[论文解读] On the outlying eigenvalues of a polynomial in large independent random matrices

Serban T. Belinschi, Hari Bercovici+1 more|arXiv (Cornell University)|Mar 23, 2017

Random Matrices and Applications参考文献 59被引用 8

一句话总结

该论文研究了大独立随机矩阵多项式函数的极端特征值的渐近行为，将自由概率理论扩展至非加法多项式。研究发现，当一个矩阵中存在特征值尖峰时，$ P(A_N, B_N) $ 的特征值分布中会出现可预测的极端值，其位置由算子值下位函数决定，从而将已知的 $ A_N + B_N $ 情况推广至任意自伴多项式。

ABSTRACT

Given a selfadjoint polynomial $P(X,Y)$ in two noncommuting selfadjoint indeterminates, we investigate the asymptotic eigenvalue behavior of the random matrix $P(A\\_N,B\\_N)$, where $A\\_N$ and $B\\_N$ are independent Hermitian random matrices and the distribution of $B\\_N$ is invariant under conjugation by unitary operators. We assume that the empirical eigenvalue distributions of $A\\_N$ and $B\\_N$ converge almost surely to deterministic probability measures $\\mu $ and $\ u$, respectively. In addition, the eigenvalues of $A\\_N$ and $B\\_N$ are assumed to converge uniformly almost surely to the support of $\\mu$ and $\ u,$ respectively, except for a fixed finite number of fixed eigenvalues (spikes) of $A\\_N$. It is known that almost surely the empirical distribution of the eigenvalues of $P(A\\_N,B\\_N)$ converges to a certain deterministic probability measure $\\eta$ (sometimes denoted $\\eta=P^\\square(\\mu,\ u)$) and, when there are no spikes, the eigenvalues of $P(A\\_N,B\\_N)$ converge uniformly almost surely to the support of $\\eta$. When spikes are present, we show that the eigenvalues of $P(A\\_N,B\\_N)$ still converge uniformly to the support of $\\eta$, with the possible exception of certain isolated outliers whose location can be determined in terms of $\\mu,\ u,P$, and the spikes of $A\\_N$. We establish a similar result when $B\\_N$ is replaced by a Wigner matrix. The relation between outliers and spikes is described using the operator-valued subordination functions of free probability theory. These results extend known facts from the special case in which $P(X,Y)=X+Y$.

研究动机与目标

• 将随机矩阵乘积的特征值极端值理论推广至加法模型（如 $ A_N + B_N $）之外。
• 当 $ A_N $ 拥有固定数量的尖峰时，刻画 $ P(A_N, B_N) $ 中极端特征值的位置与数量。
• 建立极端特征值源于尖峰与多项式 $ P $ 之间确定性关系的理论，利用算子值下位函数进行描述。
• 将框架扩展至 $ B_N $ 被 Wigner 矩阵替代的情形，捕捉去微扰型模型中的极端值。

提出的方法

• 使用算子值自由概率，特别是下位函数，来建模 $ P(A_N, B_N) $ 的谱行为。
• 应用 $ A_N $ 与 $ B_N $ 之间的强渐近自由性，假设酉不变性及经验特征值分布的收敛性。
• 将自由性与收敛性定理适配以分析 $ P(A_N, B_N) $ 的预解式，从而导出预解式族 $ \mathcal{F}_N $ 的收敛性。
• 利用 Vitali-Montel 定理与解析函数零点的 Hurwitz 定理，证明特征值计数函数的收敛性。
• 在潜在极端值邻域内建立预解式的正规族，确保一致收敛性。
• 通过扰动论证与 GUE 情况比较，将结果推广至 Wigner 矩阵 $ X_N/\sqrt{N} $。

实验结果

研究问题

• RQ1 当 $ P $ 为非加法自伴多项式时，$ A_N $ 特征值分布中的尖峰如何影响 $ P(A_N, B_N) $ 的特征值？
• RQ2 能否从 $ A_N $ 的尖峰、测度 $ \nu $ 以及多项式 $ P $ 出发，预测 $ P(A_N, B_N) $ 中极端特征值的位置？
• RQ3 算子值下位函数在刻画非加法随机矩阵多项式中的谱极端值时起什么作用？
• RQ4 当 $ B_N $ 被 Wigner 矩阵替代而非酉不变矩阵时，$ P(A_N, X_N/\sqrt{N}) $ 的极端值谱如何变化？
• RQ5 即使未观察到极端值，$ P(A_N, B_N) $ 的谱分布是否仍能揭示尖峰的存在？

主要发现

• 仅当 $ A_N $ 存在尖峰时，$ P(A_N, B_N) $ 中才存在极端特征值，且其位置由 $ P $、$ \mu $ 与 $ \nu $ 决定的下位函数的不动点确定。
• 极端特征值的数量有限，且等于 $ A_N $ 中尖峰的数量，每个尖峰至多贡献一个极端特征值。
• $ P(A_N, B_N) $ 的特征值以几乎必然一致收敛于极限测度 $ \eta = P^{\square}(\mu, \nu) $ 的支撑集，除孤立的极端特征值外。
• 对于 Wigner 矩阵扰动，相同的极端值机制依然适用：仅当 $ A_N $ 存在尖峰时才会出现极端特征值，其位置仍由下位函数控制。
• 预解式 $ \mathcal{F}_N $ 收敛于一个解析极限，确保了特征值计数函数的收敛性，从而可应用 Hurwitz 定理等解析工具。
• 该结果将 BBP 相变与早期加法变形结果推广至非交换随机矩阵的任意自伴多项式。