数学笔记(四)线性代数知识点总结

写在最前面:本文是阅读《Quantum Computation and Quantum Information》时所做，作者之前略微学过线性代数，但了解不深，阅读第二章第一节线性代数部分时遇到了很多困难，今将学习笔记发布给大家参阅，若有疏漏欢迎理性讨论，希望能给大家带来一点启发。

[2.1.2] (这是书上的相关内容的对应章节)

1.线性算子与矩阵表示的转换：

1.1 一般情况

线性算子本身与坐标系无关，但要将其矩阵联系起来，需要建立坐标系，而建立坐标系首先要确定基。

给定输入基$|v_i⟩$和输出基$|w_i⟩$,则有以下确定线性变换的矩阵表示的两种方法：

(1).直接变换法：

设线性算子$A$有映射关系$A|v_j⟩=|w⟩=\sum _i{A}_{ij}|w_i⟩$，则用于线性表示$|w⟩$的系数$A_{ij}$即为表示线性算子的矩阵的第$i$行第$j$列。

(2).外积计算法：

在(1)的基础下，如果$|w_i⟩$​和 $|v_i⟩$​是两组标准正交基时，

由完备性关系:$A=I_{W}A{I}_V=\sum _{ij}|w_i⟩⟨w_i|A|v_j⟩⟨v_i|=\sum _i⟨w_i|A|v_j⟩|w_i⟩⟨v_i|$

可以证明，$A_{ji} = \langle w_i|A|v_j\rangle $,$A_{ji}$表示$A$的矩阵的第$j$行第$i$列的元素。

1.2 过渡矩阵

在1.1的情况下,若线性算子$A$是这么一个矩阵:$A|v_i⟩=|w_i⟩$，即$A$将一组基一一映射到另一组基，称$A$​​的矩阵表示为过渡矩阵.

可以证明，当$|w_i⟩$和$|v_i\rangle $是两组标准正交基时，过渡矩阵可以这样得到：

$A=\sum _i|w_i⟩⟨v_i|$​

1.3恒等算子

恒等算子$I$定义为$I|v⟩\equiv |v⟩$.在输入基和输出基相同的情况下，$I$的矩阵表示可以为$E$（即单位矩阵，除对角线全为1外其余均为0）.

1.4二维复向量空间上的重要的外积：

$|0⟩⟨0|=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$

$|0⟩⟨1|=\left[\begin{array}{cc}0& 1\\ 0& 0\end{array}\right]$​​

$|1⟩⟨0|=\left[\begin{array}{cc}0& 0\\ 1& 0\end{array}\right]$​

$|1⟩⟨1|=\left[\begin{array}{cc}0& 0\\ 0& 1\end{array}\right]$​

[2.1.4]

2.内积

Hilbert空间定义内积应满足三个条件：

(1).线性性质: $(|v⟩,\sum _i{\lambda }_i|w_i⟩)=\sum _i{\lambda }_i(|v⟩,|w_i⟩).$

(2).交换共轭：$(|v⟩,|w⟩)=(|w⟩,|v⟩{)}^{\ast }.$

(3).非负性：$(|v⟩,|v⟩)\ge 0.$

3.Gram-Schmidt 正交化递推公式：

(1).$|v_1⟩=|w_1⟩$

(2).$|v_{k+1}⟩=\frac{|w_{k+1}⟩-\sum _{i=1}^k⟨v_i|w_{k+1}⟩|v_i⟩}{|||w_{k+1}⟩-\sum _{i=1}^k⟨v_i|w_{k+1}⟩|v_i⟩||}$​,(注意后面只有$k$项.)

[2.1.5]

4.特征值与特征向量

4.1定义

一个特征值可以对应无数个特征向量，这些特征向量组成了特征值$\lambda$​​的本征空间。

4.2特征值的性质:

对于任意矩阵$A$,有$A^n|v⟩={\lambda }^n|v⟩.$其中$|v⟩$是特征值$\lambda$所对应的特征向量.

