Screenshots from the software.
Calabi–Yau Projection Lab: un laboratorio reproducible sin dependencias para visualizar proyecciones, ramas de la quíntica y métricas aproximadas
Hay una tentación muy común en visualización matemática: mostrar una imagen bonita de un objeto de alta dimensión y dejar que el espectador imagine que está viendo “la forma real” de ese objeto.
Eso es peligroso pedagógicamente.
Un objeto en R^6, R^8 o R^11 no cabe en una pantalla 2D. Lo que vemos es una proyección, un corte, una sombra, una codificación parcial. Y si no lo decimos con claridad, el estudiante puede acabar creyendo que la imagen es el objeto.
Por eso construí Calabi–Yau Projection Lab: un laboratorio educativo, reproducible, sin dependencias externas, pensado para desarrolladores, profesores universitarios y estudiantes que quieren entender geometría de alta dimensión sin caer en humo visual.
No es un simulador de teoría de cuerdas.
No calcula métricas Calabi–Yau Ricci-planas.
No resuelve la ecuación de Monge–Ampère.
No afirma que una imagen 2D sea la forma verdadera de un objeto 6D, 8D u 11D.
Lo que sí hace es ofrecer un entorno honesto, verificable y citable para explorar proyecciones, parches tipo Calabi–Yau, el toro de Clifford, topología exacta de familias de Fermat, un chart afín local de la quíntica Calabi–Yau en R^8, sus cinco ramas complejas, galerías reproducibles y diagnósticos métricos aproximados de Fubini–Study inducida.
Enlaces vivos
- Repositorio: https://github.com/amurlaniakea/calabi-yau-projection-lab
- Demo interactiva: https://amurlaniakea.github.io/calabi-yau-projection-lab/
- Galería estática de ramas de la quíntica: https://amurlaniakea.github.io/calabi-yau-projection-lab/quintic-branch-gallery.html
- Zenodo, concept DOI para todas las versiones: https://doi.org/10.5281/zenodo.24297863
- Zenodo, version DOI de v0.5.0: https://doi.org/10.5281/zenodo.24297864
- README: https://github.com/amurlaniakea/calabi-yau-projection-lab/blob/main/README.md
- Contrato de metadatos y datos: https://github.com/amurlaniakea/calabi-yau-projection-lab/blob/main/docs/11-metadata-and-data-contract.md
- Documentación de métricas aproximadas: https://github.com/amurlaniakea/calabi-yau-projection-lab/blob/main/docs/10-metric-diagnostics.md
- Chart de la quíntica CY3: https://github.com/amurlaniakea/calabi-yau-projection-lab/blob/main/docs/09-quintic-threefold-chart.md
- Blog DEV (un artículo ligero): https://dev.to/magopredator/base-camp-for-the-scientific-mountain-campamento-base-en-la-montana-de-la-ciencia-3ij8
Licencia: AGPL-3.0-or-later.
Filosofía del proyecto:
Tecnósfera al servicio de la Biósfera.
La Paz Es El Camino.
Para desarrolladores: qué hay dentro y por qué importa técnicamente
El núcleo está escrito en Python 3 usando solo la biblioteca estándar. No hay NumPy, SciPy, Matplotlib, JAX, PyTorch, TensorFlow ni dependencias de runtime.
La demo web es HTML, CSS y JavaScript puro. No usa CDN, no usa frameworks, no usa React, no usa D3, no usa Three.js.
Esa decisión no es estética. Es de reproducibilidad.
Si alguien clona el repositorio, puede ejecutar:
git clone https://github.com/amurlaniakea/calabi-yau-projection-lab.git
cd calabi-yau-projection-lab
make test
make examples
make quintic-gallery
make quintic-gallery-previews
make metric-diag
Y obtener:
- tests automatizados;
- SVG deterministas;
- JSON metadata;
- SHA-256 de las salidas;
- galerías reproducibles;
- diagnósticos métricos aproximados;
- una demo local sin red.
