Случайные матрицы

Случайная матрица — это матрица, элементы которой являются случайными величинами, распределёнными по некоторому вероятностному закону. Теория случайных матриц (ТСМ) — раздел математики и математической физики, изучающий статистические свойства собственных чисел и собственных векторов таких матриц. В отличие от классической теории матриц, где элементы заданы детерминированно, в ТСМ рассматриваются ансамбли матриц — множества матриц с заданной симметрией и вероятностным распределением элементов. Основные результаты теории касаются предельных распределений собственных значений (спектра), их корреляций и флуктуаций, а также универсальности этих законов для широкого класса ансамблей.

История

Ранние работы

Первые исследования случайных матриц относятся к 1920-м годам, когда Джон Уишарт в 1928 году вывел распределение для выборочных ковариационных матриц (распределение Уишарта). Однако систематическое развитие теории началось в 1950-х годах в связи с задачами ядерной физики. В 1955 году Юджин Вигнер предложил использовать случайные матрицы для описания спектров тяжёлых атомных ядер. Он заметил, что уровни энергии сложных ядер (например, урана) демонстрируют характерное отталкивание, которое не описывается простыми пуассоновскими моделями. Вигнер ввёл гауссовы ансамбли случайных матриц и вывел полукруговой закон для распределения собственных значений.

Развитие в 1960–1980-х годах

В 1960-х годах Фримен Дайсон разработал трёхчленную классификацию ансамблей (Gaussian Orthogonal Ensemble, Gaussian Unitary Ensemble, Gaussian Symplectic Ensemble), связав их с симметриями гамильтонианов. В 1970-х годах Мадху Лал Мехта и другие исследователи создали аппарат корреляционных функций и методов ортогональных полиномов для точного анализа. В 1980-х годах были открыты связи с квантовым хаосом: Майкл Берри и другие показали, что спектры квантово-хаотических систем описываются теми же статистическими законами, что и случайные матрицы.

Современный этап

С 1990-х годов теория случайных матриц проникла в комбинаторику (задача о случайных перестановках, модель «шести вершин»), теорию чисел (распределение нулей дзета-функции Римана), финансовую математику (корреляционные матрицы доходностей активов), нейробиологию и машинное обучение. В 2020-х годах активно развиваются методы ТСМ для анализа больших нейросетей и случайных тензоров.

Основные ансамбли случайных матриц

Гауссовы ансамбли

Наиболее изученные ансамбли — гауссовы, где элементы матрицы независимы и имеют нормальное распределение. Различают три основных типа в зависимости от симметрии:

• Gaussian Orthogonal Ensemble (GOE) — симметричные вещественные матрицы. Диагональные элементы распределены как N(0,2), внедиагональные — как N(0,1). Инвариантен относительно ортогональных преобразований.
• Gaussian Unitary Ensemble (GUE) — эрмитовы комплексные матрицы. Диагональные элементы — вещественные N(0,1), внедиагональные — комплексные с независимыми вещественной и мнимой частями N(0,1/2). Инвариантен относительно унитарных преобразований.
• Gaussian Symplectic Ensemble (GSE) — самосопряжённые кватернионные матрицы. Инвариантен относительно симплектических преобразований.

Для всех гауссовых ансамблей совместная плотность распределения собственных значений имеет вид:

\[ P(\lambda_1, \dots, \lambda_N) = C \cdot \exp\left(-\beta \sum_{i=1}^N \lambda_i^2\right) \prod_{i<j} |\lambda_i - \lambda_j|^\beta, \]

где \(\beta = 1, 2, 4\) для GOE, GUE и GSE соответственно.

Другие ансамбли

• Ансамбль Вишарта — матрицы вида \(X^T X\), где \(X\) — прямоугольная случайная матрица с независимыми гауссовыми элементами. Используется в многомерной статистике.
• Ансамбль Марченко — Пастура — выборочные ковариационные матрицы с некоррелированными элементами. Описывает распределение собственных значений для больших выборок.
• Круговые ансамбли — унитарные матрицы с равномерным распределением на группе (circular unitary ensemble, CUE). Применяются в квантовом хаосе и теории чисел.
• Ансамбли с разреженными матрицами — матрицы с большим числом нулевых элементов (например, случайные графы). Исследуются в теории сетей и машинном обучении.

Спектральные свойства

Полукруговой закон Вигнера

Для гауссовых ансамблей в пределе \(N \to \infty\) плотность собственных значений стремится к полукруговому закону:

\[ \rho(\lambda) = \frac{1}{2\pi} \sqrt{4 - \lambda^2}, \quad |\lambda| \le 2, \]

и \(\rho(\lambda) = 0\) вне этого интервала. Это один из центральных результатов ТСМ, демонстрирующий универсальность: закон не зависит от деталей распределения элементов, если его моменты конечны.

