驻点

玻尔百科

关键要点

驻点是函数斜率为零的位置，对应于代表平衡状态的局部极小值点（谷）、局部极大值点（峰）和鞍点（山口）。
Hessian 矩阵是由二阶偏导数构成的集合，是通过确定局部曲率来对多维空间中的驻点进行分类的主要工具。
驻点在应用科学中至关重要，用于模拟物理学中的稳定态、化学中的反应路径、生物学中的细胞命运以及机器学习中的优化。
Poincaré-Hopf 定理建立了驻点的局部数量与函数所在曲面的全局形状（拓扑结构）之间的基本联系。

引言

在广阔的数学和科学领域中，系统在何处找到平衡？答案往往在于驻点——一个变化停止的完美平衡位置。这个基本概念，代表着数学曲面上的一个峰、一个谷或一个山口，是理解从物理对象的稳定性到化学反应结果等一切事物的关键。然而，仅仅找到这些点是不够的；真正的理解需要知道如何区分稳定的谷和危险的峰，并领会支配它们存在的深层规则。本文通过对驻点进行全面探索来应对这一挑战。首先将在“原理与机制”一章中阐明其数学核心，详细介绍如何使用微积分和线性代数找到并分类这些关键点。随后，“应用与跨学科联系”一章将揭示这些思想的深远影响，展示驻点如何在物理学、生物学、化学乃至人工智能领域中模拟稳定性、过渡和功能。

原理与机制

想象你是一位微小的探险家，徒步穿越一片广阔起伏的地形。有些地方陡峭，需要付出巨大努力才能攀登；另一些地方则是平缓的斜坡。目前，你最关心的是找个地方休息。你会停在哪里？你会寻找一块完全平坦的地面。这个简单直观的想法，正是我们所说的驻点的核心。它是曲面或函数上斜率为零的点——一个完美平衡的地方。

但正如任何探险家所知，并非所有平地都生而平等。一个平坦的地方可能是宁静山谷的底部、岌岌可危的山峰之巅，或是一个在一个方向上坡而在另一个方向下坡的复杂山口。本章的旅程，是让我们成为这些数学地貌的勘测大师。我们不仅将学会如何找到这些驻点，还将学会如何对它们进行分类，而最激动人心的是，我们将了解它们的存在如何受到地貌整体形状的支配。

地形勘察：寻找平地

在函数 $f(x)$ 的一维世界里，我们的地貌只是一条画在图上的线。“斜率”就是导数 $f'(x)$ 。驻点出现在斜率为零的地方： $f'(x) = 0$ 。这些是我们的探险家可能会停下来的点。但每一种地貌都有可供休息的地方吗？完全不是。考虑这样一个函数 $k(x) = 2x^5 + 5x^3 + 10x - 1$ 。它的导数 $k'(x) = 10x^4 + 15x^2 + 10$ 恒为正。项 $10x^4$ 和 $15x^2$ 永远不为负，所以导数的最小值是 $10$ 。这片地貌是一条无尽的、越来越陡的攀登之路；没有平坦之处，因此也找不到局部极大值或极小值。

这是至关重要的第一课：驻点的存在并非必然。它们是地貌的特殊特征。当它们确实存在时，它们讲述了一个故事。对于在势能场 $U(x)$ 中运动的粒子，驻点是力 $F(x) = -U'(x)$ 为零的地方——即平衡点。谷底是 $U(x)$ 处于局部极小值的地方，是稳定平衡点，粒子会倾向于在此处停留。山顶，即局部极大值点，是不稳定平衡点。在这些平衡点之间，地貌必然是弯曲的。曲率本身发生变化的点——从向上弯曲变为向下弯曲，或反之——被称为拐点。这些点出现在二阶导数为零的地方，即 $U''(x)=0$ 。在物理上，这些是粒子受力最强的位置，代表了势能地貌中最剧烈的变化。

当我们进入二维空间，比如函数 $f(x, y)$ ，我们的地貌就变成了一个有山有谷的真实曲面。“斜率”的概念现在变得更复杂了。在任何一点，都有一个 $x$ 方向的斜率（ $\frac{\partial f}{\partial x}$ ）和一个 $y$ 方向的斜率（ $\frac{\partial f}{\partial y}$ ）。这两个数构成一个向量，即梯度，记作 $\nabla f = (\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y})$ 。梯度始终指向最陡峭的上升方向。要找到一个平坦的地方——一个驻点——我们必须找到一个在所有方向上斜率都为零的地方。这意味着梯度向量必须是零向量： $\nabla f = \mathbf{0}$ 。

