← 返回 PaperDaily
大模型与智能体
一个指数终结百年难题！1/3成矩阵逼近终极天花板
这不是AI论文，而是一篇让AI背后的线性代数“地基”更稳固的纯数学硬核成果。UCLA学者几乎交换矩阵逼近的指数推到了1/3，并证明没法再快了。一个百年老问题，给出终极答案，值得所有做矩阵计算、量子信息和数值算法的人瞄一眼。
龙哥读论文
发布于 2026-09-12 16:53:31
阅读 1
查看原文
原论文信息如下：
大家有没有想过这么一个问题：如果两个东西“几乎一样”，那能不能通过很小的调整，让它们变得“完全一样”？这听起来像是一个生活哲理问题，但实际上，它是一个从1929年就困扰数学家的正儿八经的难题。今天要聊的，正是这个问题的矩阵版本——几乎交换矩阵逼近问题。
百年数学难题：几乎交换矩阵的逼近问题
先说说什么是“交换”。两个矩阵X和Y，如果满足XY = YX，就称它们可交换。对矩阵不太熟的读者可以想象成两台设备：可交换意味着两台设备的操作顺序不影响最终结果，先按A再按B，跟先按B再按A一样。这在量子力学里是大事，因为可交换的观测算符意味着可以被同时精确测量。
问题的有趣之处在于“几乎交换”。什么叫几乎交换？就是XY和YX非常接近，但不完全相等。数学上定义一个交换子[X, Y] = XY − YX，如果这个交换子“很小”，就说X和Y几乎交换。
那么问题来了：如果X和Y几乎交换，能不能找到一对真正交换的矩阵X'、Y'，让它们分别跟原来的X、Y很接近？换句话说，一个系统如果几乎可以同时测量，那它是不是真的可以同时测量？这个问题的源头可以追溯到1929年，现代数学物理的奠基人冯·诺依曼在遍历理论的研究中埋下了这颗种子。1969年，Rosenthal在《美国数学月刊》上正式把它提炼成一个公开问题；1976年，Halmos又在一篇名为“深度未知的未解问题”的文章百年数学难题：几乎交换矩阵的逼近问题 先把这场“逼近游戏”的标尺说清楚。论文使用的主要工具是归一化Hilbert–Schmidt范数
公式 = 归一化Hilbert–Schmidt范数的定义：矩阵所有元素模平方的平均值，再开根号。相当于把d²个分量先求“平均能量”再开方。
为什么非要除以d？因为普通Frobenius范数会随着维度d增大而“膨胀”单位矩阵的范数变成√d。归一化后，单位矩阵的范数恒为1，所有估计才有可能做到不依赖于维数。论文里的核心不等式之一，就是归一化HS范数与算子范数的关系：
这个不等式说明，归一化HS范数比算子范数更“温和”，因此HS范数下的逼近问题往往比算子范数版本更容易处理，但想拿到最优指数依然非常困难。
下面把问题写成数学语言。设B_d是算子范数不超过1的自伴矩阵集合。自伴矩阵就是共轭转置等于自身的矩阵，实数对称矩阵是它的特例。论文讨论的是：给定X、Y∈B_d，如果交换子[X,Y]=XY−YX在归一化HS范数意义下很小，能否找到一对真正可交换的X'、Y'∈B_d，让X'贴近X、Y'贴近Y？而且这里额外要求X'与X可交换，即[X',X]=0。这个附加条件大大增加了问题的难度，但也为后续推广带来了便利。
这个问题的历史，可以追溯到1929年冯·诺依曼在遍历理论中埋下的种子。1969年Rosenthal在《美国数学月刊》上正式将其提炼为公开问题，1976年Halmos又在一篇题为“深度未知的未解问题”的文章中再次强调。半个多世纪以来，数学家们在这条赛道上不断刷新纪录，本文就是这条接力赛的“终极一棒”。
先来看算子范数版本的故事。1995年，Lin用抽象方法证明了维数无关的存在性定理，后来Friis和Rørdam给出了简短证明。再往后，定量版本浮出水面：存在常数C，使得逼近距离（不平方）满足：
这里的关键是指数1/2，它在算子范数意义下被证明无法改进。可以说算子范数版本的“终点线”早就画好了。
但本文所在的赛道——归一化HS范数版本——则是另一番景象。Hadwin等人用自由熵和C*-代数工具率先证明了存在性，但定量结果迟迟没有出现。直到2010年Glebsky给出第一个定量估计，指数仅为1/6；随后Filonov与Safarov把它改进到1/4。此后的十余年里，1/6到1/4之间的推进仿佛被冻住了，再无人能撼动。
