微分の大きさが小さいときに𝐻 ≈ 𝐽T
𝐽のよい近似ができる.
𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく)
ちなみに − 𝒈 = −𝐽 𝑇
𝒆(𝒙)は,
𝒈 =
𝜕𝐸 𝒙
𝜕𝑥1
𝜕𝐸 𝒙
𝜕𝑥2
𝜕𝐸 𝒙
𝜕𝑥3
=
𝜕𝑒1(𝒙)
𝜕𝑥1
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥1
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥1
𝑒3(𝒙)
𝜕𝑒1(𝒙)
𝜕𝑥2
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥2
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥2
𝑒3(𝒙)
𝜕𝑒1(𝒙)
𝜕𝑥3
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥3
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥3
𝑒3(𝒙)
𝐽 𝑇
𝒆 𝒙 =
𝜕𝑒1 𝒙
𝜕𝑥1
𝜕𝑒2 𝒙
𝜕𝑥1
𝜕𝑒3 𝒙
𝜕𝑥1
𝜕𝑒1 𝒙
𝜕𝑥2
𝜕𝑒2 𝒙
𝜕𝑥2
𝜕𝑒3 𝒙
𝜕𝑥2
𝜕𝑒1 𝒙
𝜕𝑥3
𝜕𝑒2 𝒙
𝜕𝑥3
𝜕𝑒3 𝒙
𝜕𝑥3
𝑒1 𝒙
𝑒2 𝒙
𝑒3 𝒙
=
𝜕𝑒1(𝒙)
𝜕𝑥1
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥1
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥1
𝑒3(𝒙)
𝜕𝑒1(𝒙)
𝜕𝑥2
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥2
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥2
𝑒3(𝒙)
𝜕𝑒1(𝒙)
𝜕𝑥3
𝑒1(𝒙) +
𝜕𝑒2(𝒙)
𝜕𝑥3
𝑒2(𝒙) +
𝜕𝑒3 𝒙
𝜕𝑥3
𝑒3(𝒙)
から成りたつことがいえる.
これは𝐸 𝒙 =
1
2
σ𝑖 𝑒𝑖
2
(𝒙) 場合に成り立つ.

More Related Content

Similar to gHJ

【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow
Sony - Neural Network Libraries
 
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
kenyanonaka
 
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングPrml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
takutori
 
Control PID clásico para contol automático
Control PID clásico para contol automáticoControl PID clásico para contol automático
Control PID clásico para contol automático
Hipólito Aguilar
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
 
退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について
Takahiro Hashira
 
グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―
Yutaka Nagahata
 
Prml1.2.4
Prml1.2.4Prml1.2.4
Prml1.2.4
Tomoyuki Hioki
 
表現論 ゼミ資料
表現論 ゼミ資料表現論 ゼミ資料
表現論 ゼミ資料
HanpenRobot
 
強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現
Kazu Ghalamkari
 
Mémoire R. Denis (2014)
Mémoire R. Denis (2014)Mémoire R. Denis (2014)
Mémoire R. Denis (2014)
Renaud Denis
 
退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について
退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について
退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について
Takahiro Hashira
 
テトラヘドロン法
テトラヘドロン法テトラヘドロン法
テトラヘドロン法
ssuser29d350
 
mathphysicsmastersv2
mathphysicsmastersv2mathphysicsmastersv2
mathphysicsmastersv2
Ryosuke Ishii
 
超複素数
超複素数超複素数
超複素数
Horiguchi Shuhei
 
Fourier transform
Fourier transformFourier transform
Fourier transform
ShinoharaTakuto
 
確率微分方程式の基礎
確率微分方程式の基礎 確率微分方程式の基礎
確率微分方程式の基礎
HanpenRobot
 
「単位」をしっかり見てみよう!~単位の基本性質と活用法~
「単位」をしっかり見てみよう!~単位の基本性質と活用法~「単位」をしっかり見てみよう!~単位の基本性質と活用法~
「単位」をしっかり見てみよう!~単位の基本性質と活用法~
studyPresenter
 
積分と漸化式
積分と漸化式 積分と漸化式
積分と漸化式
政孝 鍋島
 
積分と漸化式
積分と漸化式積分と漸化式
積分と漸化式
nabeshimamasataka
 

Similar to gHJ (20)

【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow【AI論文解説】Consistency ModelとRectified Flow
【AI論文解説】Consistency ModelとRectified Flow
 
