普拉纳夫·库马尔;塔尼亚·曼达尔;蒙达尔、斯瓦普纳梅 机器学习中的黑洞和损失景观。 （英语） Zbl 07774712号 《高能物理杂志》。 2023年，第10期，第107号论文，第31页（2023年）. 总结：了解损失情况是机器学习中的一个重要问题。损失函数的一个关键特征是存在指数级多个低层局部极小值，这是许多神经网络结构所共有的。具有类似能源景观的物理系统可能提供有用的见解。在这项工作中，我们指出，由于黑洞熵的存在，黑洞自然会产生这种景观。为了明确起见，我们考虑了（mathcal{N}=8）弦理论中的1/8 BPS黑洞。这些提供了对应黑洞微观描述中产生的无限系列潜在景观。极小值的计数相当于黑洞微观状态的计数。此外，这些景观的极小值的确切数量是从弦论中的对偶性中先验已知的。一些最小值通过低损耗值的路径连接，类似于模式连接。我们估计了找到所有解决方案所需的运行次数。初步探索表明，随机梯度下降可以找到极小值的重要部分。 MSC公司： 81至XX 量子理论 关键词：弦论中的黑洞;D膜 软件：TensorFlow公司;Entropy-SGD公司;图像网络;AlexNet公司 PDF格式BibTeX公司 XML格式引用 \textit{P.Kumar}等人，《高能物理学杂志》。2023年，第10期，第107号论文，第31页（2023年；Zbl 07774712） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] A.Krizhevsky、I.Sutskever和G.E.Hinton，深度卷积神经网络的Imagenet分类，《神经信息处理系统进展》25，F.Pereira、C.Burges、L.Bottou和K.Weinberger编辑，Curran Associates Inc.（2012）。 [2] Dahl，通用电气；Yu，D。；邓，L。；Acero，A.，用于大空间语音识别的上下文相关预训练深度神经网络，IEEE音频、语音和语言处理汇刊，20，30（2012）·doi:10.10109/TALS.2011.2134090 [3] Manning，CD，计算语言学和深度学习，计算语言学，41，701（2015）·doi:10.1162/COLI_a_00239 [4] Y.-H.He，《深入了解风景》，arXiv:1706.02714【灵感】。 [5] 他，Y-H，机器学习弦乐风景，Phys。莱特。B、 774564（2017）·doi:10.1016/j.physletb.2017.0.024 [6] Ruehle，F.，《用遗传算法进化神经网络研究字符串景观》，JHEP，08038（2017）·Zbl 1381.83128号 ·doi:10.1007/JHEP08（2017）038 [7] Carifio，J。；Halverson，J。；克里奥科夫，D。；Nelson，BD，《字符串环境中的机器学习》，JHEP，09157（2017）·Zbl 1382.81155号 ·doi:10.1007/JHEP09（2017）157 [8] 穆特，A。；帕尔，E。；Vaudrevange，PKS，异质性球形景观的深度学习，Nucl。物理学。B、 940113（2019年）·兹比尔1409.81099 ·doi:10.1016/j.nuclphysb.2019.013 [9] Y.-H.He，S.Lal和M.Z.Zaz，《沙粒中的世界：弦真空简并的凝聚》，arXiv:2111.04761[启示]。 [10] 布尔，K。；He，Y-H；杰贾拉，V。；Mishra，C.，机器学习CICY Threefolds，Phys。莱特。B、 785、65（2018）·doi:10.1016/j.physlet.2018.08.008 [11] 布尔，K。；他，Y-H；杰贾拉，V。；Mishra，C.，《让CICY兴奋》，Phys。莱特。B、 795700（2019）·Zbl 1420.14002号 ·doi:10.1016/j.physletb.2019.06.067 [12] 杰贾拉，V。；丹麦Mayorga Peña；Mishra，C.，Calabi-Yau指标的神经网络近似值，JHEP，08，105（2022）·Zbl 1522.83001号 ·doi:10.1007/JHEP08（2022）105 [13] P.Berglund等人，机器学习Calabi-Yau度量和曲率，arXiv:2211.09801[灵感]。 [14] H.Erbin和R.Finotello，完全交叉口Calabi-Yau 3倍的初始神经网络，马赫。学习。科学。技术2（2021）02LT03[arXiv:2007.13379][灵感]。 [15] H.Erbin和R.Finotello，完全交集Calabi-Yau流形的机器学习：方法学研究，Phys。版次D103（2021）126014[arXiv:2007.15706]【灵感】。 [16] Y.-H.He和A.Lukas，机器学习Calabi-Yau Four-folds，Phys。莱特。B815（2021）136139[arXiv:2009.02544]【灵感】·Zbl 1509.81274号 [17] Anderson，LB，基于模的Calabi-Yau和SU（3）-机器学习的结构度量，JHEP，05，013（2021）·兹比尔1466.83111 ·doi:10.1007/JHEP05（2021）013 [18] D.S.Berman，Y.-H.He和E.Hirst，机器学习Calabi-Yau超曲面，物理学。版次D105（2022）066002[arXiv:2112.06350]【灵感】。 [19] H.Erbin、R.Finotello、R.Schneider和M.Tamaazousti，《Calabi-Yau四倍深部多任务采矿》，马赫。学习。科学。技术3（2022）015006[arXiv:2108.02221][灵感]。 [20] 克雷文，J。；杰贾拉，V。；Kar，A.，Disentingling A deep learned volume formula，JHEP，06,040（2021）·doi:10.1007/JHEP06（2021）040 [21] 克雷文，J。；休斯，M。；杰贾拉，V。；Kar，A.，《跨维度学习纽结不变量》，《SciPost Phys.》。，14, 021 (2023) ·doi:10.21468/SciPostPhys14.2.021 [22] J.Craven、M.Hughes、V.Jejjala和A.Kar，《揭示纽结不变量之间的新的和已知的关系》，arXiv:2211.01404[灵感]。 [23] S.Gukov、J.Halverson、F.Ruehle和P.Sułkowski，《学习解开结》，马赫。学习。科学。技术2（2021）025035[arXiv:2010.16263][灵感]。 [24] K.Hashimoto、S.Sugishita、A.Tanaka和A.Tomiya，《深度学习和广告S/CFT通信》，Phys。版本D98（2018）046019[arXiv:1802.08313]【灵感】。 [25] K.Hashimoto、S.Sugishita、A.Tanaka和A.Tomiya，深度学习和全息QCD，物理。修订版D98（2018）106014[arXiv:1809.10536][灵感]。 [26] Tan，J。；Chen，C-B，《带电荷深度学习全息黑洞》，国际期刊Mod。物理学。D、 2015年5月28日（2019年）·Zbl 1432.83010号 ·doi:10.1142/S0218271819501530 [27] T.Akutagawa、K.Hashimoto和T.Sumimoto，深度学习和广告S/QCD，物理。版次D102（2020）026020[arXiv:2005.02636]【灵感】。 [28] 严永康，吴世芳，葛晓红，田永康，从剪切粘度深度学习黑洞度量，物理学。版次D102（2020）101902[arXiv:2004.12112][灵感]。 [29] H.Y.Chen、Y.-H.He、S.Lal和M.Z.Zaz，共形场理论机器学习练习曲，arXiv:2006.16114[灵感]。 [30] P.Basu等人，伊辛临界性的机器学习与自旋模糊，arXiv:2203.04012[INSPIRE]。 [31] E.-J.Kuo等人，《解码共形场理论：从有监督学习到无监督学习》，《物理学》。修订稿4（2022）043031[arXiv:2106.13485]【灵感】。 [32] G.Kántor、V.Niarcos和C.Papageorgakis，用人工智能解决共形场理论，物理学。修订稿128（2022）041601[arXiv:2108.08859][灵感]。 [33] G.Kántor、V.Niarcos和C.Papageorgakis，《强化学习的保形引导》，Phys。版次D105（2022）025018[arXiv:2108.09330]【灵感】。 [34] G.Kántor，V.Niarcos，C.Papageorgakis和P.Richmond，6D（2，0）bootstrap with the soft-actor-critic algorithm，Phys。版次D107（2023）025005[arXiv:2209.02801]【灵感】。 [35] 陈华友、何华友、拉尔和马久德，《机器学习谎言结构及其在物理中的应用》，物理。莱特。B817（2021）136297【arXiv:2011.00871】【灵感】·Zbl 07408522号 [36] S.Lal，机器学习对称性，《南开数学对话研讨会：庆祝S.S.Chern诞辰110周年》，在线中国，2021年8月2日至13日[arXiv:2201.09345][INSPIRE]。 [37] E.M.Koch、R.de Mello Koch和L.Cheng，深度学习是一种重新规范化的团队流程吗？，arXiv:1906.05212[doi:10.1109/ACCESS.2020.3000901][灵感]。 [38] J.Halverson、A.Maiti和K.Stoner，《神经网络和量子场论》，马赫。学习。科学。技术2（2021）035002[arXiv:2008.08601][灵感]。 [39] A.Maiti，K.Stoner和J.Halverson，《对称-过孔-二重性：来自参数-空间相关器的不变神经网络密度》，arXiv:2106.00694[灵感]。 [40] J.Halverson，《从神经元构建量子场论》，arXiv:2112.04527[INSPIRE]。 [41] H.Erbin、V.Lahoche和D.O.Samary，神经网络QFT对应的非微扰重整化，马赫。学习。科学。技术3（2022）015027[arXiv:2108.01403][灵感]。 [42] 格罗夫纳，KT；Jefferson，R.，《混沌的边缘：量子场论和深层神经网络》，《科学邮政物理学》。，12, 081 (2022) ·doi:10.21468/SciPostPhys.12.3.081 [43] H.Erbin，V.Lahoche和D.O.Samary，神经网络与量子场论对应中的重正化，arXiv:2212.11811[INSPIRE]。 [44] I.Banta，T.Cai，N.Craig和Z.Zhang，神经网络有效理论的结构，arXiv:2305.02334[启示]。 [45] N.Cabo Bizet等人，《用机器学习测试沼泽地猜想》，欧洲物理学。J.C80（2020）766[arXiv:2006.07290]【灵感】。 [46] K.Hashimoto，AdS/CFT通信作为深度Boltzmann机器，Phys。修订版D99（2019）106017[arXiv:1903.04951][灵感]。 [47] Betzler，P。；Krippendorf，S.，《连接二重性和机器学习》，Fortsch。物理。，68, 2000022 (2020) ·Zbl 07763961号 ·doi:10.1002/prop.202000022 [48] S.Krippendorf和M.Syvaeri，用神经网络检测对称性，arXiv:2003.13679[灵感]。 [49] J.Bao等人，Quiver Mutations，Seiberg Duality and Machine Learning，Phys。版次D102（2020）086013[arXiv:2006.10783]【灵感】。 [50] F.Ruehle，《数据科学在弦理论中的应用》，物理学。报告839（2020）1【灵感】·兹比尔1452.81004 [51] Y.-H.He、E.Heyes和E.Hirst，《物理和几何中的机器学习》，arXiv:2303.12626[灵感]。 [52] E.A.Bedolla-Montiel、L.C.Padierna和R.Castañeda-Priego，《凝聚态物理的机器学习》，J.Phys。康登斯。Matter33（2021）053001[arXiv:2005.14228][灵感]。 [53] A.M.Samarakon和D.A.Tennant，磁性相图和逆散射问题的机器学习，J.Phys。康登斯。马特34（2021）044002。 [54] 卡拉斯基拉，J。；梅尔科，RG，《物质的机器学习阶段》，《自然物理学》。，13, 431 (2017) ·doi:10.1038/nphys4035 [55] A.Decelle，机器学习导论：统计物理学的视角，Physica A（2022）128154。 [56] G.Carleo等人，《机器学习与物理科学》，修订版。《物理学》91（2019）045002[arXiv:1903.10563]【灵感】。 [57] L.E.Bottou，在线学习和随机近似，（1998年）·Zbl 0968.68127号 [58] 吉西玛（JiříŠma），《训练单个乙状结肠神经元很难》，《神经计算》14（2002）2709·Zbl 1060.68099号 [59] R.Livni、S.Shalev-Shwartz和O.Shamir，《训练神经网络的计算效率》，arXiv:1410.1141。 [60] S.Shalev-Shwartz、O.Shamir和S.Shammah，《基于梯度的深度学习的失败》，arXiv:1703.07950。 [61] Murty，千克；卡巴迪，SN，二次和非线性规划中的一些np-完全问题，数学。编程，39，117（1987）·兹比尔0637.90078 ·doi:10.1007/BF02592948 [62] A.Blum和R.L.Rivest，《训练三节点神经网络是np-complete》，载于《第一届神经信息处理系统国际会议论文集》，NIPS’88，麻省理工学院出版社，美国剑桥（1988），第494-501页。 [63] C.D.Freeman和J.Bruna，《半校正网络优化的拓扑和几何》，arXiv:1611.01540。 [64] E.Hoffer、I.Hubara和D.Soudry，《训练更长，概括更好：缩小神经网络大批量训练中的概括差距》，arXiv:1705.08741。 [65] D.Soudry和Y.Carmon，无不良局部极小值：多层神经网络的数据独立训练误差保证，arXiv:1605.08361。 [66] 巴尔迪，P。；Hornik，K.，神经网络和主成分分析：从没有局部极小值的例子中学习，神经网络，2，53（1989）·doi:10.1016/0893-6080（89）90014-2 [67] K.Kawaguchi，《无不良局部极小值的深度学习》，arXiv:1605.07110。 [68] Q.Nguyen和M.Hein，深度和广度神经网络的损失面，arXiv:1704.08045。 [69] 戈里，M。；Tesi，A.，关于反向传播中的局部极小问题，IEEE Trans。模式分析。机器智能。，14, 76 (1992) ·doi:10.1109/34.107014 [70] P.Frasconi、M.Gori和A.Tesi，《反向传播的成功与失败：理论研究》。 [71] Yu，X-H；Chen，G-A，关于反向传播学习的无局部极小条件，IEEE Trans。神经网络，61300（1995）·数字对象标识代码：10.1109/72.410380 [72] A.M.Saxe、J.L.McClelland和S.Ganguli，深度线性神经网络学习非线性动力学的精确解，arXiv:1312.6120·Zbl 1416.92018号 [73] I.Safran和O.Shamir，二层ReLU神经网络中常见的伪局部极小值，arXiv:1712.08968。 [74] C.Yun，S.Sra和A.Jadbabaie，激活函数中的小非线性会在神经网络中产生坏的局部极小值，arXiv:1802.03487。 [75] D.Zou，Y.Cao，D.Zhou和Q.Gu，随机梯度下降优化超参数深层ReLU网络，arXiv:1811.08888·兹比尔1494.68245 [76] G.Swirszcz、W.M.Czarnecki和R.Pascanu，神经网络训练中的局部极小值，arXiv:1611.06310。 [77] B.Liu，伪局部极小值在具有分段线性激活的深度神经网络中很常见，arXiv:2102.13233。 [78] P.Auer、M.Herbster和M.K.K.Warmuth，单个神经元的指数多局部极小值，摘自《神经信息处理系统进展》8，D.Touretzky、M.Mozer和M.Hasselmo主编，麻省理工学院出版社（1995）。 [79] F.Coetzee和V.Stonick，488个异或问题的解决方案，收录于《神经信息处理系统进展》9，M.Mozer、M.Jordan和T.Petsche主编，麻省理工学院出版社（1996）。 [80] A.Choromanska等人，《多层网络的损耗表面》，arXiv:1412.0233。 [81] A.Choromanska、M.Henaff、M.Mathieu、G.Ben Arous和Y.LeCun，《多层网络的损失面》，载于《第十八届人工智能与统计国际会议论文集》，美国圣地亚哥PMLR，2015年5月9日，G.Lebanon和S.V.N.Vishwanathan编辑【Proc.Mach.Learn.Res38（2015）192】【arXiv:1412.0233】。 [82] C.K.I.W.Carl Edward Rasmussen，机器学习的高斯过程（自适应计算和机器学习，麻省理工学院出版社（2005）[doi:10.7551/mitpress/3206.001.0001]。 [83] A.J.Bray和D.S.Dean，大维空间上高斯场临界点的统计，Phys。修订稿98（2007）150201【第二部分/0611023】【灵感】。 [84] Y.V.Fyodorov和I.Williams，景观复杂性随机矩阵计算揭示的副本对称破缺条件，第二卷/0702601·Zbl 1156.82355号 [85] Y.Dauphin等人，识别和解决高维非凸优化中的鞍点问题，arXiv:1406.2572。 [86] R.Pascanu，Y.N.Dauphin，S.Ganguli和Y.Bengio，关于非凸优化的鞍点问题，arXiv:1405.4604。 [87] I.Goodfellow、Y.Bengio和A.Courville，《深度学习》，麻省理工学院出版社（2016）·Zbl 1373.68009号 [88] 阿米特，DJ；Gutfreund，H。；Sompolinsky，H.