Disputationsvortrag Berlin, 17. Dezember 2008 · 1,000,000 $ Zufallsmatrizen Kernphysik...
Transcript of Disputationsvortrag Berlin, 17. Dezember 2008 · 1,000,000 $ Zufallsmatrizen Kernphysik...
Theorie zufalliger Matrizen
Susanna Roblitz (geb. Kube)
Disputationsvortrag
Berlin, 17. Dezember 2008
19. Dezember 2008
1,000,000 $
Kernphysik
Multivariate Statistik
17.12.2008 2/29 Susanna Roblitz
1,000,000 $
Zufallsmatrizen
Kernphysik
Multivariate Statistik
17.12.2008 3/29 Susanna Roblitz
Zufallsmatrix
Zufallsmatrix: Eintrage sind Zufallsvariablen
gegeben gesucht
Verteilung der Matrix A Verteilung von f (A)(z.B. Eigenwerte, Eigenvektoren)
fur N →∞
17.12.2008 4/29 Susanna Roblitz
Kernphysik
Schrodinger-Gleichung
ı~∂
∂tψ = Hψ
Atomkern (Neutronenwechselwirkung): H oft unbekannt oder zukomplex
H −→ H zufallige hermitesche Matrix
Hypothese: Die charakteristischen Energien eines chaotischenSystems verhalten sich lokal wie die Eigenwerte einer Zufallsmatrix.
[E.P. Wigner(1951), C.E. Porter, N. Rosenzweig (1960), F. Dyson (1962)]
17.12.2008 5/29 Susanna Roblitz
Multivariate Statistik
A = [x1, . . . , xn] Stichprobe aus X ∼ Nm(µ,Σ)
empirische Kovarianz-Matrix
S =1
n − 1
n∑i=1
(xi − x)(xi − x)>, x =1
n
n∑i=1
xi
(n − 1)S = ZZ> ∼ Wm(n − 1,Σ) [J. Wishart (1928)]
Anwendungsbeispiel: Hauptkomponentenanalyse
Eigenwertverteilung?
17.12.2008 6/29 Susanna Roblitz
Ein Milleniumproblem (1,000,000 $)
Riemannsche Zeta-Funktion
ζ(s) =∞∑
n=1
1
ns=
∏p prim
1
1− 1/ps
s ∈ C, <(s) > 1
1−2
Im
Re
1/2
0
Nullstellen geben Auskunft uber Verteilung der Primzahlen!
Riemannsche Vermutung (1859, Hilbert 1900): Nullstellen imkritischen Streifen liegen auf Geraden {s|<(s) = 1/2}
Hilbert-Polya-Vermutung: Die Nullstellen der RiemannschenZeta-Funktion entsprechen den Eigenwerten des Operators
1
2+ ıT , T hermitesch
17.12.2008 7/29 Susanna Roblitz
Numerische Verifizierung
Wahrscheinlichkeitsdichte der Abstande der Nullstellen derRiemannschen Zeta-Funktion (30000 Nullstellen,n ≈ 1012, 1021, 1022)
0 2 4 60
0.2
0.4
0.6
0.8
1
normalisierte Abstände
Wah
rsch
einl
ichk
eit
http//www.dtc.umn.edu/~odlyzko/zeta tables/index.html
17.12.2008 8/29 Susanna Roblitz
Weitere Anwendungen
I lineare Gleichungssysteme
I zufallige Graphen
I Datenkomprimierung (compressed sensing)
I Quantenfeldtheorie
I . . .
17.12.2008 9/29 Susanna Roblitz
1. Welche Zufallsmatrizen gibt es?
2. Was mochte man daruber wissen?
3. Wie bekommt man diese Informationen?
17.12.2008 10/29 Susanna Roblitz
Ensemble von Zufallsmatrizen
Hermite Laguerre Jacobi(Gauß) (Wishart) (MANOVA)
H = (A + A′)/2 W = A′A J = A/(A + B)A ∼ Gβ(n, n) A ∼ Gβ(m, n) A ∼ Wβ(m1, n)
B ∼ Wβ(m2, n)
17.12.2008 11/29 Susanna Roblitz
Fragestellung
I Abstande benachbarter Eigenwerte
I Abstand zwischen k Eigenwerten
I mittlere Anzahl von Eigenwerten in einem fixen Intervall
I Verteilung des großten/kleinsten Eigenwertes
I . . .
Wie kann man diese Statistiken bestimmen?
