formulate-quantum-problem
Über
Diese Fähigkeit unterstützt Entwickler dabei, Quantenmechanik- oder Chemieprobleme einzurichten, indem sie den mathematischen Rahmen definiert, einschließlich Hilbert-Räumen, Operatoren und Randbedingungen. Sie leitet die Übersetzung eines physikalischen Szenarios in Formalismen wie die Schrödinger-Gleichung an und wählt geeignete Lösungsmethoden wie Störungstheorie oder DFT aus. Nutzen Sie sie, wenn Sie ein Problem für eine analytische Untersuchung oder numerische Berechnung formulieren.
Schnellinstallation
Claude Code
Empfohlennpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/formulate-quantum-problemKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
立量子問題
析自由度、建 Hamiltonian 與狀空、定邊界、擇近似、驗極限。
用
- 立量子力學題供析或數解
- 立量子化學算(分子軌、電子結構)
- 轉物理場景為 Schrodinger 或 Dirac 形
- 擇攝動、變分、DFT 或精確對角
- 備理論模比於譜或散射實驗
入
- 必:系之描(原子、分子、固體、場)
- 必:所觀(能譜、躍遷率、基態性)
- 可:實驗約束或數據(譜線、結合能)
- 可:精度與算量預算
- 可:偏好之形(波、矩陣、二次量子化、路徑積分)
行
一:辨系與活自由度
寫式前全察:
- 粒子:列諸粒(電、核、光、聲子)及其量數(自旋、荷、質)
- 對稱:空間(球、柱、平移、晶群)、內(自旋旋、規)、離散(宇稱、時反)
- 能階:定相關能階,以擇活與凍或絕熱自由度
- 減自由度:核/電時標分→用 Born-Oppenheimer。多體簡化→辨集體坐標
## System Characterization
- **Particles**: [list with quantum numbers]
- **Active degrees of freedom**: [coordinates, spins, fields]
- **Frozen degrees of freedom**: [and justification for freezing]
- **Symmetry group**: [continuous and discrete]
- **Energy scale hierarchy**: [e.g., electronic >> vibrational >> rotational]
得:全目錄(粒、量數、對稱),活凍自由度皆明由。
敗:能階不明→先全留,標須尺度析。早截致質性謬誤。
二:建 Hamiltonian 與狀空
由一所辨自由度建數學架構:
- Hilbert 空間:定狀空。有限維者定基(如自旋 1/2 基 |up>、|down>)。無限維者定函空(如單粒三維 L2(R^3))
- 動能項:各粒動能算子。位置表象 T = -hbar^2/(2m) nabla^2
- 位能項:諸交互(Coulomb、諧、自旋軌、外場),形與耦合常數皆明
- 合成 Hamiltonian:H = T + V,按類分組。多粒者含交換與關聯,或標明近似引入處
- 算子代數:驗 Hermitian。辨守恆量([H, O] = 0)以塊對角化
## Hamiltonian Structure
- **Hilbert space**: [definition and basis]
- **H = T + V decomposition**:
- T = [kinetic terms]
- V = [potential terms, grouped by type]
- **Constants of motion**: [operators commuting with H]
- **Symmetry-adapted basis**: [if block diagonalization is possible]
得:完整 Hermitian H,諸項顯寫,Hilbert 空明,守恆量已辨。
敗:非顯 Hermitian→查漏共軛或規範相。Hilbert 空模糊(如相對論粒)→明形並標問題。
三:定邊界與初始
約束使解唯一:
- 邊界:束縛態→規一化(psi → 0 於無窮)。散射→入波邊界。週期→Bloch 或 Born-von Karman
- 域限:定空域。盒中粒→壁。氫原子→徑角域。晶格模→格與拓撲
- 初狀(時變):t=0 之狀,按能本徵展或波包中心與寬
- 約束式:全同粒→對稱(玻)或反對稱(費)。規範論→規範固定
## Boundary and Initial Conditions
- **Spatial domain**: [definition]
- **Boundary type**: [Dirichlet / Neumann / periodic / scattering]
- **Normalization**: [condition]
- **Particle statistics**: [bosonic / fermionic / distinguishable]
- **Initial state** (if time-dependent): [specification]