这就像百米短跑：先有人跑进10秒，再有人跑到9.9秒，然后卡住了。而今天这篇论文直接宣布：9.5秒就是人类极限，并且给出了数学意义上的严格证明。这种“一步封神”的成果，在纯数学领域并不常见。
核心突破：指数1/3的最优估计 论文的成果可以浓缩成一句话：在归一化Hilbert–Schmidt范数下，指数1/3既是可以达到的，也是不可能再改进的“天花板”。
先看正面结果——定理1.1。对于任意两个算子范数不超过1的自伴矩阵X、Y，都能找到一对可交换的自伴矩阵X'、Y'，使得：
这里的X'、Y'满足[X',Y']=[X',X]=0。特别之处在于，X'不仅与Y'可交换，还与X可交换——这相当于在“更强约束”下逼近，仍然拿到了指数2/3。如果换一种写法，把距离不平方，结论等价于摘要中的表述：
‖X−X'‖_{2,d} + ‖Y−Y'‖_{2,d} ≤ 5‖[X,Y]‖_{2,d}^{1/3}。常数C_t1在论文的完整证明中可取为24，作者自嘲说“没有刻意优化常数”，四舍五入后得到摘要中的5。
正面结果已经很漂亮，但真正让这篇论文“封神”的是它的反面结果——定理1.2。作者构造了一对“刁钻”的矩阵：
其中X₀是对角元依次递增的对角矩阵（特征值为1/d、2/d、…、d/d），Y₀是“次对角线全1”的对称带状矩阵，像一条腿的梯子。它们的交换子是一个反对称的三对角矩阵：
接下来，无论你怎么挑满足条件[X',Y']=[X',X₀]=0的逼近对(X',Y')，距离平方和都不可能小于：
这就在指数2/3（即距离指数1/3）的位置钉死了一颗钉子：任何声称“比1/3更快”的估计，都会在这对矩阵上碰得头破血流。
用大白话说：作者先造了一对几乎交换的矩阵，然后证明任何“化装大师”都无法把这对矩阵“洗”成真正交换却不付出至少ε^{2/3}的代价（ε是交换子大小）。上界与下界完美咬合，指数1/3就此一锤定音。
证明思路：离散优化与连续估计的巧妙结合 这个证明最精妙的地方，在于把“连续”的矩阵逼近问题，转化成“离散”的组合优化问题。用一句话概括：先把无限维的矩阵配对问题压缩成有限个“断点”的选择，再用谱间隙约化和加权平均完成最后一击。
因为X'与X可交换，而且X是自伴矩阵，所以它们可以同时酉对角化。于是不妨假设X和X'都是对角阵：X=diag{x₁,…,x_d}，X'=diag{t₁,…,t_d}。但X'的特征值可以重复出现——这正是逼近的“自由度”所在：把多个相近的特征值合并成一个，X'的结构就变简单了。
设X'的特征值按从小到大排列，相等值构成一组。分组的分界位置就叫断点
论文的引理2.1给出一个“偷懒工具”：只要断点固定了，最优的X'和Y'可以直接用公式写出来，根本不需要反复迭代优化。最优X'在每个特征子空间上取X的迹平均值：
最优Y'则只保留Y在每个特征子空间内的块，把跨块元素全部清零：
直观地说，要让Y'与X'可交换，Y'必须与所有谱投影P_j可交换，也就是说Y'只能是“分块对角”的。最优选择当然是保留每块内的Y、丢掉块外部分。而X'在每块内取X的平均值最划算。于是，原本复杂的矩阵逼近问题，一下子被简化成了：断点到底怎么选？
断点选得太少，X'离X就远；断点选得太多，Y'丢掉的块外元素就多。想要两全其美，还得先解决一个麻烦：如果X的相邻特征值间隔很大（存在“大间隙”），那么X本身就呈现出一种“分裂”结构。
论文的引理3.2说：如果某个矩阵元素Y_ij对应的特征值差|x_i−x_j|足够大，而交换子整体又很小，那么可以直接把这个矩阵元素清零，而不会让最终估计变差。反复使用这个引理，就能把一个关键假设“洗”出来：
X的谱没有“大间隙” 现在到了本文真正“秀操作”的地方。定义一个断点b的代价ζ_b：
它的含义直观而形象：如果选b作为断点，那么Y矩阵中所有“跨越”断点的元素（即i≤b且j>b的那些Y_ij）都会被丢弃。ζ_b计算的就是这些被丢弃元素模平方的总和（乘2是因为上下三角对称各算一份）。显然，所有断点处的ζ_b加起来，就是Y'相对Y的损失。
接下来的操作堪称“手术刀级”精细：先把区间[−1,1]均匀切成ℓ−1小段（ℓ大致取ε^{−1/3}量级），每段长度记为r。然后在每个小区间内，选择ζ_k最小的整数点作为“候选断点”。由于X的谱无大间隙，每个小区间内的特征值分布相当“密”，这使得断点处的代价可以被整体交换子大小“均匀吸收”。
