След квадратной матрицы — это одна из самых простых для вычисления, но при этом фундаментальных числовых характеристик в линейной алгебре. Определяемый просто как сумма элементов, расположенных на главной диагонали, след скрывает в себе глубочайший алгебраический и геометрический смысл. В отличие от многих других матричных операций (например, вычисления определителя), след является строгим линейным функционалом, что делает его невероятно удобным инструментом в функциональном анализе, матричном дифференцировании и квантовой механике. Изучение свойств следа позволяет без вычисления самих собственных значений оценивать их алгебраическую сумму, анализировать свойства подобия операторов и формулировать законы сохранения физических систем.

Обычно возведение матрицы в квадрат или куб кардинально изменяет ее элементы и структуру, приводя к росту или затуханию значений. Однако в линейной алгебре существуют два удивительных класса матриц, которые ведут себя при возведении в степень парадоксальным образом. Идемпотентные матрицы, единожды возведенные в квадрат, остаются абсолютно неизменными. Нильпотентные матрицы, напротив, при возведении в некоторую степень полностью и бесследно уничтожаются, превращаясь в матрицу, состоящую из одних нулей. Изучение этих алгебраических аномалий имеет колоссальное значение, так как они описывают глубокие геометрические свойства пространства: идеальные проекции и процессы, которые гарантированно завершаются за конечное число шагов.

Когда квантовая механика столкнулась со специальной теорией относительности Эйнштейна, физики осознали, что обычных комплексных чисел и скалярных уравнений недостаточно для описания реальности. Элементарные частицы, такие как электроны, обладают внутренним моментом импульса — спином. Спин невозможно описать как простое вращение шарика вокруг своей оси. Оказалось, что для математического описания спина и релятивистских квантовых явлений необходимо использовать сложные матричные структуры, образующие особые некоммутативные алгебры. Введение матриц Паули и матриц Дирака навсегда связало фундаментальную физику с продвинутой линейной алгеброй, открыв путь к пониманию антиматерии и квантовой хромодинамики.

В классическом машинном обучении линейные классификаторы (такие как логистическая регрессия или перцептрон) пытаются разделить данные с помощью прямой линии или плоской гиперплоскости. Однако реальные данные редко бывают линейно разделимыми: чаще всего они образуют сложнейшие переплетенные кластеры. Чтобы решить эту проблему, инженеры применяют хитрость: они проецируют данные в пространство гораздо большей размерности, где они «распутываются» и легко разделяются плоскостью. Вычисление координат в новых пространствах потребовало бы невозможных вычислительных мощностей, если бы не «ядровой трюк» (Kernel Trick). Этот математический прием, опирающийся на теорию билинейных форм и матриц Грама, позволяет обучать мощнейшие нелинейные модели с вычислительной стоимостью обычных линейных систем.