В теории вероятностей и математической физике, случайная матрица представляет собой матрицу -значную случайную величину, то есть матрицу, в которой некоторые или все элементы являются случайными величинами. Многие важные свойства физических систем могут быть математически представлены в виде матричных задач. Например, теплопроводность решетки может быть вычислена из динамической матрицы взаимодействий частица-частица внутри решетки.
В ядерной физике случайные матрицы были введены Юджином Вигнером для моделирования ядер тяжелых атомов. Он постулировал, что расстояния между линиями в спектре ядра тяжелого атома должны напоминать расстояния между собственными значениями случайной матрицы и должны зависеть только от класса симметрии основной эволюции. В физике твердого тела случайные матрицы моделируют поведение больших неупорядоченных гамильтонианов в приближении среднего поля.
В квантовом хаосе гипотеза Бохигаса – Джаннони – Шмита (BGS) утверждает, что спектральная статистика квантовых систем, классические аналоги которых демонстрируют хаотическое поведение, описывается теорией случайных матриц.
В квантовой оптике преобразования, описываемые случайными унитарными матрицами, имеют решающее значение для демонстрации преимущества квантовых вычислений по сравнению с классическими вычислениями (см., Например, модель выборки бозонов ). Более того, такие случайные унитарные преобразования могут быть непосредственно реализованы в оптической схеме, путем отображения их параметров на компоненты оптической схемы (то есть светоделители и фазовращатели).
Теория случайных матриц также имеет нашел применения киральному оператору Дирака в квантовой хромодинамике, квантовой гравитации в двух измерениях, мезоскопической физике, крутящем моменте передачи спина, дробный квантовый эффект Холла, локализация Андерсона, квантовые точки и сверхпроводники
В многомерная статистика, случайные матрицы были введены Джоном Уишартом для статистического анализа больших выборок; см. оценка ковариационных матриц.
Были показаны важные результаты, которые расширяют классические скалярные неравенства Чернова, Бернштейна и Хёффдинга до наибольших собственных значений конечных сумм случайных эрмитовых матриц. Выводятся следующие результаты для максимальных сингулярных значений прямоугольных матриц.
В численном анализе случайные матрицы использовались начиная с работ Джона фон Неймана и Германа Голдстайна для описания ошибок вычислений в таких операциях, как как матричное умножение. См. Также более свежие результаты.
В теории чисел распределение нулей дзета-функции Римана (и других L-функций ) моделируется распределением собственных значений некоторых случайных матриц. Эта связь была впервые обнаружена Хью Монтгомери и Фрименом Дж. Дайсоном. Это связано с гипотезой Гильберта – Полиа.
В области теоретической нейробиологии случайные матрицы все чаще используются для моделирования сети синаптических связей между нейронами в мозге. Было показано, что динамические модели нейронных сетей со случайной матрицей связности демонстрируют фазовый переход к хаосу, когда дисперсия синаптических весов пересекает критическое значение на пределе бесконечного размера системы. Связь статистических свойств спектра моделей случайных матриц с динамическим поведением случайно связанных нейронных сетей является предметом интенсивных исследований.
В оптимальном управлении теория, эволюция n переменных состояния во времени зависит в любой момент от их собственных значений и от значений k переменных управления. При линейной эволюции матрицы коэффициентов появляются в уравнении состояния (уравнении эволюции). В некоторых задачах значения параметров в этих матрицах неизвестны с уверенностью, и в этом случае в уравнении состояния присутствуют случайные матрицы, и проблема известна как одна из стохастического управления. Ключевым результатом в случае линейно-квадратичного управления со стохастическими матрицами является то, что принцип эквивалентности достоверности не применяется: в то время как в отсутствие множителя неопределенности ( то есть только с аддитивной неопределенностью) оптимальная политика с квадратичной функцией потерь совпадает с тем, что было бы решено, если бы неопределенность не принималась во внимание, это больше не выполняется при наличии случайных коэффициентов в уравнении состояния.
Наиболее изученными ансамблями случайных матриц являются гауссовы ансамбли.
Гауссовский унитарный ансамбль GUE (n) описывается гауссовской мерой с плотностью
на пространстве n × n эрмитовых матриц H = (H ij). i, j = 1. Здесь Z GUE (n) = 2 π - нормировочная константа, выбранная так, чтобы интеграл плотности был равен единице. Термин унитарное относится к тому факту, что распределение инвариантно относительно унитарного сопряжения. Гауссовские модели унитарного ансамбля гамильтонианы не обращаются во времени симметрия.
Гауссовский ортогональный ансамбль GOE (n) описывается гауссовой мерой с плотностью
на пространстве вещественных симметричных матриц размера n × n H = (H ij). i, j = 1. Его распределение инвариантно относительно ортогонального сопряжения и моделирует Ham илтонианы с симметрией обращения времени.