峰、谷与山口：地形分类

一旦我们找到了一个驻点，真正有趣的部分才开始。我们如何对它进行分类？在一维中，我们使用二阶导数：如果 $f''(x) > 0$ ，曲线形状像一个笑脸（极小值点）；如果 $f''(x) 0$ ，它就像一个愁眉（极大值点）。在二维或更高维度中，我们需要一个更强大的工具，能够同时捕捉所有方向的曲率。这个工具就是 Hessian 矩阵，一个由所有二阶偏导数构成的方阵：

H = \begin{pmatrix} \frac{\partial^2 f}{\partial x^2} \frac{\partial^2 f}{\partial x \partial y} \\ \frac{\partial^2 f}{\partial y \partial x} \frac{\partial^2 f}{\partial y^2} \end{pmatrix}

Hessian 矩阵的作用就像一个多维的二阶导数。通过分析驻点处的这个矩阵，我们可以确定当地的地形。在我们的故事中有三个主要角色：

局部极小值点（谷或碗）： 在这一点，地貌在每个方向都向上弯曲。就像一个弹珠在碗底稳定下来，任何轻微的推动都会使其滚回碗底。在数学上，这对应于 Hessian 矩阵是正定的（其特征值全部为正）。对于一个二维函数，这意味着 $\det(H) > 0$ 且 $\frac{\partial^2 f}{\partial x^2} > 0$ 。在物理系统中，这些点对应于系统会自然停留的稳定平衡点。
局部极大值点（峰或穹顶）： 在这里，地貌在每个方向都向下弯曲。放在这里的弹珠处于一种岌岌可危的平衡状态；最轻微的推动都会让它滚走。Hessian 矩阵是负定的（特征值全部为负）。在二维中，这意味着 $\det(H) > 0$ 且 $\frac{\partial^2 f}{\partial x^2} 0$ 。
鞍点（山口或薯片）： 这是最有趣的角色。从鞍点出发，地貌在某些方向向上弯曲，在另一些方向向下弯曲。如果你身处山口，你可以向下进入两个山谷中的一个，或向上走向两个山峰中的一个。这种混合曲率意味着 Hessian 矩阵是不定的（它既有正特征值也有负特征值）。在二维中，这很容易通过一个负的行列式来识别，即 $\det(H) 0$ 。这些点是平衡点，但它们本质上是不稳定的。

函数 $f(x, y) = \cos(x) \sin(y)$ 极好地展示了这些不同类型。它在平面上一个简单区域上定义的地貌，是一个由交替出现的峰、谷和山口构成的美丽的棋盘格。另一个优雅的例子是 $f(x, y) = \cos(x) + y^2$ 。在这里，临界点形成一条无限的直线。在 $\cos(x)=1$ 的点，我们有一个局部极小值点（ $y$ 方向的一个谷），但当 $\cos(x)=-1$ 时，函数在 $y$ 方向向上弯曲，但在 $x$ 方向向下弯曲，从而形成一个鞍点。

Hessian 矩阵的力量是深远的。有时，即使是部分信息也很有启发性。假设我们只知道 Hessian 矩阵的迹（其对角元素之和， $\frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}$ ）总是正的。迹也是特征值之和。一个点要成为局部极大值点，所有特征值都必须是负的，这将迫使迹为负。因此，一个 Hessian 矩阵的迹总是正的地貌永远不可能有局部极大值点！它仍然可以有谷（局部极小值点）和山口（鞍点），但没有峰。

动态地貌：山谷的诞生

到目前为止，我们的地貌都是静态的，冻结在时间里。但在现实世界中，条件是会改变的。在物理学、化学和生物学中，势能地貌通常由温度、压力或浓度等外部参数控制。随着一个参数的变化，地貌本身可以发生戏剧性的移动和变形。这种现象被称为分岔。

考虑一个由 $f(x, y; a) = \frac{1}{4}x^4 - \frac{a}{2}x^2 + \frac{1}{2}y^2$ 描述的系统的势能，其中 $a$ 是一个控制参数。让我们观察一下，当我们慢慢调高 $a$ 的值时会发生什么：

当 $a$ 为负时（ $a 0$ ），地貌只有一个驻点：位于原点 $(0,0)$ 的一个单一、稳定的谷。
当 $a$ 增加到零时（ $a=0$ ），这个谷的底部变得非常平坦。二阶导数检验失效，但仔细观察会发现它仍然是一个局部极小值点。
当 $a$ 变为正数（ $a > 0$ ）的瞬间，一场戏剧性的转变发生了。原点不再是一个谷；它变形为一个鞍点！从这个转变中，诞生了两个新的、独立的谷，分别位于新山口的两侧。