Arquitectura del núcleo
El paquete principal vive en:
src/projection_lab/
y se organiza por responsabilidades:
linalg.py # dot, norm, Gram-Schmidt
basis.py # bases ortonormales deterministas
project.py # proyección R^n -> R^2
manifolds.py # hipercubo, dominio aleatorio, toro, esfera, parche Fermat, Clifford, quíntica
slices.py # cortes con coordenadas congeladas
topology.py # números de Hodge exactos y característica de Euler para familias Fermat
metrics.py # diagnósticos métricos Fubini-Study inducidos aproximados
render_svg.py # renderer SVG reproducible
cli.py # interfaz de línea de comandos
Esta separación importa porque permite razonar por capas:
- álgebra lineal básica;
- generación determinista de cámaras;
- proyección;
- muestreo de objetos;
- topología exacta;
- diagnóstico métrico aproximado;
- render reproducible;
- CLI y artefactos auditables.
Tests como evidencia
El repo incluye 45 tests:
- 35 tests del núcleo geométrico/proyectivo/topológico;
- 10 tests del módulo de métricas aproximadas.
Puedes verificarlos con:
make test
Esto no es un adorno. Es la diferencia entre “hice una imagen bonita” y “puedo demostrar que mi pipeline se comporta de forma esperada”.
Salida SVG y metadata JSON
Cada SVG generado puede tener un JSON acompañante. Por ejemplo:
PYTHONPATH=src python3 -m projection_lab.cli quintic-chart \
--grid 4 --branch 0 --seed 6 \
--out examples/quintic_branch0.svg \
--meta examples/quintic_branch0.json
El JSON no es un dataset completo de puntos. Es un metadata manifest.
Registra cosas como:
{
"basis_seed": 6,
"branch": 0,
"color_by": "auto",
"dim": 8,
"grid": 4,
"object": "quintic_threefold_chart",
"output": "examples/quintic_branch0.svg",
"points": 4096,
"radius_max": 1.0,
"seed": 6,
"svg_sha256": "..."
}
Esto responde a preguntas de auditoría:
- ¿qué objeto se renderizó?
- ¿qué dimensión ambiente se usó?
- ¿qué rama de la raíz quinta se seleccionó?
- ¿qué grid se usó?
- ¿qué seed de cámara se usó?
- ¿cuántos puntos aceptados se dibujaron?
- ¿qué hash SHA-256 tiene el SVG?
Pero no exporta todavía, por defecto:
- todas las coordenadas 8D de cada punto;
- todas las coordenadas 2D proyectadas;
- residuos punto a punto;
- puntos descartados individualmente;
- un dataset listo para machine learning.
Esa distinción está documentada explícitamente en:
docs/11-metadata-and-data-contract.md
Y es importante, porque mucha gente ve “JSON” y piensa “datos crudos completos”. Aquí no. Aquí el JSON es un manifiesto de reproducibilidad.
Galería de ramas de la quíntica
El repositorio incluye dos formas de explorar las cinco ramas del chart afín de la quíntica:
galería estática:
https://amurlaniakea.github.io/calabi-yau-projection-lab/quintic-branch-gallery.htmlgalería interactiva dentro de la demo principal:
https://amurlaniakea.github.io/calabi-yau-projection-lab/
La galería estática usa previews ligeros con grid=3 para carga rápida en web. Las salidas completas reproducibles usan grid=4 y viven bajo examples/.
Cada tarjeta enlaza a:
-
full SVG (GitHub): vista humana del SVG completo; -
metadata JSON (GitHub): vista humana del manifiesto JSON completo; -
raw JSON: URL machine-readable paracurl,jq, Python, notebooks, etc.
Esto evita la confusión entre “ver el archivo en GitHub” y “consumir el dato programáticamente”.
Diagnósticos métricos aproximados
El módulo:
src/projection_lab/metrics.py
calcula diagnósticos aproximados de la métrica Fubini–Study inducida sobre el espacio tangente del chart afín de la quíntica.
No calcula la métrica Calabi–Yau Ricci-plana real.
Eso está dicho en el propio JSON de salida:
"caveat": "Not a Ricci-flat Calabi-Yau metric. Diagnostic only. No Monge-Ampere solution. No cohomology from scratch."
Las funciones principales permiten calcular:
- matriz métrica Fubini–Study ambiental en
R^8; - normales reales del chart quíntico;
- base tangente ortonormal de dimensión 6;
- métrica inducida 6x6;
- trace;
- determinante;
- media de autovalores aproximada;
- media geométrica de autovalores aproximada;
- número de condición aproximado;
- error de simetría;
- proxy de definida positiva.