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
 
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングPrml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
 
Control PID clásico para contol automático
Control PID clásico para contol automáticoControl PID clásico para contol automático
Control PID clásico para contol automático
 
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
 
退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について
 
グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―
 
Prml1.2.4
Prml1.2.4Prml1.2.4
Prml1.2.4
 
表現論 ゼミ資料
表現論 ゼミ資料表現論 ゼミ資料
表現論 ゼミ資料
 
強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現
 
Mémoire R. Denis (2014)
Mémoire R. Denis (2014)Mémoire R. Denis (2014)
Mémoire R. Denis (2014)
 
退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について
退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について
退化拡散項をもつ放物・放物型Keller--Segel系の解の有限時刻爆発について
 
テトラヘドロン法
テトラヘドロン法テトラヘドロン法
テトラヘドロン法
 
mathphysicsmastersv2
mathphysicsmastersv2mathphysicsmastersv2
mathphysicsmastersv2
 
超複素数
超複素数超複素数
超複素数
 
Fourier transform
Fourier transformFourier transform
Fourier transform
 
確率微分方程式の基礎
確率微分方程式の基礎 確率微分方程式の基礎
確率微分方程式の基礎
 
「単位」をしっかり見てみよう!~単位の基本性質と活用法~
「単位」をしっかり見てみよう!~単位の基本性質と活用法~「単位」をしっかり見てみよう!~単位の基本性質と活用法~
「単位」をしっかり見てみよう!~単位の基本性質と活用法~
 
