闵可夫斯基泛函

我们如何衡量“大小”？虽然尺子提供了一种熟悉的长度概念，但如果我们的度量单位不是一条线，而是一个形状呢？这正是闵可夫斯基泛函背后的核心思想，它是数学中一个强大的概念，能从一个几何形状构建出一把“尺子”，在视觉的几何世界与符号的分析世界之间建立起深刻而优美的联系。它解决了在向量空间中以更通用的方式量化大小的需求，这种方式由用户定义的凸体的性质决定。本文将引导您了解这个迷人的工具，揭示空间和距离的抽象概念如何从根本上植根于形状的性质。

旅程始于第一章​​原理与机制​​，我们将在此解构闵可夫斯基泛函的定义。您将学习到一个所选集合的几何形状——无论是椭圆、菱形还是无限条带——如何直接决定其泛函的代数公式。我们将探索那种将凸性和对称性等几何性质转化为范数的基本代数性质（如三角不等式）的“炼金术”。本章以一个优美的定理告终，该定理表明这种联系是双向的：每个范数都对应一个唯一的单位形状。

在建立了理论基础之后，第二章​​应用与跨学科联系​​将展示闵可夫斯基泛函卓越的通用性。我们将看到它在一系列令人惊讶的学科中发挥作用，既是几何学家理解对偶性的工具，也是数论学家计算整数解的透镜，是物理学家描述材料塑性的定律，还是数据科学家导航复杂信号的罗盘。通过这些例子，闵可夫斯基泛函不仅被揭示为一个数学上的奇珍，更是一种描述我们世界底层结构的统一语言。

想象一下，你正在尝试测量事物的“大小”。脑海中最先想到的自然工具是尺子，它基于一个标准单位（如米或英尺）为你提供了长度的概念。这种熟悉的长度概念，在推广到向量空间后，被数学家称为​​范数​​（norm）。但如果我们的基本度量单位不是一条直线段，而是一个形状呢？如果我们测量一个向量时，问的是：“我们需要将我们的‘单位形状’缩放多少倍，才能到达这个向量的顶端？”这便是​​闵可夫斯基泛函​​（Minkowski functional）背后那个极具几何直观性的奇妙思想。这是一种从形状构建尺子的方法。

让我们将这个想法精确化。假设我们处于一个向量空间中，比如我们熟悉的二维平面 $\mathbb{R}^2$，我们选择一个特殊的集合，称之为 $C$。为了让它能作为一个“度量单位”，$C$ 最好包含原点，即点 $(0,0)$。对于任何我们想要测量的向量 $v$，我们将其​​闵可夫斯基泛函​​ $p_C(v)$ 定义如下：

$p_C(v) = \inf \{ t > 0 : v \in tC \}$

这个定义可能看起来有些晦涩，但思想很简单。集合 $tC$ 只是我们原始形状 $C$ 按因子 $t$ 缩放后的结果。如果 $t=2$，$tC$ 就是将形状 $C$ 扩大到两倍大小。如果 $t=0.5$，$tC$ 则缩小到一半大小。条件 $v \in tC$ 意味着向量 $v$ 位于缩放后的形状 $tC$ 内部（或其边界上）。因此，$p_C(v)$ 是你需要使向量 $v$ 被缩放后的形状 $tC$ 所捕获的最小正缩放因子 $t$。这是你的单位形状 $C$ 刚好能触及向量 $v$ 所需的“膨胀系数”。

让我们通过几个例子来看看它的实际作用。我们这把“尺子”的特性完全取决于集合 $C$ 的形状。

• ​​一把椭圆尺​​：假设我们的单位形状 $C$ 是一个由 $C = \{ (x, y) \in \mathbb{R}^2 : 4x^2 + 9y^2 1 \}$ 定义的开椭圆。我们如何用这把尺子测量一个向量 $v_0 = (x_0, y_0)$？根据定义，我们需要找到所有满足 $v_0 \in tC$ 的 $t>0$ 的下确界。这等同于说缩小的向量 $\frac{v_0}{t}$ 必须在原始形状 $C$ 中。将 $\frac{v_0}{t} = (\frac{x_0}{t}, \frac{y_0}{t})$ 的坐标代入 $C$ 的不等式，我们得到：

