coordinate-system 7.0.0__cp313-cp313-win_amd64.whl

coordinate_system/spectral_geometry.py

@@ -0,0 +1,1602 @@
+"""
+傅里叶标架场与希尔伯特空间谱几何 (Fourier Frame Field & Hilbert Space Spectral Geometry)
+================================================================================
+
+基于希尔伯特空间的傅里叶标架与谱分析框架。
+
+核心思想：
+- 傅里叶标架 = FourierFrame * e^{iθ} (相位旋转，傅里叶变换)
+- 共形变换 = FourierFrame * λ (λ ∈ ℝ⁺, 缩放)
+- 内禀梯度算子 G_μ = d/dx^μ log FourierFrame(x)
+- 曲率 R_{μν} = [G_μ, G_ν]
+- Berry相位 γ = ∮ G_μ dx^μ (几何相位，平行输运)
+- 陈数 c₁ = (1/2π) ∬ R_{μν} dS (拓扑不变量)
+
+数学框架：
+- 希尔伯特空间：L²(M) 上的傅里叶分析
+- 谱理论：拉普拉斯算子的本征值问题
+- 纤维丛理论：FourierFrame 作为标架丛的局部截面
+- 李群李代数：内禀梯度算子构成李代数
+- 热核展开：几何不变量的提取
+
+群论对应：
+- FourierFrame ↔ GL(1,ℂ) = ℂ× = U(1) × ℝ⁺
+- Phase e^{iθ} ↔ U(1) (单位圆)
+- Magnitude |Q| ↔ ℝ⁺ (正实缩放)
+
+Author: Quantum Frame Theory
+Date: 2025-12-04
+Version: 6.0.3
+"""
+
+__version__ = '6.0.3'
+
+import numpy as np
+from typing import List, Tuple, Dict, Optional, Union, Any, Callable
+from dataclasses import dataclass
+import warnings
+
+# 导入坐标系统
+try:
+    from .coordinate_system import coord3, vec3, quat
+except ImportError:
+    try:
+        from coordinate_system import coord3, vec3, quat
+    except ImportError:
+        # 延迟导入，允许独立使用
+        coord3 = None
+        vec3 = None
+        quat = None
+
+# 物理常数
+HBAR = 1.0  # 约化普朗克常数（自然单位）
+
+# GPU 可用性检查
+try:
+    import cupy as cp
+    import cupyx.scipy.fft as cufft
+    GPU_AVAILABLE = True
+except ImportError:
+    GPU_AVAILABLE = False
+    cp = None
+    cufft = None
+
+
+# ============================================================
+# 傅里叶标架代数 (Fourier Frame Algebra)
+# ============================================================
+
+class FourierFrame:
+    """
+    傅里叶标架 - 希尔伯特空间上的频谱分析核心对象
+
+    数学结构：
+    -----------
+    FourierFrame 对应 GL(1,ℂ) = ℂ× = U(1) × ℝ⁺ 群
+
+    - Q ∈ ℂ× (非零复数)
+    - Q = |Q| · e^{iθ}
+      - Phase e^{iθ} ∈ U(1): 傅里叶变换（相位旋转）
+      - Magnitude |Q| ∈ ℝ⁺: 共形变换（缩放）
+
+    核心属性：
+    ----------
+    - base_coord: 基础坐标系 (coord3 对象)
+    - Q: 复标度因子 Q ∈ ℂ×，编码相位与缩放
+
+    关键变换：
+    ----------
+    - FourierFrame * e^{iθ} = 傅里叶变换 (θ=π/2 为标准 90° 旋转)
+    - FourierFrame * λ = 共形变换 (λ ∈ ℝ⁺，纯缩放)
+    - FourierFrame * FourierFrame = 标架复合
+
+    希尔伯特空间意义：
+    -----------------
+    - L²(M) 空间上的傅里叶基
+    - 内禀梯度算子 G_μ = d/dx^μ log Q(x)
+    - 谱分解：Δφ_n = -λ_n φ_n
+    - 热核：K(x,y,t) = Σ_n e^{-λ_n t} φ_n(x) φ_n*(y)
+
+    几何意义：
+    ----------
+    - 作为标架丛 F(M) 的局部截面
+    - 内禀梯度算子 G_μ 描述局部旋转
+    - 曲率 R_{μν} = [G_μ, G_ν] 描述非交换性
+    - Berry 相位 γ = ∮ G_μ dx^μ (平行输运)
+
+    与 U3Frame 的关系：
+    ------------------
+    - FourierFrame: GL(1,ℂ) 群，1个复数自由度
+    - U3Frame: U(3) 群，9个实自由度
+    - U(3) ⊃ U(1) as global phase subgroup
+    """
+
+    def __init__(self, base_coord=None, q_factor=1.0+0j):
+        """
+        初始化傅里叶标架
+
+        Args:
+            base_coord: 基础坐标系 (coord3 对象)，None 时使用单位标架
+            q_factor: 复标度因子 Q ∈ ℂ× = GL(1,ℂ)
+                     Q = |Q| · e^{iθ}
+                     - 相位 e^{iθ}: 傅里叶变换
+                     - 模 |Q|: 共形缩放
+        """
+        if base_coord is None:
+            if coord3 is not None:
+                self.base = coord3.identity()
+            else:
+                self.base = None
+        else:
+            self.base = base_coord
+
+        self.Q = complex(q_factor)  # 确保是复数
+        self.dim = 3
+
+    # -------------------- 复标架属性 --------------------
+
+    @property
+    def o(self):
+        """复位置向量"""
+        if self.base is None:
+            return None
+        o_base = self.base.o
+        # 复扩展：实部为原位置，虚部编码相位信息
+        return vec3(
+            o_base.x * self.Q.real + 1j * o_base.x * self.Q.imag,
+            o_base.y * self.Q.real + 1j * o_base.y * self.Q.imag,
+            o_base.z * self.Q.real + 1j * o_base.z * self.Q.imag
+        ) if vec3 else None
+
+    @property
+    def s(self):
+        """复缩放向量: s_Q = s_base · Q"""
+        if self.base is None:
+            return None
+        s_base = self.base.s
+        return vec3(
+            s_base.x * self.Q.real + 1j * s_base.x * self.Q.imag,
+            s_base.y * self.Q.real + 1j * s_base.y * self.Q.imag,
+            s_base.z * self.Q.real + 1j * s_base.z * self.Q.imag
+        ) if vec3 else None
+
+    @property
+    def phase(self):
+        """相位 arg(Q)"""
+        return np.angle(self.Q)
+
+    @property
+    def magnitude(self):
+        """模 |Q|"""
+        return np.abs(self.Q)
+
+    @property
+    def det(self):
+        """
+        行列式: Det(Frame)
+
+        用于路径积分测度 ∫ Dφ · Det[Frame] · exp(iS/ħ)
+        """
+        if self.base is None:
+            return self.Q ** 3  # 3维标架
+        s = self.base.s
+        det_s = s.x * s.y * s.z
+        return det_s * (self.Q ** 3)
+
+    # -------------------- 标架运算 --------------------
+
+    def __mul__(self, other):
+        """
+        标架乘法 - 核心变换操作
+
+        支持：
+        - Frame * complex: 相位旋转/缩放 (傅里叶/共形变换)
+        - Frame * Frame: 标架复合 (路径积分复合)
+        - Frame * vec3: 向量变换
+        """
+        if isinstance(other, (int, float, complex)):
+            # 标量乘法实现傅里叶/共形变换
+            new_Q = self.Q * other
+            return FourierFrame(self.base, new_Q)
+
+        elif isinstance(other, FourierFrame):
+            # 标架复合
+            if self.base is not None and other.base is not None:
+                new_base = self.base * other.base
+            else:
+                new_base = self.base or other.base
+            new_Q = self.Q * other.Q
+            return FourierFrame(new_base, new_Q)
+
+        elif vec3 is not None and isinstance(other, vec3):
+            # 向量变换
+            return vec3(
+                other.x * self.Q.real,
+                other.y * self.Q.real,
+                other.z * self.Q.real
+            )
+
+        return NotImplemented
+
+    def __rmul__(self, other):
+        """右乘法"""
+        return self.__mul__(other)
+
+    def __truediv__(self, other):
+        """标架除法 - 逆变换"""
+        if isinstance(other, (int, float, complex)):