Puedes ejecutar:
make metric-diag
o directamente:
PYTHONPATH=src python3 -m projection_lab.cli metric-diag \
--grid 3 --branch 0 --seed 6 --sample 50 \
--meta examples/metric_diag_quintic_g3_b0.json
Esto es útil como scaffolding geométrico honesto. No como simulación física.
Para profesores universitarios: cómo usarlo en clase
Este repo está pensado para una clase de geometría diferencial, topología algebraica introductoria, visualización científica, métodos computacionales en matemáticas o divulgación técnica avanzada.
La ventaja es que no exige instalar un ecosistema pesado. Un estudiante puede clonar, correr tests, generar SVG, abrir la demo y discutir resultados.
Idea central que conviene transmitir
Una proyección 2D de un objeto de alta dimensión no es el objeto.
Es una sombra.
Depende de la cámara.
Depende de la base ortonormal elegida.
Depende del seed.
Depende del corte.
Depende de la rama algebraica, si estamos en un chart complejo.
Y puede perder información crucial.
El repo hace visible esa dependencia.
Secuencia docente sugerida
1. Proyección como sombra
Abrir la demo y seleccionar, por ejemplo, el hipercubo 6D o el dominio aleatorio 11D.
Pregunta inicial:
¿Estamos viendo el objeto real?
Respuesta esperada:
No. Estamos viendo una proyección ortogonal a un plano 2D elegido determinísticamente.
Luego cambiar el seed.
La nube cambia.
Eso demuestra que la imagen depende de la cámara, no solo del objeto.
2. Coordenadas ocultas codificadas por color
Activar codificación por coordenada oculta.
Pregunta:
¿Qué información adicional podemos inferir si no desaparece completamente?
Respuesta:
Algunas dimensiones ocultas pueden codificarse visualmente mediante color, tamaño o intensidad, pero siguen siendo una proyección parcial.
3. Toros y spheres como objetos de baja dimensión en ambientes mayores
Mostrar el toro plano, la n-esfera y el toro de Clifford.
Esto permite discutir embeddings:
- un toro plano puede verse como objeto periódico;
- una esfera unitaria vive en
R^n; - el toro de Clifford es
S^1 x S^1embebido enS^3, que a su vez vive enR^4.
No es lo mismo que una superficie arbitraria dibujada en 2D.
4. Parche Fermat tipo Calabi–Yau
Introducir la ecuación:
z0^5 + z1^5 + z2^5 + z3^5 + 1 = 0
en el chart afín Z4 = 1 de la quíntica en CP^4.
Explicar que estamos tomando un parche local, no la variedad compacta global.
5. Branch explorer
Cambiar entre ramas 0, 1, 2, 3, 4.
Pregunta clave:
¿Está cambiando el objeto matemático?
Respuesta matizada:
No está cambiando la variedad global. Está cambiando la elección local de la raíz quinta compleja. Cada rama revela una hoja local distinta del mismo objeto algebraico.
Esto es oro pedagógico porque introduce la idea de chart, branch, sheet y globalidad sin necesidad de un curso entero de geometría algebraica.
6. Galería estática de ramas
Proyectar:
https://amurlaniakea.github.io/calabi-yau-projection-lab/quintic-branch-gallery.html
Comparar las cinco ramas con la misma cámara.
Pregunta:
Si la cámara es la misma, ¿por qué cambian las imágenes?
Respuesta:
Porque cambia la rama de la raíz compleja, no la proyección.
7. Residuo algebraico
En la demo interactiva, desplegar datos del renderizado.
Mostrar:
- max residual;
- discarded points;
- attempted points.
Explicar que cada punto aceptado satisface la ecuación dentro de una tolerancia:
|z0^5 + z1^5 + z2^5 + z3^5 + 1| < 1e-9
Esto convierte la visualización en algo verificable, no solo decorativo.
8. Topología exacta vs métrica aproximada
Mostrar que el repo calcula invariantes topológicos exactos para familias Fermat conocidas:
- quíntica CY3:
h^{1,1}=1,h^{2,1}=101,χ=-200; - K3:
χ=24; - curva elíptica:
χ=0; - cúbica: no es CY.
