Gurau's spectral density is not a probability measure for individual real symmetric tensors

Die Arbeit zeigt, dass die mit Gurau's Resolventen-Spur assoziierte spektrale Dichte zwar im Mittel für bestimmte zufällige Tensor-Ensembles als Wahrscheinlichkeitsmaß interpretiert werden kann, für einzelne deterministische Tensoren jedoch nicht als solches existiert.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Architekt, der versucht, die Struktur eines riesigen, komplexen Gebäudes zu verstehen. In der Welt der Mathematik und Physik gibt es zwei Arten von Bausteinen: Matrizen (die wie flache, zweidimensionale Gitter aussehen) und Tensoren (die wie mehrdimensionale, klobige Klötze aussehen, die in viele Richtungen gleichzeitig wachsen können).

Das Papier von Jerdee, Kunisky und Moore erzählt eine Geschichte über einen Versuch, eine „Landkarte" für diese Bausteine zu zeichnen – eine Landkarte, die zeigt, wie die Energie oder die „Schwingungen" in diesen Strukturen verteilt sind. Diese Landkarte nennen sie Gurau's spektrale Dichte.

Hier ist die Geschichte in einfachen Worten, mit ein paar anschaulichen Vergleichen:

1. Der alte, bewährte Weg (Matrizen)

Stellen Sie sich eine Matrix wie ein flaches, quadratisches Schachbrett vor. Wenn Sie dieses Brett untersuchen, können Sie eine sehr zuverlässige Regel anwenden: Die Zahlen, die Sie herausbekommen, wenn Sie das Brett analysieren, passen immer perfekt zu einer Wahrscheinlichkeitsverteilung.

• Die Analogie: Stellen Sie sich vor, Sie werfen einen Würfel. Die Ergebnisse (1 bis 6) ergeben eine klare Verteilung. Bei Matrizen funktioniert das immer. Egal wie das Brett aussieht, die „Landkarte" der Ergebnisse ist immer eine gültige, sinnvolle Wahrscheinlichkeitskarte. Man kann sagen: „Hier ist die Chance, dass dieser Wert vorkommt."

2. Der neue, komplizierte Weg (Tensoren)

Nun wollen die Forscher diese Methode auf Tensoren übertragen. Ein Tensor ist wie ein 3D-Würfel oder sogar ein 4D-Kristall, der in alle Richtungen gleichzeitig denkt. Das ist viel komplexer als ein flaches Brett.

Der Wissenschaftler Gurau (2020) hatte eine geniale Idee: „Lass uns die gleiche Formel verwenden, die für flache Bretter funktioniert, und sie auf diese 3D-Kristalle anwenden!"
Die Hoffnung war: Wenn wir diese Formel auf einen zufälligen 3D-Kristall anwenden, sollten wir wieder eine perfekte Wahrscheinlichkeitskarte erhalten, die uns sagt, wie die Werte verteilt sind.

3. Die überraschende Entdeckung (Das Problem)

Die Autoren dieses Papiers haben gesagt: „Warten Sie mal. Das funktioniert nicht immer."

Sie haben einen ganz bestimmten, festgelegten 3D-Kristall (einen deterministischen Tensor) konstruiert und die Formel angewendet. Das Ergebnis war schockierend:
Die Zahlen, die herauskamen, ergaben keine gültige Wahrscheinlichkeitskarte.

• Die Analogie: Stellen Sie sich vor, Sie versuchen, eine Landkarte zu zeichnen, die angibt, wie wahrscheinlich es ist, dass es regnet. Normalerweise sagen die Zahlen: „10 % Regen, 90 % Sonne".
  Aber bei diesem speziellen 3D-Kristall sagten die Zahlen plötzlich: „-5 % Regen".
  Das ist physikalisch und mathematisch unmöglich! Eine Wahrscheinlichkeit kann nicht negativ sein. Es ist, als würde eine Waage ein Gewicht von „minus 2 Kilogramm" anzeigen. Das ergibt keinen Sinn.

4. Was bedeutet das für die Wissenschaft?

Bisher dachten die Forscher: „Wenn wir viele dieser Kristalle nehmen und im Durchschnitt schauen, funktioniert die Landkarte perfekt." Das ist wie beim Wetter: Wenn Sie den Durchschnitt über 100 Jahre nehmen, ist die Verteilung von Regen und Sonne perfekt vorhersehbar.