这是一个经典的叉式分岔的例子。一个单一的稳定状态（一个谷）变得不稳定，并分裂成两个新的稳定状态（两个新谷）。这不仅仅是一个数学上的奇观；它是物理学中相变的模型，比如磁铁在临界温度以下突然产生南极和北极，或者梁在压力下发生屈曲。这是一个美丽的例子，说明一个参数的连续变化如何导致系统平衡性质的突然、质的飞跃。

生存于边缘：边界的角色

到目前为止，我们的探险家一直在一个无限、无界的景观中漫游。如果领土是有限的会怎样？如果我们在一个圆形的平台上寻找最高或最低点呢？绝对的最高或最低点可能根本不是中间的一个平坦的“驻点”；它可能就在悬崖的边缘。

当我们在一个有边界的域上优化一个函数时，我们必须检查两个地方：内部的驻点（其中 $\nabla f = \mathbf{0}$ ），以及边界本身。

让我们看看简单的函数 $f(x, y) = x^2 - y^2$ ，它描述了一个完美的鞍形，作用域是闭合单位圆盘 $D = \{(x,y) \mid x^2+y^2 \le 1\}$ 。在圆盘的内部，我们发现梯度仅在原点 $(0,0)$ 处为零。Hessian 矩阵表明这是一个经典的鞍点。它肯定不是圆盘上的最大值或最小值。真正的极值必须位于边界圆上。通过分析边界圆 $x^2+y^2=1$ 上的函数，我们发现最高点在 $(1,0)$ 和 $(-1,0)$ 处（其中 $f=1$ ），最低点在 $(0,1)$ 和 $(0,-1)$ 处（其中 $f=-1$ ）。

这给我们任何现实世界中的优化问题上了一堂重要的课：永远不要忘记边界。最佳解决方案可能不是一个完美、无约束的平衡点，而是一个被推到基本约束边缘的点。

宏观统筹：拓扑如何约束地貌

我们已经花时间作为局部勘测员，逐一分类每个山丘、山谷和山口。但现在我们退后一步——一大步——从高空俯瞰整个地貌。峰、谷和山口的数量之间是否存在关系？似乎我们可以随心所欲地构建任何组合的地貌。但在一个将局部微积分与全局几何统一起来的惊人转折中，事实证明我们不能。我们的地貌所在的曲面的整体形状——即拓扑——对每种类型的驻点数量施加了严格的约束。

想象一个光滑、闭合的曲面，如球面或甜甜圈（环面）。Poincaré-Hopf 定理，数学中的一颗明珠，告诉我们一件非凡的事情。如果我们在曲面 $S$ 上有一个光滑的 Morse 函数（一个只有非退化驻点的函数），那么对其驻点的简单计数就能揭示曲面的身份。规则如下：

N_{max} + N_{min} - N_{sad} = \chi(S)

这里， $N_{max}$ 、 $N_{min}$ 和 $N_{sad}$ 分别是局部极大值点、极小值点和鞍点的数量。量 $\chi(S)$ 是欧拉示性数，一个描述曲面拓扑的基本数字。对于球面， $\chi=2$ 。对于环面， $\chi=0$ 。对于双环面（像一个数字8的形状）， $\chi=-2$ 。如果你拉伸或弯曲曲面，这个数字不会改变。

这个公式是惊人的。它意味着局部特征（那些你只需在小邻域内看导数就能找到的驻点）是全局相互关联的。如果你在一个球面（ $\chi=2$ ）上，并且你数了峰和谷的数量，你就可以预测你必须找到的山口数量： $N_{sad} = N_{max} + N_{min} - 2$ 。对于球面上最简单的地貌，只有一个峰（北极）和一个谷（南极），你会发现 $N_{sad} = 1 + 1 - 2 = 0$ 。根本没有鞍点！

现在让我们想象一个环面（ $\chi=0$ ）上的地貌。公式变成 $N_{sad} = N_{max} + N_{min}$ 。环面上最简单的地貌有一个极大值点（外缘的最高点），一个极小值点（内缘的最低点），因此必须有 $N_{sad} = 1+1=2$ 个鞍点。你根本无法在一个甜甜圈上画出一个只有一个峰和一个谷的光滑地貌，而不创造出恰好两个山口。

