Среди всех разреженных матриц линейной алгебры существует класс с абсолютно исключительной и элегантной структурой — трехдиагональные матрицы. У этих матриц ненулевые элементы располагаются исключительно на главной диагонали и на двух соседних побочных диагоналях (чуть выше и чуть ниже главной), образуя узкую ленту. Вне этой ленты стоят строгие нули. Трехдиагональные матрицы возникают повсеместно: при численном решении дифференциальных уравнений методом конечных разностей (например, уравнения теплопроводности для одномерного стержня), в квантовой механике (одномерные решетки) и в алгоритмах Ланцоша. Изучение их алгебраических свойств раскрывает удивительную связь между матрицами и классической теорией ортогональных многочленов (полиномов).

Определитель матрицы известен каждому студенту, изучающему линейную алгебру. Его формула представляет собой сумму всевозможных произведений n элементов матрицы, взятых по одному из каждой строки и каждого столбца, где перед каждым произведением ставится знак плюс или минус в зависимости от четности перестановки. Но что произойдет, если мы уберем из этой формулы все минусы и просто сложим все эти произведения со знаком плюс? Мы получим алгебраическую функцию, которая называется Перманентом матрицы (Permanent). На первый взгляд, перманент выглядит как более простая и естественная версия определителя, однако за обманчивой простотой скрывается одна из величайших вычислительных проблем тысячелетия, стоящая на стыке линейной алгебры, комбинаторики и квантовой механики.

Взрывной рост искусственного интеллекта в 2010-х годах произошел не благодаря изобретению принципиально новых алгоритмов, а благодаря осознанию того, что обучение нейросетей — это гигантская задача вычислительной линейной алгебры, которую можно идеально распараллелить на графических процессорах (GPU). В современном Глубоком Обучении (Deep Learning) все данные, от цветных пикселей фотографий до словесных токенов в языковых моделях (LLM), представляются в виде тензоров (многомерных матриц). Архитектура нейросетей, слои свертки, механизмы внимания и алгоритмы оптимизации градиентов полностью построены на операциях матричного умножения. Понимание алгебраической механики этих процессов является ключевым навыком для ИИ-инженеров.