17.12.2008 12/29 Susanna Roblitz
Monte-Carlo-Verfahren
1. Matrixverteilung wahlen
2. Stichprobe ziehen (N × N Matrix A generieren)
3. Eigenwert berechnen
4. Statistik aufstellen
Problem: sehr zeitaufwandig fur große N
Ziel: effiziente Berechnung
17.12.2008 13/29 Susanna Roblitz
Der klugere Weg
Drei Schritte zum Erfolg
1. dunn besetztes Matrixmodell
2. Skalierung der Matrix
3. Vernachlassigen kleiner Eintrage (cutoff)
Werkzeugkasten
I numerische lineare Algebra
I orthogonale Polynome
I Differentialoperatoren
17.12.2008 14/29 Susanna Roblitz
Das Hermite-Ensemble
Hermite-Ensemble = Gaußsches Ensemble
Hβ = (A + A′)/2, A ∼ Gβ(n, n)
Name β Eigenschaft Invarianz
orthogonal (GOE) 1 (R) symmetrisch A → Q>AQunitar (GUE) 2 (C) hermitesch A → UHAUsymplektisch (GSE) 4 (H) selbst-dual A → SDAS
z.B. GUE: A=randn(N)+i*randn(N); H=(A+A’)/2;
17.12.2008 15/29 Susanna Roblitz
Tridiagonales Matrixmodell
[Trotter (1984), Dimitriu, Edelman (2002)]
Eine beliebige N × N Matrix AβN aus dem β-Hermite-Ensemble ist
orthogonal ahnlich zu
HβN ∼ 1√
2β
√2G χ(N−1)β
χ(N−1)β
√2G χ(N−2)β
. . .. . .
. . .
χ2β
√2G χβ
χβ
√2G
, β > 0
I Es gibt kein vollbesetztes Matrixmodell fur β 6= 1, 2, 4, jedochein tridiagonales Modell fur beliebige β > 0!
I Eigenwerte bleiben erhalten!
17.12.2008 16/29 Susanna Roblitz
β →∞
χr ∼√
r + 1√2G [B. Sutton (2005)]
HβN
β→∞−→ H∞N =
1√2
0
√N − 1√
N − 1 0√
N − 2. . .
. . .. . .√
2 0√
1√1 0
Das Modell ist deterministisch!
Frage: Was sind die Eigenwerte und Eigenvektoren dieser Matrix?
H∞N = QΛQ>
17.12.2008 17/29 Susanna Roblitz
Orthogonale Polynome
Hermitesches Polynom:∫ ∞
−∞πH
m(x)πHn (x)e−x2
dx = δmn
Hermitesche Funktion:
ψHn (x) = πH
n (x)e−x2/2
Drei-Term-Rekursion:
xΨHn (x) =
√n
2ψH
n−1(x) +
√n + 1
2ψH
n+1(x)
17.12.2008 18/29 Susanna Roblitz
Drei-Term-Rekursion
xΨHN(x) =
√N
2ψH
N−1(x) +
√N + 1
2ψH
N+1(x)
Matrixschreibweise:
diag(x1, . . . , xN) [ΨHj−1(xi )]i ,j=1,...,N = [ΨH
j−1(xi )]i=1,...,N;j=1,...,N+1T
T =1√2
0√
1√1 0
√2
. . .. . .
. . .√N − 2 0
√N − 1√
N − 1 0√N
17.12.2008 19/29 Susanna Roblitz
Drei-Term-Rekursion
Seien z1, . . . , zN die Nullstellen von πHN .
diag(z1, . . . , zN)[ΨHj−1(zi )]i ,j=1,...,N = [ΨH
j−1(zi )]i ,j=1,...,NFH∞N F
F =
1
. ..
1
H∞
N = QΛQ>, Λ = diag(z1, . . . , zN), Qij =ΨH
N−i (zj)√KH
N−1(zj , zj)
Eigenwerte von H∞N = Nullstellen des Hermite-Polynoms πH
N
17.12.2008 20/29 Susanna Roblitz
Die Airy-Funktion
Problem: Nullstellen sind unbeschrankt fur N →∞
Airy-Funktion:
Ai(x) =1
π
∫ ∞
0cos
(t3
3+ xt
)dt
Nullstellen 0 > ξ1 > ξ2 . . .−15 −10 −5 0 5−1
−0.5
0
0.5
1
x
y
Ai(x)
[Szego (1939)]
zN,k ∼ −√
2N − 1√2N−1/6ξk , zN,N+1−k ∼
√2N +
1√2N−1/6ξk
Um einen Grenzwert bilden zu konnen, muss man shiften undskalieren.