Y luego explicar que los diagnósticos métricos son aproximados y no equivalen a una métrica Ricci-plana.
Esta distinción es crucial:
Topología exacta no es métrica exacta.
Métrica Fubini–Study inducida aproximada no es métrica Calabi–Yau Ricci-plana.
Para estudiantes: qué luces enciende este repo
Si eres estudiante, este proyecto puede ayudarte a responder preguntas que suelen quedar difusas en clase.
1. ¿Por qué una imagen 2D de un objeto 6D cambia si cambio el seed?
Porque el seed define la cámara, es decir, la base ortonormal usada para proyectar.
No estás cambiando el objeto. Estás cambiando el punto de vista.
Igual que una fotografía de un edificio cambia si giras la cámara, la proyección de un objeto de alta dimensión cambia si cambias la base de proyección.
2. ¿La proyección me muestra la forma real?
No.
Te muestra una sombra controlada.
Puede revelar estructura, simetría, densidad, clusters, dimensiones ocultas codificadas por color, pero no es la forma intrínseca completa.
3. ¿Qué es una rama en la quíntica?
Cuando resuelves:
z3 = (-1 - z0^5 - z1^5 - z2^5)^(1/5)
la raíz quinta compleja tiene cinco soluciones locales.
Elegir una rama es elegir una hoja local del objeto algebraico.
No estás viendo la variedad global completa. Estás viendo un parche.
4. ¿Para qué sirve el residuo?
El residuo mide cuánto cumple un punto la ecuación algebraica.
Si el residuo es menor que un umbral, el punto se acepta.
Si no, se descarta.
Esto te dice que la imagen no es un dibujo arbitrario: está anclada a una ecuación.
5. ¿Qué significa que los JSON sean metadata manifests?
Significa que el JSON te dice cómo se generó la imagen, pero no te da todos los puntos crudos.
Es como la ficha técnica de una fotografía:
- cámara;
- objetivos;
- fecha;
- hash del archivo;
- parámetros.
No es el negativo completo.
6. ¿El módulo de métricas calcula la métrica Calabi–Yau real?
No.
Calcula diagnósticos aproximados de la métrica Fubini–Study inducida en el espacio tangente del chart local.
Es útil para intuir comportamiento geométrico, pero no sustituye a un solver de Monge–Ampère ni a una construcción de métrica Ricci-plana.
7. ¿Puedo usar esto para un trabajo o TFG?
Sí, con honestidad.
Puedes usarlo para:
- reproducir figuras;
- comparar ramas;
- estudiar proyecciones;
- analizar metadatos;
- discutir límites de visualización;
- introducir geometría algebraica computacional básica;
- construir ejercicios de aula;
- verificar determinismo con SHA-256.
Pero no debes presentar el repo como si calculara física de compactificaciones o métricas Calabi–Yau completas. No lo hace.
Ejemplo rápido de uso programático
Puedes inspeccionar un metadata JSON remoto sin clonar el repo:
import json
import urllib.request
url = "https://raw.githubusercontent.com/amurlaniakea/calabi-yau-projection-lab/main/examples/quintic_branch0.json"
with urllib.request.urlopen(url) as response:
data = json.load(response)
print(data["object"])
print(data["branch"])
print(data["grid"])
print(data["points"])
print(data["svg_sha256"][:16])
Esto es útil en clase para mostrar que los artefactos son auditables.
También puedes comparar ramas:
import json
import urllib.request
for branch in range(5):
url = (
"https://raw.githubusercontent.com/amurlaniakea/calabi-yau-projection-lab/"
f"main/examples/quintic_branch{branch}.json"
)
with urllib.request.urlopen(url) as response:
data = json.load(response)
print(branch, data["points"], data["svg_sha256"][:16])
Salida esperada: cinco hashes distintos, mismos parámetros salvo branch.
Eso demuestra visualmente que la diferencia no viene de la cámara, sino de la rama algebraica.
Qué preguntas técnicas responde el repo
¿Cómo se garantiza reproducibilidad?
Mediante:
- bases ortonormales deterministas;
- seeds explícitos;
- SVG generados de forma determinista;
- SHA-256 en metadata;
- tests automatizados;
- CI;
- artefactos versionados;
- Zenodo DOI.
