Статистика случайных матриц

Статистика случайных матриц — это раздел математики и математической физики, изучающий спектральные свойства ансамблей матриц, элементы которых заданы случайным образом. В отличие от классической теории вероятностей, где объектом исследования являются случайные величины и их распределения, статистика случайных матриц фокусируется на статистических закономерностях, возникающих в больших матрицах: распределении собственных значений, собственных векторов, сингулярных чисел и других характеристик. Основополагающий результат — закон полукруга Вигнера, описывающий предельную плотность собственных значений для симметричных случайных матриц с независимыми элементами. Статистика случайных матриц находит применение в ядерной физике, квантовой механике, теории чисел, теории хаоса, беспроводной связи, машинном обучении и финансовой математике.

История

Ранние работы

Первые идеи, связанные с использованием случайных матриц для описания физических систем, появились в 1920-х годах в работах Германа Вейля и Эрнста Хеллингера, изучавших спектры операторов. Однако систематическое развитие статистики случайных матриц началось в 1950-х годах. В 1951 году американский физик Юджин Вигнер предложил использовать случайные матрицы для моделирования спектров тяжелых атомных ядер. Он показал, что распределение расстояний между соседними энергетическими уровнями в сложных ядрах подчиняется закону, отличному от пуассоновского, и соответствует распределению Вигнера — для гауссовых ортогональных ансамблей. В 1955 году Вигнер сформулировал закон полукруга, который описывает предельную плотность собственных значений для симметричных случайных матриц с независимыми элементами при стремлении размера матрицы к бесконечности.

Развитие в 1960–1980-х годах

В 1960-х годах Фримен Дайсон ввел три основных ансамбля случайных матриц — гауссов ортогональный (GOE), гауссов унитарный (GUE) и гауссов симплектический (GSE) — соответствующие разным симметриям гамильтонианов. Дайсон также разработал метод «броуновского движения» для изучения эволюции собственных значений. В 1970-х годах Майкл Берри и Марк Табор связали статистику случайных матриц с квантовым хаосом, показав, что спектры квантовых систем, классические аналоги которых хаотичны, демонстрируют флуктуации, характерные для GUE. В 1980-х годах Перси Диаконис и Дэвид Фридман применили методы случайных матриц к статистике, а Томас Спенсер и Жан-Жак Бенедетти — к теории чисел, установив связь с распределением нулей дзета-функции Римана.

Современный этап

С 1990-х годов статистика случайных матриц стала активно развиваться как самостоятельная область математики. Владимир Трофимов и Александр Сосинский внесли вклад в теорию ансамблей с произвольными распределениями. В 2000-х годах Ален Борд и Ги Монтгомери обнаружили, что распределение расстояний между нетривиальными нулями дзета-функции Римана совпадает с распределением для GUE. В 2010-х годах методы случайных матриц проникли в машинное обучение (анализ нейронных сетей, случайные проекции) и обработку сигналов (беспроводная связь, MIMO-системы). В России значительный вклад в развитие статистики случайных матриц внесли Михаил Громов (геометрические аспекты), Сергей Козлов (спектральная теория) и Алексей Бородин (корреляционные функции).

Основные понятия и классификация

Ансамбли случайных матриц

Центральным объектом статистики случайных матриц является ансамбль — множество матриц фиксированного размера, элементы которых распределены по некоторому вероятностному закону. Основные типы ансамблей:

• Гауссов ортогональный ансамбль (GOE, Gaussian Orthogonal Ensemble) — симметричные матрицы, элементы которых независимы (за исключением симметрии) и имеют нормальное распределение. GOE инвариантен относительно ортогональных преобразований. Применяется для систем с симметрией относительно обращения времени.
• Гауссов унитарный ансамбль (GUE, Gaussian Unitary Ensemble) — эрмитовы матрицы с независимыми элементами, распределенными по нормальному закону. GUE инвариантен относительно унитарных преобразований. Используется для систем без симметрии относительно обращения времени.
• Гауссов симплектический ансамбль (GSE, Gaussian Symplectic Ensemble) — самосопряженные матрицы с кватернионными элементами, инвариантные относительно симплектических преобразований. Применяется для систем с сильной спин-орбитальной связью.
• Ансамбли Уишарта (Wishart Ensemble) — матрицы вида \(X^T X\), где \(X\) — прямоугольная матрица с независимыми нормальными элементами. Используются в многомерной статистике и анализе данных.
• Ансамбли с произвольным распределением — матрицы, элементы которых имеют не обязательно нормальное, но независимое распределение (например, с равномерным или с тяжелыми хвостами). Изучаются в рамках теории больших отклонений.

Спектральные характеристики

Основные статистические характеристики случайных матриц:

• Плотность собственных значений — функция \( \rho(\lambda) \), описывающая распределение собственных значений в пределе бесконечного размера матрицы. Для GOE и GUE в пределе получается закон полукруга Вигнера: \( \rho(\lambda) = \frac{1}{2\pi} \sqrt{4 - \lambda^2} \) для \(|\lambda| \leq 2\).
• Распределение расстояний между соседними уровнями — для GOE, GUE и GSE оно подчиняется распределению Вигнера — Дайсона: \( P(s) \propto s^\beta e^{-c s^2} \), где \( \beta = 1, 2, 4 \) соответственно. Это распределение характеризуется отталкиванием уровней (вероятность малых расстояний стремится к нулю).
• Корреляционные функции — описывают статистическую связь между собственными значениями. Для GUE известна точная формула для \(k\)-точечных корреляционных функций, выражающаяся через детерминанты ядра синуса.
• Флуктуации числа уровней — дисперсия числа собственных значений в интервале растет логарифмически с шириной интервала, что характерно для ансамблей с отталкиванием уровней.