得:邊界物理合理、與 H 域數學一致,足定唯一解(或明定散射矩陣)。
敗:過定或不足→查 H 於所選域之自伴性。非自伴 H 須處理缺陷指標。
四:擇近似法
依題構擇解策:
-
察可精確解:是否歸已知可精解模(諧振子、氫原子、Ising)。若然,主用精解,攝動為校正。
-
攝動論(弱耦):
- H = H0 + lambda V,H0 可精解
- 驗 lambda V 小於 H0 之能距
- 察簡併;有則用簡併攝動
- 宜:交互弱、少體、需析解
-
變分法(基態):
- 擇含參試波函
- 試函滿邊界與對稱
- 宜:基態能為主、多體
-
密度泛函(多電子):
- 擇交換-關聯泛函(LDA、GGA、雜化)
- 定基組(平面波、高斯、數值原子軌)
- 宜:多電子、需基態密與能
-
數值精法(小系、基準):
- 精確對角:小 Hilbert 空
- 量子 Monte Carlo:基態取樣
- DMRG:一維或準一維
- 宜:需高精度而系足小
## Approximation Method Selection
- **Method chosen**: [name]
- **Justification**: [why this method fits the problem structure]
- **Expected accuracy**: [order of perturbation, variational bound quality, DFT functional accuracy]
- **Computational cost**: [scaling with system size]
- **Alternatives considered**: [and why they were rejected]
得:擇法有明由,預期精度與算量明,備選亦已錄。
敗:無單法確宜→兩法並立比解。法異揭題難並導進一步精化。
五:驗極限
解前驗陳立反映已知:
- 古典極(hbar → 0):或大量數→驗 H 回正確古典力學
- 無交互極:耦合常數置零→解應為單粒態積
- 對稱極:形式應尊所辨對稱。H 於對稱群下變換正確
- 量綱析:H 之諸項皆能量單位。特徵長、能、時標物理合理
- 已知精解:特例(如 Z=1 氫原子、二次位諧振子)→驗形式復之
## Validation Checks
| Check | Expected Result | Status |
|-------|----------------|--------|
| Classical limit (hbar -> 0) | [classical Hamiltonian] | [Pass/Fail] |
| Non-interacting limit | [product states] | [Pass/Fail] |
| Symmetry transformation | [correct representation] | [Pass/Fail] |
| Dimensional analysis | [all terms in energy units] | [Pass/Fail] |
| Known exact case | [reproduced result] | [Pass/Fail] |
得:諸驗皆通。形式自洽,備解。
敗:驗敗乃 H 構建或邊界之誤。溯至該項或條件修之,再進解。
驗
- 諸粒與量數皆顯列
- Hilbert 空明,基明
- H Hermitian,諸項單位正確
- 守恆量已辨並用以簡化
- 邊界物理合理、數學充足
- 粒子統計(玻/費)正確施行
- 近似法擇有由,預期精度明
- 古典、無交互、對稱極皆察
- 特例已知精解可復
- 形式足供他研究者施行
忌
- 早凍自由度:不察能階而凍→或失質性物理。每減必以能階論證
- 非 Hermitian H:自旋軌或複位漏共軛項。必顯驗 H = H-dagger
- 散射用束縛邊界:用規一化於散射題→棄連續譜。邊界合物理題
- 攝動忽簡併:非簡併攝動施於簡併能階→校正發散。展開前必察簡併
- 倚單近似:諸法失敗模互補。變分予上界但或漏激發。攝動於強耦發散。可互驗
- 量綱不一:同式混自然單位(hbar = 1)與 SI。起始即擇一貫系並顯明
參
derive-theoretical-resultsurvey-theoretical-literature
GitHub Repository
Verwandte Skills
llamaguard
AndereLlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
cost-optimization
AndereDiese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
quantizing-models-bitsandbytes
AndereDiese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.
dispatching-parallel-agents
AndereDiese Claude-Fähigkeit verteilt mehrere Agenten, um drei oder mehr unabhängige Probleme gleichzeitig zu untersuchen und zu beheben. Sie ist für Szenarien konzipiert, die unabhängige Fehler umfassen, die ohne gemeinsamen Zustand oder Abhängigkeiten gelöst werden können. Die Kernfähigkeit ist die parallele Problemlösung, bei der pro unabhängigem Problembereich ein Agent zugewiesen wird, um die Effizienz zu maximieren.