17.12.2008 21/29 Susanna Roblitz
Der Airy-Operator
H∞N =
√2N1/6(H∞
N −√
2NIN)
Setze h = N−1/3, xk = hk (k = 1, . . . ,N):
H∞N ist Finite-Differenzen-Approximation an den Airy-Operator
A∞ =d2
dx2− x auf [0,∞), RB: f (0) = 0, lim
x→∞f (x) = 0
Eigenwertzerlegung:
A∞[Ai(x + ξk)] = ξk [Ai(x + ξk)], 0 > ξ1 > ξ2 > . . .NST von Ai
Die Eigenvektoren von H∞N sind diskretisierte Airy-Funktionen:
H∞N vi = λivi , λi = ξi , vi (k) = Ai(xk + ξi ), xk = kh (k = 1, . . . ,N)
17.12.2008 22/29 Susanna Roblitz
Cutoff
Eigenvektor zum Eigenwert λ1 = ξ1 ≈ −2.34
v1(k) = Ai(xk + ξ1),
xk = kh (k = 1, . . . ,N)
0 2 4 6 8 100
0.1
0.2
0.3
0.4
0.5
0.6
x
Ai(x+ξ1)
cutoff: Bestimme den Index k , so dass
v(i) < ε ∀i > k ↔ Ai(xi + ξ1) < ε ∀i > k
wahle ε = 2−52: hk = xk < 16 ↔ k < 16/h = 16N1/3
17.12.2008 23/29 Susanna Roblitz
β < ∞
HβN ∼ H∞
N +1
2√β
2G GG 2G G
. . .. . .
. . .
G 2G GG 2G
, β > 0
HβN =
√2N1/6(Hβ
N −√
2NIN) ist Finite-Differenzen-Approximationan den stochastischen Airy-Operator
Aβ =d2
dx2−x +
2√β
dW auf [0,∞), RB: f (0) = 0, limx→∞
f (x) = 0
Behauptung: Die Verteilung des großten Eigenwertes von Aβ
entspricht der Verteilung des großten Eigenwertes von HβN
17.12.2008 24/29 Susanna Roblitz
Numerische Verifizierung
Histogramme der Wahrscheinlichkeitsdichten des skalierten großtenEigenwertes (105 Wiederholungen, N = 109)
−6 −4 −2 0 2 40
0.1
0.2
0.3
0.4
0.5
0.6
Wah
rsch
einl
ichk
eit
β=1
−6 −4 −2 0 2 40
0.1
0.2
0.3
0.4
0.5
0.6
Wah
rsch
einl
ichk
eit
β=2
−6 −4 −2 0 2 40
0.1
0.2
0.3
0.4
0.5
0.6
Wah
rsch
einl
ichk
eit
β=4
17.12.2008 25/29 Susanna Roblitz
Effizienz
Berechnung des großten Eigenwertes (1 Durchlauf)
Laufzeit in Sekunden (1 CPU, Opteron Prozessor, 2.2 MHz)
Komplexitat N = 104 N = 106 N = 109 N = 1012
vollbesetzt O(N3) 180 –(*) – –tridiagonal O(N) 0.01 1.1 1200 –
cutoff O(N1/3) 0.0005 0.001 0.01 0.12
(*) out of memory
17.12.2008 26/29 Susanna Roblitz
Zusammenfassung
I tridiagonales Matrixmodell
I Verallgemeinerung des Ensembles auf β > 0
I Grenzwert N →∞ nur bei geeigneter Skalierung der Matrix
I Finite-Differenzen-Approximation an stochastischen Operator
offene Probleme
I analytische Resultate fur das Laguerre- und Jacobi-Ensemble
I analytische Resultate fur allgemeine β > 0
I stochastische Operatoren als moglicher neuer Zugang zurRiemannschen Vermutung
17.12.2008 27/29 Susanna Roblitz
Literatur
Einfuhrung und Uberblick:
I M. L. Mehta (2004), Random Matrices, Elsevier, Amsterdam.
I R. J. Muirhead (1982), Aspects of Multivariate Statistical Theory,John Wiley & Sons, New York.
I A. Edelmann, N.R. Rao (2005), Random matrix theory, ActaNumerica, 1–65.
Stochastische Operatoren:
I I. Dimitriu, A. Edelmann (2002), Matrix models for beta ensembles,J. Math. Phys., 43(11), 5830–5847.
I B.D. Sutton (2005), The Stochastic Operator Approach to RandomMatrix Theory, PhD thesis, MIT.
I A. Edelmann, B.D. Sutton (2007), From Random Matrices toStochastic Operators, J. Statist. Phys., 127(6), 1121–1165.
17.12.2008 28/29 Susanna Roblitz
Vielen Dank fur die Aufmerksamkeit!
17.12.2008 29/29 Susanna Roblitz