经过精巧的求和换序、Cauchy–Schwarz不等式等一系列估计，最终得到Y侧的损失上界：
而X侧因为X'的每个特征值都落在X对应特征值附近的一个小区间内，距离平方自然也被ε^{2/3}控制。两部分合起来，定理1.1得证。
整个证明流程可以浓缩成一个“三步连环计”：先固定结构（断点），求得显式最优解；再用谱间隙约化保证结构可优化；最后用离散贪心加连续分析完成封顶。
推广与延伸：多矩阵情形的处理 定理1.1只处理两个矩阵，但数学上更自然的提问是：如果手头有N个两两几乎交换的矩阵，能否把它们同时逼近成N个真正交换的矩阵？
Glebsky和Filonov–Kachkovskiy的构造有一个共同特点：它们构造出的X'不依赖Y，因此可以按“X₁→X₂→…”的次序逐次迭代，从而覆盖多个矩阵。而本文定理1.1中的断点选取是依赖Y的——这是把指数从1/6推进到1/3的关键，却也堵死了直接迭代的路径。
作者没有回避这个困难，而是给出了定理1.3：对于任意X、Y₁、…、Y_N∈B_d，存在X'、Y'₁、…、Y'_N使得：
也就是说，一个X和N个Y_j可以“并肩逼近”，代价不超过24√N乘以所有交换子“总能量”的1/3次方。额外多出的√N因子，是多个Y_j通过Cauchy–Schwarz叠加时不可避免的代价。
进一步，利用定理1.3可以迭代得到推论1.4——N个矩阵同时交换逼近：
指数变为2/(3N−1)，随着N增大指数逐渐下降。作者坦承，这个指数并不期望是最优的——它只是目前已知最好的结果。
值得强调的是，虽然推论1.4的指数并不是终极答案，但它比以往任何已知结果都强。这也是论文标题中“within these constraints, the exponent 1/3 cannot be improved”的含义所在——在“两个矩阵加上与X交换”这个精确框架内，问题的答案已经尘埃落定。
数学意义与未来展望 这个1/3究竟牛在哪？不妨把它看作一张坐标系中的“收束”过程。上界一侧，指数从1/6（Glebsky）到1/4（Filonov–Safarov）再到1/3（本文），一路上攻；下界一侧，本文用反例把1/3钉死为“不可能超越之墙”。上界与下界相撞的瞬间，一个持续近百年的基本问题，就在这个特定框架内画上了句号。
论文技术上的最大突破在于：断点的选择第一次被允许同时依赖X和Y
更广泛地看，这个结果对整个“几乎交换”研究版图有连锁意义。在C*-代数中，几乎交换矩阵序列是研究迹稳定性（tracial stability）的重要测试床。指数1/3的确定，让这类定量估计的“最优标尺”终于有了标定。在量子信息理论中，可交换观测算符对应可以同时精确测量的物理量；小交换子意味着“几乎可同时测量”。本文结果说明，只要允许ε^{2/3}的误差“预算”，就能把几乎可同时测量的系统彻底“转正”为真正可同时测量的系统——而且这个预算已经是最小的。
当然，问题并没有就此终结。多矩阵情形的指数2/(3N−1)看起来仍有余地；非自伴矩阵甚至酉矩阵版本的HS范数几乎交换问题，也还有大量未开拓的空间。正如作者在文中所言：“我们并不预期它是最优的。”数学的魅力恰恰在于：每解决一个终极问题，就会在远处升起新的问号。
龙迷三问 这篇论文到底在解决什么问题？ 本文研究归一化Hilbert–Schmidt范数下的几乎交换矩阵逼近问题，证明任意两个自伴矩阵可被可交换矩阵对逼近，距离平方和不超过交换子范数的2/3次幂，且指数1/3不可改进。该结果同时被推广至多矩阵情形。这篇工作最值得看的点是什么？ 本文为纯理论数学论文，无实验部分。主要结果包括：定理1.1给出指数1/3的逼近估计（常数可取24）；定理1.2证明该指数不可改进；定理1.3将结果推广到多个矩阵情形；推论1.4给出N个矩阵的迭代估计。这篇工作的边界或风险在哪里？ 优点：1) 首次在归一化Hilbert-Schmidt范数下获得指数1/3的定量结果，且证明指数最优；2) 证明方法新颖，将离散优化与连续估计相结合；3) 结果可推广到多个矩阵情形。缺点：1) 常数较大（24），未做优化；2) 定理1.1的结论不能直接迭代到多个矩阵，需要额外修改；3) 推论1.4的估计可能不是最优的。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