積分と漸化式
積分と漸化式 積分と漸化式
積分と漸化式
 
積分と漸化式
積分と漸化式積分と漸化式
積分と漸化式
 

gHJ

  • 1. 𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく) 𝒙 = 𝑥1 𝑥2 𝑥3 , 𝐸 𝒙 = 1 2 𝑒1 2 𝒙 + 𝑒2 2 𝒙 + 𝑒3 2 𝒙 のとき, 𝒆 𝒙 = 𝑒1 𝒙 𝑒2 𝒙 𝑒3 𝒙 とする. 𝒈 = ∇𝐸 𝒙 = 𝜕𝐸 𝜕𝒙 = 𝜕𝐸 𝒙 𝜕𝑥1 𝜕𝐸 𝒙 𝜕𝑥2 𝜕𝐸 𝒙 𝜕𝑥3 = 𝜕𝑒1(𝒙) 𝜕𝑥1 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥1 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥1 𝑒3(𝒙) 𝜕𝑒1(𝒙) 𝜕𝑥2 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥2 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥2 𝑒3(𝒙) 𝜕𝑒1(𝒙) 𝜕𝑥3 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥3 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥3 𝑒3(𝒙)
  • 2. 𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく) 𝐻 = 𝑑2 𝐸 𝒙 𝑑𝒙2 = 𝜕𝒈 𝜕𝒙 = 𝜕2 𝐸 𝒙 𝜕𝑥1 2 𝜕2 𝐸 𝒙 𝜕𝑥1 𝜕𝑥2 𝜕2 𝐸 𝒙 𝜕𝑥1 𝜕𝑥3 𝜕2 𝐸 𝒙 𝜕𝑥2 𝜕𝑥1 𝜕2 𝐸 𝒙 𝜕𝑥2 𝜕𝑥2 𝜕2 𝐸 𝒙 𝜕𝑥2 𝜕𝑥3 𝜕2 𝐸 𝒙 𝜕𝑥3 𝜕𝑥1 𝜕2 𝐸 𝒙 𝜕𝑥3 𝜕𝑥2 𝜕2 𝐸 𝒙 𝜕𝑥3 𝜕𝑥3 = 𝜕2 𝑒1 𝒙 𝜕𝑥1 2 𝑒1 𝒙 + 𝜕𝑒1 𝒙 𝜕𝑥1 𝟐 + 𝜕2 𝑒2 𝒙 𝜕𝑥1 2 𝑒2 𝒙 + 𝜕𝑒2 𝒙 𝜕𝑥1 𝟐 + 𝜕2 𝑒3 𝒙 𝜕𝑥1 2 𝑒3 𝒙 + 𝜕𝑒3 𝒙 𝜕𝑥1 𝟐 … … … … … … … … 3×3 ↑ (1,1)成分だけ表示
  • 3. 𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく) 𝐽 = 𝜕𝑒1 𝒙 𝜕𝑥1 𝜕𝑒1 𝒙 𝜕𝑥2 𝜕𝑒1 𝒙 𝜕𝑥3 𝜕𝑒2 𝒙 𝜕𝑥1 𝜕𝑒2 𝒙 𝜕𝑥2 𝜕𝑒2 𝒙 𝜕𝑥3 𝜕𝑒3 𝒙 𝜕𝑥1 𝜕𝑒3 𝒙 𝜕𝑥2 𝜕𝑒3 𝒙 𝜕𝑥3 𝐽 𝑇 𝐽 = 𝜕𝑒1 𝒙 𝜕𝑥1 𝜕𝑒2 𝒙 𝜕𝑥1 𝜕𝑒3 𝒙 𝜕𝑥1 𝜕𝑒1 𝒙 𝜕𝑥2 𝜕𝑒2 𝒙 𝜕𝑥2 𝜕𝑒3 𝒙 𝜕𝑥2 𝜕𝑒1 𝒙 𝜕𝑥3 𝜕𝑒2 𝒙 𝜕𝑥3 𝜕𝑒3 𝒙 𝜕𝑥3 𝜕𝑒1 𝒙 𝜕𝑥1 𝜕𝑒1 𝒙 𝜕𝑥2 𝜕𝑒1 𝒙 𝜕𝑥3 𝜕𝑒2 𝒙 𝜕𝑥1 𝜕𝑒2 𝒙 𝜕𝑥2 𝜕𝑒2 𝒙 𝜕𝑥3 𝜕𝑒3 𝒙 𝜕𝑥1 𝜕𝑒3 𝒙 𝜕𝑥2 𝜕𝑒3 𝒙 𝜕𝑥3 = 𝜕𝑒1 𝒙 𝜕𝑥1 2 + 𝜕𝑒2 𝒙 𝜕𝑥1 2 + 𝜕𝑒3 𝒙 𝜕𝑥1 2 … … … … … … … … よって, ||𝒆 𝒙 ||が小さいときや𝒆 𝒙 の二階微分の大きさが小さいときに𝐻 ≈ 𝐽T 𝐽のよい近似ができる.
  • 4. 𝒈, 𝐻, 𝐽のおさらい(3次元で分かりやすく) ちなみに − 𝒈 = −𝐽 𝑇 𝒆(𝒙)は, 𝒈 = 𝜕𝐸 𝒙 𝜕𝑥1 𝜕𝐸 𝒙 𝜕𝑥2 𝜕𝐸 𝒙 𝜕𝑥3 = 𝜕𝑒1(𝒙) 𝜕𝑥1 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥1 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥1 𝑒3(𝒙) 𝜕𝑒1(𝒙) 𝜕𝑥2 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥2 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥2 𝑒3(𝒙) 𝜕𝑒1(𝒙) 𝜕𝑥3 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥3 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥3 𝑒3(𝒙) 𝐽 𝑇 𝒆 𝒙 = 𝜕𝑒1 𝒙 𝜕𝑥1 𝜕𝑒2 𝒙 𝜕𝑥1 𝜕𝑒3 𝒙 𝜕𝑥1 𝜕𝑒1 𝒙 𝜕𝑥2 𝜕𝑒2 𝒙 𝜕𝑥2 𝜕𝑒3 𝒙 𝜕𝑥2 𝜕𝑒1 𝒙 𝜕𝑥3 𝜕𝑒2 𝒙 𝜕𝑥3 𝜕𝑒3 𝒙 𝜕𝑥3 𝑒1 𝒙 𝑒2 𝒙 𝑒3 𝒙 = 𝜕𝑒1(𝒙) 𝜕𝑥1 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥1 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥1 𝑒3(𝒙) 𝜕𝑒1(𝒙) 𝜕𝑥2 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥2 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥2 𝑒3(𝒙) 𝜕𝑒1(𝒙) 𝜕𝑥3 𝑒1(𝒙) + 𝜕𝑒2(𝒙) 𝜕𝑥3 𝑒2(𝒙) + 𝜕𝑒3 𝒙 𝜕𝑥3 𝑒3(𝒙) から成りたつことがいえる. これは𝐸 𝒙 = 1 2 σ𝑖 𝑒𝑖 2 (𝒙) 場合に成り立つ.