Гауссовский симплектический ансамбль GSE (n) описывается гауссовой мерой с плотностью
в пространстве n × n эрмитова кватернионные матрицы, например симметричные квадратные матрицы, составленные из кватернионов, H = (H ij). i, j = 1. Его распределение инвариантно относительно сопряжения симплектической группой и моделирует гамильтонианы с симметрией обращения времени, но без вращательной симметрии.
Гауссовские ансамбли GOE, GUE и GSE часто обозначаются их индексом Дайсона, β = 1 для GOE, β = 2 для GUE, и β = 4 для GSE. Этот индекс подсчитывает количество вещественных компонентов на элемент матрицы. Ансамбли, как определено здесь, имеют гауссовские распределенные матричные элементы со средним значением H ij ⟩ = 0 и заданными двухточечными корреляциями по
, из которого следуют все высшие корреляции по теореме Иссерлиса.
Совместная плотность вероятности для собственные значения λ1,λ2,..., λ n из GUE / GOE / GSE определяется как
где Z β, n - нормировочная константа, которая может быть вычислена явно, см. интеграл Сельберга. В случае GUE (β = 2) формула (1) описывает детерминантный точечный процесс. Собственные значения отталкиваются, поскольку совместная плотность вероятности имеет ноль (-го порядка) для совпадающих собственных значений .
О распределении наибольшего собственного значения для матриц GOE, GUE и Wishart конечных размеров см.
Из упорядоченная последовательность собственных значений , определяется нормализованное промежутки , где - средний интервал. Распределение вероятностей расстояний приблизительно определяется следующим образом:
для ортогонального ансамбля GOE ,
для унитарного ансамбля GUE и
для симплектического ансамбля GSE .
Числовые константы таковы, что нормализовано:
и средний интервал:
для .
Wigner матрицы представляют собой случайные эрмитовы матрицы такие, что записи
над главной диагональю находятся независимые случайные величины с нулевым средним и идентичными вторыми моментами.
Инвариантные матричные ансамбли - это случайные эрмитовы матрицы с плотностью в пространстве вещественных симметричных / эрмитовых / кватернионных эрмитовых матриц, которая имеет вид , где функция V называется потенциалом.
Гауссовы ансамбли - единственные частные частные случаи этих двух классов случайных матриц.
Спектральная теория случайных матриц изучает распределение собственных значений по мере того, как размер матрицы стремится к бесконечности.
В глобальном режиме интересует распределение линейной статистики вида N f, H = n tr f (H).
Эмпирическая спектральная мера μ H H определяется как
Обычно предел - детерминированная мера; это частный случай самоусреднения. кумулятивная функция распределения ограничивающей меры называется интегрированной плотностью состояний и обозначается N (λ). Если интегральная плотность состояний дифференцируема, ее производная называется плотностью состояний и обозначается ρ (λ).
Предел эмпирической спектральной меры для матриц Вигнера был описан Юджином Вигнером ; см. распределение полукругов Вигнера и предположение Вигнера. Что касается выборочных ковариационных матриц, теория была разработана Марченко и Пастуром.
Предел эмпирической спектральной меры ансамблей инвариантных матриц описывается некоторым интегральным уравнением, которое возникает из теории потенциала.
Для линейной статистики N f, H = n ∑ f (λ j), также интересны флуктуации около ∫ f ( λ) dN (λ). Для многих классов случайных матриц центральная предельная теорема имеет вид
известен, см. И т. Д.
В локальном режиме нас интересуют расстояния между собственными значениями и, в более общем смысле, совместное распределение собственных значений в интервале длины порядка 1 / n. Различают совокупную статистику, относящуюся к интервалам внутри опоры ограничивающей спектральной меры, и краевую статистику, относящуюся к интервалам вблизи границы опоры.
Формально исправьте в внутреннем тега поддержка из . Затем рассмотрим точечный процесс
где - собственные значения случайной матрицы.
Точечный процесс захватывает статистические свойства собственных значений в окрестности . Для гауссовых ансамблей известен предел ; таким образом, для GUE это детерминантный точечный процесс с ядром
(ядро синуса).
Принцип универсальности постулирует, что предел при должен зависеть только от класса симметрии случайной матрицы (и ни от конкретной модели случайных матриц, ни от ). Это было строго доказано для нескольких моделей случайных матриц: для ансамблей инвариантных матриц, для матриц Вигнера и т. Д.
См. Распределение Трейси – Уидома.
Матрицы Уишарта имеют размер n × n случайные матрицы вида H = XX, где X - это случайная матрица размера n × m (m ≥ n) с независимыми элементами, а X - ее сопряженное транспонирование. В важном частном случае, рассмотренном Уишартом, элементы X являются одинаково распределенными гауссовскими случайными величинами (действительными или комплексными).
Предел эмпирической спектральной меры матриц Уишарта был найден Владимиром Марченко и Леонидом Пастуром, см. распределение Марченко – Пастура.