+            return FourierFrame(self.base, self.Q / other)
+        elif isinstance(other, FourierFrame):
+            if self.base is not None and other.base is not None:
+                new_base = self.base / other.base
+            else:
+                new_base = self.base
+            return FourierFrame(new_base, self.Q / other.Q)
+        return NotImplemented
+
+    def __pow__(self, n):
+        """幂运算: 对应多次变换"""
+        if isinstance(n, (int, float, complex)):
+            return FourierFrame(self.base, self.Q ** n)
+        return NotImplemented
+
+    def __eq__(self, other):
+        """相等比较"""
+        if not isinstance(other, FourierFrame):
+            return False
+        return np.isclose(self.Q, other.Q)
+
+    def __repr__(self):
+        if self.base is not None:
+            return f"FourierFrame(Q={self.Q:.4f}, o={self.base.o})"
+        return f"FourierFrame(Q={self.Q:.4f})"
+
+    # -------------------- 傅里叶变换 --------------------
+
+    def fourier_transform(self, theta: float = np.pi/2) -> 'FourierFrame':
+        """
+        傅里叶变换: F_θ[FourierFrame] = FourierFrame · e^{iθ}
+
+        Args:
+            theta: 旋转角度，π/2 为标准傅里叶变换
+
+        Returns:
+            变换后的 FourierFrame
+
+        性质：
+        - F^4 = I (四次变换回到自身)
+        - F^2 = P (宇称变换)
+        """
+        ft_factor = np.exp(1j * theta)
+        return self * ft_factor
+
+    def inverse_fourier_transform(self, theta: float = np.pi/2) -> 'FourierFrame':
+        """逆傅里叶变换: F^{-1} = F_{-θ}"""
+        return self.fourier_transform(-theta)
+
+    def conformal_transform(self, lambda_factor: float) -> 'FourierFrame':
+        """
+        共形变换: FourierFrame → FourierFrame · λ, λ ∈ ℝ⁺
+
+        实现缩放变换，保持角度不变
+        """
+        return self * lambda_factor
+
+    # -------------------- 经典几何演化 --------------------
+
+    def diffusion_evolution(self, t: float, kappa: float = 1.0) -> 'FourierFrame':
+        """
+        扩散演化算子: e^{tΔ} FourierFrame
+
+        这是经典热方程 ∂u/∂t = κΔu 的解算子，其中：
+        - Δ 是拉普拉斯算子（几何扩散算子）
+        - t 是时间参数（实时间，非虚时间）
+        - κ 是扩散系数
+
+        数学形式：
+        FourierFrame(x, t) = e^{tκΔ} FourierFrame(x, 0)
+                           = FourierFrame₀ · e^{-tκ|k|²} （动量空间）
+
+        物理意义：
+        - 描述几何信息在流形上的扩散过程
+        - 热核作为基本解：K(x,y,t) = (4πκt)^{-d/2} e^{-|x-y|²/(4κt)}
+        - 谱几何中的核心工具，用于提取流形的几何不变量
+
+        注意：这是**经典几何**的扩散过程，与量子力学的虚时间演化
+        在形式上类似，但物理意义完全不同。
+
+        Args:
+            t: 扩散时间（必须 > 0）
+            kappa: 扩散系数（默认1.0）
+
+        Returns:
+            扩散演化后的FourierFrame
+
+        局限性：
+        - 简化实现：仅对标度因子Q进行扩散
+        - 完整实现需要在标架场上定义拉普拉斯算子
+        - 数值实现受网格分辨率限制
+        """
+        if t < 0:
+            raise ValueError("扩散时间t必须非负")
+
+        # 简化模型：对Q因子进行衰减（高频抑制）
+        # 完整实现需要在标架场的频谱表示中进行
+        decay_factor = np.exp(-kappa * t * np.abs(self.Q)**2)
+        evolved_Q = self.Q * decay_factor
+
+        return FourierFrame(self.base, evolved_Q)
+
+    @staticmethod
+    def laplacian_from_field(frame_field: List[List['FourierFrame']],
+                            i: int, j: int) -> complex:
+        """
+        从离散标架场计算拉普拉斯算子
+
+        Δ log FourierFrame ≈ (∇² log FourierFrame)
+                           = ∂²/∂x² log Q + ∂²/∂y² log Q
+
+        Args:
+            frame_field: 离散标架场
+            i, j: 网格位置
+
+        Returns:
+            拉普拉斯算子作用结果（复数）
+
+        数学细节：
+        使用五点差分模板计算二阶导数：
+        Δf ≈ [f(i+1,j) + f(i-1,j) + f(i,j+1) + f(i,j-1) - 4f(i,j)] / h²
+        """
+        ny, nx = len(frame_field), len(frame_field[0])
+
+        if i <= 0 or i >= ny - 1 or j <= 0 or j >= nx - 1:
+            return 0.0 + 0j
+
+        # 中心点
+        log_Q_center = np.log(frame_field[i][j].Q)
+
+        # 四个邻居
+        log_Q_xp = np.log(frame_field[i][j+1].Q)
+        log_Q_xm = np.log(frame_field[i][j-1].Q)
+        log_Q_yp = np.log(frame_field[i+1][j].Q)
+        log_Q_ym = np.log(frame_field[i-1][j].Q)
+
+        # 五点拉普拉斯模板（假设网格间距h=1）
+        laplacian = (log_Q_xp + log_Q_xm + log_Q_yp + log_Q_ym - 4*log_Q_center)
+
+        return laplacian
+
+    # -------------------- 谱变换 --------------------
+
+    @staticmethod
+    def spectral_transform_2d(field: np.ndarray, hbar: float = HBAR) -> np.ndarray:
+        """
+        二维谱变换：位置空间 → 动量空间
+
+        数学形式：
+        ψ̃(k) = ∫ e^{ikx/ħ} ψ(x) dx / √(2πħ)
+
+        Args:
+            field: 输入场，形状 [ny, nx, ...] 或 [ny, nx]
+            hbar: 约化普朗克常数
+
+        Returns:
+            动量空间谱
+        """
+        # 确定 FFT 的轴
+        if field.ndim >= 2:
+            axes = (0, 1)
+        else:
+            axes = None
+
+        spectrum = np.fft.fft2(field, axes=axes)
+
+        # 量子力学归一化
+        normalization = 1.0 / np.sqrt(2 * np.pi * hbar)
+        return spectrum * normalization
+
+    @staticmethod
+    def inverse_spectral_transform_2d(spectrum: np.ndarray, hbar: float = HBAR) -> np.ndarray:
+        """
+        二维逆谱变换：动量空间 → 位置空间
+
+        Args:
+            spectrum: 动量空间谱
+            hbar: 约化普朗克常数
+
+        Returns:
+            位置空间场
+        """
+        if spectrum.ndim >= 2:
+            axes = (0, 1)
+        else:
+            axes = None
+
+        denormalization = np.sqrt(2 * np.pi * hbar)
+        return np.fft.ifft2(spectrum * denormalization, axes=axes).real
+
+    @staticmethod
+    def spectral_transform_2d_gpu(field: np.ndarray, hbar: float = HBAR) -> np.ndarray:
+        """GPU 加速的二维谱变换"""
+        if not GPU_AVAILABLE:
+            raise RuntimeError("CuPy 不可用，无法使用 GPU 加速")
+
+        field_gpu = cp.asarray(field)
+        spectrum_gpu = cufft.fft2(field_gpu, axes=(0, 1))
+        normalization = 1.0 / np.sqrt(2 * np.pi * hbar)
+        spectrum_gpu *= normalization
+        return cp.asnumpy(spectrum_gpu)
+
+    @classmethod
+    def from_coord_field(cls, coord_field: List[List], hbar: float = HBAR) -> 'FourierFrameSpectrum':
+        """
+        从坐标场创建谱表示
+
+        将坐标场的各分量进行谱变换
+
+        Args:
+            coord_field: 二维坐标场列表 [[coord3, ...], ...]