，神经网络的自旋类模型，物理学。修订版A，321007（1985）·doi:10.1103/PhysRevA.32.1007 [89] Nakanishi，K。；Takayama，H.，神经网络自旋类模型的Mean场理论：TAP自由能和顺磁性到自旋类跃迁，J.Phys。A、 308085（1997）·Zbl 0932.82031号 ·doi:10.1088/0305-4470/30/23/009 [90] A.Choromanska、Y.LeCun和G.Ben Arous，《开放问题：多层网络损失表面的景观》，《第28届学习理论会议论文集巴黎-法国PMLR》，2015年7月3日，P.Grünwald、E.Hazan和S.Kale编辑【Proc.Mach.Learn.Res40（2015）1756】。 [91] A.Auffinger、G.B.Arous和J.Cerny，《自旋玻璃的随机矩阵和复杂性》，arXiv:1003.1129·Zbl 1269.82066号 [92] Auffinger，A。；Arous，GB，高维球体上随机光滑函数的复杂性，年鉴概率。，41, 4214 (2013) ·兹比尔1288.15045 ·doi:10.1214/13-AOP862 [93] M.Baity-Jesi等人，《比较动力学：深层神经网络与玻璃系统》，《机械学报》2019（2019）124013·Zbl 1459.82317号 [94] J.-P.Bouchaud、L.F.Cugliandolo、J.Kurchan和M.Mezard，自旋玻璃和其他玻璃体系的失平衡动力学，cond-mat/9702070[灵感]。 [95] L.F.Cugliandolo，《玻璃体系动力学》，第二卷，第0210312页·Zbl 07382779号 [96] Berthier，L。；Biroli，G.，《玻璃转变和非晶材料的理论观点》，修订版。物理。，83, 587 (2011) ·doi:10.1103/RevModPhys.83.587 [97] D.Mehta，T.Chen，T.Tang和J.D.Hauenstein，通过代数几何透镜观察深线性网络的损失面，arXiv:1810.07716。 [98] AJ巴拉德（Ballard），《透视：机器学习的能源景观》（Perspective:Energy Landscapes for Machine Learning），物理学。化学。化学。物理。，19, 2585 (2017) ·doi:10.1039/C7CP01108C [99] D.J.Wales，《能源景观：集群、生物分子和玻璃的应用》，剑桥大学出版社（2003）[doi:10.1017/cbo9780511721724]。 [100] Nalisnick，E。；Smyth，P。；Tran，D.，《从统计角度对深度学习的简要考察》，年。修订状态申请。，10, 219 (2023) ·doi:10.1146/annrev-statistics-032921-013738（doi:10.1146/annrev-statistics-032921-013738） [101] Bahri，Y.，《深度学习的统计力学》，《凝聚态物理年鉴》。，11, 501 (2020) ·doi:10.1146/annurev-conmatphys-031119-050745 [102] J.D.Bekenstein，黑洞与熵，物理学。修订版D7（1973）2333【灵感】·Zbl 1369.83037号 [103] J.D.Bekenstein，黑洞物理学中的广义热力学第二定律，物理学。修订版D9（1974）3292[灵感]。 [104] JM巴丁；卡特，B。；霍金，SW，黑洞力学四定律，Commun。数学。物理。，31, 161 (1973) ·Zbl 1125.83309号 ·doi:10.1007/BF01645742 [105] S.W.霍金，《黑洞的粒子创造》，Commun。数学。《物理学》第43卷（1975年）第199页【勘误表第46卷（1976年）第206页】【灵感】·Zbl 1378.83040号 [106] Strominger，A。；Vafa，C.，Bekenstein-Hawking熵的微观起源，物理学。莱特。B、 379、99（1996）·Zbl 1376.83026号 ·doi:10.1016/0370-2693（96）00345-0 [107] 马尔达塞纳，JM；Strominger，A。；Witten，E.，M理论中的黑洞熵，JHEP，12002（1997）·Zbl 0951.83034号 ·doi:10.1088/1126-6708/1997/12/002 [108] Shih，D。；Strominger，A。；尹，X.，N=8弦理论中的双子计数，JHEP，06037（2006）·doi:10.1088/1126-6708/2006/06/037 [109] 乔杜里，A。