🔢 mathematics

Eigenvalue stability of Hermitian and normal matrices

Cet article démontre que l'application des valeurs propres ordonnées est continue mais non uniformément continue sur les espaces de Sobolev pour les matrices hermitiennes et normales, tout en étendant ces résultats de stabilité à divers concepts mathématiques tels que les valeurs singulières et les opérateurs auto-adjoints compacts.

Auteurs originaux : Adam Parusiński, Armin Rainer

Publié 2026-03-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Adam Parusiński, Armin Rainer

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un chef d'orchestre. Devant vous se trouvent des musiciens (les nombres) qui forment un ensemble complexe : un matrice. Votre travail consiste à écouter l'orchestre et à identifier les notes principales, c'est-à-dire les valeurs propres (eigenvalues).

Le problème, c'est que si vous changez légèrement la partition (vous modifiez la matrice), les notes peuvent changer de manière très imprévisible. Parfois, deux notes qui étaient bien séparées se rapprochent dangereusement, et leur ordre s'inverse. C'est ce qu'on appelle la stabilité des valeurs propres.

Ce papier de recherche, écrit par Adam Parusiński et Armin Rainer, s'attaque à une question fondamentale : Si je modifie ma partition de manière "lisse" (sans à-coups brutaux), est-ce que les notes principales de l'orchestre changeront aussi de manière lisse ?

Voici l'explication de leurs découvertes, sans les formules mathématiques compliquées.

1. Le problème de l'ordre (La file d'attente)

Imaginons que vos musiciens doivent se ranger par taille (de la plus petite à la plus grande note).

Cas simple (Matrices Hermitiennes) : C'est comme une file d'attente de personnes de tailles différentes. Si vous faites bouger les gens doucement, la file reste ordonnée. La taille de la personne à la position 1 reste la plus petite, celle à la position 2 la deuxième plus petite, etc.
Cas complexe (Matrices Normales) : Ici, les notes sont des nombres complexes (comme des points sur une carte avec une latitude et une longitude). Il n'y a pas de "plus grand" ou "plus petit" naturel. C'est comme un groupe d'oiseaux qui volent en formation. On ne peut pas dire "l'oiseau 1 est devant l'oiseau 2" de façon absolue, on voit juste le groupe entier.

2. La découverte principale : La régularité "Sobolev"

Les auteurs ont étudié ce qui se passe quand la partition change. Ils ont utilisé un outil mathématique appelé l'espace de Sobolev ( $W^{1,q}$ ). Pour faire simple, imaginez que ce n'est pas seulement la note qui compte, mais aussi la vitesse à laquelle la note change.

Leur résultat surprenant est le suivant :

Si la partition change de façon "lisse" (Lipschitz) : On pourrait penser que les notes changeront aussi de façon lisse. Faux ! Les auteurs montrent que même si la partition bouge doucement, les notes peuvent faire des "sauts" dans leur vitesse de changement. C'est comme si vous conduisiez une voiture très doucement, mais que l'aiguille du compteur de vitesse sautait de 0 à 100 km/h instantanément. C'est continu (pas de saut de la note elle-même), mais pas lisse (la dérivée saute).
Si on regarde la "moyenne" (Sobolev) : Par contre, si on regarde le comportement global, en moyenne, sur tout le trajet, alors tout est parfaitement stable. Les changements de vitesse des notes restent bien contrôlés.

L'analogie du miroir brisé :
Imaginez que vous tenez un miroir (la matrice). Si vous le tenez de façon stable, votre reflet (les valeurs propres) est stable.

Si vous bougez le miroir très vite et brutalement, le reflet peut devenir flou ou se déformer de manière chaotique.
Les auteurs disent : "Même si vous bougez le miroir de façon très fluide, le reflet peut avoir des micro-saccades. Mais si vous regardez l'ensemble du mouvement, sans vous focaliser sur un instant précis, le reflet reste parfaitement cohérent et prévisible."

