An Algorithm to compute the Kronecker cone and other moment cones
Notice bibliographique
Résumé
We describe a new algorithm that computes the minimal list of inequalities for the moment cone of any representation of a complex reductive group, with implementation details for two fundamental cases: the Kronecker cone (governing the asymptotic support of Kronecker coefficients) and the fermionic cone. These correspond to the actions of ${\mathrm GL}\_{d\_1}({\mathbb C})\times\cdots\times {\mathrm GL}\_{d\_s}({\mathbb C})$ on ${\mathbb C}^{d\_1}\otimes\cdots\otimes {\mathbb C}^{d\_s}$ and ${\mathrm GL}\_d({\mathbb C})$ on $\bigwedge^r{\mathbb C}^d$, respectively. An implementation for these two cases in Python-Sage is available at https://ea-icj.github.io/. Our work overcomes the fundamental limitations that previously restricted such computations to cases like ${\mathbb C}^4\otimes{\mathbb C}^4\otimes{\mathbb C}^4$. The state-of-the-art method by Vergne-Walter faced two major bottlenecks: one from combinatorial geometry in finite-dimensional vector spaces, and another from deciding whether certain dominant morphisms are birational - a problem in effective algebraic geometry that lacked a direct algorithmic solution. We surmount these obstacles by: a novel use of Weyl group actions to master combinatorial complexity, and an original algorithm for deciding birationality that replaces previous workarounds relying on convex geometry. Our approach allow us to tackle problems at a new scale. We compute the minimal list of 5,333 (up to $\mathfrak S\_3$) inequalities for the Kronecker cone ${\mathbb C}^6\otimes{\mathbb C}^6\otimes{\mathbb C}^6$ in 2 hours. Furthermore, a parallel implementation computes the 64,792 (up to $\mathfrak S\_3$) inequalities for ${\mathbb C}^7\otimes{\mathbb C}^7\otimes{\mathbb C}^7$ in 188 hours.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».