本文通过将几乎交换矩阵问题分解为离散优化与连续优化两部分，利用谱间隙假设和加权平均估计，证明了在归一化Hilbert-Schmidt范数下存在指数为1/3的定量逼近结果，并证明该指数不可改进。实验合理度： ★★★☆☆
现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。学术研究价值： ★★★★☆
本文通过将几乎交换矩阵问题分解为离散优化与连续优化两部分，利用谱间隙假设和加权平均估计，证明了在归一化Hilbert-Schmidt范数下存在指数为1/3的定量逼近结果，并证明该指数不可改进；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： 1) 常数较大（24），未做优化；2) 定理1.1的结论不能直接迭代到多个矩阵，需要额外修改；3) 推论1.4的估计可能不是最优的。
[1] Glebsky L., Almost commuting matrices with respect to normalized Hilbert-Schmidt norm, arXiv:1002.3082 (2010). [2] Filonov N., Kachkovskiy I., A Hilbert-Schmidt analog of Huaxin Lin's theorem, arXiv:1008.4002. [3] Filonov N., Safarov Y., On the relation between the operator and its self-commutator, J. Funct. Analysis 260 (2011), 2902–2932. [4] Friis P., Rørdam M., Almost commuting self-adjoint matrices — a short proof of Huaxin Lin's theorem, J. Reine Angew. Math. 479 (1996), 121–131. [5] Hastings M., Loring T., Almost commuting matrices, localized Wannier functions, and the quantum Hall effect, J. Math. Phys. 51 (2010), no. 1, 015214. [6] Choi M.-D., Almost Commuting Matrices Need not be Nearly Commuting, Proc. Amer. Math. Soc. 102 (1988), no. 3, 529–533. [7] Dor-On A., Hall L., Kachkovskiy I., On almost commuting unitary matrices, arXiv:2510.03674 (2026). [8] Atkinson S., Some Results on Tracial Stability and Graph Products, Indiana Univ. Math. J. 70 (2021), no. 3, 1167–1187. 论文原文链接：https://arxiv.org/pdf/2608.31000v1.pdf 交换子轻轻一抖，距离指数握在手；
矩阵逼近到最优，龙哥群里来交流！🍻
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 数学+上海+复旦+龙哥） ，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群，数学与基础理论同好也在集结中～
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