这种联系使我们能够反向逻辑。如果一个探险家在一个未知的、闭合的、可定向的曲面上发现一个地貌，它只有一个极大值点，一个极小值点，以及比如说 $k$ 个鞍点，他们就可以确定这个曲面的亏格 $g$ （“洞”的数量）。欧拉示性数由 $\chi(S) = 2 - 2g$ 给出。将此代入 Morse 关系式得到 $1 + 1 - k = 2 - 2g$ ，化简后得到一个优美的结果 $g = \frac{k}{2}$ 。仅仅通过计算驻点，探险家就弄清了他们所处世界的基本形状。

这是数学统一性的终极体现：一座深刻而出人意料的桥梁，连接了微积分的局部、微分世界与拓扑的全局、整体世界。卑微的驻点，一个地面平坦的地方，实际上是解开空间形状最深层秘密的一把钥匙。

应用与跨学科联系

现在我们已经牢牢掌握了驻点的“是什么”——数学地貌上的峰、谷和山口——让我们开始一段旅程，去理解“为什么”。为什么这个简单的、寻找函数斜率为零之处的想法，是所有科学中最强大、最统一的概念之一？答案是，大自然在其无尽的复杂性中，不断地寻求平衡状态，而这些状态正是在某个潜在的能量、概率甚至适应度地貌上的驻点。通过学习识别和分类这些点，我们获得了一个非凡的镜头来观察世界，从原子的稳定性到蛋白质的折叠，再到人工智能的训练。

稳定性的物理学：从滚动的弹珠到量子晶体

我们的物理直觉为我们提供了与驻点最直接的联系。想象一个在丘陵地带滚动的弹珠。它会在哪里停下来？当然是在山谷的底部。它在哪里最不稳定地平衡着？在山峰的最高点。这些谷和峰是势能函数的局部极小值点和极大值点。处于极小值点的弹珠处于稳定平衡状态；轻微的推动会使它滚回来。处于极大值点的弹珠处于*不稳定平衡*状态；最轻微的扰动都会让它滚走。

但还有第三种，更微妙的平衡：鞍点。想象一个山口。如果你沿着山脊行走，它是一个极小值点，但如果你从两侧的山谷向上走，它又是一个极大值点。一个完美地置于鞍点的弹珠处于不稳定平衡状态，但这是一种非常特殊的类型。它可以选择落入哪个山谷。这种将极小值点、极大值点和鞍点视为平衡点的简单图景，是经典力学的基石。

这个思想从单个弹珠完美地扩展到广阔的材料世界。考虑一个晶体，它是一种原子重复、有序的排列。是什么让它们保持在原位？它们被困在周期性势的极小值点中，这是一个起伏的地貌，有点像鸡蛋盒。坐在其中一个凹陷处的原子是稳定的。为了在晶体中移动，原子必须获得足够的能量以越过一个鞍点进入下一个凹陷处。“鸡蛋盒”上的最高点，即极大值点，是最不稳定的位置。这个精确的模型不仅用于描述固体中的原子，还用于描述被激光捕获在“光晶格”（一种人造的光之晶体）中的原子。

这个概念是如此强大，以至于它甚至适用于抽象空间。在固态物理学中，晶体中电子的性质不是由其在真实空间中的位置决定的，而是由其动量决定的。电子的能量 $E(\mathbf{k})$ 是一个在称为布里渊区的“动量地貌”上的函数。这个能量地貌的驻点——它的极小值点、极大值点和鞍点——不是平衡位置，但它们至关重要。它们对应于电子可用量子态密度变为奇异的能量值。这些“van Hove 奇异点”对材料的光学、电学和热学性质有着深远且可测量的影响。同样是这个数学思想，却应用于一个不同的物理世界。

生命的化学：反应路径与生物命运

如果说物理学用驻点来描述存在状态，那么化学和生物学则用它们来描述形成过程。每一个化学反应，从两个原子的最简单结合到赋予生命的蛋白质的复杂折叠，都可以被想象成在广阔、高维的势能面（PES）上的一次旅程。

在这个地貌上，稳定的分子和构象——反应物、产物以及任何临时中间体——都是谷，即局部极小值点。它们是稳定的结构，因为它们位于能量井的底部。要发生反应，反应物分子要转变为产物分子，它必须找到一条从一个谷到另一个谷的路径。过渡态理论告诉我们，最可能的路径会越过连接两个谷的最低山口。那个山口是势能面上的一个一阶鞍点，代表了过渡态结构。它是反应的瓶颈。这个鞍点相对于谷的高度就是活化能，它决定了反应进行的速度。

生命的地貌异常复杂。有时，一个山谷不仅仅通向一个山口，而是通向一个随后分叉的山脊，导致两种不同的产物。这个分支发生点根本不是一个驻点，而是一个特殊的位置，称为谷脊拐点（VRI），在那里谷壁的曲率消失了。识别这些点是计算化学的前沿领域，对于理解和控制复杂的反应结果至关重要。