4.3Pauli矩阵的特征值

除了$I$的特征值为1外，其余都是$\pm 1$。

关于各种特殊矩阵的特征值与特征向量将在后续文章中给出。

5.对角表示：

已知矩阵$A$​的特征值是${\lambda }_i$​，${\lambda }_i$​对应的特征向量分别为$|v_i⟩$​(重根要列出${\lambda }_i$的本征空间的一组最大线性无关组),将$|v_i⟩$​标准正交化，得到向量$|i⟩$​​​.

如果矩阵$A$​可以表示为$\sum _i{\lambda }_i|i⟩⟨i|$​​的形式，则称$A$​可对角化。

可以证明, 此时向量$|i⟩$​仍是$A$​的特征向量.

可以证明，$A$​可以对角化的充要条件是$A$​​是正规(normal)的。

[2.1.6]

6.伴随算子

$A$的伴随算子的矩阵表示是$A$的矩阵表示的自共轭矩阵.记为$A^{†}$​.且伴随算子有关系:[定义式]

$(|v⟩,A|w⟩)=(A^{†}|v⟩,|w⟩).$

伴随矩阵性质:

$(1)$.$(A^{†}{)}^{†}=A$

$(2)$.$(⟨v|w⟩{)}^{†}=(⟨v|w⟩{)}^{\ast }$

$(3)$​​.$(|v⟩⟨w|{)}^{†}=(|w⟩⟨v|)$​

$(4)$.$(A_1{A}_2...A_n{)}^{†}=A_n^{†}{A}_{n-1}^{†}...A_1^{†}$​

$(5)$​.${\left[\begin{array}{cc}A& B\\ C& D\end{array}\right]}^{†}=$ $\left[\begin{array}{cc}{A}^{†}& C^{†}\\ B^{†}& D^{†}\end{array}\right]$​(分块矩阵)

8.正规矩阵和Hermite​矩阵

对于线性算子$A$​​,如果$A{A}^{†}=A^{†}A$​​,则称$A$​​​是正规算子,其矩阵表示称为正规矩阵.

正规矩阵性质：一个矩阵是正规矩阵当且仅当它可以对角表示。

对于线性算子$A$​,如果$A^{†}=A$​,则称$A$​是Hermite算子,其矩阵表示称为Hermite矩阵.

正规矩阵与Hermite矩阵的关系:一个正规矩阵是Hermite的，当且仅当它的特征值全是实数。

Hermite矩阵性质:

$(1).$​​​​ Hermite的特征值都是实数.

$(2).$​​​Hermite矩阵的具有不同特征值的特征向量必须正交.[证明考虑$⟨v|A|w⟩$​及其伴随矩阵]

$(3).$对于任意一个矩阵$A$都可以分解为$A=B+iC$,其中$B=\frac{1}{2}(A+A^{†}),C=\frac{1}{2i}(A-A^{†})$，且$B,C$都是Hermite矩阵。

9.酉算子

对于线性算子$U$​​​​,如果$U{U}^{†}=U^{†}U=I$​​​​,则称$U$​​​​是酉算子,其矩阵表示称为酉矩阵.

酉矩阵的性质:

$(1).$酉矩阵是正规矩阵。

$(2).(|v⟩,⟨w|)=(U|v⟩,U⟨w|)$​

$(3)$.酉矩阵的特征值模都是1.

$(4).$​酉矩阵都是过渡矩阵，即存在两组标准正交基$|w_i⟩$​和$|v_i\rangle $，使得$U = \displaystyle \sum_i|w_i\rangle\langle v_i|$​​.[可利用酉矩阵的性质2证明]

$(5).$​酉矩阵的乘积也是酉矩阵。[通过性质4很好证明]

10.投影算子:

10.1定义

设线性空间$V$的一组标准正交基为$|1⟩,|2⟩...|d⟩$,从中选取$k(k\le d)$个向量，定义具有形如$P\equiv \sum _{i=1}^k|i⟩⟨i|$的矩阵称为投影矩阵.