$4\left(\frac{x_0}{t}\right)^2 + 9\left(\frac{y_0}{t}\right)^2 1$

经过一些代数变换，这变成 $4x_0^2 + 9y_0^2 t^2$，即 $t > \sqrt{4x_0^2 + 9y_0^2}$。所有可能的缩放因子 $t$ 的集合是区间 $(\sqrt{4x_0^2 + 9y_0^2}, \infty)$。这个集合的下确界，或最大下界，恰好是 $\sqrt{4x_0^2 + 9y_0^2}$。所以，对于这个椭圆形状，闵可夫斯基泛函是 $p_C(v_0) = \sqrt{4x_0^2 + 9y_0^2}$。这看起来非常像标准的欧几里得距离，只是坐标的权重不同。我们的椭圆尺创造了一种加权欧几里得范数！

• ​​一把菱形尺（“出租车”范数）​​：如果我们选择一个不同的形状呢？让我们取一个由 $C = \{ (x,y) : 3|x| + 5|y| 1 \}$ 定义的菱形区域。遵循同样的逻辑，$v=(x,y)$ 在 $tC$ 中，如果 $\frac{v}{t}$ 在 $C$ 中。这意味着 $3|\frac{x}{t}| + 5|\frac{y}{t}| 1$，简化后得到 $t > 3|x| + 5|y|$。因此，下确界是 $p_C(x,y) = 3|x| + 5|y|$。这是“出租车”或“曼哈顿”范数的一个版本，其中距离是通过沿网格轴线的移动总和来测量的，而不是“直线”距离。

• ​​一把无界尺​​：我们的形状 $C$ 甚至不必是有界的。考虑一个无限的垂直条带 $C = \{ (x,y) : -1 x 1 \}$。一个向量 $v=(x_1, x_2)$ 在 $tC$ 中，如果其缩小版本 $(\frac{x_1}{t}, \frac{x_2}{t})$ 在 $C$ 中。$C$ 的定义只约束了第一个坐标，所以我们必须有 $-1 \frac{x_1}{t} 1$，这等价于 $|x_1| t$。第二个坐标 $x_2$ 完全不受限制。满足此条件的所有 $t$ 的下确界就是 $|x_1|$。所以，$p_C(x_1, x_2) = |x_1|$。这把“尺子”只关心向量的水平分量；垂直分量被完全忽略了。

所以我们看到，集合 $C$ 的几何形状决定了泛函 $p_C$ 的公式。这种关系远比这更深刻。事实证明，泛函最重要的性质直接对应于集合最重要的几何性质。这才是真正神奇的地方。一把“好”的尺子，或者说一个​​范数​​，应该满足三个关键性质：

1. ​​正定性​​：它总是非负的，并且仅当向量为零向量时才为零。一个非零向量必须有一个非零的“大小”。
2. ​​绝对齐次性​​：将一个向量缩放因子 $\alpha$，其大小应该缩放 $|\alpha|$ 倍。例如，$p_C(-2v) = 2p_C(v)$。
3. ​​三角不等式​​：两个向量之和的“大小”不应超过它们各自“大小”的总和。两点之间直线最短。

让我们看看如何构建一个集合 $C$，以保证其闵可夫斯基泛函具有这些性质。

• ​​凸性与三角不等式​​：三角不等式 $p_C(x+y) \le p_C(x) + p_C(y)$ 可谓范数最关键的性质。它直接源于集合 $C$ 的​​凸性​​（convexity）。如果连接集合中任意两点的直线段完全位于该集合内部，则该集合是凸的。其证明是如此优雅，值得我们勾勒一番。设 $t_1 = p_C(x)$ 和 $t_2 = p_C(y)$。对于任何极小的 $\epsilon > 0$，向量 $\frac{x}{t_1+\epsilon}$ 和 $\frac{y}{t_2+\epsilon}$ 都在 $C$ 内部。由于 $C$ 是凸的，它们的加权平均 $\frac{t_1+\epsilon}{t_1+t_2+2\epsilon}\left(\frac{x}{t_1+\epsilon}\right) + \frac{t_2+\epsilon}{t_1+t_2+2\epsilon}\left(\frac{y}{t_2+\epsilon}\right) = \frac{x+y}{t_1+t_2+2\epsilon}$ 也必须在 $C$ 中。这意味着 $p_C(x+y) \le t_1+t_2+2\epsilon$。由于这对任何 $\epsilon>0$ 都成立，我们必然有 $p_C(x+y) \le t_1+t_2 = p_C(x) + p_C(y)$。几何变成了代数。

