Computing Left Eigenvalues of Quaternion Matrices

1. Problématique et Contexte

L'article aborde le problème computationnel du calcul des valeurs propres à gauche de matrices à coefficients quaternioniques ($A \in \mathbb{H}^{n \times n}$). Une valeur propre à gauche $\lambda \in \mathbb{H}$ est définie par l'existence d'un vecteur non nul $v \in \mathbb{H}^n$ tel que :
$$Av = \lambda v$$

Contrairement aux matrices complexes, le corps des quaternions $\mathbb{H}$ est non commutatif. Cela rend le spectre à gauche ($\sigma_\ell(A)$) beaucoup plus complexe que le spectre classique :

• Il n'est pas invariant par similarité quaternionique (contrairement au spectre à droite).
• Il peut contenir non seulement des points isolés, mais aussi des continus (notamment des familles sphériques, c'est-à-dire des sphères de dimension 2 dans l'espace des quaternions).
• Le nombre de valeurs propres isolées peut être différent de $n$ (il peut y en avoir plus ou moins, ou le spectre peut être déficient).

Les méthodes existantes souffrent souvent de limitations : elles reposent sur des éliminations déterminantales qui deviennent rapidement impraticables pour $n$ modéré, ou elles ne gèrent pas bien les cas dégénérés et les composantes continues.

2. Méthodologie

L'auteur propose une méthode pratique basée sur l'algorithme de Newton, conçue pour être robuste et applicable à des matrices de toute taille.

A. Formulation du problème avec contrainte de jauge

L'équation $Av - \lambda v = 0$ est invariante par multiplication à droite du vecteur propre par un quaternion non nul ($v \to vq$). Pour obtenir un système bien posé (carré et lisse) pour l'itération de Newton, il faut fixer cette liberté de jauge.
L'auteur impose une contrainte de jauge simple :

1. Normalisation : $\|v\|_2 = 1$.
2. Réalité d'une composante pivot : Pour un indice $j$ choisi (généralement celui de la composante la plus grande), on impose que $v_j \in \mathbb{R}$ et $v_j > 0$.

Cela transforme le problème en un système d'équations réelles lisses de dimension $4n + 4$.

B. Embedding Réel et Résolution Linéaire

Au lieu de manipuler directement l'algèbre quaternionique complexe, la méthode utilise un embedding réel ($\rho$).

• Chaque quaternion est représenté par un vecteur de $\mathbb{R}^4$.
• La multiplication à gauche par un quaternion est représentée par une matrice réelle $4 \times 4$ ($L(q)$).
• La matrice quaternionique $A$ est convertie en une grande matrice réelle $\rho(A) \in \mathbb{R}^{4n \times 4n}$.

L'itération de Newton consiste alors à résoudre un système linéaire réel carré de taille $(4n+4) \times (4n+4)$ à chaque étape :
$$\begin{bmatrix} \rho(A - \lambda I) & -B(x) \\ C(x) & 0 \end{bmatrix} \begin{bmatrix} u \\ w \end{bmatrix} = - \begin{bmatrix} \text{vec}(d) \\ 0 \end{bmatrix}$$
où $u$ et $w$ sont les corrections de $x$ et $\lambda$, et $B(x), C(x)$ proviennent des contraintes de jauge. Cela permet d'utiliser des noyaux d'algèbre linéaire standard (réels ou complexes) très efficaces.

C. Stratégie Globale et Détection de Sphères

Pour explorer l'ensemble du spectre :

• Multi-démarrage (Multi-start) : L'algorithme lance de nombreuses itérations de Newton à partir de conditions initiales aléatoires.
• Dé-duplication : Les solutions convergées sont regroupées pour identifier les valeurs propres distinctes.
• Détection sphérique : Pour les cas où le spectre contient des composantes continues (sphères), les différentes itérations convergent vers différents points sur la même variété. L'algorithme post-traite ces points par clustering et ajustement de sphère dans $\mathbb{R}^4$ pour détecter et paramétrer ces composantes.

D. Certificats de Résidus

La méthode fournit des certificats numériques rigoureux basés sur le résidu minimal :
$$\text{res}_{\min}(A, \lambda) = \sigma_{\min}(\rho(A - \lambda I))$$
Cela permet de distinguer les vraies valeurs propres des artefacts numériques et de gérer les cas mal conditionnés.

3. Contributions Clés

1. Algorithme Newtonien Direct : Développement d'une itération de Newton spécifique aux paires propres gauches, avec une contrainte de jauge explicite assurant la convergence quadratique locale pour les racines isolées simples.
2. Utilisation d'Embeddings Standards : La méthode ne nécessite pas de bibliothèques d'algèbre linéaire quaternionique spécialisées ; elle se base uniquement sur des solveurs linéaires réels/complexes standards via l'embedding $\rho$.
3. Gestion des Phénomènes Non Génériques :
   • Capacité à détecter des cas où le nombre de valeurs propres isolées est supérieur à $n$.
   • Détection de la "déficience du spectre" (moins de $n$ valeurs propres).
   • Identification et paramétrisation de composantes sphériques continues.
4. Implémentation et Reproductibilité : Fourniture d'une implémentation MATLAB autonome, compacte et open-source, accompagnée de certificats de résidus et d'une validation extensive.

4. Résultats Expérimentaux

Les tests ont été réalisés sur une large gamme de matrices (de $2 \times 2$ jusqu'à $64 \times 64$) incluant :

• Des exemples classiques de la littérature (Huang-So, Macías-Virgós, etc.) avec des spectres connus (isolés, sphériques, déficients).
• Des ensembles de matrices aléatoires (denses, creuses, hermitiennes, triangulaires).

Constats principaux :

• Précision : La méthode atteint une précision proche de la machine ($10^{-16}$) pour les cas isolés bien conditionnés.
• Robustesse : Elle réussit à retrouver $n$ valeurs propres distinctes pour presque tous les ensembles de test jusqu'à $n=64$.
• Détection de cas rares : L'algorithme a réussi à identifier des matrices avec plus de $n$ valeurs propres isolées et des matrices avec des composantes sphériques, confirmant la capacité de la méthode à capturer la géométrie complexe du spectre quaternionique.
• Efficacité : Le coût computationnel est dominé par la résolution des systèmes linéaires réels, ce qui reste gérable grâce à l'utilisation de routines standard optimisées.

5. Signification et Impact

Cet article comble un vide important dans le calcul scientifique numérique pour les systèmes quaternioniques.

• Pratique : Il offre la première méthode "boîte noire" robuste et efficace pour calculer les valeurs propres gauches de matrices de taille modérée à grande, sans avoir à résoudre des systèmes polynomiaux non linéaires de haut degré.
• Théorique : Il démontre empiriquement la richesse du spectre quaternionique (phénomènes de sphères, multiplicités anormales) et fournit un cadre pour les analyser numériquement.
• Reproductibilité : En fournissant un code source complet et des protocoles de test détaillés, l'auteur établit un standard pour la validation future des algorithmes quaternioniques.

En résumé, Sebek propose une solution pragmatique qui transforme un problème algébrique non commutatif difficile en une série de problèmes linéaires réels bien conditionnés, tout en fournissant les outils nécessaires pour interpréter les résultats dans des situations spectrales atypiques.