[논문 리뷰] Optimal Lower Bound on Eigenvector Overlaps for non-Hermitian Random Matrices

Giorgio Cipolloni, László Erdős외 2명|arXiv (Cornell University)|2023. 01. 09.

Spectral Theory in Mathematical Physics인용 수 3

한 줄 요약

이 논문은 i.i.d. 노이즈를 가진 비에르미트 랜덤 행렬에 대해 순서 N의 최적 하한을 대각 고유벡터 오버랩에 대해 확립하며, 특이벡터가 본질적으로 열적 평형 상태에 도달함을 보이며 수렴 속도가 최적의 N⁻¹/²임을 입증한다. 이 결과는 비에르미트 시스템으로의 고유상태 열적 평형 가설의 확장을 제공하고, 기존 진니브르 집합 이외의 영역에서 고유값 조건수에 대한 최초의 최적 하한을 제시하여 오랫동안 남아있던 격차를 해소한다.

ABSTRACT

We consider large non-Hermitian $N imes N$ matrices with an additive independent, identically distributed (i.i.d.) noise for each matrix elements. We show that already a small noise of variance $1/N$ completely thermalises the bulk singular vectors, in particular they satisfy the strong form of Quantum Unique Ergodicity (QUE) with an optimal speed of convergence. In physics terms, we thus extend the Eigenstate Thermalisation Hypothesis, formulated originally by [Deutsch 1991] and proven for Wigner matrices in [Cipolloni, Erdős, Schröder 2020], to arbitrary non-Hermitian matrices with an i.i.d. noise. As a consequence we obtain an optimal lower bound on the diagonal overlaps of the corresponding non-Hermitian eigenvectors. This quantity, also known as the (square of the) eigenvalue condition number measuring the sensitivity of the eigenvalue to small perturbations, has notoriously escaped rigorous treatment beyond the explicitly computable Ginibre ensemble apart from the very recent upper bounds given in [arXiv:2005.08930] and [arXiv:2005.08908]. As a key tool, we develop a new systematic decomposition of general observables in random matrix theory that governs the size of products of resolvents with deterministic matrices in between.

연구 동기 및 목표

• i.i.d. 노이즈를 가진 비에르미트 랜덤 행렬에 대해 대각 고유벡터 오버랩 Oii에 대한 최적 하한을 확립하기.
• 특이벡터에 대해 강한 양자 유일에르고디시티(QUE)를 증명함으로써 고유상태 열적 평형 가설(ETH)을 비에르미트 행렬로 확장하기.
• 기존 진니브르 집합 이외의 영역에서 고유값 조건수를 엄밀하게 경계하는 데 오랫동안 남아있던 과제를 해결하기.
• 일반 관측량의 새로운 분해를 개발하여, 결정론적 행렬을 사이에 두고 있는 리졸베ント의 곱을 제어하는 데 기여하기.
• 작은 i.i.d. 노이즈(분산 1/N)가 존재하더라도 고유벡터가 √N 순서로 변형에 민감하게 반응함을 보이며, 수치선형대수에서의 무작위 스무딩의 효과를 제한함을 보여주기.

제안 방법

• 일반 관측량의 새로운 분해를 도입하여, 서로 다른 스펙트럴 매개변수에서 허미트화된 리졸베ント의 상관관계를 전체 행렬로 식별하기.
• 이 분해를 통해 결정론적 행렬을 사이에 두고 있는 리졸베ント의 곱을 제어함으로써 특이벡터 상관관계의 정밀한 분석이 가능해지게 한다.
• Λ + X의 특이벡터에 대해 최적의 N⁻¹/² 수렴 속도를 가진 강력한 양자 유일에르고디시티(QUE)의 형태를 증명하며, 매우 높은 확률로 성립함을 보장한다.
• 핵심 관계를 활용하여 특이벡터에서 고유벡터로의 전이 원리를 수립한다: 만약 µ가 고유값이라면, ker(Λ + X − µ)에 속하는 벡터는 고유벡터이자 특이값 0을 가진 특이벡터이다.
• 등방성 국소 법칙과 리졸베ント 항등식을 적용하여 리졸베ント 전개에서의 오차 항을 추정하며, 특히 G1 − M1 및 G2 − M2 항에 중점을 둔다.
• 적분 표현과 Eσ 및 Φσ 항을 포함한 오차 항에 대한 정밀한 추정을 통해 리졸베ント 전개에서의 편차 크기를 제어하고, 최적의 오차 경계를 확보한다.

실험 결과

연구 질문

• RQ1 i.i.d. 노이즈를 가진 비에르미트 랜덤 행렬에 대해 대각 고유벡터 오버랩 Oii에 대한 최적 하한은 무엇인가?
• RQ2 고유상태 열적 평형 가설은 비에르미트 행렬로 확장될 수 있으며, 만약 그렇다면 어떤 형태로 이루어지는가?
• RQ3 작은 i.i.d. 노이즈가 고유값에 대한 민감도에 미치는 영향은 무엇인가? 이는 고유값 조건수로 측정된다.
• RQ4 랜덤 행렬 이론에서 관측량에 대한 체계적인 분해를 개발하여, 결정론적 행렬을 사이에 두고 있는 리졸베ント의 곱을 제어할 수 있는가?
• RQ5 무작위 스무딩은 고유값 조건수를 얼마나 줄일 수 있으며, 이 줄임에 대한 본질적인 한계는 무엇인가?

주요 결과

• 대각 고유벡터 오버랩 Oii는 매우 높은 확률로 N에 비례하는 상수배의 하한을 가지며, 진니브르 집합 이외의 영역에서 최초로 최적 하한을 확립한다.
• Λ + X의 특이벡터는 본질적으로 열적 평형 상태에 도달하며, 최적 수렴 속도 N⁻¹/²를 가진 강력한 양자 유일에르고디시티(QUE)를 만족한다.
• 최악의 경우의 외란 조건 하에서도 고유값 조건수 √Oii는 여전히 √N 순서를 유지하며, 이는 수치적 안정성에서의 무작위 스무딩의 본질적 한계를 시사한다.
• 이 논문은 결정론적 행렬을 사이에 두고 있는 리졸베ント의 곱의 크기를 제어하는 새로운 체계적 관측량 분해를 개발하여 특이벡터 상관관계의 제어를 가능하게 한다.
• 핵심 대응 관계를 통해 특이벡터의 열적 평형이 고유벡터로 전이되며, 이로 인해 특이벡터 통계량으로부터 고유벡터 오버랩 경계를 유도할 수 있다.
• 리졸베ント 전개의 오차 분석은 최적의 경계를 확보하며, 모든 오차 항이 O≺(N⁻¹/²) 수준에서 제어됨을 확인하여 주요 결과의 날카로움을 입증한다.