• ​​对称性与齐次性​​：绝对齐次性 $p_C(\alpha v) = |\alpha| p_C(v)$ 源于集合 $C$ 是​​平衡的​​（balanced）（或中心对称的）。如果对于 $C$ 中的任何点 $x$，点 $-x$ 也在 $C$ 中，则该集合是平衡的。如果 $C$ 是平衡的，测量 $v$ 或 $-v$ 必须得到相同的结果，所以 $p_C(v) = p_C(-v)$。结合 $p_C(tv) = t p_C(v)$ 对任何正数 $t$ 成立的事实，我们便得到了完整的绝对齐次性。

• ​​原点与正定性​​：为了使 $p_C$ 成为一个真正的范数，我们需要 $p_C(v)=0$ 当且仅当 $v=0$。这需要两件事。首先，原点必须在 $C$ 的​​内部​​（interior）。如果原点在边界上或外部，可能会发生奇怪的事情。例如，如果 $C$ 是单位圆 $x_1^2 + x_2^2 = 1$，原点甚至不在集合中。要“捕获”原点向量 $v=0$，我们需要找到 $t$ 使得 $0/t=0 \in C$。但这永远不会成立！所以有效的 $t$ 的集合是空的，我们定义 $p_C(0) = \infty$，这破坏了我们的泛函。其次，集合 $C$ 必须是​​有界的​​（bounded）。如果它是无界的，比如垂直条带 $C = \{ (x,y) : -1 x 1 \}$，我们看到 $p_C(0, y_2) = |0| = 0$ 对于任何 $y_2$ 都成立。这意味着非零向量可以有零“大小”，这违反了范数的正定性。这样的泛函被称为​​半范数​​（seminorm）。

集大成者是这样的：​​闵可夫斯基泛函 $p_C$ 是一个范数，当且仅当集合 $C$ 是凸的、平衡的、有界的，并且原点在其内部。​​

我们已经看到，任何“好的”形状 $C$（凸的、对称的等）都会生成一个范数 $p_C$。这就引出了一个优美的问题：我们能反过来吗？是否每个范数都以这种方式源于某个形状？

答案是响亮的“是”，并且其对应关系简单得惊人。给定向量空间上的任何范数 $\|\cdot\|$，考虑它的​​开单位球​​，$U = \{ v : \|v\| 1 \}$。这个集合 $U$ 根据其定义就是凸的、平衡的、有界的，并且在内部包含原点。这个集合的闵可夫斯基泛函是什么？让我们来计算一下。 $p_U(v) = \inf\{ t > 0 : v \in tU \}$。条件 $v \in tU$ 意味着 $\|v\| t$。这样的 $t$ 的集合就是区间 $(\|v\|, \infty)$。这个集合的下确界恰好是 $\|v\|$。 所以，$p_U(v) = \|v\|$。

这是一个深刻而优美的结果。一个范数自身的单位球的闵可夫斯基泛函就是该范数本身！这建立了一个完美的对偶关系：每个行为良好的形状定义一个范数，每个范数都由其单位形状定义。凸集的几何学和赋范空间的代数学是同一枚硬币的两面。

这个强大的框架使我们能够以一种深刻的几何方式来理解范数。

• ​​构建复杂范数​​：如果我们通过相交两个更简单的形状来创建一个新形状，会发生什么？例如，让我们取一个正方形 $A_1 = \{ (x,y) : \max(|x|,|y|) \le 1 \}$ 和一个菱形 $A_2 = \{ (x,y) : |x|+|y| \le \frac{3}{2} \}$ 的交集。交集 $K = A_1 \cap A_2$ 的闵可夫斯基泛函遵循一个惊人简单的规则：它是各个泛函的最大值。也就是说，$p_K(v) = \max\{p_{A_1}(v), p_{A_2}(v)\}$。对于我们的例子，这意味着 $p_K(x,y) = \max\{\max(|x|,|y|), \frac{2}{3}(|x|+|y|)\}$。这使我们能够通过简单地取更简单范数的最大值来构造新的、更复杂的范数，这在几何上对应于相交它们的单位球。