Aber dieses Papier zeigt: Wenn Sie sich einen einzelnen, ganz bestimmten Kristall ansehen, funktioniert die Landkarte nicht. Die „spektrale Dichte" (die Landkarte) existiert für einzelne Kristalle nicht als gültige Wahrscheinlichkeitsverteilung.

• Die Metapher: Es ist, als ob Sie eine Musikgruppe hätten. Wenn Sie den Durchschnitt aller Mitglieder hören, klingt es wie eine perfekte Symphonie (das ist der „Durchschnitt" über viele Zufallstensor). Aber wenn Sie sich ein einzelnes, spezifisches Mitglied ansehen, spielt es vielleicht einen Ton, der so schief ist, dass er die ganze Harmonie zerstört. Die „Symphonie" existiert nur im Durchschnitt, nicht im einzelnen Musiker.

5. Die Lösung (oder zumindest eine Idee)

Die Autoren schlagen vor, dass man vielleicht nicht nach einer normalen Wahrscheinlichkeitskarte suchen sollte, sondern nach einer „Vorzeichen-Karte" (einem sogenannten Vorzeichen-Maß).
Stellen Sie sich vor, Sie erlauben es, dass einige Bereiche der Landkarte „negativ" sind. Das klingt seltsam, aber in der Mathematik kann das manchmal funktionieren, um die komplexen Strukturen der Tensoren zu beschreiben. Es ist wie bei einer Buchhaltung, bei der Sie Schulden (negative Zahlen) und Guthaben (positive Zahlen) haben, um den Gesamtzustand zu verstehen.

Zusammenfassung für den Alltag

• Das Problem: Ein mathematisches Werkzeug, das für einfache, flache Objekte (Matrizen) perfekt funktioniert, versagt bei komplexen, mehrdimensionalen Objekten (Tensoren), wenn man es auf ein einzelnes Objekt anwendet.
• Die Erkenntnis: Man kann nicht einfach annehmen, dass die „Landkarte" der Werte immer eine echte Wahrscheinlichkeit ist. Manchmal ergeben sich negative Werte, die physikalisch unmöglich sind.
• Die Bedeutung: Das zwingt die Wissenschaftler, ihre Theorien über diese komplexen 3D-Strukturen zu überdenken. Sie müssen lernen, mit diesen „negativen Wahrscheinlichkeiten" umzugehen oder neue Wege finden, um diese Strukturen zu beschreiben.

Kurz gesagt: Was im Durchschnitt funktioniert, funktioniert nicht für jeden einzelnen Fall. Die Welt der Tensoren ist chaotischer und seltsamer, als man dachte!

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel und Autoren

Titel: Gurau's spectral density is not a probability measure for individual real symmetric tensors (Guraus spektrale Dichte ist kein Wahrscheinlichkeitsmaß für einzelne reelle symmetrische Tensoren)
Autoren: Maximilian Jerdee, Dmitriy Kunisky, Cristopher Moore
Institutionen: Santa Fe Institute, Johns Hopkins University
Datum: 6. März 2026 (veröffentlicht auf arXiv)

---

1. Problemstellung

Das Paper adressiert ein fundamentales Problem in der Verallgemeinerung der Theorie zufälliger Matrizen auf Tensoren höherer Ordnung.

• Kontext: In der klassischen Theorie zufälliger Matrizen ist die Spur der Resolvente $R_X(z) = \frac{1}{N}\text{Tr}(zI - X)^{-1}$ einer reellen symmetrischen Matrix $X$ eng mit der empirischen Eigenwertverteilung verknüpft. Die Koeffizienten der Laurent-Reihenentwicklung dieser Funktion entsprechen den Momenten einer Wahrscheinlichkeitsmaßes (der spektralen Dichte).
• Verallgemeinerung: Gurau (2020) schlug eine Verallgemeinerung dieser Resolventenspur auf reelle symmetrische Tensoren $T$ der Ordnung $p$ vor. Für große zufällige Tensoren (insbesondere aus Gauß-Ensembles) konvergieren die erwarteten Koeffizienten dieser Erweiterung gegen die Momente bekannter Verteilungen (wie das Wigner-Halbkreis-Gesetz oder das Marchenko-Pastur-Gesetz).
• Die offene Frage: Es war unklar, ob für jeden einzelnen, deterministischen Tensor $T$ die Koeffizienten der Gurau-Resolvente als Momente eines gültigen Wahrscheinlichkeitsmaßes interpretiert werden können. Mit anderen Worten: Existiert für jedes $T$ eine "Gurau-spektrale Dichte" $\gamma_T$, sodass $\int x^k d\gamma_T(x) = \frac{1}{N} I_k(T)$ gilt?
• Hypothese: Bisherige Arbeiten zeigten dies nur im Erwartungswert über zufällige Ensembles. Die Autoren untersuchen, ob dies punktweise für deterministische Tensoren gilt.