+            hbar: 约化普朗克常数
+
+        Returns:
+            FourierFrameSpectrum 对象
+        """
+        ny = len(coord_field)
+        nx = len(coord_field[0]) if ny > 0 else 0
+
+        # 提取场分量
+        tensor_field = np.zeros((ny, nx, 12), dtype=np.float64)
+        for i in range(ny):
+            for j in range(nx):
+                coord = coord_field[i][j]
+                tensor_field[i, j, 0:3] = [coord.o.x, coord.o.y, coord.o.z]
+                tensor_field[i, j, 3:6] = [coord.ux.x, coord.ux.y, coord.ux.z]
+                tensor_field[i, j, 6:9] = [coord.uy.x, coord.uy.y, coord.uy.z]
+                tensor_field[i, j, 9:12] = [coord.uz.x, coord.uz.y, coord.uz.z]
+
+        # 谱变换各分量
+        origin_spectrum = cls.spectral_transform_2d(tensor_field[..., 0:3], hbar)
+        ux_spectrum = cls.spectral_transform_2d(tensor_field[..., 3:6], hbar)
+        uy_spectrum = cls.spectral_transform_2d(tensor_field[..., 6:9], hbar)
+        uz_spectrum = cls.spectral_transform_2d(tensor_field[..., 9:12], hbar)
+
+        # 动量网格
+        kx = 2 * np.pi * np.fft.fftfreq(nx) / hbar
+        ky = 2 * np.pi * np.fft.fftfreq(ny) / hbar
+
+        return FourierFrameSpectrum(
+            ux_spectrum=ux_spectrum,
+            uy_spectrum=uy_spectrum,
+            uz_spectrum=uz_spectrum,
+            origin_spectrum=origin_spectrum,
+            momentum_grid=(kx, ky),
+            hbar=hbar
+        )
+
+
+# ============================================================
+# 内禀梯度算子 (Intrinsic Gradient Operator)
+# ============================================================
+
+class IntrinsicGradient:
+    """
+    内禀梯度算子 G_μ = d/dx^μ log FourierFrame(x)
+
+    几何意义（经典谱几何视角）：
+    - 描述标架的局部旋转速率（协变导数的对数形式）
+    - 对应黎曼几何中的联络1-形式
+    - 非交换性 [G_μ, G_ν] 直接给出曲率张量
+
+    数学性质：
+    - δFourierFrame = G_μ FourierFrame δx^μ （无穷小变换）
+    - [G_μ, G_ν] = R_{μν} （曲率2-形式）
+    - γ = ∮ G_μ dx^μ （几何相位 - parallel transport）
+    - Δ = ∇² = ∂_μ ∂^μ （拉普拉斯算子）
+
+    与量子理论的关系：
+    - 形式上类似规范场论中的联络，但这里是**纯几何对象**
+    - Berry相位在这里是经典几何相位（平行输运），非量子效应
+    - 该理论完全在经典微分几何框架内
+    """
+
+    def __init__(self, frame_field: Union[Callable, List[List['FourierFrame']]]):
+        """
+        初始化内禀梯度算子
+
+        Args:
+            frame_field: 标架场，可以是函数或离散场
+        """
+        self.frame_field = frame_field
+        self.is_discrete = isinstance(frame_field, list)
+
+    def compute_at(self, position: Union[Tuple, int],
+                   direction: int, delta: float = 1e-5) -> complex:
+        """
+        计算指定位置和方向的内禀梯度
+
+        Args:
+            position: 位置坐标 (连续) 或索引 (离散)
+            direction: 方向索引 (0=x, 1=y, 2=z)
+            delta: 有限差分步长
+
+        Returns:
+            G_μ 的复数值
+        """
+        if self.is_discrete:
+            return self._compute_discrete(position, direction)
+        else:
+            return self._compute_continuous(position, direction, delta)
+
+    def _compute_discrete(self, idx: Tuple[int, int], direction: int) -> complex:
+        """离散场的内禀梯度"""
+        i, j = idx
+        ny, nx = len(self.frame_field), len(self.frame_field[0])
+
+        # 中心差分
+        if direction == 0:  # x方向
+            if j + 1 < nx and j - 1 >= 0:
+                frame_forward = self.frame_field[i][j + 1]
+                frame_backward = self.frame_field[i][j - 1]
+                frame_center = self.frame_field[i][j]
+
+                # G_x ≈ (log Q_{j+1} - log Q_{j-1}) / 2
+                return (np.log(frame_forward.Q) - np.log(frame_backward.Q)) / 2.0
+
+        elif direction == 1:  # y方向
+            if i + 1 < ny and i - 1 >= 0:
+                frame_forward = self.frame_field[i + 1][j]
+                frame_backward = self.frame_field[i - 1][j]
+
+                return (np.log(frame_forward.Q) - np.log(frame_backward.Q)) / 2.0
+
+        return 0.0 + 0j
+
+    def _compute_continuous(self, pos: Tuple, direction: int, delta: float) -> complex:
+        """连续场的内禀梯度"""
+        pos_list = list(pos)
+
+        # 前向和后向位置
+        pos_forward = pos_list.copy()
+        pos_backward = pos_list.copy()
+        pos_forward[direction] += delta
+        pos_backward[direction] -= delta
+
+        frame_forward = self.frame_field(tuple(pos_forward))
+        frame_backward = self.frame_field(tuple(pos_backward))
+
+        # G_μ = d/dx^μ log Frame
+        return (np.log(frame_forward.Q) - np.log(frame_backward.Q)) / (2 * delta)