这个“地貌”的比喻在 Conrad Waddington 的表观遗传学景观中找到了其最著名的生物学表达。他将一个有机体从单个胚胎细胞发育为多种特化细胞类型（肝细胞、皮肤细胞、神经元）的过程，想象成一个弹珠沿着一个分支的山谷系统滚下。最初的多能细胞位于顶部。当它滚动时，它经过鞍点并做出选择，最终在几个深谷中的一个停下来。每个谷都是一个稳定的吸引子，是复杂基因调控网络中的一个不动点，代表了一个最终分化的细胞命运 [@problem-T_ID:2665344]。我们细胞的稳定状态，正是一个巨大动态地貌的极小值点。

从生理学到人工智能

地貌及其临界点的语言并不仅限于分子世界。它出现在我们分析任何复杂系统行为的地方，甚至是我们自己的身体。考虑呼吸这个动作。一个关键的诊断工具是肺的压力-容积曲线，它描绘了肺的容积 $V$ 如何随着充气压力 $P$ 的增加而变化。这条曲线具有特征性的S形。

在低压时，肺很僵硬，难以充气（斜率低）。在高压时，它已经充满并再次变得僵硬（斜率低）。在中间，它的顺应性最好（斜率高）。这条曲线的斜率 $\frac{dV}{dP}$ 是肺的顺应性。最大顺应性点是 $V(P)$ 曲线的拐点，即其二阶导数为零的地方。生理学家甚至对所谓的“操作性拐点”更感兴趣，这些点对应于曲线曲率的极值。这些点标志着肺部力学的关键转变，例如在充气开始时塌陷肺泡的大量复张。这条曲线的形状及其临界点的位置，可以帮助诊断呼吸系统疾病。

也许这一思想最现代、最激动人心的应用是在机器学习领域。训练一个深度神经网络涉及调整数百万个参数（“权重” $\mathbf{w}$ ）以最小化一个“损失函数” $L(\mathbf{w})$ ，该函数衡量网络执行任务的糟糕程度。训练过程无非是在由 $L(\mathbf{w})$ 定义的惊人高维地貌上寻找最低点的过程。

多年来，一个主要的担忧是训练算法会陷入一个“坏”的局部极小值——一个并非最深的谷。然而，最近的研究揭示了一个令人惊讶的事实：在这些地貌的巨大维度中，真正的局部极小值很少见，并且往往与全局最小值几乎一样好。地貌上遍布着无数的鞍点。像梯度下降这样总是“下山”的算法，可能会在鞍点附近减速。但因为鞍点本质上是不稳定的——它既有正曲率方向也有负曲率方向——即使是少量的随机噪声（如在随机梯度下降中）也足以将算法从山口上推开，让它再次滚下山坡。理解这些地貌的几何形状，特别是其驻点的性质，对于设计驱动现代人工智能的算法至关重要。

最后的思考：拓扑的必然性

我们已经看到驻点在各个科学领域中描述了平衡、过渡和功能。但数学中一个最后的美丽例子揭示了，它们的存在可以是一种深刻而不可避免的必然。

Poincaré-Hopf 定理是拓扑学中一个深刻的结果，它将闭合曲面上光滑函数的驻点与该曲面的基本形状或拓扑联系起来。对于球面上任何光滑的、非恒定的函数（比如地球的引力势），该定理保证极大值点的数量加上极小值点的数量，减去鞍点的数量，必须等于 2（球面的欧拉示性数）。一个只有一个极大值点（北极）和一个极小值点（南极）的简单地貌，因此必须有零个鞍点。

但是环面，一个甜甜圈的形状呢？环面的欧拉示性数为 0。该定理告诉我们，对于环面上任何光滑的、非恒定的函数， $N_{max} + N_{min} - N_{sad} = 0$ ，或者更优雅地写为： $N_{max} + N_{min} = N_{sad}$ 想想这意味着什么。如果你在一个环形导体上有一个势，它哪怕只有一个高点和一个低点，鞍点的存在就不是偶然的；它是一种拓扑上的确定性。你必然会有至少两个鞍点来满足这个方程。空间的形状本身就决定了其上的地貌必须拥有什么样的驻点。

从物理结构的实际稳定性到空间拓扑施加的抽象必然性，驻点的概念提供了一条共同的主线。它是来自微积分的一个简单思想，当与想象力结合时，它能解锁对支配我们宇宙的模式和原理的更深层次的理解。