Гауссова и средняя кривизна

Лист бумаги можно свернуть в цилиндр без единой складки. Нельзя накрыть сферу листом бумаги без разрывов. Это не вопрос упругости материала - это математика: гауссова кривизна K цилиндра равна нулю, сферы - положительная. Гаусс доказал в 1827 году, что K не меняется при изгибе без растяжения. Cartographers знают это с тех пор: карту мира без искажений не нарисовать. GPS знает это тоже: без поправки на кривизну пространства-времени по ОТО навигационная ошибка составляла бы 11 км в сутки.

• **Manifold learning:** UMAP, t-SNE, Isomap - все оперируют кривизной пространства данных; проекция в 2D искажает то, что K не позволяет сохранить
• **3D-сглаживание:** поток средней кривизны убирает шум со сканов LiDAR и MRI, сохраняя геометрические особенности
• **Computer graphics:** adaptive mesh tessellation расставляет треугольники по кривизне - меньше там, где K ~ 0, гуще там, где кривизна велика
• **GPS и ОТО:** пространство-время Земли слегка искривлено - коррекция кривизны обязательна в бортовом программном обеспечении

Предварительные знания

• Вторая фундаментальная форма

Первая и вторая фундаментальные формы

**Два вопроса про поверхность.** Первый: как измерять расстояния и углы, не выходя из неё? Второй: как поверхность изгибается относительно объемлющего пространства? За каждый вопрос отвечает своя форма - первая и вторая. Вместе они кодируют всю геометрию.

**Первая фундаментальная форма** I = E du^2 + 2F du dv + G dv^2 - метрический тензор поверхности. Коэффициенты E = r_u·r_u, F = r_u·r_v, G = r_v·r_v. Через I измеряются длины дуг, углы между кривыми, площади областей. Это внутренняя геометрия - жук на поверхности, не знающий о третьем измерении, работает только с I.

**Вторая фундаментальная форма** II = L du^2 + 2M du dv + N dv^2 измеряет отклонение поверхности от касательной плоскости. Коэффициенты L = r_uu·n, M = r_uv·n, N = r_vv·n, где n - единичная нормаль. Это внешняя геометрия - то, что видно из объемлющего R^3. Manifold learning в UMAP и t-SNE работает именно с этой дихотомией: внутренние расстояния против внешних координат.

**Оператор формы** S = I^(-1) * II связывает обе формы. Главные кривизны κ₁, κ₂ - собственные значения матрицы S. Формулы: K = (LN - M^2)/(EG - F^2), H = (EN - 2FM + GL)/(2(EG - F^2)).

Главные кривизны κ₁ и κ₂

**Пицца подтверждает теорему.** Кусок пиццы - плоский: K = 0. Когда его складывают вдоль радиуса, создаётся κ₁ вдоль линии сгиба. Но K = κ₁κ₂ обязан остаться нулём (Theorema Egregium - K инвариантна при изгибе без растяжения). Значит κ₂ = 0 перпендикулярно сгибу - и корочка не провисает. Это не инженерная интуиция, это математика.

**Нормальная кривизна** в направлении θ: κ(θ) = (L cos^2(θ) + 2M cos(θ)sin(θ) + N sin^2(θ)) / (E cos^2(θ) + 2F cos(θ)sin(θ) + G sin^2(θ)). Это кривизна нормального сечения - кривой, которую вырезает плоскость через нормаль и направление θ.

**Главные кривизны** κ₁ и κ₂ - максимум и минимум нормальной кривизны по всем направлениям. Реализуются в **главных направлениях**, которые взаимно перпендикулярны. Теорема Эйлера: κ(θ) = κ₁ cos^2(θ) + κ₂ sin^2(θ) - вся информация кодируется в двух числах. В computer graphics адаптивное разбиение mesh (tessellation) расставляет больше треугольников там, где κ₁ и κ₂ велики.

**Теорема Эйлера:** κ(θ) = κ₁ cos^2(θ) + κ₂ sin^2(θ), где θ - угол с первым главным направлением. Это означает, что вся информация о нормальных кривизнах содержится в двух числах κ₁ и κ₂.

Главные направления не определены в **умбилических точках**, где κ₁ = κ₂. На сфере все точки умбилические - нет выделенных направлений изгиба. На торе линии умбилических точек образуют два кольца.

Гауссова кривизна K и средняя кривизна H

**1827 год. Гёттинген.** Гаусс доказывает Theorema Egregium - "выдающуюся теорему". Гауссова кривизна K - это внутренний инвариант: существо внутри поверхности может вычислить K, измеряя только расстояния, без выхода в R^3. Через 88 лет Эйнштейн использует именно это для общей теории относительности: пространство-время само указывает на свою кривизну изнутри.