3. Pourquoi c'est important ? (Les applications)

Ce n'est pas juste de la théorie abstraite. Cela a des conséquences réelles :

Les singularités (Singular Values) : C'est comme mesurer la force d'un signal. Si vous avez un appareil médical (IRM) ou un système de communication, vous voulez être sûr que si vous changez un peu les réglages, la qualité du signal ne s'effondre pas. Ce papier dit : "Oui, c'est stable, vous pouvez faire confiance à vos calculs."
La condition des matrices : C'est une mesure de la "fragilité" d'un calcul. Si un système est fragile, une petite erreur de mesure peut tout fausser. Les auteurs montrent comment cette fragilité évolue de manière stable.
La surface des graphes : Ils calculent la "surface" de la forme que forment ces notes. Imaginez une montagne dont le sommet change. Ils prouvent que la surface de cette montagne ne change pas de façon erratique quand la montagne bouge.
Les opérateurs compacts : C'est comme avoir un orchestre infini (en physique quantique, par exemple). Ils montrent que même avec une infinité de musiciens, si le chef d'orchestre est stable, les notes principales restent stables.

4. Ce qui ne marche pas (Les limites)

Les auteurs sont honnêtes : leur résultat n'est pas magique.

Si vous exigez que tout soit parfaitement lisse (pas de saccade d'aucune sorte, même infinitésimale), alors la stabilité échoue. Il existe des cas où une modification infiniment petite de la partition provoque une modification infinie de la vitesse des notes.
C'est un peu comme dire : "Si vous conduisez très doucement, vous arriverez à destination sans accident (stabilité globale), mais vous ne pouvez pas garantir que votre vitesse ne changera jamais d'un millième de km/h de façon brutale (manque de régularité locale)."

En résumé

Ce papier est une carte de navigation pour les mathématiciens et les ingénieurs qui travaillent avec des systèmes complexes (matrices).

Il dit : "Ne vous inquiétez pas si les notes changent de vitesse de manière bizarre à un instant précis. Si vous regardez l'ensemble du mouvement, tout est sous contrôle."

C'est une victoire de la stabilité globale sur le chaos local. Cela permet de construire des algorithmes plus robustes pour le calcul scientifique, l'imagerie médicale et la physique quantique, en sachant que les erreurs ne vont pas s'amplifier de façon catastrophique.

1. Problématique et Contexte

La théorie des perturbations des opérateurs hermitiens et normaux est un domaine classique de l'analyse fonctionnelle et de l'algèbre linéaire. Un résultat fondamental, le théorème de perturbation de Weyl, établit que les valeurs propres ordonnées d'une matrice hermitienne forment une application lipschitzienne par rapport à la norme des matrices (avec une constante de Lipschitz égale à 1).

Cependant, la question centrale abordée dans ce papier concerne la stabilité de ces applications de valeurs propres lorsqu'elles sont composées avec des fonctions définies sur des espaces de Sobolev ou des espaces de fonctions lipschitziennes. Plus précisément, les auteurs étudient le morphisme caractéristique (ou application caractéristique) :
$E: A \mapsto \lambda^\uparrow \circ A$
où $A$ est une famille de matrices hermitiennes (ou normales) dépendant d'un paramètre dans un domaine $U \subset \mathbb{R}^m$ , et $\lambda^\uparrow$ désigne le vecteur des valeurs propres triées par ordre croissant.

Le problème principal est de déterminer la régularité de cette application $E$ :

Si $A$ appartient à un espace de Sobolev $W^{1,q}(U)$ , les valeurs propres $\lambda^\uparrow \circ A$ appartiennent-elles à $W^{1,q}(U)$ ?
L'application $E$ est-elle continue par rapport aux topologies de ces espaces ?
Comment ces résultats s'étendent-ils aux matrices normales (où les valeurs propres sont complexes et ne peuvent pas être ordonnées globalement de manière continue) ?