；加拉武索，RS；蒙达尔，S。；Sen，A.，纯D膜构型N=8超对称弦理论中的BPS状态计数，JHEP，10，186（2014）·Zbl 1333.83177号 ·doi:10.1007/JHEP10（2014）186 [110] 乔杜里，A。；RS加拉武索；蒙达尔，S。；Sen，A.，所有BPS黑洞微态都携带零角动量吗？，JHEP，04082（2016） [111] Sen，A.，《N=8黑洞的算术》，JHEP，02，090（2010）·Zbl 1270.81190号 ·doi:10.1007/JHEP02（2010）090 [112] S.W.霍金，碰撞黑洞的引力辐射，物理学。Rev.Lett.26（1971）1344【灵感】。 [113] E.Witten，超对称和莫尔斯理论，J.Diff.Geom.17（1982）661[灵感]·Zbl 0499.53056号 [114] Schellekens，澳大利亚；沃纳，NP，弦理论中的异常和模不变性，物理学。莱特。B、 177317（1986年）·doi:10.1016/0370-2693（86）90760-4 [115] Witten，E.，《椭圆泛函与量子场论》，Commun。数学。物理。，109, 525 (1987) ·Zbl 0625.57008号 ·doi:10.1007/BF01208956 [116] Denef，F.，《量子颤动和霍尔/空穴晕》，JHEP，1023（2002）·doi:10.1088/1126-6708/202/1023 [117] Bena，I.，《规模化BPS解决方案和纯Higgs States》，JHEP，11，171（2012）·Zbl 1397.81337号 ·doi:10.1007/JHEP11（2012）171 [118] Dabholkar，A。；戈麦斯，J。；Murthy，S。；Sen，A.，黑洞熵的超对称指数，JHEP，04034（2011）·Zbl 1250.81105号 ·doi:10.1007/JHEP04（2011）034 [119] Sen，A.，黑洞如何预测Siegel模形式的傅里叶系数的符号？，发电机相对重力。，43, 2171 (2011) ·Zbl 1222.83114号 ·doi:10.1007/s10714-011-1175-9 [120] 布林曼，K。；Murthy，S.，《论弦论中黑洞简并的积极性》，Commun。数量Theor Phys。，07, 15 (2013) ·Zbl 1279.83019号 ·doi:10.4310/CNTP.2013.v7.n1.a2 [121] Chattopadhyaya，A。；曼肖特，J。；Mondal，S.，《缩放黑洞与模块化》，JHEP，03，001（2022）·Zbl 1522.83144号 ·doi:10.1007/JHEP03（2022）001 [122] 博贾德，G。；蒙达尔，S。；Pioline，B.，《多中心黑洞、定标溶液和定位的纯Higgs指数》，《SciPost Phys.》。，11, 023 (2021) ·doi:10.21468/SciPostPhys.11.2.023 [123] T.Garipov等人，《损耗表面、模式连通性和DNN的快速集成》，arXiv:1802.10026。 [124] G.Raghavan和M.Thomson，《通过穿越测地线实现网络稀疏化》，arXiv:2012.09605。 [125] S.Hochreiter和J.Schmidhuber，《通过发现平面极小值简化神经网络》，载于《神经信息处理系统进展》7，G.Tesauro、D.Touretzky和T.Leen主编，麻省理工学院出版社（1994年）。 [126] P.Chaudhari等人，《熵SGD：向宽山谷倾斜的梯度下降》，arXiv:1611.01838·Zbl 1459.65091号 [127] N.S.Keskar等人，《深度学习的大批量培训：泛化差距和极大极小值》，arXiv:1609.04836。 [128] W.R.Inc.，Mathematica，12.0版。 [129] M.Abadi等人，《TensorFlow:异构分布式系统上的大规模机器学习》，arXiv:1603.04467。 [130] 巴哈斯，C。；Kiritsis，E.，F^4项，N=4弦真空，Nucl。物理学。B程序。补遗，55，194（1997）·兹比尔0957.81623 ·doi:10.1016/S0920-5632（97）00079-0 [131] Gregori，A.，N=4弦基态的R^2修正和非微扰二重性，Nucl。物理学。B、 510、423（1998）·兹比尔0953.81080 ·doi:10.1016/S0550-3213（98）81020-1 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。