+
+    def commutator(self, pos: Union[Tuple, int],
+                   dir1: int, dir2: int, delta: float = 1e-5) -> complex:
+        """
+        计算李括号 [G_μ, G_ν] = 曲率 R_{μν}
+
+        Args:
+            pos: 位置
+            dir1, dir2: 两个方向索引
+            delta: 有限差分步长
+
+        Returns:
+            曲率分量 R_{μν}
+        """
+        G_mu = self.compute_at(pos, dir1, delta)
+        G_nu = self.compute_at(pos, dir2, delta)
+
+        # 简化版本：[G_μ, G_ν] ≈ G_μ G_ν - G_ν G_μ
+        # 对于阿贝尔情况（标量Q），交换子为0
+        # 完整实现需要考虑标架场的非阿贝尔结构
+        return G_mu * G_nu - G_nu * G_mu
+
+    def laplacian(self, position: Union[Tuple[int, int], int]) -> complex:
+        """
+        拉普拉斯算子 Δ = ∇² = ∂²/∂x² + ∂²/∂y²
+
+        作用于 log FourierFrame：
+        Δ log FourierFrame = ∂²/∂x² log Q + ∂²/∂y² log Q
+
+        这是谱几何的核心算子，其本征值问题：
+        Δφ_n = -λ_n φ_n
+
+        定义了流形的谱（spectrum），从而编码几何信息。
+
+        Args:
+            position: 网格位置 (i, j) 或索引
+
+        Returns:
+            拉普拉斯算子作用结果
+
+        数学背景：
+        - 拉普拉斯算子是黎曼流形上的自然微分算子
+        - 其谱{λ_n}包含流形的几何不变量（Weyl律、热核展开）
+        - "Can one hear the shape of a drum?" - Kac's问题
+        """
+        if not self.is_discrete:
+            raise NotImplementedError("连续场的拉普拉斯算子需要额外实现")
+
+        if isinstance(position, int):
+            # 1D情况（简化）
+            return 0.0 + 0j
+
+        # 使用FourierFrame的静态方法
+        return FourierFrame.laplacian_from_field(self.frame_field, position[0], position[1])
+
+
+# ============================================================
+# 曲率计算 (Curvature from Frames)
+# ============================================================
+
+class CurvatureFromFrame:
+    """
+    从标架场计算曲率
+
+    核心公式：
+    - R_{μν} = [G_μ, G_ν] = ∂_μ G_ν - ∂_ν G_μ - [G_μ, G_ν]
+    - 高斯曲率 K = -⟨[G_u, G_v] e_v, e_u⟩ / √det(g)
+    - 平均曲率 H = (1/2) Tr(R)
+    """
+
+    def __init__(self, frame_field: List[List['FourierFrame']]):
+        """
+        初始化曲率计算器
+
+        Args:
+            frame_field: 离散标架场
+        """
+        self.frame_field = frame_field
+        self.gradient_op = IntrinsicGradient(frame_field)
+        self.ny = len(frame_field)
+        self.nx = len(frame_field[0]) if self.ny > 0 else 0
+
+    def gaussian_curvature(self, i: int, j: int) -> float:
+        """
+        计算高斯曲率
+
+        K = -⟨[G_u, G_v] e_v, e_u⟩ / √det(g)
+
+        Args:
+            i, j: 网格索引
+
+        Returns:
+            高斯曲率值
+        """
+        # 计算李括号 [G_x, G_y]
+        R_xy = self.gradient_op.commutator((i, j), 0, 1)
+
+        # 简化版本：K ≈ -Im(R_xy) (对于复标架)
+        # 完整实现需要计算度量张量
+        return -R_xy.imag
+
+    def mean_curvature(self, i: int, j: int) -> float:
+        """
+        计算平均曲率
+
+        H = (1/2) Tr(R)
+
+        Args:
+            i, j: 网格索引
+
+        Returns:
+            平均曲率值
+        """
+        # 简化实现
+        R_xx = self.gradient_op.commutator((i, j), 0, 0)
+        R_yy = self.gradient_op.commutator((i, j), 1, 1)
+
+        return 0.5 * (R_xx.real + R_yy.real)
+
+    def riemann_curvature_tensor(self, i: int, j: int) -> np.ndarray:
+        """
+        计算黎曼曲率张量
+
+        R_{ijkl} = -√det(g) ⟨[G_i, G_j] e_l, e_k⟩
+
+        Args:
+            i, j: 网格索引
+
+        Returns:
+            曲率张量 (2x2 矩阵，简化2D情况)
+        """
+        R = np.zeros((2, 2), dtype=complex)
+
+        R[0, 0] = self.gradient_op.commutator((i, j), 0, 0)
+        R[0, 1] = self.gradient_op.commutator((i, j), 0, 1)
+        R[1, 0] = self.gradient_op.commutator((i, j), 1, 0)
+        R[1, 1] = self.gradient_op.commutator((i, j), 1, 1)
+
+        return R
+
+
+# ============================================================
+# 几何相位 (Geometric Phase)
+# ============================================================
+
+class BerryPhase:
+    """
+    Berry相位计算
+
+    几何相位公式：
+    γ = ∮_C G_μ dx^μ = ∮_C (∂_μ Frame · Frame^{-1}) dx^μ
+
+    性质：
+    - 与路径参数化无关
+    - 仅依赖于路径的几何形状
+    - 对应曲率的面积分（Stokes定理）
+    """
+
+    def __init__(self, gradient_operator: IntrinsicGradient):
+        """
+        初始化Berry相位计算器
+
+        Args:
+            gradient_operator: 内禀梯度算子
+        """
+        self.gradient_op = gradient_operator
+
+    def compute_along_path(self, path: List[Tuple], closed: bool = True) -> complex:
+        """
+        沿路径计算Berry相位
+
+        γ = ∮_C G_μ dx^μ
+
+        Args:
+            path: 路径点列表 [(i1, j1), (i2, j2), ...]
