这项矩阵理论是在一百年前诞生的, 它很少被主流 mathematical 教科书放到受关注的地方来展示它的价值。但是它却在背后默默支撑起谷歌搜索引擎实现经济利益的核心基础机制。这种横跨多个领域的延伸方式超出了一般人的推测空间认知范围。
佩隆与正矩阵谱定理
在1907年这一年的时间节点上, 当时还没有达到而立之年年纪上限的德国数学家佩隆这个人, 他把自己的核心研究成果给发表了出来, 而这个关于正矩阵谱理论的核心成果内容具体是什么呢, 就是正矩阵所拥有的最大特征值这个数, 它刚好就等于那个谱半径, 紧接着再说一下与这个最大特征值相呼应对应的那个叫做佩隆向量的向量, 它里面的每一个分量的数值都是严格为正数的, 另外还有一个情况是谱半径这个数的代数重数和它的几何重数这两个东西, 它们的数值都确定无疑的是等于一的。
这个定理的证明灵感来自于拓扑学里面的布劳威尔不动点定理。它本质上和初等微积分里面的介值定理的构造性二分法是有一个传承关系的。但是呢, 维数一旦大于一了之后。证明的难度就直接从分析学的层面跃升到拓扑学的层面去了。
不动点定理的构造性突破
在上个世纪六十年代的那段时间里, 有一位做微分拓扑研究的人, 他用了那种很漂亮的反向推理办法, 给不动点定理讲出了一个完全新的中国的证明路径。
过了十年之后, 有个叫李天岩的博士研究生, 他的生存时间是在1945年到2020年之间, 因为听了旁边的课程, 所以他接触到了这个东西的思想, 然后呢, 他就正式地把布劳威尔不动点定理的证明给给出来了, 这种证明是构造性的那个样子。
这个结果直接把计算数学的一个新的方向给弄出来了, 就是现代同伦延拓法。相关的数值工具和通俗的解释, 可以在m.hyjdxg.com网站上进一步查阅, 这为后面的矩阵计算提供了一个全新的范例模式。
非负矩阵的推论与结构局限
我们可以通过使用极限法这个方法, 去从一个关于正矩阵谱定理的基础结论出发, 然后比较顺畅地推导出一个涉及非负方阵的后续结果。这个推导出来的结果会提到说, 那个谱半径的属性依然是最大的那个特征值没错, 而且这个特征还会带着一个不是负数的特征向量在一起。
不过需要注意的是, 在这个情况里边的话, 特征向量它的正的性质和那个特征值的重复次数这样的情况的话, 可能就没有正矩阵里面那么整齐划一和规范统一了。
最极端的例子是零矩阵这一种情况, 在这种情况里, 所有的特征值都变成了零, 每一个非零的向量都能成为它的特征向量, 谱结构完全出现了退化的现象, 这也说明了如果非负矩阵想要去分享正矩阵所拥有的那些优良性质的话, 就必须对其结构来施加额外的限制条件才行。
佛罗贝尼乌斯与不可约矩阵推广
在1912年的时候, 有个叫佛罗贝尼乌斯的人, 他全名叫费迪南德·格奥尔格·弗罗贝尼乌斯, 生在1849年, 死在1917年。这个人也是德国的同胞, 跟佩隆一样都是来自德国。他还是一个老资格的数学家。
他把那个定理给推广了, 推广的范围到了那些被称为“不可约”的非负矩阵那里。那什么叫作可约呢? 意思就是指你要把行列重新排一下, 然后在左下角的那个位置会出现一块全是零的东西。而且这个只包含零的块, 它的行数加上列数, 这个总数得等于原来整个方阵所具有的阶数。
不可约矩阵成功继承了正矩阵的核心性质, 这些核心性质包括谱半径对应一维特征子空间, 佩隆向量处处为正, 以及谱半径作为特征多项式根为单根, 但是这一事实的标准教科书中的证明过程却异常繁琐, 甚至需要借助其他学科的相关概念。
双随机矩阵与谷歌矩阵
排列矩阵是大家都能直接想到的双随机矩阵里最好的例子, 非常容易就能判断出对不对, 并且把这些排序矩阵按照不同的比例放在一起加起来得到的凸组合, 依然是双随机矩阵。
这一点让人特别高兴, 因为它引出了反向的问题, 也就是说, 所有相同阶数的双随机矩阵加起来构成的那个凸集的最极端的点, 正好就是这些相同阶数的排列矩阵。
谷歌公司在早期定义了网页排序向量, 这个被称为“谷歌矩阵”的东西, 它本质上是一类加权的随机非负矩阵, 关于它的排序原理以及相关科普文章可以在m.hyjdxg.com上找到这件事, 这也解释了为什么非负矩阵理论会悄然的改变数字世界。
乌拉姆与遍历理论的遗产
波兰裔的美国数学家, 乌拉姆, 他的本名是斯坦利斯拉夫·乌拉姆, 他在1909年出生, 到1984年逝世。他出版了一本叫做《数学问题集》的书, 这本书是在1960年出版的。
在这本书里面, 他把那种无穷维的正算子取名为“佛罗贝尼乌斯-佩隆算子”。并且他提出了一个方法, 这个方法是用来把这个算子用保结构的非负矩阵来加以近似处理的, 这个办法是他提出的第一个数值方法。
这篇文章的作者受到了这个指引, 从而完成了自己的博士论文, 之后就在这计算遍历理论这个小专业的领域里辛辛苦苦地工作了三十多年都没有间断过。从佩隆一直到谷歌, 这一条跨越了一百年的数学线索到现在还在持续影响着那些关于非线性科学以及数据科学的最基础、最深层的逻辑结构, 这一点是非常明显的。
您觉得在非负矩阵理论方面, 下一个能够大规模推广开来的应用领域, 会具体出现在人工智能这个方向上, 还是会出现在量子计算这个方向上? 欢迎在评论区的地方留下你自己的看法, 同时也不要去忘记了进行点赞操作, 并且还要把这个内容转发给那些对于数学和科学技术这两个领域的交叉部分有兴趣的朋友。