**Гауссова кривизна** K = κ₁ * κ₂ = (LN - M^2)/(EG - F^2). K > 0 в эллиптических точках (чаша или купол), K < 0 в гиперболических (седло), K = 0 в параболических (цилиндр, конус). GPS-поправки на кривизну пространства-времени Земли - без учёта K ошибка навигации составляла бы 11 км в сутки.

**Средняя кривизна** H = (κ₁ + κ₂)/2 = (EN - 2FM + GL)/(2(EG - F^2)) - среднее арифметическое. H физически - давление внутри мыльного пузыря (закон Лапласа: ΔP = 2γH). Знак H зависит от ориентации нормали. В manifold learning (UMAP, t-SNE, Isomap) кривизна пространства данных определяет искажения при проекции в 2D.

Форма чипсов Pringles выбрана не случайно: гиперболический параболоид (K < 0) значительно прочнее плоского чипса той же толщины. Отрицательная гауссова кривизна придаёт жёсткость - тот же принцип, что в архитектурных оболочках, сёдлах мостов и дизайне шлемов.

Минимальные поверхности и применения

**Мыльная плёнка решает задачу оптимизации.** Натянутая на проволочный контур, она принимает форму с наименьшей площадью при заданных граничных условиях. Это не физическая случайность - это математический минимум: H = 0 везде. Поверхность под названием «катеноид» (поверхность вращения цепной линии) - минимальная. Архитекторы копируют эту геометрию в оболочковых покрытиях, где минимизация материала при сохранении несущей способности - задача та же.

**Поток средней кривизны** (mean curvature flow): dr/dt = H * n. Поверхность движется со скоростью, пропорциональной H, вдоль нормали. Острые выступы с большим |H| убираются первыми; гладкие области (H ≈ 0) почти не меняются. В 3D-сканировании (MRI, LiDAR) этот поток - стандартный алгоритм деноизинга: он убирает высокочастотный шум, сохраняя крупномасштабную форму.

**Практические применения:** поток средней кривизны убирает шум со сканов LiDAR и MRI, кривизна поверхности - дескриптор формы в computer vision (shape analysis), поддерживающие структуры в 3D-печати оптимизируются через условие H = 0 для минимизации материала.

Ключевые идеи

• **Первая форма** I - метрика поверхности (внутренняя геометрия); **вторая форма** II - изгиб в R^3 (внешняя геометрия)
• **Главные кривизны** κ₁, κ₂ - собственные значения оператора формы S = I^(-1)·II; связаны теоремой Эйлера κ(θ) = κ₁ cos^2(θ) + κ₂ sin^2(θ)
• **K = κ₁κ₂** (Theorema Egregium): K > 0 - эллиптическая, K < 0 - гиперболическая, K = 0 - параболическая; K инвариантна при изгибе без растяжения
• **H = (κ₁ + κ₂)/2**: H = 0 - минимальная поверхность (мыльная плёнка); поток средней кривизны сглаживает меши, убирая шум первым там, где |H| велик

Связанные темы

Кривизна поверхности - центральное понятие, связывающее все разделы дифференциальной геометрии:

• Вторая фундаментальная форма — dg-03 вводит оператор формы S; здесь из него извлекаются K и H
• Theorema Egregium — K оказывается внутренним инвариантом - вычисляется только через I без II
• Тензор кривизны Римана — Обобщение K на многообразия любой размерности

Вопросы для размышления

• Катеноид (поверхность вращения цепной линии) - минимальная поверхность (H = 0). Почему именно такую форму принимает мыльная плёнка между двумя кольцами?
• Мозговые извилины имеют отрицательную гауссову кривизну K < 0 в большинстве точек. Что это говорит о стратегии упаковки мозга в ограниченный череп?
• Поток средней кривизны используется в ML для анализа поверхности потерь. Если функция потерь имеет острые минимумы (высокая кривизна), что это означает для обобщающей способности модели?

Связанные уроки

• dg-03 — Оператор формы S - фундамент; K и H его собственные числа
• dg-05 — Theorema Egregium: K - внутренний инвариант, не нужна вторая форма
• dg-10 — Тензор Римана - обобщение K на многообразия любой размерности
• calc-15-convergence — Функционал площади и вариации - тот же язык пределов
• alg-01 — Собственные числа матрицы - механизм извлечения главных кривизн
• la-13-eigenvectors