Универсальность

Одно из ключевых свойств статистики случайных матриц — универсальность: предельные распределения спектральных характеристик (например, распределение расстояний между уровнями) не зависят от деталей распределения элементов матрицы, а определяются только симметрией (ортогональной, унитарной или симплектической). Это свойство делает статистику случайных матриц мощным инструментом для описания широкого класса систем.

Применение

Ядерная физика

Статистика случайных матриц была впервые применена для описания спектров тяжелых атомных ядер. Спектры сложных ядер (например, урана-238) демонстрируют флуктуации, характерные для GOE, что подтверждает гипотезу Вигнера о хаотичности ядерных уровней. Это позволяет предсказывать распределение сечений ядерных реакций.

Квантовый хаос

В квантовой механике статистика случайных матриц используется для классификации квантовых систем: спектры систем, классические аналоги которых интегрируемы, подчиняются пуассоновской статистике (уровни независимы), а спектры хаотических систем — статистике Вигнера — Дайсона. Это наблюдение легло в основу квантовой теории хаоса, развитой Майклом Берри, Марком Табором и другими.

Теория чисел

Статистика случайных матриц оказалась тесно связана с распределением нулей дзета-функции Римана. В 1970-х годах Хью Монтгомери показал, что парные корреляции нетривиальных нулей дзета-функции совпадают с корреляциями для GUE. Это открытие привело к гипотезе, что нули дзета-функции ведут себя как собственные значения случайной эрмитовой матрицы. В 1990-х годах Ален Борд и Дэвид Фармер подтвердили это для высших корреляций.

Беспроводная связь и MIMO-системы

В телекоммуникациях статистика случайных матриц применяется для анализа пропускной способности многоканальных систем связи (MIMO — Multiple Input Multiple Output). Емкость MIMO-канала, где сигнал передается через несколько антенн, описывается распределением сингулярных чисел случайной матрицы канала. Используются ансамбли Уишарта и их обобщения.

Машинное обучение и обработка данных

В машинном обучении случайные матрицы используются для анализа нейронных сетей (спектры матриц весов, случайные проекции), для сжатия данных (случайные матрицы в качестве матриц проекций) и для оценки ковариационных матриц. Методы статистики случайных матриц позволяют оценивать шумовые уровни в данных и выделять сигнальные компоненты.

Финансовая математика

В финансах статистика случайных матриц применяется для анализа корреляционных матриц доходностей активов. Спектры эмпирических корреляционных матриц часто содержат шумовые компоненты, которые можно отделить с помощью предсказаний теории случайных матриц (например, с помощью распределения Марченко — Пастура). Это используется для построения оптимальных портфелей и управления рисками.

Интересные факты

• Закон полукруга Вигнера был открыт в 1955 году, но его строгое математическое доказательство было получено только в 1990-х годах.
• Распределение Вигнера — Дайсона для расстояний между уровнями имеет вид \(P(s) \propto s^\beta e^{-c s^2}\), где \(\beta\) — параметр, равный 1, 2 или 4. Для \(\beta=0\) (пуассоновская статистика) распределение было бы экспоненциальным.
• Гипотеза Римана о нулях дзета-функции имеет прямую связь со статистикой случайных матриц: если гипотеза верна, то нули должны подчиняться статистике GUE.
• В 2010 году Теренс Тао и Ван Ху доказали универсальность для широкого класса ансамблей с независимыми элементами, что стало важным прорывом в теории.
• В России статистика случайных матриц активно развивается в Математическом институте имени В. А. Стеклова РАН и на механико-математическом факультете МГУ имени М. В. Ломоносова.

Критика и ограничения

Несмотря на широкую применимость, статистика случайных матриц имеет ограничения. Во-первых, многие результаты получены в пределе бесконечного размера матрицы, и для конечных размеров возможны значительные отклонения. Во-вторых, предположение о независимости элементов матрицы часто не выполняется в реальных системах (например, в финансовых данных корреляции между активами не являются независимыми). В-третьих, универсальность справедлива не для всех распределений: для матриц с тяжелыми хвостами или с сильной зависимостью элементов предельные распределения могут отличаться. В-четвертых, применение к квантовым системам требует осторожности, так как реальные гамильтонианы могут иметь дополнительные симметрии, не учтенные в стандартных ансамблях.

Источники

• 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.
• Mehta, M. L. (2004). Random Matrices (3rd ed.). Elsevier.
• Anderson, G. W., Guionnet, A., & Zeitouni, O. (2010). An Introduction to Random Matrices. Cambridge University Press.
• Tao, T., & Vu, V. (2010). Random matrices: Universality of local eigenvalue statistics. Acta Mathematica, 206(1), 127–204.
• Forrester, P. J. (2010). Log-Gases and Random Matrices. Princeton University Press.
• Бородин, А. М. (2009). Случайные матрицы и их приложения. Успехи математических наук, 64(3), 3–64.