+            closed: 是否闭合路径
+
+        Returns:
+            几何相位（复数）
+        """
+        if len(path) < 2:
+            return 0.0 + 0j
+
+        phase = 0.0 + 0j
+
+        for k in range(len(path) - 1):
+            pos_current = path[k]
+            pos_next = path[k + 1]
+
+            # 确定方向
+            dx = pos_next[0] - pos_current[0]
+            dy = pos_next[1] - pos_current[1]
+
+            # 计算梯度分量
+            if abs(dx) > abs(dy):
+                direction = 0  # x方向
+                step = dx
+            else:
+                direction = 1  # y方向
+                step = dy
+
+            # G_μ dx^μ
+            G_mu = self.gradient_op.compute_at(pos_current, direction)
+            phase += G_mu * step
+
+        # 闭合路径
+        if closed and len(path) > 2:
+            pos_last = path[-1]
+            pos_first = path[0]
+
+            dx = pos_first[0] - pos_last[0]
+            dy = pos_first[1] - pos_last[1]
+
+            if abs(dx) > abs(dy):
+                direction = 0
+                step = dx
+            else:
+                direction = 1
+                step = dy
+
+            G_mu = self.gradient_op.compute_at(pos_last, direction)
+            phase += G_mu * step
+
+        return phase
+
+
+# ============================================================
+# 陈数 (Chern Number)
+# ============================================================
+
+class ChernNumber:
+    """
+    第一陈数计算
+
+    拓扑不变量：
+    c₁ = (1/2π) ∬_M R_{μν} dS^{μν}
+       = (1/2π) ∬_M Tr([G_μ, G_ν]) dS^{μν}
+
+    物理意义：
+    - 刻画纤维丛的拓扑性质
+    - 量子霍尔效应中的拓扑不变量
+    - 与Berry相位的关联（Stokes定理）
+    """
+
+    def __init__(self, curvature_calculator: CurvatureFromFrame):
+        """
+        初始化陈数计算器
+
+        Args:
+            curvature_calculator: 曲率计算器
+        """
+        self.curvature = curvature_calculator
+
+    def compute(self) -> float:
+        """
+        计算第一陈数
+
+        c₁ = (1/2π) Σ_{ij} R_{xy}(i,j) ΔS
+
+        Returns:
+            陈数（实数）
+        """
+        total = 0.0 + 0j
+
+        ny, nx = self.curvature.ny, self.curvature.nx
+
+        for i in range(1, ny - 1):
+            for j in range(1, nx - 1):
+                # 曲率 R_{xy}
+                R_xy = self.curvature.gradient_op.commutator((i, j), 0, 1)
+                total += R_xy
+
+        # 归一化
+        c1 = total / (2 * np.pi)
+
+        # 陈数应为整数（拓扑不变量）
+        return round(c1.real)
+
+
+# ============================================================
+# 谱分解 (Spectral Decomposition)
+# ============================================================
+
+class SpectralDecomposition:
+    """
+    拉普拉斯算子的谱分解（经典几何谱理论）
+
+    数学框架：
+    拉普拉斯本征值问题：
+        Δφ_n = -λ_n φ_n
+        ∫ φ_m φ_n dV = δ_{mn}
+
+    谱分解定理：
+        Δ = -Σ_n λ_n |φ_n⟩⟨φ_n|
+
+    **FourierFrame作为本征态基础**：
+    在我们的框架中，FourierFrame场可展开为本征态的叠加：
+
+        FourierFrame(x) = Σ_n c_n φ_n(x) FourierFrame_n
+
+    其中：
+    - φ_n(x) 是拉普拉斯算子的标量本征函数
+    - FourierFrame_n 是对应的标架本征态
+    - c_n = ⟨φ_n | FourierFrame⟩ 是展开系数
+
+    谱的几何意义：
+    - {λ_n} 编码流形的几何信息（形状DNA）
+    - 低频模式（小λ）对应大尺度几何特征
+    - 高频模式（大λ）对应局部细节
+
+    Weyl渐近律：
+        N(λ) ~ (ω_d / (2π)^d) Vol(M) λ^{d/2}
+
+    其中 N(λ) 是小于λ的本征值个数。
+
+    应用：
+    - ShapeDNA：谱签名用于形状识别
+    - 谱距离：流形间的几何距离度量
+    - 多尺度分析：不同频段的几何特征
+    - 热核展开：Tr(e^{tΔ}) = Σ_n e^{-tλ_n}
+    """
+
+    def __init__(self, frame_field: Union[List[List['FourierFrame']], 'FourierFrameSpectrum']):
+        """
+        初始化谱分解
+
+        Args:
+            frame_field: FourierFrame场或其频谱表示
+        """
+        if isinstance(frame_field, list):
+            # 离散标架场
+            self.frame_field = frame_field
+            self.gradient_op = IntrinsicGradient(frame_field)
+            self.ny = len(frame_field)
+            self.nx = len(frame_field[0]) if self.ny > 0 else 0
+            self.spectrum = None
+        else:
+            # 频谱表示
+            self.spectrum = frame_field
+            self.frame_field = None
+            self.gradient_op = None
+            self.ny, self.nx = frame_field.shape
+
+        self._eigenvalues = None
+        self._eigenvectors = None
+
+    def compute_eigenspectrum(self) -> Tuple[np.ndarray, Optional[np.ndarray]]:
+        """
+        计算拉普拉斯算子的本征谱
+
+        Returns:
+            (eigenvalues, eigenvectors)
+            - eigenvalues: λ_n 数组（降序排列）
+            - eigenvectors: 本征函数φ_n（简化实现可能为None）
+
+        数值方法：
+        对于频谱表示，本征值对应 k² = |k|²
+        对于离散场，需要构造拉普拉斯矩阵并求解
+        """
+        if self._eigenvalues is not None:
+            return self._eigenvalues, self._eigenvectors
+
+        if self.spectrum is not None:
+            # 频谱表示：本征值 = k²
+            kx, ky = self.spectrum.momentum_grid
+            k2 = kx[:, None]**2 + ky[None, :]**2
+
+            # 展平并排序（降序）
+            eigenvalues = np.sort(k2.flatten())[::-1]
+
+            self._eigenvalues = eigenvalues
+            self._eigenvectors = None
+
+        elif self.frame_field is not None:
+            # 离散场：估算本征值
+            # 完整实现需要构造拉普拉斯矩阵并数值求解
+            eigenvalues_list = []
+
+            for i in range(1, self.ny - 1):
+                for j in range(1, self.nx - 1):
+                    lap = self.gradient_op.laplacian((i, j))
+                    eigenvalues_list.append(abs(lap))
+
+            eigenvalues = np.sort(np.array(eigenvalues_list))[::-1]
+            self._eigenvalues = eigenvalues
+            self._eigenvectors = None
+
+        return self._eigenvalues, self._eigenvectors
+
+    def expand_frame_in_eigenbasis(self, frame: 'FourierFrame',
+                                   n_modes: int = 10) -> np.ndarray:
+        """
+        将FourierFrame展开到本征态基底
+
+        FourierFrame = Σ_n c_n FourierFrame_n
+
+        Args:
+            frame: 要展开的FourierFrame
+            n_modes: 使用的模式数量
+
+        Returns:
+            展开系数 c_n
+
+        数学细节：
+        c_n = ∫ φ_n*(x) FourierFrame(x) dV
+
+        简化实现：使用傅里叶系数作为近似
+        """
+        eigenvalues, _ = self.compute_eigenspectrum()
+
+        # 简化：使用FourierFrame的Q因子
+        coefficients = np.zeros(n_modes, dtype=complex)
+        q_value = frame.Q
+
+        for n in range(min(n_modes, len(eigenvalues))):
+            # 简化投影：c_n ∝ Q / √λ_n
+            if eigenvalues[n] > 0:
+                coefficients[n] = q_value / np.sqrt(eigenvalues[n])
+
+        return coefficients
+
+    def reconstruct_from_modes(self, coefficients: np.ndarray,
+                               base_frame: 'FourierFrame') -> 'FourierFrame':
