formulate-quantum-problem
정보
이 스킬은 관련 자유도를 식별하고 적절한 힐베르트 공간, 연산자, 경계 조건을 구성하여 물리적 양자 시스템을 명확한 수학적 문제로 변환합니다. 이는 개발자가 해석적 또는 수치적 해법을 위해 섭동 이론이나 DFT와 같은 올바른 근사 방법을 선택하도록 돕습니다. 양자 역학/화학 계산을 설정하거나 시나리오를 슈뢰딩거/디랙 형식으로 변환할 때 사용하십시오.
빠른 설치
Claude Code
추천npx 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-problemClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
建量子問題
將物理系統譯為良定之量子力學問題:識相關自由度、構建 Hamiltonian 與狀態空間、指定邊界條件、擇合宜近似法、驗表述於已知極限。
適用時機
- 為解析或數值解設量子力學問題
- 建量子化學計算(分子軌道、電子結構)
- 將物理情境譯為 Dirac 或 Schrodinger 形式
- 於擾動論、變分法、DFT 或精確對角化間擇一
- 備理論模型以比光譜或散射之實驗資料
輸入
- 必要:物理系統之描述(原子、分子、固體、場等)
- 必要:所關注之可觀測量(能譜、躍遷率、基態性質)
- 選擇性:實驗之約束或所配之資料(譜線、結合能)
- 選擇性:所期之精度或計算預算
- 選擇性:偏好之形式(波動力學、矩陣力學、二次量子化、路徑積分)
步驟
步驟一:識物理系統與相關自由度
書方程前盡述系統:
- 粒子內容:列所有粒子(電子、原子核、光子、聲子)及其量子數(自旋、電荷、質量)。
- 對稱:識空間對稱(球、柱、平移、晶體群)、內對稱(自旋轉、規範)與離散對稱(宇稱、時反)。
- 能量尺度:定相關能量尺度以擇何自由度為活動,何可凍結或絕熱處理。
- 自由度簡化:若原子核與電子之時間尺度分離,施 Born-Oppenheimer 近似。若多體可簡化,識集體座標。
## 系統特徵
- **粒子**:[列及量子數]
- **活動自由度**:[座標、自旋、場]
- **凍結自由度**:[附凍結之理由]
- **對稱群**:[連續與離散]
- **能量尺度階序**:[如電子 >> 振動 >> 轉動]
預期: 粒子、量子數、對稱之完整清單,附活動與凍結自由度之合理擇。
失敗時: 若能量尺度階序不明,初留所有自由度並標示須尺度分析。過早截斷致物理質變錯。
步驟二:構建 Hamiltonian 與狀態空間
自步驟一所識自由度建數學框架:
- Hilbert 空間:定狀態空間。有限維系統指定基(如自旋半 |上>、|下>)。無限維系統指定函數空間(如三維單粒子 L2(R^3))。
- 動能項:為每粒子書動能算子。位置表象中 T = -hbar^2/(2m) nabla^2。
- 位能項:書所有交互作用位能(Coulomb、諧振、自旋軌道、外場)。明其函數形式與耦合常數。
- 合成 Hamiltonian:組 H = T + V,依交互類型分組。多粒子系統納交換與關聯項或註其何時以近似納入。
- 算子代數:驗 Hamiltonian 為 Hermitian。識運動常數([H, O] = 0),可用以分塊對角化。
## Hamiltonian 結構
- **Hilbert 空間**:[定義與基]
- **H = T + V 分解**:
- T = [動能項]
- V = [位能項,依類型分組]
- **運動常數**:[與 H 交換之算子]
- **對稱適配之基**:[若可分塊對角化]
預期: 完整 Hermitian 之 Hamiltonian,所有項明書,Hilbert 空間已定,運動常數已識。
失敗時: 若 Hamiltonian 非明 Hermitian,核漏共軛項或規範依賴之相位。若 Hilbert 空間不明(如相對論粒子),明指形式並標此問題。
步驟三:指定邊界與初始條件
約束問題以得唯一解:
- 邊界條件:束縛態問題要求可歸一化(psi -> 0 於無窮)。散射問題指定入射波邊界條件。週期系統施 Bloch 或 Born-von Karman 條件。
- 域之限:指定空間域。盒中粒子定壁。氫原子定徑向與角向域。格點模型定格點與其拓撲。
- 初態(時變問題):定 t=0 之態為能量本徵基之展開或中心與寬已指定之波包。
- 約束方程:不可區分粒子施對稱化(玻色子)或反對稱化(費米子)。規範論施規範固定條件。
## 邊界與初始條件
- **空間域**:[定義]
- **邊界類型**:[Dirichlet / Neumann / 週期 / 散射]
- **歸一化**:[條件]
- **粒子統計**:[玻色 / 費米 / 可區分]
- **初態**(若時變):[指定]
預期: 邊界條件物理合理、與 Hamiltonian 之域數學一致,足以定唯一解(或良定之散射矩陣)。
失敗時: 邊界條件過或欠定,核 Hamiltonian 於所擇域上之自伴性。非自伴 Hamiltonian 須審慎處理虧指數。