其对应的线性算子称为投影(projection)算子。

10.2投影算子的意义

在10.1的情况下，设线性空间$V$​的算子有元素$|v⟩$​,显然$P|v⟩$​即将元素$|v⟩$​投影到向量$|1⟩,|2⟩...|k⟩$​所张成的子空间。定义$Q=I-P$​,显然$Q$​也是投影算子，且作用为将向量$|v⟩$​投影到向量$|k+1⟩,|k+2⟩..|d⟩$​所张成的空间。称$Q$为$P$的正交补。

根据此，设$M$​是$V$​到$V$​的正规算子，有$QMP=Q{M}^{†}P=0$​​.

10.3****投影算子的性质：

$(1).$​投影算子都是Hermite矩阵.

$(2).$​投影算子的特征值都是非0即1.

$(3).$​​投影算子是幂等矩阵。

$(4)$​​.正规算子$M$​​是投影算子的充要条件为$M^2=M$​​​.

11.半正定算子

11.1 定义

对于任意向量$|v⟩$，如果有$⟨v|A|v⟩\ge 0$，则称A为半正定(positive)算子.

对于任意向量$|v⟩$​，如果有$⟨v|A|v⟩>0$​​，则称A为正定(positive definite)算子.

本文主要研究半正定算子。

11.2性质

$(1).$特征值非负。

$(2).$$\sqrt{P^2}=P$​[证明参见13算子函数的定义]

$(3).$​必定是Hermite算子。[证明参见Hermite的性质3]

$(4)$.对于任意线性算子$A$,$A^{†}A$和$A{A}^{†}$​是半正定的.[考虑整体$A|v⟩$]

[2.1.7]

12.张量积

12.1张量积的计算公式:

$A\otimes B=\left[\begin{array}{cccc}{A}_{11}B& A_{12}B& ...& A_{1n}B\\ A_{21}B& A_{22}B& ...& A_{2n}B\\ ⋮& ⋮& ⋮& ⋮\\ A_{m1}B& A_{m2}B& ...& A_{mn}B\end{array}\right]$​

若$A$是$m\times n$矩阵，$B$是$p\times q$矩阵，则$A\otimes B$是$mp\times nq$矩阵.

12.2张量积的意义：

设线性空间$V$是$|v⟩$​的集合，$W$是$|w⟩$的集合，则定义$V\otimes W$是$|v⟩\otimes |w⟩$及其线性组合的集合。

可以证明，集合 V ⊗ W = { ∣ v i ⟩ ⊗ ∣ w j ⟩ ∣   ∣ v ⟩ ∈ V , ∣ w ⟩ ∈ W } V\otimes W=\{|v_i\rangle\otimes|w_j\rangle |\ |v\rangle\in V,|w\rangle \in W\} V⊗W={∣vi​⟩⊗∣wj​⟩∣ ∣v⟩∈V,∣w⟩∈W}​

可以证明, 若$|i⟩$是$V$的基向量，$|j⟩$是$W$的基向量，则$|i⟩\otimes |j⟩$是$V\otimes W$的基向量.

12.3张量积的性质：

$(1).$张量积对于运算${}^{\ast },{}^T,{}^{†}$都是可分配的.

即$(A\otimes B{)}^{\ast }=A^{\ast }\otimes B^{\ast },(A\otimes B{)}^T=A^T\otimes B^T,(A\otimes B{)}^{†}=A^{†}\otimes B^{†}.$​

$(2).$​线性性质：$(kA+uB)\otimes C=k(A\otimes C)+u(B\otimes C)$​​.

$(3).$​乘法性质:$(A\otimes B)(C\otimes D)=AC\otimes BD$​

$(4).$若$A,B$都是酉的，则$A\otimes B$也是酉的。这条性质可以推广到(半)正定算子，投影算子,Hermite算子,正规算子.
[2.1.8]
13.算子函数

若$f$是一个复数域上的映射，在正规矩阵$A=\sum _{i}a|i⟩⟨i|$上可定义算子函数$f(A)\equiv \sum _{i}f(a)|i⟩⟨i|.$

14.矩阵的迹

14.1 定义

矩阵的迹是这样一个函数：$tr(A)=\sum _i{A}_{ii}$​即矩阵的对角线元素之和。

容易证明，Pauli矩阵的迹都是0.