• ​​内积的几何​​：有些范数是特殊的，因为它们源于一个内积（如点积），满足平行四边形法则。在几何上，这对它们的单位球意味着什么？一个范数来自内积，当且仅当它的单位球是一个​​椭球体​​（ellipsoid）。例如，考虑形状族 $K_\alpha = \{ (x,y) : x^2 + 2\alpha xy + y^2 \le 1 \}$。只有当形状是椭圆时，这才会定义一个范数，这发生在 $\alpha \in (-1, 1)$ 的情况下。恰好对于这些值，得到的范数 $\sqrt{x^2+2\alpha xy+y^2}$ 来自一个内积。如果 $\alpha=0$，我们得到标准的欧几里得范数和圆形的单位球。对于 $(-1,1)$ 中的其他 $\alpha$ 值，我们得到一个倾斜的椭圆，对应于一个不同的内积。

• ​​范数等价的可视化​​：一个著名的定理指出，在有限维空间如 $\mathbb{R}^n$ 中，所有范数都是“等价的”。这意味着对于任何两个范数 $\|\cdot\|_a$ 和 $\|\cdot\|_b$，你可以找到常数 $C_1, C_2 > 0$ 使得对于所有向量 $v$ 都有 $C_1 \|v\|_a \le \|v\|_b \le C_2 \|v\|_a$。闵可夫斯基泛函为我们提供了一个美丽的几何解释。设 $K_a$ 和 $K_b$ 是这两个范数的单位球。等价性仅仅意味着你可以将 $K_a$ 缩小直到它能装入 $K_b$ 内部（这给出了 $C_2$），并且将它放大直到它包含 $K_b$（这给出了 $C_1$）。常数 $C_1$ 和 $C_2$ 无非就是将一个形状嵌套在另一个形状内所需的缩放因子。通过分析单位球的“最薄”和“最厚”半径，我们可以明确地计算这些等价常数，将一个抽象的定理变成一个具体的几何难题。

归根结底，闵可夫斯基泛函不仅仅是一个巧妙的定义。它是一座桥梁，连接着视觉的、直观的几何世界与严谨的、符号化的分析世界。它揭示了我们关于大小、距离和空间的抽象概念，从根本上都植根于形状的属性。

现在我们已经熟悉了闵可夫斯基泛函的原理与机制，我们可以开始一段更激动人心的旅程。我们就像刚刚学会一门新语言语法的探险家。起初，它似乎很抽象，只是一套规则和定义。但真正的乐趣在于当我们用这门语言来读诗、理解历史，以及与来自异国的人交谈。闵可夫斯基泛函就是这样一种语言。它是凸形状的母语，而事实证明，这门语言在数量惊人的科学学科中被使用，或至少被理解。

在本章中，我们将看到这个看似简单的几何思想——通过需要缩放一个形状多少来捕捉一个点来测量它——如何成为一个强大的工具。我们将看到它扮演几何学家的标尺，用以比较不同的大小概念；扮演数论学家的透镜，用以发现整数中隐藏的模式；扮演物理学家的定律，用以描述材料如何变形；以及扮演数据科学家的罗盘，用以在现代信号的复杂世界中导航。这不仅仅是应用的集合；这是一个关于科学思想深刻且常常出人意料的统一性的故事。

让我们从上次讨论结束的地方开始，即纯粹的几何世界。闵可夫斯基泛函为我们将形状转化为标尺——即定义一个范数——提供了一种方法。如果我们有一个凸的、原点对称的体 $K$，我们宣布它为我们的“单位球”，那么闵可夫斯基泛函 $p_K(\mathbf{x})$ 正是这样一个范数，对于它，$K$ 是所有范数小于或等于一的点的集合。一个立方体定义一种范数，一个球体定义另一种，一个菱形的八面体又定义了另一种。

但在这里，一种美丽的对称性进入了画面。每个凸集 $K$ 都有一个秘密的伙伴，一个“对偶”形状，称为​​极集​​（polar set），我们可以表示为 $K^{\circ}$。极集由所有这样的点 $\mathbf{y}$ 组成，即对于原始集合 $K$ 内的每一个点 $\mathbf{x}$，点积 $\mathbf{x} \cdot \mathbf{y}$ 不超过 1。它有点像原始形状的“内外翻转”版本。对于一个大的、“胖”的形状 $K$，它的极集 $K^{\circ}$ 会是小的、“瘦”的，反之亦然。