步驟四:擇近似法
擇合問題結構之解法:
-
評估精確可解性:核問題是否簡為已知精確可解模型(諧振子、氫原子、Ising 模型等)。若然,取精確解為主結果,擾動論為修正。
-
擾動論(弱耦合):
- 分 H = H0 + lambda V,H0 精確可解
- 驗 lambda V 小於 H0 之能級間距
- 核簡併;必要時用簡併擾動論
- 宜於:交互作用弱、少體系統、需解析結果
-
變分法(基態為主):
- 擇帶可調參數之試波函數
- 確試函數滿足邊界條件與對稱
- 宜於:基態能量為主目標、多體系統
-
密度泛函理論(多電子系統):
- 擇交換關聯泛函(LDA、GGA、混合)
- 定基組(平面波、Gaussian、數值原子軌道)
- 宜於:多電子系統、需基態密度與能量
-
數值精確法(小系統、基準):
- 精確對角化於小 Hilbert 空間
- 量子 Monte Carlo 為基態取樣
- DMRG 為一維或準一維系統
- 宜於:需高精度且系統夠小
## 近似法擇
- **所擇之法**:[名]
- **理由**:[何以此法合問題結構]
- **預期精度**:[擾動階、變分界之品質、DFT 泛函之精度]
- **計算代價**:[與系統大小之比例]
- **所考他法**:[及拒之理由]
預期: 合理擇定之近似法,明陳預期精度與計算代價,記其他考慮之法。
失敗時: 若無單一法明顯合宜,為兩法建表述並較結果。法間不合揭問題之難,引導進一步精煉。
步驟五:驗表述於已知極限
解前驗表述重現已知物理:
- 古典極限:取 hbar -> 0(或大量子數),驗 Hamiltonian 簡為正確古典力學。
- 非交互極限:置耦合常數為零,驗解為單粒子態之積。
- 對稱極限:驗表述尊所有所識對稱。核 Hamiltonian 於對稱群下正確變換。
- 量綱分析:驗 Hamiltonian 每項具能量單位。核特徵長度、能量、時間尺度物理合理。
- 已知精確結果:若系統於特例中有已知精確解(如 Z=1 氫原子、二次位能諧振子),驗表述重現之。
## 驗證檢查
| 檢 | 預期結果 | 狀態 |
|-------|----------------|--------|
| 古典極限 (hbar -> 0) | [古典 Hamiltonian] | [通過/失敗] |
| 非交互極限 | [積態] | [通過/失敗] |
| 對稱變換 | [正確表示] | [通過/失敗] |
| 量綱分析 | [各項為能量單位] | [通過/失敗] |
| 已知精確情形 | [重現結果] | [通過/失敗] |
預期: 所有驗證檢查通過。表述自洽可解。
失敗時: 驗證失敗示 Hamiltonian 構建或邊界條件有誤。追失敗至特定項或條件,解前改正。
驗證
- 所有粒子與量子數明列
- Hilbert 空間以明確基定
- Hamiltonian 為 Hermitian 且各項單位正確
- 運動常數已識並用於簡化
- 邊界條件物理合理且數學充分
- 粒子統計(玻色/費米)正確施行
- 近似法擇有理由,預期精度已陳
- 古典、非交互、對稱極限已核
- 特例重現已知精確結果
- 表述足以令他研究者實施
常見陷阱
- 過早漏自由度:未核能量尺度階序而凍結自由度,可漏質變要緊之物理。每簡化必以能量尺度之論證為據。
- 非 Hermitian Hamiltonian:漏自旋軌道耦合或複位能之共軛項。必明驗 H = H-dagger。
- 散射用錯邊界條件:散射問題用束縛態邊界條件(歸一化)盡棄連續譜。邊界條件配物理問題。
- 擾動論忽視簡併:對簡併能級施非簡併擾動論致發散修正。展開前必核簡併。
- 過度依單一近似:不同法有互補之失敗模式。變分法得上界但可漏激發態。擾動論於強耦合發散。可能時交互驗證。
- 量綱不一致:同一表達式混用自然單位(hbar = 1)與 SI 單位。始採一致單位系並明陳之。
相關技能
derive-theoretical-result—— 自所建問題導出解析結果survey-theoretical-literature—— 尋類似量子系統之前人工作
GitHub 저장소
연관 스킬
llamaguard
기타LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
cost-optimization
기타이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
quantizing-models-bitsandbytes
기타이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.
dispatching-parallel-agents
기타이 Claude Skill은 3개 이상의 독립적인 문제를 동시에 조사하고 해결하기 위해 다중 에이전트를 배치합니다. 공유 상태나 의존성 없이 해결 가능한 무관련 장애 시나리오에 맞게 설계되었습니다. 핵심 기능은 병렬 문제 해결로, 각 독립 문제 영역마다 하나의 에이전트를 할당하여 효율성을 극대화합니다.