2. Methodik und theoretischer Hintergrund

Die Autoren nutzen Methoden aus der Invariantentheorie, der kombinatorischen Graphentheorie und der Theorie zufälliger Variablen.

• Gurau-Resolvente und Invariante Polynome:
  Die Resolvente $R_T(z)$ wird über eine Erwartungswertbildung über einen Gaußschen Zufallsvektor $g \sim \mathcal{N}(0, I_N)$ definiert:
  $$Z_T(z) = \mathbb{E}_g \left[ \exp\left( \frac{1}{pz} \langle T, g^{\otimes p} \rangle \right) \right]$$
  Die Koeffizienten der Entwicklung von $R_T(z)$ lassen sich durch invariant Polynome $I_k(T)$ ausdrücken.
• Verbindung zu Kumulanten:
  Ein zentraler Schritt der Analyse ist die Identifikation der Koeffizienten $I_k(T)$ mit den Kumulanten der Zufallsvariablen $Y = \langle T, g^{\otimes p} \rangle$.
  Es wird gezeigt, dass:
  $$\frac{1}{N} I_k(T) \propto \kappa_k(\langle T, g^{\otimes p} \rangle)$$
  wobei $\kappa_k$ der $k$-te Kumulant ist.
• Das Kriterium für Wahrscheinlichkeitsmaße:
  Damit eine Folge von Zahlen die Momente eines Wahrscheinlichkeitsmaßes ist, müssen bestimmte Bedingungen erfüllt sein (z. B. Positivität der Hankel-Matrizen). Ein notwendiges, aber nicht hinreichendes Kriterium ist, dass die Kumulanten nicht willkürlich negativ sein dürfen, wenn sie als Momente interpretiert werden sollen. Insbesondere muss für ein Wahrscheinlichkeitsmaß die 4. Momente-Relation $\mathbb{E}[Y^4] \ge 3(\mathbb{E}[Y^2])^2$ gelten (für symmetrische Verteilungen), was äquivalent zu $\kappa_4(Y) \ge 0$ ist.
• Unterschied zwischen Matrizen ($p=2$) und Tensoren ($p \ge 3$):
  Für Matrizen ($p=2$) ist $\langle T, g^{\otimes 2} \rangle = g^T T g$. Aufgrund des Spektralsatzes ist dies eine gewichtete Summe von $\chi^2$-verteilten Variablen, was die Kumulanten stark einschränkt und sicherstellt, dass sie gültige Momentenfolgen ergeben. Für Tensoren ($p \ge 3$) fehlt eine solche Struktur, und die Zufallsvariable $\langle T, g^{\otimes p} \rangle$ kann viel "pathologischer" sein.

3. Konstruktion des Gegenbeispiels (Beweis des Hauptsatzes)

Das Kernstück des Papers ist die explizite Konstruktion eines Tensors, für den die spektrale Dichte nicht existiert.

