拉普拉斯算子的疑惑--拉普拉斯算子作用于矢量和定义Hessian矩阵时遇到的问题

拉普拉斯算子的疑惑

国内许多工科教材在讲到有关拉普拉斯算子($\Delta$)与哈密顿算子($\nabla$)的内容时含混不清，忽略了许多重要定义，使得一些进一步的推导难以理解

现记录我发现的两个主要问题，并予以解答，希望可以帮助到学习国内教材时有相似疑惑的同学

1. 拉普拉斯算子作用于矢量

1.1 课本中的定义

课本在介绍拉普拉斯算子时，一般会有如下定义:

设$f$为二阶可微的实函数，那么有:

$$\Delta f={\nabla }^{2}f=\nabla \cdot \nabla f$$

紧接着，教材通常还会将其在直角坐标系下展开，也即

$${\nabla }^{2}f=\sum _{i=1}^n\frac{{\partial }^{2}f}{\partial x_i^2}$$

同时，教科书中常常还会在这里进一步解释它的含义是: 对一实值函数求其梯度的散度

1.2 疑问

但是，在许多进一步的推导中，我们又常常可以看到如下过程，例如在波动方程(亥姆霍兹方程)的推导中有如下内容

$${\nabla }^2\mathbf{E}+{\omega }^2\mu ϵ\mathbf{E}=0$$

其中E为矢量，或者说场量

这就奇了棒棒锤怪了，说好的求梯度的散度呢？对于矢量我该如何进行计算${\nabla }^2\mathbf{E}$？

1.3 真正的定义

其实，对矢量进行拉普拉斯算子，其定义与标量下并不相同，在Wolfram(https://mathworld.wolfram.com/VectorLaplacian.html)中可以查找到如下定义

Vector Laplacian
A vector Laplacian can be defined for a vector $\mathbf{A}$ by
$${\nabla }^2\mathbf{A}=\nabla (\nabla \cdot \mathbf{A})-\nabla \times (\nabla \times \mathbf{A})$$
where the notation $\dot{}$ is sometimes used to distinguish the vector Laplacian from the scalar Laplacian ${\nabla }^2$ (Moon and Spencer $1988,\mathrm{p}.3$ ). In tensor notation, $\mathbf{A}$ is written $A_{\mu }$, and the identity becomes

$$\begin{array}{rl}{\nabla }^2{A}_{\mu }& =A_{\mu ;\lambda };\lambda \\ & ={\left(g^{\lambda x}{A}_{\mu ;\lambda }\right)}_{;\kappa }\\ & =g^{\lambda }{\kappa }_{;\kappa }{A}_{\mu ;\lambda }+g^{\lambda x}{A}_{\mu ;\lambda x}\end{array}$$

A tensor Laplacian may be similarly defined.
In cylindrical coordinates, the vector Laplacian is given by

上面的定义式，在国内教材中通常作为一个张量运算的性质给出，但是在国外的许多资料中，则是拉普拉斯算子作用于矢量时的定义

显然，在这样的定义下，对矢量进行拉普拉斯算子运算已经失去了梯度的散度的含义。而之所以这样定义，我的理解是为了方便进一步的数学运算，例如在直角坐标系下将其展开，可以按照简单向量运算进行下去

$${\nabla }^2\mathbf{T}={\nabla }^2(T_x,T_y,T_z)=({\nabla }^2{T}_x)\hat{x}+({\nabla }^2{T}_y)\hat{y}+({\nabla }^2{T}_z)\hat{z}$$

上式可以解释为: 直角系下，矢量的拉普拉斯运算相当于对矢量的各个分量分别做拉普拉斯运算，再组成一个矢量

2. 拉普拉斯算子在Hessian矩阵中的含义

2.1 Hessian矩阵的定义

Hessian矩阵通常定义如下:
$${\nabla }^{2}f=\mathbf{H}=\left[\begin{array}{cccc}\frac{{\partial }^{2}f}{\partial x_1^2}& \frac{{\partial }^{2}f}{\partial x_1\partial x_2}& \cdots & \frac{{\partial }^{2}f}{\partial x_1\partial x_n}\\ \frac{{\partial }^{2}f}{\partial x_2\partial x_1}& \frac{{\partial }^{2}f}{\partial x_2^2}& \cdots & \frac{{\partial }^{2}f}{\partial x_2\partial x_n}\\ \frac{{\partial }^{2}f}{\partial x_n\partial x_1}& \frac{{\partial }^{2}f}{\partial x_n\partial x_2}& \cdots & \frac{{\partial }^{2}f}{\partial x_n^2}\end{array}\right]$$

2.2 疑问

我们知道，如果${\nabla }^2$作用于标量时，如${\nabla }^2\varphi$，所得结果也为一标量

${\nabla }^2$作用于矢量时，如${\nabla }^2\mathbf{E}$，所得结果为一向量

那么在Hessian矩阵的定义中，究竟是何种逆天的力量，能够使得拉普拉斯算子作用于在f上时，却得到了一个矩阵?

2.3 符号的混淆

在维基百科中，终于找到了如下解释

Hessian matrix

While ${\nabla }^2$ usually represents the Laplacian, sometimes ${\nabla }^2$ also represents the Hessian matrix. The former refers to the inner product of $\nabla$, while the latter refers to the dyadic product of $\nabla$ :
$${\nabla }^2=\nabla \cdot {\nabla }^T$$
So whether ${\nabla }^2$ refers to a Laplacian or a Hessian matrix depends on the context.

原来，在Hessian矩阵的定义中，${\nabla }^2$符号的含义与拉普拉斯算子有所区别。我们将\nabla算符看作一个偏微分组成的列向量

$$\nabla =\left[\begin{array}{l}\frac{\partial }{\partial x_1}\\ \frac{\partial }{\partial x_2}\\ \cdots \\ \frac{\partial }{\partial x_3}\end{array}\right]$$

经过简单的矩阵运算${\nabla }^2=\nabla \cdot {\nabla }^T$,即可得到Hessian的定义式

* 参考资料

• Vector Laplacian

• Del Wiki