[论文解读] How to Calculate the Exponential of Matrices

Kazuyuki Fujii, Hiroshi Ôike|arXiv (Cornell University)|Apr 17, 2006

Quantum Computing Algorithms and Architecture参考文献 9被引用 9

一句话总结

本文提出了一种计算高效的显式方法，用于计算任意复 $n \times n$ 矩阵 $A$ 的矩阵指数 $͚^A$，通过将问题简化为计算与 $A$ 特征多项式相关的友矩阵 $L$ 的指数，该友矩阵可对角化或通过若尔当代数形式处理。关键结果是基于 $A$ 的特征值，给出了 $͚^A$ 的闭式公式，即使对于大矩阵也能实现精确且稳定的数值计算。

ABSTRACT

How to calculate the exponential of matrices in an explicit manner is one of fundamental problems in almost all subjects in Science. Especially in Mathematical Physics or Quantum Optics many problems are reduced to this calculation by making use of some approximations whether they are appropriate or not. However, it is in general not easy. In this paper we give a very useful formula which is both elementary and getting on with computer.

研究动机与目标

• 解决长期以来在任意复矩阵上以显式且计算可行的方式计算矩阵指数 $\mathrm{e}^A$ 的挑战。
• 克服标准对角化方法的局限性，因为当 $n$ 较大时，计算特征向量及其逆矩阵变得不切实际。
• 开发一种在特征值简并或近乎简并时仍保持鲁棒性的方法。
• 提供一个系统框架，用于基于特征值公式计算 $\mathrm{e}^{tA}$ 和更一般的矩阵函数 $F(A)$。
• 支持量子计算与量子光学中的应用，其中矩阵指数无处不在，但难以显式计算。

提出的方法

• 通过恒等式 $\mathrm{e}^A = (E, A, A^2, \dots, A^{n-1}) \mathrm{e}^L \mathbf{e}_1$，将 $\mathrm{e}^A$ 的计算归约为计算 $\mathrm{e}^L$，其中 $L$ 是与 $A$ 的特征多项式相关的友矩阵。
• 利用凯莱-哈密顿定理，将 $A^m$ 表示为 $E, A, \dots, A^{n-1}$ 的线性组合，确保指数级数截断为有限和。
• 当特征值互异时，通过从多项式系数导出的特征向量对友矩阵 $L$ 进行对角化。
• 通过若尔当代数形式处理简并特征值，确保该方法在所有情况下均有效。
• 利用留数或特征值的对称函数推导 $͚^A$ 的闭式公式，避免矩阵求逆。
• 将该方法推广至计算任意整函数 $F$ 的 $͚^{tA}$ 和 $F(A)$，使用统一的基于特征值的表达式。

实验结果

研究问题

• RQ1 如何在不依赖完整对角化的情况下，显式且高效地计算任意 $n \times n$ 矩阵的矩阵指数 $\mathrm{e}^A$？
• RQ2 当矩阵 $A$ 不可对角化或具有重复特征值时，是否存在一种数值稳定且代数显式的计算 $\mathrm{e}^A$ 的方法？
• RQ3 能否仅用 $A$ 的特征值表达矩阵指数，而无需计算特征向量及其逆矩阵？
• RQ4 该方法如何统一扩展以计算 $͚^{tA}$ 和更一般的矩阵函数 $F(A)$？
• RQ5 是否存在一种系统性方法，可在单一计算框架内同时处理互异和简并的特征值？

主要发现

• 矩阵指数 $͚^A$ 可表示为 $͚^A = (E, A, A^2, \dots, A^{n-1}) \mathrm{e}^L \mathbf{e}_1$，其中 $L$ 是 $A$ 的友矩阵，从而将问题简化为计算 $͚^L$。
• 当特征值 $\alpha_1, \dots, \alpha_n$ 互异时，$͚^A$ 的公式显式给出为 $f_l = (-1)^{n+1} \sum_{k=1}^n \frac{(p_{n-l-1})_k \mathrm{e}^{\alpha_k}}{\prod_{j \neq k} (\alpha_j - \alpha_k)}$（$0 \leq l \leq n-1$），其中 $p_i$ 为特征多项式的系数。
• 该方法通过若尔当代数形式平滑处理简并特征值，且当 $\beta \to \alpha$ 时，互异特征值公式的极限可正确恢复重复特征值的结果。
• $͚^{tA}$ 的公式通过将表达式中的 $͚^{\alpha_k}$ 替换为 $͚^{t\alpha_k}$ 获得，从而支持时间演化计算。
• 该方法可推广至任意整函数 $F(A)$，其中 $F(A) = \sum_{l=0}^{n-1} f_l A^l$，且系数 $f_l$ 由 $F(\alpha_k)$ 和多项式留数的对称和给出。
• 该方法避免了对特征向量矩阵 $U$ 的逆矩阵 $U^{-1}$ 的计算，因此在 $n$ 较大时相比标准对角化更具计算优势。