现在来看这个非凡的联系。原始范数 $p_K$ 有一个对偶范数，记作 $p_K^*$。这两者与形状有何关系？事实证明，对偶范数就是极集的闵可夫斯基泛函！也就是说，$p_K^*(\mathbf{y}) = p_{K^{\circ}}(\mathbf{y})$。此外，这个对偶范数的单位球恰好就是极集本身。这创造了一个完美的、自洽的世界：

• 形状 $K$ 定义了范数 $p_K$。
• 极集形状 $K^{\circ}$ 定义了对偶范数 $p_K^*$。
• 对极集再取极集，$K^{\circ\circ}$，会让你正好回到原始形状 $K$。

这不仅仅是一个数学上的奇趣。它是一个强大的计算技巧。有时一个问题用形状 $K$ 很难解决，但用它的极集 $K^{\circ}$ 就很容易。思考一下 Plato 的两个立体之间宏伟的对偶性：十二面体（12个五边形面）和二十面体（20个三角形面）。这两个形状在极的意义上是彼此对偶的。如果你想理解由十二面体定义的范数，通常更容易的方法是首先研究二十面体的性质，因为它的顶点定义了十二面体的面。这一原理在计算工程等领域有实际应用，其中对偶范数对于量化系统中不确定性或误差的最坏情况效应至关重要。

闵可夫斯基泛函也充当了连接几何学与拓扑学的桥梁。对于任何包含原点的凸体 $C$，我们可以创建一个映射，它将一个简单单位球面上的任何点 $\mathbf{u}$ 投影到 $C$ 的边界上。这个映射非常简单：你将 $\mathbf{u}$ 发送到点 $\mathbf{x} = \mathbf{u} / p_C(\mathbf{u})$。这个映射是一个*同胚*（homeomorphism），这是拓扑学家用来表示凸体的边界，无论它看起来多么复杂——无论是立方体、圆柱体还是十二面体——从根本上都与球面相同。它可以被拉伸和变形为一个球面，而没有任何撕裂或粘合。闵可夫斯基泛函正是执行这种优雅变换的工具。

从连续的几何世界，我们现在令人惊讶地跳跃到离散的整数世界。数学中最古老的追求之一是寻找方程的整数解——这个领域被称为丢番图分析。在19世纪，Hermann Minkowski 有一个革命性的见解：他将这些关于数的代数问题转化为了关于形状和点的几何问题。

想象空间中一个巨大而有序的点阵；这是一个​​格​​（lattice），$\Lambda$。数轴上的整数是一个一维格；平面上所有具有整数坐标的点构成的网格是一个二维格。丢番图分析的基本问题常常可以被重新表述为：一个给定的形状 $K$ 是否包含我们格中的任何点（除了原点的平凡点）？

Minkowski 第一定理给出了一个惊人的答案：如果一个对称凸体 $K$ 的体积相对于格的密度足够大，它就保证至少包含一个非零格点。但是我们如何找到这些点并理解它们的结构呢？在这里，闵可夫斯基泛函成为了不可或缺的工具。它充当我们定制的尺子，测量格向量的“大小”，不是用普通的英寸或米，而是用形状 $K$ 的单位。

我们可以定义一个称为​​逐次极小​​（successive minima）的数列。第一个极小值 $\lambda_1$，是我们为使形状 $K$ 的边界恰好接触到最近的非零格点而需要应用的最小缩放因子。所以，膨胀后的形状 $\lambda_1 K$ 包含一个格点 $\mathbf{v}_1$。第二个极小值 $\lambda_2$，是我们的形状捕捉到第二个不在第一条线上的格点所需的最小缩放因子。

利用这个框架，一个优美的结构被揭示出来。如果你将你的形状 $K$ 膨胀一个因子 $t$，这个因子介于第一个和第二个极小值之间（$\lambda_1 \le t \lambda_2$），你会发现你捕捉到的所有格点都位于一条直线上——即通过原点和你找到的第一个点 $\mathbf{v}_1$ 的那条线。你找到的点数就是 $1 + 2\lfloor t/\lambda_1 \rfloor$。你捕捉到原点，然后随着你膨胀的形状变得足够大以达到它们，成对的点 $\pm k\mathbf{v}_1$ 也被捕捉到。这为落在你形状内的整数解提供了一个极其精确的描述，一种对数的结构本身的深刻洞察，而这一切都由一把几何尺子成为可能。