+        """
+        从本征模式重建FourierFrame
+
+        FourierFrame = Σ_n c_n FourierFrame_n
+
+        Args:
+            coefficients: 展开系数
+            base_frame: 基础标架
+
+        Returns:
+            重建的FourierFrame
+        """
+        eigenvalues, _ = self.compute_eigenspectrum()
+
+        reconstructed_Q = 0.0 + 0j
+        for n in range(len(coefficients)):
+            if n < len(eigenvalues) and eigenvalues[n] > 0:
+                reconstructed_Q += coefficients[n] * np.sqrt(eigenvalues[n])
+
+        return FourierFrame(base_frame.base, reconstructed_Q)
+
+    def weyl_counting(self, lambda_threshold: float) -> int:
+        """
+        Weyl渐近计数函数
+
+        N(λ) = #{n : λ_n < λ}  （小于λ的本征值个数）
+
+        Weyl律：
+        N(λ) ~ (ω_d / (2π)^d) Vol(M) λ^{d/2}  (λ → ∞)
+
+        对于2维流形：N(λ) ~ (1/4π) Area(M) λ
+
+        Args:
+            lambda_threshold: 本征值阈值λ
+
+        Returns:
+            N(λ) - 本征值个数
+        """
+        eigenvalues, _ = self.compute_eigenspectrum()
+        return int(np.sum(eigenvalues < lambda_threshold))
+
+    def shape_dna(self, n_modes: int = 50) -> np.ndarray:
+        """
+        形状DNA（ShapeDNA）- 流形的谱签名
+
+        前n个本征值 {λ_1, λ_2, ..., λ_n} 唯一标识流形的几何形状
+        （在同谱异构的情况下）
+
+        这是谱几何中的核心概念：
+        "Can one hear the shape of a drum?" - Mark Kac (1966)
+
+        对于2维流形，谱通常可以听出形状，但存在反例
+        （Gordon-Webb-Wolpert, 1992）
+
+        Args:
+            n_modes: 模式数量（默认50）
+
+        Returns:
+            前n个本征值构成的谱签名
+
+        应用：
+        - 形状识别与检索
+        - 几何相似性度量
+        - 拓扑不变量提取
+        """
+        eigenvalues, _ = self.compute_eigenspectrum()
+        return eigenvalues[:n_modes]
+
+
+# ============================================================
+# 热核 (Heat Kernel)
+# ============================================================
+
+class HeatKernel:
+    """
+    热核 - 热方程的基本解（经典几何谱分析）
+
+    数学定义：
+    ∂u/∂t = Δu  （热方程）
+    K(x, y, t) = 基本解满足: ∂K/∂t = Δ_x K, K(x,y,0) = δ(x-y)
+
+    热核的谱展开：
+    K(x, y, t) = Σ_n e^{-λ_n t} φ_n(x) φ_n(y)
+
+    其中 {λ_n, φ_n} 是拉普拉斯算子 Δφ_n = -λ_n φ_n 的本征系统。
+
+    热核迹的渐近展开（Minakshisundaram-Pleijel）：
+    Tr(e^{tΔ}) ~ (4πt)^{-d/2} Σ_k a_k t^k
+
+    热核系数 {a_k} 编码流形的几何不变量：
+    - a₀ = Vol(M)  （体积）
+    - a₁ ∝ ∫ R dV  （曲率积分）
+    - a₂ ∝ ∫ (R² + 其他曲率不变量) dV
+
+    **FourierFrame作为数学基础**：
+    在我们的框架中，热核作为FourierFrame在扩散过程中的演化算子：
+
+    FourierFrame(x, t) = ∫ K(x, y, t) FourierFrame(y, 0) dy
+                       = e^{tΔ} FourierFrame(x, 0)
+
+    这将FourierFrame场视为"温度分布"，热核描述其扩散传播。
+
+    **与量子理论的关系及局限性**：
+    - 热核在形式上等价于量子力学的虚时间传播子（Wick旋转）
+    - 但这里是**纯几何**的扩散过程，非量子演化
+    - 不涉及态矢量、算符期望值等量子概念
+    - 适用于经典计算机的数值计算
+
+    应用：
+    - 形状识别（ShapeDNA）
+    - 几何不变量提取
+    - 多尺度几何分析
+    - 流形谱距离
+    """
+
+    def __init__(self, frame_field: Union[List[List['FourierFrame']], 'FourierFrameSpectrum']):
+        """
+        初始化热核
+
+        Args:
+            frame_field: FourierFrame场（离散）或其频谱表示
+        """
+        if isinstance(frame_field, list):
+            # 离散标架场
+            self.frame_field = frame_field
+            self.gradient_op = IntrinsicGradient(frame_field)
+            self.ny = len(frame_field)
+            self.nx = len(frame_field[0]) if self.ny > 0 else 0
+            self.spectrum = None
+        else:
+            # 频谱表示
+            self.spectrum = frame_field
+            self.frame_field = None
+            self.gradient_op = None
+            self.ny, self.nx = frame_field.shape
+
+    def evolution_operator(self, t: float, kappa: float = 1.0) -> Union[np.ndarray, List[List['FourierFrame']]]:
+        """
+        热核演化算子: e^{tκΔ} FourierFrame
+
+        计算标架场在时间t后的扩散状态。
+
+        Args:
+            t: 扩散时间（>0）
+            kappa: 扩散系数（默认1.0）
+
+        Returns:
+            演化后的标架场
+
+        数学细节：
+        在频域中，热核演化简单地是：
+        FourierFrame(k, t) = e^{-κt|k|²} FourierFrame(k, 0)
+
+        这是高频抑制（低通滤波），对应空间的平滑化。
+        """
+        if t < 0:
+            raise ValueError("扩散时间必须非负")
+
+        if self.frame_field is not None:
+            # 离散场：逐点演化
+            evolved_field = []
+            for i in range(self.ny):
+                row = []
+                for j in range(self.nx):
+                    evolved_frame = self.frame_field[i][j].diffusion_evolution(t, kappa)
+                    row.append(evolved_frame)
+                evolved_field.append(row)
+            return evolved_field
+
+        elif self.spectrum is not None:
+            # 频谱表示：频域衰减
+            kx, ky = self.spectrum.momentum_grid
+            k2 = kx[:, None]**2 + ky[None, :]**2
+
+            # e^{-κt k²} 衰减因子
+            decay = np.exp(-kappa * t * k2)
+
+            # 应用到各分量
+            evolved_spectrum = FourierFrameSpectrum(
+                ux_spectrum=self.spectrum.ux_spectrum * decay[..., None],
+                uy_spectrum=self.spectrum.uy_spectrum * decay[..., None],
+                uz_spectrum=self.spectrum.uz_spectrum * decay[..., None],
+                origin_spectrum=self.spectrum.origin_spectrum * decay[..., None],
+                momentum_grid=self.spectrum.momentum_grid,
+                hbar=self.spectrum.hbar
+            )
+            return evolved_spectrum
+
+        else:
+            raise ValueError("需要提供标架场或频谱")
+
+    def trace(self, t: float, kappa: float = 1.0) -> float:
+        """
+        热核迹：Tr(e^{tκΔ}) = Σ_n e^{-κt λ_n}
+
+        这是几何信息的凝聚，包含流形谱的全部信息。
+
+        Args:
+            t: 扩散时间
+            kappa: 扩散系数
+
+        Returns:
+            热核迹值
+        """
+        if self.spectrum is not None:
+            # 使用频谱表示
+            density = self.spectrum.spectral_density()
+            kx, ky = self.spectrum.momentum_grid
+            k2 = kx[:, None]**2 + ky[None, :]**2
+
+            # Tr(e^{-κt Δ}) = Σ e^{-κt k²}
+            trace_val = np.sum(np.exp(-kappa * t * k2))
+            return float(trace_val)
+
+        elif self.frame_field is not None:
+            # 简化估计：使用标架场的"能量"
+            total = 0.0
+            for i in range(self.ny):
+                for j in range(self.nx):
+                    laplacian = self.gradient_op.laplacian((i, j))
+                    # e^{-t λ} ≈ 1 - tλ （小t近似）
+                    total += np.exp(-kappa * t * abs(laplacian))
+            return total
+
+        return 0.0
+
+    def asymptotic_expansion(self, t: float, kappa: float = 1.0, order: int = 2) -> float:
+        """
+        热核迹的渐近展开（Minakshisundaram-Pleijel公式）
+
+        Tr(e^{tκΔ}) ~ (4πκt)^{-d/2} [a₀ + a₁(κt) + a₂(κt)² + ...]
