[论文解读] Scalable Pseudospectral Analysis via Low-Rank Approximations of Dynamical Systems

Vladimir R. Kostic, Dragana Lj. Cvetković+1 more|arXiv (Cornell University)|Feb 2, 2026

Stochastic Gradient Optimization Techniques被引用 0

一句话总结

该论文为伪谱分析提供了一种低秩理论，证明大型矩阵的伪谱和稳定性量可以通过低秩代理结合显式特征值表征和随机化算法来计算，从而实现数据驱动与高维动力系统的可扩展分析。

ABSTRACT

Pseudospectral analysis is fundamental for quantifying the sensitivity and transient behavior of nonnormal matrices, yet its computational cost scales cubically with dimension, rendering it prohibitive for large-scale systems. While existing research on scalable pseudospectral computation has focused on exploiting sparsity structures, common in discretizations of differential operators, these approaches are ill-suited for machine learning and data-driven dynamical systems, where operators are typically dense but approximately low-rank. In this paper, we develop a comprehensive low-rank framework that dramatically reduces this computational burden. Our core theoretical contribution is an exact characterization of the pseudospectrum of arbitrary low-rank matrices, reducing the evaluation of resolvent norms to eigenvalue problems of dimension proportional to the rank. Building on this foundation, we derive rigorous inclusion sets for the pseudospectra of general matrices via truncated and randomized low-rank approximations, with explicit perturbation bounds. These results enable efficient estimators for key stability quantities, including distance to instability and Kreiss constants, at a cost that scales with the effective rank rather than the ambient dimension. We further demonstrate how our framework naturally extends to data-driven settings, providing pseudospectral analysis of transfer operators learned from nonlinear and stochastic dynamical systems. Numerical experiments confirm orders-of-magnitude speedups while preserving accuracy, opening pseudospectral analysis to previously intractable high-dimensional problems in computational PDEs, control theory, and data-driven dynamics.

研究动机与目标

• 将伪谱分析作为量化非正规性、瞬态增长和对大规模或数据驱动系统鲁棒性的工具的动机引入研究中。
• 建立理论以精确表征低秩矩阵的伪谱。
• 为关键的伪谱任务（如距离不稳定性和 Kreiss 常数）提供低维特征值表征。
• 将框架扩展到截断/随机低秩近似并给出扰动保证。
• 将方法学与数据驱动的传输算子和非线性随机动力学联系起来。

提出的方法

• 通过将解析算符范数的计算化为结构化的 2r x 2r 矩阵 M_{U,V}(z) 的最小特征值来刻画一般低秩矩阵 A = UV* 的伪谱。
• 证明 mu_{U,V}(z) = sqrt(lambda_min(M_{U,V}(z))) 等于 (zI - UV*) 的最小奇异值。
• 通过截断和随机低秩近似及显式扰动界来推导伪谱的包含集。
• 提供 Criss-Cross 风格的交点结果，将单位圆与虚轴的交点计算简化为低维广义特征值问题。
• 将该理论扩展到数据驱动的算子学习场景，如 Koopman 和传输算子，使之能够从轨迹数据进行伪谱分析。
• 讨论将秩为 r 的因子及构造低秩近似的计算复杂度降至 O(r^3) 和 O(rd^2)。

实验结果

研究问题

• RQ1 如何从低秩代理中高效估计大型矩阵的伪谱？
• RQ2 在给定容忍度下，捕获关键伪谱特征所需的最小秩是多少？
• RQ3 如何对大型或数据驱动系统高效计算距离不稳定性和 Kreiss 常数？
• RQ4 如何将随机化与截断的低秩近似与伪谱分析结合并提供保证？
• RQ5 该框架如何应用于从非线性或随机动力学学习的数据驱动传输算子？

主要发现

• 给出任意低秩矩阵的伪谱的精确刻画，通过小尺寸的 M_{U,V}(z) 矩阵将求解解析运算简化为一个 2r x 2r 的特征值问题。
• 获得与直线、圆相交的低维特征表述，使得 Criss-Cross 方法高效可行。
• 随机化 SVD 与草绘方法与理论兼容，能得到伪谱、距离不稳定性和 Kreiss 常数的可扩展估计。
• 该框架自然扩展到从非线性与随机动力学学习的数据驱动传输算子，使得能够从轨迹数据进行伪谱分析。
• 数值实验展示了数量级的加速，同时保留了对动力学信息的关键保留。