Теорема Куранта-Фишера: минимаксный принцип для собственных значений

Традиционно собственные значения матриц определяются как корни характеристического многочлена, получаемого из определителя. Этот алгебраический подход идеален для теории, но совершенно бесполезен при решении практических оптимизационных задач, где матрица описывает физическую систему (например, напряжения в балке или квантовые уровни энергии). Немецкий математик Рихард Курант и немецко-американский алгебраист Эрнст Фишер разработали революционный подход, который позволяет вычислять собственные значения симметричных матриц не через решение алгебраических уравнений, а через поиск максимумов и минимумов геометрических функций. Их Минимаксная теорема (Теорема Куранта-Фишера) установила глубочайшую связь между теорией операторов, геометрией подпространств и вариационным исчислением.

Отношение Рэлея: энергия физической системы

Фундаментом минимаксного принципа служит так называемое отношение Рэлея (Rayleigh quotient). Для симметричной матрицы A и любого ненулевого вектора x отношение Рэлея вычисляется как R(x) = (x^T * A * x) / (x^T * x). Физический смысл этой дроби колоссален: в механике она выражает отношение потенциальной энергии системы к ее кинетической энергии (или квадрат частоты колебаний). Главное свойство отношения Рэлея заключается в том, что если мы подставим в него собственный вектор матрицы A, то дробь в точности будет равна соответствующему собственному значению. Если же вектор не является собственным, значение дроби покажет некое «усредненное» собственное значение в заданном направлении. Отношение Рэлея служит идеальным математическим компасом для поиска спектра.

Формулировка минимаксного принципа

Теорема Куранта-Фишера дает точную формулу для нахождения абсолютно любого k-го собственного значения (если отсортировать их по убыванию от максимального к минимальному) без знания других собственных значений. Теорема гласит: чтобы найти k-е собственное значение, необходимо рассмотреть все возможные линейные подпространства размерности k. В каждом таком подпространстве мы ищем минимальное значение отношения Рэлея. Затем среди всех этих минимумов мы находим один глобальный максимум по всем возможным подпространствам. Этот «максимум из минимумов» (max-min) строго равен k-му собственному значению. Существует и зеркальная формулировка (min-max), работающая при сортировке по возрастанию. Это означает, что спектр матрицы полностью зашифрован в топологии подпространств.

Теорема Коши о перемежаемости спектров (Interlacing)

Из минимаксного принципа Куранта-Фишера мгновенно выводится одна из самых красивых теорем геометрии — Теорема Коши о перемежаемости спектров (Cauchy interlacing theorem). Если взять симметричную матрицу A размера n на n и вычеркнуть из нее последнюю строку и последний столбец, мы получим подматрицу B размера (n-1) на (n-1). Как связаны их спектры? Теорема утверждает, что собственные значения подматрицы B строго чередуются (перемежаются) с собственными значениями исходной матрицы A. Между первым и вторым собственным значением A гарантированно лежит первое собственное значение B, и так далее. Геометрически вычеркивание строки и столбца эквивалентно ортогональному проецированию системы на гиперплоскость, и теорема описывает, как это проецирование «сжимает» спектральный диапазон оператора.

Вариационный метод в квантовой химии и PCA

Теорема Куранта-Фишера — это не просто абстрактная алгебра, а главный вычислительный инструмент квантовой механики (Метод Ритца). Уравнение Шрёдингера для сложных молекул невозможно решить аналитически. Физики используют минимаксный принцип: они берут пробные волновые функции (векторы x), содержащие параметры, и минимизируют отношение Рэлея с помощью компьютеров. Минимальное найденное значение дает надежную оценку энергии основного квантового состояния молекулы. В машинном обучении (Метод Главных Компонент, PCA) именно теорема Куранта-Фишера строго математически доказывает, что проекция данных на собственный вектор, соответствующий максимальному собственному значению ковариационной матрицы, действительно максимизирует дисперсию (разброс) данных, сохраняя максимум полезной информации.

Оценить