+
+        Args:
+            t: 扩散时间（小t渐近）
+            kappa: 扩散系数
+            order: 展开阶数（默认2）
+
+        Returns:
+            渐近估计值
+
+        几何意义：
+        - a₀ = Vol(M) - 流形体积
+        - a₁ ∝ ∫ R dV - 标量曲率积分
+        - a₂ ∝ ∫ (R² - |Ric|² + ...) dV - 更高阶曲率不变量
+        """
+        d = 2  # 2维流形
+        prefactor = (4 * np.pi * kappa * t) ** (-d / 2)
+
+        # 估算热核系数
+        a0 = float(self.ny * self.nx)  # 体积（网格点数）
+
+        # a₁ 需要曲率信息
+        if self.gradient_op is not None:
+            curvature_sum = 0.0
+            for i in range(1, self.ny - 1):
+                for j in range(1, self.nx - 1):
+                    R_xy = self.gradient_op.commutator((i, j), 0, 1)
+                    curvature_sum += abs(R_xy)
+            a1 = curvature_sum / 6.0
+        else:
+            a1 = 0.0
+
+        a2 = 0.0  # 简化
+
+        # 渐近级数
+        expansion = a0
+        if order >= 1:
+            expansion += a1 * (kappa * t)
+        if order >= 2:
+            expansion += a2 * (kappa * t)**2
+
+        return prefactor * expansion
+
+
+# ============================================================
+# 频率投影 (Frequency Projection)
+# ============================================================
+
+class FrequencyProjection:
+    """
+    几何频率投影算子
+
+    ω_n = √|κ_n| · sign(κ_n)
+    P_Ω = Σ_{n: ω_n ∈ Ω} |Frame_n⟩⟨Frame_n|
+
+    应用：
+    - 频段滤波
+    - 多尺度分析
+    - 频域波函数
+    """
+
+    def __init__(self, spectral_decomposition: SpectralDecomposition):
+        """
+        初始化频率投影
+
+        Args:
+            spectral_decomposition: 谱分解
+        """
+        self.spectral = spectral_decomposition
+
+    def compute_frequencies(self) -> np.ndarray:
+        """
+        计算几何频率：ω_n = √|κ_n| · sign(κ_n)
+
+        Returns:
+            频率数组
+        """
+        eigenvalues, _ = self.spectral.compute_eigenspectrum()
+        frequencies = np.sqrt(np.abs(eigenvalues)) * np.sign(eigenvalues)
+        return frequencies
+
+    def project_to_band(self, omega_min: float, omega_max: float) -> 'FrequencyBandState':
+        """
+        投影到频段 [ω_min, ω_max]
+
+        Args:
+            omega_min, omega_max: 频段范围
+
+        Returns:
+            频段态
+        """
+        frequencies = self.compute_frequencies()
+        mask = (frequencies >= omega_min) & (frequencies <= omega_max)
+
+        selected_indices = np.where(mask)[0]
+
+        return FrequencyBandState(
+            frequency_range=(omega_min, omega_max),
+            mode_indices=selected_indices,
+            projection_operator=self
+        )
+
+
+@dataclass
+class FrequencyBandState:
+    """频段波函数"""
+    frequency_range: Tuple[float, float]
+    mode_indices: np.ndarray
+    projection_operator: FrequencyProjection
+
+    def wavefunction(self, amplitudes: np.ndarray, phases: np.ndarray) -> complex:
+        """
+        Ψ_Ω = Σ_{n ∈ Ω} a_n Frame_n e^{iθ_n}
+
+        Args:
+            amplitudes: 振幅数组
+            phases: 相位数组
+
+        Returns:
+            波函数值
+        """
+        psi = 0.0 + 0j
+        for idx, amp, phase in zip(self.mode_indices, amplitudes, phases):
+            psi += amp * np.exp(1j * phase)
+        return psi
+
+
+# ============================================================
+# ============================================================
+# 谱数据结构
+# ============================================================
+
+@dataclass
+class FourierFrameSpectrum:
+    """
+    傅里叶标架谱表示 - 坐标场在动量空间的表示
+
+    存储坐标场各分量的傅里叶谱
+    """
+    ux_spectrum: np.ndarray       # x轴基矢量谱
+    uy_spectrum: np.ndarray       # y轴基矢量谱
+    uz_spectrum: np.ndarray       # z轴基矢量谱
+    origin_spectrum: np.ndarray   # 原点位置谱
+    momentum_grid: Tuple[np.ndarray, np.ndarray]  # (kx, ky)
+    hbar: float = HBAR
+
+    def __post_init__(self):
+        """验证维度一致性"""
+        shapes = [
+            self.ux_spectrum.shape,
+            self.uy_spectrum.shape,
+            self.uz_spectrum.shape,
+            self.origin_spectrum.shape
+        ]
+        if not all(s == shapes[0] for s in shapes):
+            raise ValueError("所有谱分量必须具有相同维度")
+
+    @property
+    def shape(self) -> Tuple[int, int]:
+        """谱的空间形状"""
+        return self.ux_spectrum.shape[:2]
+
+    def total_energy(self) -> float:
+        """总能量 E = ∫ |ψ̃(k)|² dk"""
+        return float(
+            np.sum(np.abs(self.ux_spectrum)**2) +
+            np.sum(np.abs(self.uy_spectrum)**2) +
+            np.sum(np.abs(self.uz_spectrum)**2) +
+            np.sum(np.abs(self.origin_spectrum)**2)
+        )
+
+    def spectral_density(self) -> np.ndarray:
+        """谱密度 ρ(k) = Σ_μ |ψ̃_μ(k)|²"""
+        density = (
+            np.abs(self.ux_spectrum)**2 +
+            np.abs(self.uy_spectrum)**2 +
+            np.abs(self.uz_spectrum)**2 +
+            np.abs(self.origin_spectrum)**2
+        )
+        return np.mean(density, axis=-1) if density.ndim > 2 else density
+
+    def radial_average(self) -> Tuple[np.ndarray, np.ndarray]:
+        """
+        径向平均谱 (ShapeDNA)
+
+        Returns:
+            (k_bins, radial_spectrum)
+        """
+        kx, ky = self.momentum_grid
+        k_mag = np.sqrt(kx[:, None]**2 + ky[None, :]**2)
+
+        density = self.spectral_density()
+
+        k_max = np.max(k_mag)
+        k_bins = np.linspace(0, k_max, 50)
+        radial_avg = np.zeros(len(k_bins))
+