2. Méthodologie

Les auteurs développent une approche combinant l'analyse fonctionnelle, la géométrie algébrique réelle et la théorie des perturbations.

Cas Hermitien (Valeurs propres réelles) :
- L'approche repose sur une induction sur la taille $d$ de la matrice.
- Un outil clé est le lemme de décomposition (splitting lemma) pour les matrices triangulaires complexes, qui permet une block-diagonalisation unitaire locale uniforme. Lorsque les valeurs propres ne coïncident pas, la matrice peut être décomposée localement en blocs plus petits via une transformation unitaire de classe Nash (analytique réelle).
- Cette décomposition permet de réduire le problème de stabilité pour une matrice $d \times d$ à des problèmes de stabilité pour des blocs de taille inférieure ( $d_1$ et $d_2$ ), en exploitant la séparation des spectres des blocs.
- L'analyse utilise des inégalités de type Vitali et des critères de dé la Vallée Poussin pour gérer la convergence dans les espaces $L^q$ et $W^{1,q}$ .
Cas Normal (Valeurs propres complexes) :
- Puisque les valeurs propres d'une matrice normale ne peuvent pas être ordonnées continûment sur un domaine de dimension $\ge 2$ , les auteurs traitent les valeurs propres comme des fonctions multivaluées.
- Ils utilisent le cadre théorique des fonctions de Sobolev à valeurs dans un espace métrique, spécifiquement l'espace des $d$ -uplets non ordonnés de nombres complexes $\mathbb{A}^d(\mathbb{C})$ , muni de la métrique de Wasserstein (ou métrique de transport optimal) définie par Almgren.
- L'application caractéristique est alors vue comme une application vers l'espace de Sobolev $W^{1,q}(U, \mathbb{A}^d(\mathbb{C}))$ .
- La preuve suit une stratégie similaire au cas hermitien mais nécessite de travailler avec des paramétrisations locales et des embeddings de Almgren pour définir la convergence forte.
Cas Lipschitzien ( $q=\infty$ ) :
- Les auteurs distinguent soigneusement le cas $q < \infty$ du cas $q = \infty$ (espace $C^{0,1}$ ). Ils montrent que la continuité échoue dans la topologie naturelle de $C^{0,1}$ mais persiste dans des topologies plus faibles (comme la topologie induite par l'inclusion dans $W^{1,q}$ ).

3. Résultats Clés

A. Stabilité pour les Matrices Hermitiennes

Continuité dans $W^{1,q}$ ( $1 \le q < \infty$ ) :
Le morphisme caractéristique $E: W^{1,q}(U, \text{Herm}(d)) \to W^{1,q}(U, \mathbb{R}^d)$ est continu. Cela signifie que si une suite de matrices $A_n$ converge vers $A$ dans $W^{1,q}$ , alors leurs valeurs propres ordonnées convergent vers celles de $A$ dans $W^{1,q}$ .
Non-continuité dans $C^{0,1}$ (Lipschitz) :
L'application $E: C^{0,1}(U, \text{Herm}(d)) \to C^{0,1}(U, \mathbb{R}^d)$ n'est pas continue. La topologie naturelle de l'espace de Lipschitz est trop forte. Cependant, elle est continue si la cible est munie de la topologie induite par $W^{1,q}$ (pour tout $q < \infty$ ) ou de la topologie de Hölder $C^{0,\alpha}$ pour $\alpha < 1$ .
Convergence presque partout des dérivées :
Si $A_n \to A$ dans $C^{0,1}$ , alors les dérivées partielles des valeurs propres convergent presque partout : $\partial_j (\lambda^\uparrow \circ A_n)(x) \to \partial_j (\lambda^\uparrow \circ A)(x)$ .