• Ziel: Finde einen Tensor $T$, sodass $\kappa_4(\langle T, g^{\otimes p} \rangle) < 0$. Da für ein Wahrscheinlichkeitsmaß $\kappa_4$ nicht negativ sein kann (unter der Annahme symmetrischer Verteilung, was hier durch die Konstruktion erfüllt ist), würde dies beweisen, dass keine solche Verteilung existiert.
• Schritt 1: Univariate Approximation:
  Die Autoren suchen ein Polynom $q(x)$, sodass für eine Standardnormalvariable $g_1$ gilt: $\kappa_4(q(g_1)) < 0$.
  Ein einfaches Beispiel ist $q(x) = x - \frac{1}{10}x^3$.
  Berechnung ergibt: $\kappa_4(g_1 - \frac{1}{10}g_1^3) = -\frac{87}{250} < 0$.
  Hinweis: Für $p=2$ (quadratische Polynome) ist dies unmöglich, da $\kappa_4$ dort immer positiv ist.
• Schritt 2: Homogenisierung:
  Um dies auf einen Tensor der Ordnung $p=3$ zu übertragen, muss das Polynom homogenisiert werden. Sie konstruieren eine Zufallsvariable der Form:
  $$Y_N = g_1 \left( \frac{1}{N} \sum_{i=2}^{N+1} g_i^2 \right) - \frac{1}{10} g_1^3$$
  Hier approximiert der Term $\frac{1}{N} \sum g_i^2$ durch das Gesetz der großen Zahlen fast sicher gegen 1, wenn $N \to \infty$. Somit konvergiert $Y_N$ in der Verteilung gegen $g_1 - \frac{1}{10}g_1^3$.
• Schritt 3: Tensor-Repräsentation:
  Da $Y_N$ ein homogenes Polynom dritten Grades in den Variablen $g_1, \dots, g_{N+1}$ ist, existiert ein Tensor $T^{(N)} \in \text{Sym}_3(\mathbb{R}^{N+1})$, sodass $Y_N = \langle T^{(N)}, g^{\otimes 3} \rangle$.
• Schritt 4: Numerische Bestätigung:
  Die Autoren berechnen den Kumulanten $\kappa_4(Y_N)$ explizit als Funktion von $N$:
  $$f(N) = -\frac{87}{250} + \frac{6}{N} + \frac{72}{N^2} + \frac{144}{N^3}$$
  Für $N \ge 26$ ist dieser Wert negativ.
• Konkretes Ergebnis:
  Für $N=26$ (also Dimension $27$) existiert ein Tensor$T \in \text{Sym}_3(\mathbb{R}^{27})$ mit den Einträgen:
  • $T_{1,1,1} = -1/10$
  • $T_{1,i,i} = T_{i,1,i} = T_{i,i,1} = 1/(3 \cdot 26) = 1/78$ für $i \in \{2, \dots, 27\}$
  • Alle anderen Einträge sind 0.
    Für diesen Tensor gilt $I_4(T) < 0$.

4. Wichtige Ergebnisse

• Hauptsatz (Theorem 1.1): Es existiert ein deterministischer reeller symmetrischer Tensor $T \in \text{Sym}_3(\mathbb{R}^{27})$, für den die Größe $I_4(T)$ negativ ist.
• Konsequenz: Da die Momente eines Wahrscheinlichkeitsmaßes nicht zu einem negativen 4. Kumulanten führen können (bei symmetrischer Verteilung), existiert für diesen Tensor kein Wahrscheinlichkeitsmaß $\gamma_T$, dessen Momente durch die Koeffizienten der Gurau-Resolvente gegeben sind.
• Allgemeingültigkeit: Da $I_4(T)$ ein stetiges Polynom in den Tensor-Einträgen ist, gilt dies für eine ganze offene Menge (eine "Kugel") von Tensoren in der Nähe des konstruierten Beispiels.

5. Bedeutung und Implikationen

• Einschränkung der "Spektralen Dichte": Das Paper zeigt, dass der Begriff der "Gurau-spektralen Dichte" nicht punktweise für jeden einzelnen Tensor definiert werden kann, wie es bei Matrizen der Fall ist. Die Existenz einer solchen Dichte ist nur im Durchschnitt über zufällige Ensembles (im thermodynamischen Limit) gesichert.
• Unterschied zur Matrix-Theorie: Es wird deutlich gemacht, dass die Strukturtheorie für Matrizen (Spektralsatz, Eigenwertzerlegung) eine starke Einschränkung darstellt, die bei Tensoren höherer Ordnung fehlt. Tensoren können "schlechtere" Zufallsvariablen erzeugen, die keine gültige spektrale Interpretation zulassen.
• Mögliche "Fixe": Die Autoren diskutieren in Remark 1.2, dass man die Definition erweitern könnte, indem man signierte Maße (signed measures) zulässt. Jede reelle Zahlenfolge kann als Momentenfolge eines signierten Maßes interpretiert werden. Dies könnte ein Weg sein, die Theorie konsistent zu halten, erfordert aber eine Abkehr von der klassischen Interpretation als Wahrscheinlichkeitsdichte.
• Zukunftsausblick: Die Arbeit regt dazu an, die Natur der Resolvente für Tensoren neu zu überdenken. Die Konvergenz gegen die bekannten Verteilungen (Halbkreis etc.) gilt nur im Erwartungswert, nicht notwendigerweise für einzelne Realisierungen.

Zusammenfassend widerlegt das Paper die Annahme, dass die Gurau-Resolvente für Tensoren eine direkte Verallgemeinerung der spektralen Dichte im Sinne eines Wahrscheinlichkeitsmaßes für jeden Tensor darstellt, und liefert ein explizites, konstruktives Gegenbeispiel.