[论文解读] On the eigenvalues of certain number-theoretic matrices

Mika Mattila, Pentti Haukkanen|arXiv (Cornell University)|Sep 2, 2013

Advanced Mathematical Theories and Applications参考文献 7被引用 5

一句话总结

本文推导了 $ n \times n $ 矩阵特征值的界限，其元素为 $ (i,j)^\alpha [i,j]^\beta $，其中 $ (i,j) $ 和 $ [i,j] $ 分别为 $ i $ 与 $ j $ 的最大公约数与最小公倍数。通过涉及乔丹求积函数与关联矩阵的矩阵分解，作者建立了包含所有实特征值的区间，明确依赖于 $ n $、$ \alpha $、$ \beta $ 以及 $ |J_{\alpha-\beta}(i)| $ 的最大值，相较于以往的 $ O $-估计实现了显著改进。

ABSTRACT

In this paper we study the structure and give bounds for the eigenvalues of the $n imes n$ matrix, which $ij$ entry is $(i,j)^α[i,j]^β$, where $α,β\in\Rset$, $(i,j)$ is the greatest common divisor of $i$ and $j$ and $[i,j]$ is the least common multiple of $i$ and $j$. Currently only $O$-estimates for the greatest eigenvalue of this matrix can be found in the literature, and the asymptotic behaviour of the greatest and smallest eigenvalue is known in case when $α=β$.

研究动机与目标

• 为由 $ (i,j)^\alpha[i,j]^\beta $ 定义的数论矩阵特征值提供更紧的界限，超越现有的 $ O $-估计。
• 解决 GCD 和 LCM 类型矩阵特征值信息不精确的问题，特别是针对一般实数 $ \alpha, \beta $ 的情形。
• 利用矩阵分解与范数估计方法，建立特征值的谱区间。
• 将以往在 $ \alpha = \beta $ 情况下关于特征值渐近行为的结果推广至任意实指数。

提出的方法

• 将矩阵 $ A_n^{\alpha,\beta} $ 分解为 $ F_n^\beta E_n D_n E_n^T F_n^\beta $，其中 $ D_n $ 为乔丹求积型函数 $ J_{\alpha-\beta}(i) $ 的对角矩阵。
• 利用恒等式 $ J_{\alpha-\beta} = N^{\alpha-\beta} * \mu $，将其表示为幂函数与莫比乌斯函数的狄利克雷卷积。
• 应用矩阵不等式 $ 0 \leq A_n^{\alpha,\beta} \leq F_n^\beta E_n |D_n| E_n^T F_n^\beta $，导出一个半正定的控制矩阵。
• 通过施瓦茨范数与算子范数估计控制矩阵的谱半径，得到以 $ T_n $、$ \max\{1, n^{2\beta}\} $ 和 $ \max_i |J_{\alpha-\beta}(i)| $ 表示的界限。
• 利用 $ A_n^{\alpha,\beta} $ 为实对称矩阵，故所有特征值均为实数的性质，推导出包含所有特征值的实区间。
• 应用文献 [14] 中的定理 8.2.12，将特征值定位在以 $ k^{\alpha+\beta} $ 为中心的若干个圆盘的并集中，随后简化为单个区间。

实验结果

研究问题

• RQ1 对于 $ n \times n $ 矩阵，其元素为 $ (i,j)^\alpha [i,j]^\beta $，其特征值的最紧界限是什么？
• RQ2 此类矩阵的谱结构如何依赖于指数 $ \alpha $ 和 $ \beta $？
• RQ3 能否比以往的 $ O $-估计更精确地定位特征值分布？
• RQ4 乔丹求积函数 $ J_{\alpha-\beta} $ 在谱分解中起到什么作用？
• RQ5 在何种条件下，特征值区间会坍缩或简化？

主要发现

• 矩阵 $ A_n^{\alpha,\beta} $ 的所有特征值均位于实区间 $ \left[2\min\{1, n^{\alpha+\beta}\} - T_n \cdot \max\{1, n^{2\beta}\} \cdot \max_{1 \leq i \leq n} |J_{\alpha-\beta}(i)|, \ T_n \cdot \max\{1, n^{2\beta}\} \cdot \max_{1 \leq i \leq n} |J_{\alpha-\beta}(i)| \right] $ 内，其中 $ T_n $ 为与 $ J_{\alpha-\beta} $ 相关的乘法函数前 $ n $ 项之和。
• 即使 $ \beta > 0 $，该界限依然有效，但因 $ \max\{1, n^{2\beta}\} $ 项的存在而变得宽松。
• 当 $ \alpha = \beta $ 时，结果退化为已知的渐近情形，验证了与先前工作的自洽性。
• 在 $ n=4 $，$ \alpha = \beta = -1 $ 的例子中，推导出的区间 $ [-5.66, 5.79] $ 包含了实际特征值：$ 0 $（三重）和 $ 1.42361 $，证实了边界的正确性。
• 控制矩阵的谱半径被限制在 $ T_n \cdot \max\{1, n^{2\beta}\} \cdot \max_i |J_{\alpha-\beta}(i)| $ 以内，该值控制了特征值的分布范围。
• 该界限在结构上是紧的，但在数量级上可能偏保守，尤其当 $ \beta > 0 $ 时，因 $ n^{2\beta} $ 因子的存在而明显放大。