这种几何与分析之间的联系非常深刻。熟悉的 $L_p$ 范数，如绝对值之和（$\|x\|_1$）或欧几里得范数（$\|x\|_2$），本身就是它们对应单位球的闵可夫斯基泛函。利用这种几何视角，人们可以进行一次优美的计算，以找到这些 $L_p$ 球在任何维度下的体积，从而导出一个涉及欧拉伽马函数的著名公式——这是高等分析的基石之一。

现在让我们把这些想法带回地球——确切地说，带到构成我们世界的材料中。当你弯曲一个回形针时，它首先会弹回（弹性变形），但如果你弯得太厉害，它就会保持弯曲（塑性变形）。支配这一转变的规则是什么？材料如何“知道”何时屈服？

答案在于应力空间——材料内部经受的力。对于给定的材料，在这个抽象的应力空间中有一个区域，称为​​屈服面​​（yield surface），它包含了材料能够弹性承受的所有应力状态。如果应力状态冒险超出这个表面，材料就会屈服。

在现代塑性理论中，这个物理概念被凸分析的数学以惊人的精确度描述。“安全”的弹性应力集合 $\mathcal{Y}$ 是一个凸体。一个应力状态 $\boldsymbol{s}$ 安全的条件就是 $p_{\mathcal{Y}}(\boldsymbol{s}) \le 1$，其中 $p_{\mathcal{Y}}$ 是屈服集 $\mathcal{Y}$ 的闵可夫斯基泛函！闵可夫斯基泛函就是屈服准则。它提供了一个单一、统一的函数，告诉材料它处于弹性还是塑性状态。

对于许多常见金属，著名的 ​​von Mises 屈服准则​​ 指出，当“等效应力”达到一个临界值时就会发生屈服。用闵可夫斯基泛函的语言来说，这仅仅意味着屈服面 $\mathcal{Y}$ 是相关应力空间中的一个球面，而泛函 $p_{\mathcal{Y}}$ 正是大家熟悉的欧几里得范数，只是按一个材料常数进行了缩放。

当我们引入对偶性时，故事变得更加精彩。塑性流动的物理过程由塑性应变率描述。事实证明，能量耗散的物理学由对偶范数 $p_{\mathcal{Y}}^*$ 支配。应变率的对偶范数给出了材料变形时每单位体积以热量形式耗散的精确能量。闵可夫斯基泛函与其对偶范数之间的对偶性，完美地反映了应力（施加的力）和应变率（产生的流动）之间深刻的物理对偶性。曾经的一堆经验工程法则，现在被揭示为凸对偶数学理论的美丽体现。

我们的最后一站将我们带到现代数据科学和信号处理的前沿。想象你是一位天文学家，将射电望远镜对准天空，或者是一位神经学家，正在观察来自大脑的脑电图信号。你接收到的信号是无数个更简单波形的复杂叠加。关键任务是将这种嘈杂的声音分解为其基本音符，或称“原子”。通常，我们坚信信号是稀疏的——也就是说，它实际上只由少数几个强烈的音符组成，淹没在噪声的海洋中。我们如何找到它们？

关键是构建一种特殊的范数，即​​原子范数​​（atomic norm），它是为这个问题量身定做的。“原子”是我们可能正在寻找的所有可能的纯信号——例如，所有可能频率和相位的正弦波。一个给定信号 $\mathbf{x}$ 的原子范数，本质上是通过组合这些原子来构建 $\mathbf{x}$ 的“最便宜”的方式。通过找到 $\mathbf{x}$ 具有最小原子范数的表示，我们可以神奇地恢复稀疏的、底层的信号。

那么这个复杂的现代工具是什么呢？它又一次是我们的老朋友——闵可夫斯基泛函。原子范数精确地是所有原子集合的凸包的闵可夫斯基泛函（或规范函数）。这个范数的“单位球”是你可以通过以总“预算”为一的方式混合和匹配原子而形成的所有信号的集合。因此，最小化原子范数是在寻找最有效率，或最稀疏的表示。这一思想是压缩感知的核心，这是一项革命性技术，使我们能够用比以前认为的少得多的测量来创建高分辨率图像，应用范围从核磁共振扫描仪到数码摄影。

从 Plato 的立体到整数，从钢铁的强度到复杂数据的分析，闵可夫斯基泛函如一条统一的线索贯穿始终。它证明了在科学中，最美的思想往往也是最强大的，它们在不同学科间回响，揭示了我们世界背后简单而优雅的结构。