Solutions aux équations WDVV associées aux variétés de Dubrovin-Frobenius sur les espaces de Hurwitz
Bibliographic record
Abstract
Dans cette thèse, nous nous intéressons aux solutions des équations d’associativité de Witten-Dijkgraaf- Verlinde-Verlinde (WDVV) et aux structures de variétés de Frobenius sur les espaces de Hurwitz. La théorie des variétés de Frobenius, développée par Dubrovin, offre une reformulation géométrique des équations WDVV. En particulier, chaque variété de Frobenius M donne naissance à une solution de ces équations, connue sous le nom de prépotentiel de M. Nous commençons par introduire, dans les trois premiers chapitres, certaines notions préalables essentielles à la compréhension de la thèse. Ensuite, nous démontrons une nouvelle formule qui fournit les prépotentiels pour les structures de variétés de Frobenius sur les espaces de Hurwitz. Cette approche est appliquée pour construire divers nouveaux exemples explicites de solutions aux équations WDVV. En particulier, pour tout espace de Hurwitz de dimension N en genre un, avec N arbitraire, nous exprimons explicitement le prépotentiel associé à la différentielle holomorphe normalisée en termes de polynômes de Bell, de séries d’Eisenstein et de fonctions de Weierstrass. Comme applications, nous discutons des liens entre les prépotentiels obtenus en petites dimensions et certaines équations différentielles particulières, y compris l’équation de Chazy et les équations différentielles de Ramanujan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".