Закон Марченко — Пастура

Для выборочных ковариационных матриц вида \(C = \frac{1}{n} X X^T\), где \(X\) — матрица \(p \times n\) с независимыми элементами, при \(p, n \to \infty\) и \(p/n \to \gamma\) плотность собственных значений описывается законом Марченко — Пастура:

\[ \rho(\lambda) = \frac{1}{2\pi \gamma \lambda} \sqrt{(b - \lambda)(\lambda - a)}, \quad a \le \lambda \le b, \]

где \(a = (1 - \sqrt{\gamma})^2\), \(b = (1 + \sqrt{\gamma})^2\). Этот закон широко используется в финансовой эконометрике для анализа корреляционных матриц.

Корреляции собственных значений

Важным свойством спектров случайных матриц является отталкивание уровней: вероятность малого расстояния между соседними собственными значениями стремится к нулю как \(s^\beta\) (для GOE — линейно, для GUE — квадратично, для GSE — как \(s^4\)). Распределение промежутков между соседними уровнями (Wigner surmise) для GOE аппроксимируется формулой:

\[ P(s) \approx \frac{\pi s}{2} \exp\left(-\frac{\pi s^2}{4}\right). \]

Применения

Ядерная физика

ТСМ была создана для описания спектров сложных атомных ядер. Флуктуации уровней энергии тяжёлых ядер (например, \(^{238}\text{U}\)) хорошо согласуются с предсказаниями GOE. Это подтверждает гипотезу о том, что гамильтонианы таких систем можно моделировать случайными матрицами.

Квантовый хаос

В квантовой механике спектры систем, классические аналоги которых хаотичны, демонстрируют статистику, совпадающую с ТСМ. Для систем с сохраняющейся симметрией (например, чётность) используется GOE, для систем без симметрии — GUE. Это явление называется «универсальность спектральных флуктуаций».

Теория чисел

В 1970-х годах Хью Монтгомери и Фримен Дайсон обнаружили, что распределение расстояний между нетривиальными нулями дзета-функции Римана совпадает с распределением собственных значений GUE. Это привело к гипотезе о связи ТСМ с гипотезой Римана.

Финансовая математика

Корреляционные матрицы доходностей акций на фондовом рынке часто содержат шум, который можно описать с помощью ансамбля Марченко — Пастура. Сравнение эмпирических спектров с теоретическими позволяет выделить значимые экономические факторы (например, отраслевые группы).

Машинное обучение

В теории случайных матриц используются для анализа обобщающей способности нейронных сетей, оценки спектров матриц весов и изучения фазовых переходов в обучении. В частности, распределение собственных значений матрицы Гессе вблизи минимума функции потерь часто описывается ТСМ.

Нейробиология

Случайные матрицы применяются для анализа корреляций активности нейронов. Спектры матриц связей в нейронных сетях могут указывать на наличие структуры (например, сообществ) или хаотического поведения.

Критика и ограничения

Теория случайных матриц предполагает, что элементы матрицы статистически независимы и имеют одинаковое распределение. В реальных системах (например, в финансовых данных или нейросетях) эти условия часто нарушаются: присутствуют корреляции, тяжёлые хвосты распределений, нестационарность. Кроме того, ТСМ даёт асимптотические результаты, которые могут быть неточны для малых размеров матриц. В некоторых приложениях (например, в квантовой хромодинамике) требуется учёт дополнительных симметрий, не входящих в стандартную классификацию Дайсона.

Интересные факты

• Юджин Вигнер ввёл случайные матрицы, работая над ядерным реактором в Чикаго в 1940-х годах. Первоначально его коллеги отнеслись к идее скептически.
• Распределение Вигнера (Wigner surmise) для промежутков между уровнями было получено им как приближение, но позже оказалось точным для \(2 \times 2\) матриц.
• Связь между нулями дзета-функции Римана и GUE была обнаружена случайно: Дайсон, услышав доклад Монтгомери, сразу узнал распределение собственных значений.

Источники

• Mehta, M. L. (2004). Random Matrices (3rd ed.). Elsevier.
• Wigner, E. P. (1955). Characteristic Vectors of Bordered Matrices with Infinite Dimensions. Annals of Mathematics, 62(3), 548–564.
• Dyson, F. J. (1962). Statistical Theory of the Energy Levels of Complex Systems. Journal of Mathematical Physics, 3(1), 140–156.
• Marchenko, V. A., & Pastur, L. A. (1967). Distribution of eigenvalues for some sets of random matrices. Matematicheskii Sbornik, 114(4), 507–536.
• Montgomery, H. L. (1973). The pair correlation of zeros of the zeta function. Analytic Number Theory, 24, 181–193.
• Bai, Z. D., & Silverstein, J. W. (2010). Spectral Analysis of Large Dimensional Random Matrices (2nd ed.). Springer.