+        for i in range(len(k_bins) - 1):
+            mask = (k_mag >= k_bins[i]) & (k_mag < k_bins[i + 1])
+            if np.any(mask):
+                radial_avg[i] = np.mean(density[mask])
+
+        return k_bins, radial_avg
+
+    def to_coord_field(self) -> List[List]:
+        """
+        逆变换：谱 → 坐标场
+
+        Returns:
+            二维坐标场列表
+        """
+        ny, nx = self.shape
+
+        origin_field = Frame.inverse_spectral_transform_2d(self.origin_spectrum, self.hbar)
+        ux_field = Frame.inverse_spectral_transform_2d(self.ux_spectrum, self.hbar)
+        uy_field = Frame.inverse_spectral_transform_2d(self.uy_spectrum, self.hbar)
+        uz_field = Frame.inverse_spectral_transform_2d(self.uz_spectrum, self.hbar)
+
+        coord_field = []
+        for i in range(ny):
+            row = []
+            for j in range(nx):
+                o = vec3(origin_field[i, j, 0], origin_field[i, j, 1], origin_field[i, j, 2])
+                ux = vec3(ux_field[i, j, 0], ux_field[i, j, 1], ux_field[i, j, 2])
+                uy = vec3(uy_field[i, j, 0], uy_field[i, j, 1], uy_field[i, j, 2])
+                uz = vec3(uz_field[i, j, 0], uz_field[i, j, 1], uz_field[i, j, 2])
+
+                c = coord3(o, quat(1, 0, 0, 0), vec3(1, 1, 1))
+                c.ux, c.uy, c.uz = ux, uy, uz
+                row.append(c)
+            coord_field.append(row)
+
+        return coord_field
+
+
+# ============================================================
+# 便利函数
+# ============================================================
+
+def spectral_transform(coord_field: List[List],
+                       hbar: float = HBAR,
+                       use_gpu: bool = False) -> FourierFrameSpectrum:
+    """
+    坐标场谱变换
+
+    Args:
+        coord_field: 二维坐标场
+        hbar: 约化普朗克常数
+        use_gpu: 是否使用 GPU 加速
+
+    Returns:
+        FourierFrameSpectrum 对象
+    """
+    return FourierFrame.from_coord_field(coord_field, hbar)
+
+
+def inverse_spectral_transform(spectrum: FourierFrameSpectrum) -> List[List]:
+    """
+    逆谱变换
+
+    Args:
+        spectrum: FourierFrameSpectrum 对象
+
+    Returns:
+        重建的坐标场
+    """
+    return spectrum.to_coord_field()
+
+
+# ============================================================
+# 演示
+# ============================================================
+
+def demonstrate():
+    """演示傅里叶标架代数与谱几何"""
+    print("=" * 70)
+    print("傅里叶标架场与量子谱几何 (FourierFrame Field & Spectral Geometry)")
+    print("=" * 70)
+
+    # 1. 创建基础 FourierFrame
+    if coord3 is not None:
+        base_frame = coord3.from_position(vec3(1, 0, 0))
+        frame = FourierFrame(base_frame, q_factor=1.0+0.5j)
+    else:
+        frame = FourierFrame(q_factor=1.0+0.5j)
+
+    print(f"\n1. 基础傅里叶标架: {frame}")
+    print(f"   相位: {frame.phase:.4f} rad")
+    print(f"   模: {frame.magnitude:.4f}")
+    print(f"   行列式: {frame.det:.4f}")
+
+    # 2. 傅里叶变换
+    print(f"\n2. 傅里叶变换:")
+    ft = frame.fourier_transform()
+    print(f"   F[FourierFrame] = {ft}")
+    print(f"   F^4[FourierFrame] ≈ FourierFrame: {frame.fourier_transform(2*np.pi)}")
+
+    # 3. 共形变换
+    print(f"\n3. 共形变换:")
+    conf = frame.conformal_transform(2.0)
+    print(f"   λ=2: {conf}")
+
+    # 4. 标架复合
+    print(f"\n4. 标架复合:")
+    frame2 = FourierFrame(q_factor=0.5+0.5j)
+    composed = frame * frame2
+    print(f"   FourierFrame1 * FourierFrame2 = {composed}")
+
+    # 5. 内禀梯度算子
+    print(f"\n5. 内禀梯度算子:")
+    # 创建简单标架场
+    frame_field = [[FourierFrame(q_factor=1.0 + 0.1j*(i+j)) for j in range(5)] for i in range(5)]
+    grad_op = IntrinsicGradient(frame_field)
+    G_x = grad_op.compute_at((2, 2), 0)
+    G_y = grad_op.compute_at((2, 2), 1)
+    print(f"   G_x(2,2) = {G_x:.4f}")
+    print(f"   G_y(2,2) = {G_y:.4f}")
+
+    # 6. 曲率计算
+    print(f"\n6. 曲率计算:")
+    curvature_calc = CurvatureFromFrame(frame_field)
+    K = curvature_calc.gaussian_curvature(2, 2)
+    H = curvature_calc.mean_curvature(2, 2)
+    print(f"   高斯曲率 K = {K:.6f}")
+    print(f"   平均曲率 H = {H:.6f}")
+
+    # 7. Berry相位
+    print(f"\n7. Berry相位:")
+    berry = BerryPhase(grad_op)
+    path = [(1, 1), (1, 3), (3, 3), (3, 1), (1, 1)]
+    gamma = berry.compute_along_path(path, closed=True)
+    print(f"   γ = ∮ G_μ dx^μ = {gamma:.4f}")
+
+    # 8. 陈数
+    print(f"\n8. 陈数:")
+    chern = ChernNumber(curvature_calc)
+    c1 = chern.compute()
+    print(f"   第一陈数 c₁ = {c1}")
+
+    print("\n" + "=" * 70)
+    print("核心公式总结:")
+    print("  • G_μ = d/dx^μ log FourierFrame(x)  [内禀梯度]")
+    print("  • R_{μν} = [G_μ, G_ν]  [曲率]")
+    print("  • FourierFrame * e^{iθ} = 傅里叶变换")
+    print("  • FourierFrame * λ = 共形变换")
+    print("  • γ = ∮ G_μ dx^μ  [Berry相位]")
+    print("  • c₁ = (1/2π) ∬ R_{μν} dS  [陈数]")
+    print("=" * 70)
+
+
+# ============================================================
+# 导出
+# ============================================================
+
+__all__ = [
+    # 核心类
+    'FourierFrame',
+    'FourierFrameSpectrum',
+
+    # 谱几何核心
+    'IntrinsicGradient',
+    'CurvatureFromFrame',
+    'BerryPhase',
+    'ChernNumber',
+    'SpectralDecomposition',
+    'HeatKernel',
+    'FrequencyProjection',
+    'FrequencyBandState',
+
+    # 便利函数
+    'spectral_transform',
+    'inverse_spectral_transform',
+
+    # 常数
+    'HBAR',
+    'GPU_AVAILABLE',
+]
+
+
+if __name__ == "__main__":
+    demonstrate()