B. Stabilité pour les Matrices Normales

Fonctions multivaluées de Sobolev :
Les valeurs propres non ordonnées d'une famille de matrices normales $A \in W^{1,q}(U, \text{Norm}(d))$ définissent une fonction dans $W^{1,q}(U, \mathbb{A}^d(\mathbb{C}))$ .
Continuité :
L'application caractéristique $E_u: W^{1,q}(U, \text{Norm}(d)) \to W^{1,q}(U, \mathbb{A}^d(\mathbb{C}))$ est continue pour tout $1 \le q < \infty$ .
Cas Lipschitzien :
Comme pour le cas hermitien, la continuité échoue dans la topologie $C^{0,1}$ mais est préservée dans les topologies $W^{1,q}$ et $C^{0,\alpha}$ ( $\alpha < 1$ ).

C. Applications et Généralisations

Valeurs Singulières : Les résultats s'appliquent directement aux valeurs singulières des matrices rectangulaires, qui sont les valeurs propres d'une matrice hermitienne associée.
Nombre de Conditionnement : La stabilité du nombre de conditionnement $\kappa(A) = \sigma_1(A)/\sigma_d(A)$ est établie dans les espaces de Sobolev, sous réserve que la matrice reste inversible.
Opérateurs Compacts Auto-adjoints : Les résultats sont étendus aux familles d'opérateurs compacts auto-adjoints non négatifs dans un espace de Hilbert, montrant la stabilité des valeurs propres décroissantes dans $W^{1,q}$ et $C^{0,1}$ (avec les nuances de continuité mentionnées).
Surface des Graphes : La stabilité de l'aire de surface des graphes des valeurs propres est démontrée.

4. Contributions Majeures et Optimisation

Indépendance de la dimension : Contrairement aux résultats récents sur la stabilité des racines de polynômes (où la régularité dépend de la dimension $d$ et de l'ordre $q$ ), les résultats pour les matrices sont optimaux et indépendants de la taille $d$ de la matrice. La régularité $W^{1,q}$ est préservée pour tout $q < \infty$ .
Optimalité des résultats : Les auteurs fournissent des exemples explicites (Section 7) montrant que :
- La continuité dans $C^{0,1}$ est impossible.
- La continuité n'est pas uniforme même sur des sous-ensembles compacts de $C^{0,1}$ pour certaines topologies.
- La régularité ne peut pas être améliorée au-delà de ce qui est prouvé.
Généralisation aux matrices normales : L'extension au cas des matrices normales en utilisant la théorie des fonctions multivaluées d'Almgren et De Lellis-Spadaro est une avancée significative, permettant de traiter des familles de matrices complexes sans hypothèse d'ordre global.

5. Signification et Impact

Ce travail comble un vide important entre la théorie classique de la perturbation (souvent locale ou analytique) et l'analyse globale sur des espaces de fonctions de régularité faible (Sobolev).

Fondements Mathématiques : Il établit que la structure spectrale des matrices hermitiennes et normales est robuste sous des perturbations de régularité Sobolev, ce qui n'était pas garanti a priori étant donné la nature non-linéaire et singulière du spectre (points de croisement de valeurs propres).
Applications Numériques et Physiques : Les résultats sont cruciaux pour l'analyse de la stabilité des algorithmes numériques traitant des matrices dépendant du temps ou de l'espace, ainsi que pour la physique mathématique (théorie adiabatique, effet Hall quantique), où les vecteurs propres peuvent perdre leur continuité alors que les valeurs propres restent stables.
Outils pour l'Analyse Non-Linéaire : La méthode de block-diagonalisation unitaire uniforme et l'usage des espaces de Sobolev à valeurs dans des espaces métriques offrent de nouveaux outils pour l'étude d'autres problèmes de valeurs propres ou de systèmes dynamiques.

En résumé, ce papier démontre que bien que les vecteurs propres puissent être très irréguliers (discontinus), les valeurs propres elles-mêmes conservent une régularité Sobolev optimale sous des perturbations de matrices, offrant ainsi un cadre rigoureux pour l'analyse de systèmes dépendant de paramètres dans des espaces de régularité faible.