14.2性质

$(1).$线性性质：$tr(kA+uB)=ktr(A)+utr(B)$

$(2).$循环性质: $tr(AB)=tr(BA)$[证明考虑矩阵展开]

$(3).$​设$|v⟩$是单位向量，则$tr(A|v⟩⟨v|)=⟨v|A|v⟩.$​[证明考虑迹的性质2]​​
[2.1.9]
15.对易式与反对易式

15.1 定义式

对易式$[A,B]=AB-BA$​

反对易式 { A , B } = A B + B A \{A,B\} = AB+BA {A,B}=AB+BA

如果$[A,B]=0$​​，称$A$​与$B$​是可对易的.

15.2性质

$(1).$ A B = 1 2 ( [ A , B ] + { A , B } ) AB = \frac{1}{2}([A,B]+\{A,B\}) AB=21​([A,B]+{A,B})

$(2)$​.$[A,B]=-[B,A]$

$(3).$$[A,B{]}^{†}=[B^{†},A^{†}]$

15.3 任意Pauli矩阵的乘积

定义三元函数${\epsilon }_{jkl}$:

当$jkl$​中有相同的元素，返回$0$.

当$jkl$​​各不相同且$jkl$​​的逆序数为偶数，返回$1$​​.

当$jkl$​​​各不相同且$jkl$​​​的逆序为奇数，返回$-1$​​​.

可以验证，对于pauli矩阵：

$(1).$ { σ j , σ k } = 0 \{\sigma_j,\sigma_k\} = 0 {σj​,σk​}=0

$(2).$$[{\sigma }_j,{\sigma }_k]=2i\sum _{l=0}^3{\epsilon }_{jkl}{\sigma }_l$​

$(3).$${\sigma }_i^2=I$

根据以上三个条件，可以得到

${\sigma }_j{\sigma }_k={\delta }_{jk}I+i\sum _{l=0}^3{\epsilon }_{jkl}{\sigma }_l.$​
[2.1.10]
16.极式分解

分解步骤

对于任意矩阵$A$​,定义矩阵$J=\sqrt{A^{†}A}$

于是$J$​​​是一个半正定算子，可以进行谱分解为$\sum _i{\lambda }_i|i⟩⟨i|.$${\lambda }_i$​是$J$​的特征向量。

只考虑不为0的${\lambda }_i$,

记$|e_i⟩=\frac{1}{{\lambda }_i}A|i⟩$​

将向量组$|e_i⟩$扩展为标准正交向量组，

记酉矩阵$U=\sum _i|e_i⟩⟨i|$

于是$A|i⟩=UJ|i⟩$​

故$A$可以分解为$UJ$.

称为$A$的左极式分解.

同理易求出$A$​的右极式分解$A=KU,K=\sqrt{A{A}^{†}}$

17.奇异值分解

17.1 相似对角化

对于正规矩阵$A$,有谱分解$A=\sum _i{\lambda }_i|i⟩⟨i|$​,

构造矩阵$T$​​,使$T$的第$i$列是列向量$|i⟩$​.显然$T{T}^{†}=I$

构造矩阵$D$,使得$D_{ij}={\lambda }_i{\delta }_{ij}.$

于是可以证明$TD{T}^{-1}=TD{T}^{†}=\sum _i{\lambda }_i|i⟩⟨i|=A$​

称$D$为$A$​​的相似标准型，这便是谱分解与相似对角化的关系。

17.2奇异值分解

先将矩阵$A$​左极式分解，得$A=SJ$​

又$J$​可谱分解，所以$J$可以相似对角化，设$J=TD{T}^{-1}$

令$U=ST,V=T^{-1}$​​ .显然$U,V$都是酉矩阵。

所以$A=UDV$，称之为$A$的奇异值分解.
另外作者知乎ID同名，欢迎关注.
本文完