¿Por qué cero dependencias?
Para reducir fricción:
- no hay entorno conbinario complejo;
- no hay wheels rotos;
- no hay CUDA;
- no hay versiones incompatibles de NumPy;
- no hay CDN bloqueado;
- el estudiante puede correrlo en una máquina modesta.
¿Qué no pretende hacer?
No pretende:
- simular teoría de cuerdas;
- calcular espectros físicos;
- resolver Monge–Ampère;
- obtener métricas Ricci-planas;
- sustituir a Macaulay2, SageMath, Polymake, Mathematica o librerías especializadas;
- afirmar que una imagen 2D es la geometría completa.
¿Dónde encaja frente a otras herramientas?
No compite con CAS algebraicos completos.
Es un laboratorio visual y pedagógico de bajo peso, con artefactos reproducibles y límites explícitos.
Puede servir como puente entre:
- intuición gráfica;
- álgebra lineal computacional;
- topología discreta exacta;
- geometría algebraica local;
- prototipos de diagnóstico métrico.
Detalles que me importan como autor
Este proyecto sigue una filosofía sencilla:
- cero dependencias innecesarias;
- límites explícitos;
- tests como evidencia;
- licencia libre AGPL;
- reproducibilidad auditable;
- honestidad científica.
No quiero vender una imagen espectacular de Calabi–Yau como si fuera una fotografía de un objeto físico. Quiero que el usuario entienda qué está viendo, cómo se generó, qué verifica y qué no verifica.
Por eso el repo documenta:
- qué es una proyección;
- qué es un seed;
- qué es una rama;
- qué es un residuo;
- qué es un metadata manifest;
- qué es una métrica Fubini–Study inducida aproximada;
- qué no es una métrica Calabi–Yau Ricci-plana.
Eso, para mí, es más valioso que un render bonito sin contrato epistémico.
Citation
Si usas el software, puedes citarlo mediante Zenodo.
Concept DOI, todas las versiones:
https://doi.org/10.5281/zenodo.24297863
Version DOI, v0.5.0:
https://doi.org/10.5281/zenodo.24297864
Cita sugerida:
Sordo Martínez, Pedro. (2026). Calabi–Yau Projection Lab [Computer software]. Zenodo. https://doi.org/10.5281/zenodo.24297863
El repositorio incluye CITATION.cff y .zenodo.json para facilitar citación y archivado.
Resumen ejecutivo
Calabi–Yau Projection Lab es un laboratorio educativo sin dependencias para visualizar proyecciones de alta dimensión, explorar el chart afín local de la quíntica Calabi–Yau en R^8, comparar sus cinco ramas complejas, generar SVG reproducibles con metadata JSON, ejecutar 45 tests y calcular diagnósticos métricos aproximados de Fubini–Study inducida.
No simula física de cuerdas. No calcula métricas Ricci-planas. No resuelve Monge–Ampère. No confunde imagen con objeto.
Lo que hace es encender luces pedagógicas:
- la proyección depende de la cámara;
- una rama compleja cambia la hoja local;
- el residuo verifica la ecuación;
- los JSON son metadatos, no datasets completos;
- la topología exacta no implica métrica exacta;
- la visualización honesta necesita límites explícitos.
Y eso, en clase, vale mucho.
Enlace final
Repo: https://github.com/amurlaniakea/calabi-yau-projection-lab
Demo: https://amurlaniakea.github.io/calabi-yau-projection-lab/
Branch gallery: https://amurlaniakea.github.io/calabi-yau-projection-lab/quintic-branch-gallery.html
Zenodo: https://doi.org/10.5281/zenodo.24297863
Tecnósfera al servicio de la Biósfera.
La Paz Es El Camino.


Top comments (1)
Me interesa especialmente feedback de personas que enseñen geometría diferencial, visualización algebraica o matemática computacional reproducible. El repo evita deliberadamente afirmar métricas Ricci-planas o física de cuerdas. Se centra en proyecciones, charts locales de la quíntica, exploración de ramas, checks de residuo, metadata manifests y diagnósticos aproximados de Fubini-Study. Gracias por vuestra amable lectura. Aloha ")