Numerically stable evaluation of closed-form expressions for eigenvalues of $3 \times 3$ matrices

यहाँ मिशाल हेबेरा और एंड्रियास ज़िलियन के शोध पत्र "Numerically Stable Evaluation of Closed-Form Expressions for Eigenvalues of 3 × 3 Matrices" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

$3 \times 3$ वास्तविक आव्यूहों (matrices) के आइगेनवैल्यू (eigenvalues) की गणना इंजीनियरिंग, भौतिकी और कंप्यूटर विज्ञान में एक मौलिक कार्य है। जबकि पुनरावृत्ति विधियाँ (जैसे LAPACK में QR एल्गोरिदम) सुदृढ़ हैं, क्लोज्ड-फॉर्म व्यंजक (closed-form expressions) प्रदर्शन-महत्वपूर्ण अनुप्रयोगों, प्रतीकात्मक अवकलन (symbolic differentiation), और क्रमबद्ध आइगेनवैल्यू की आवश्यकता वाले परिदृश्यों के लिए अधिक पसंद किए जाते हैं।

हालाँकि, कार्डानो (Cardano) और विएट (Viète) के त्रिकोणमितीय सूत्रों पर आधारित शास्त्रीय क्लोज्ड-फॉर्म समाधान संख्यात्मक अस्थिरता (numerical instability) से ग्रस्त होते हैं, विशेष रूप से तब जब:

• आइगेनवैल्यू दोहराए जाते हैं या विलीन हो जाते हैं (जैसे $J_2 \to 0$ या $\Delta \to 0$)।
• आव्यूह में एक खराब-अनुकूलन (ill-conditioned) आइगेनबेसिस होता है (गैर-सामान्य आव्यूह)।
• मानक सूत्रों में विनाशकारी निरसन (catastrophic cancellation) होता है (जब लगभग समान बड़ी संख्याओं को घटाया जाता है, जैसे कि विविक्तक (discriminant) $\Delta = 4J_2^3 - 27J_3^2$ की गणना करते समय)।

मौजूदा साहित्य अक्सर कठोर फॉरवर्ड एरर विश्लेषण (forward error analysis) की कमी रखता है, और कई "स्थिर" एल्गोरिदम गैर-सममित (non-symmetric) आव्यूहों के लिए विफल हो जाते हैं या उनके आइगेनबेसिस के खराब-अनुकूल होने पर काफी खराब प्रदर्शन करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक चार प्रमुख आव्यूह इनवेरियंट्स (invariants) का उपयोग करके आइगेनवैल्यू के मूल्यांकन के लिए एक ढांचा प्रस्तावित करते हैं:

1. ट्रेस ($I_1$): $tr(A)$।
2. डेविएटरिक इनवेरिएंट ($J_2$): डेविएटरिक भाग के दूसरे इनवेरिएंट से संबंधित।
3. डेविएटरिक इनवेरिएंट ($J_3$): डेविएटरिक भाग का डिटरमिनेंट।
4. विविक्तक ($\Delta$): $4J_2^3 - 27J_3^2$।

कार्यप्रणाली में तीन मुख्य स्तंभ शामिल हैं:

A. कठोर त्रुटि विश्लेषण (Rigorous Error Analysis)

यह शोध पत्र मानक IEEE 754 फ्लोटिंग-पॉइंट मॉडल को अपनाता है और बैकवर्ड स्थिरता (backward stability) तथा फॉरवर्ड एरर बाउंड्स (forward error bounds) को परिभाषित करता है। लेखक प्रत्येक इनवेरिएंट के लिए कड़े सैद्धांतिक बाउंड्स व्युत्पन्न करते हैं, जो आव्यूह के आइगेनबेसिस के कंडीशन नंबर ($\kappa_2(U)$) से संबंधित हैं।

B. स्थिर एल्गोरिदम का विकास (Development of Stable Algorithms)

नाइफ (naive) मोनॉमियल विस्तार या मानक टेंसर ऑपरेशन्स (जो राउंडिंग एरर को बढ़ाते हैं) के बजाय, लेखक विशिष्ट एल्गोरिदम प्रस्तावित करते हैं:

• $I_1$ के लिए: सरल योग (सहज रूप से स्थिर)।
• $J_2$ के लिए: एक एल्गोरिदम (एल्गोरिदम 2) जो $J_2$ की गणना विकर्ण अंतरों (diagonal differences) ($A_{ii} - A_{jj}$) और ऑफ-डायगोनल उत्पादों का उपयोग करके करता है। यह सुनिश्चित करता है कि एक स्केल्ड आइडेंटिटी मैट्रिक्स ($A = \alpha I$) के लिए, परिणाम सटीक रूप से शून्य हो, जिससे $J_2 = 0$ के पास विनाशकारी निरसन से बचा जा सके।
• $J_3$ के लिए: एक विस्तार (एल्गोरिदम 5) जो विकर्ण अंतरों और मिश्रित उत्पादों पर आधारित है, जो गैर-सममित मामलों के लिए पिछले कार्यों का सामान्यीकरण करता है।
• $\Delta$ के लिए: कॉची-बाइनेट सूत्र (Cauchy–Binet formula) से प्राप्त एक योग-उत्पाद सूत्र (sum-of-products formula) (एल्गोरिदम 8)। यह विविक्तक को 14 पदों के योग के रूप में व्यक्त करता है जहाँ कारक उन स्थितियों में शून्य हो जाते हैं जब आव्यूह कई आइगेनवैल्यू के करीब पहुँचता है, जिससे मानक $4J_2^3 - 27J_3^2$ सूत्र में निहित बड़ी, लगभग समान संख्याओं को घटाने की समस्या से बचा जा सके।

C. आइगेनवैल्यू पुनर्निर्माण (Eigenvalue Reconstruction)

आइगेनवैल्यू का पुनर्निर्माण त्रिकोणमितीय सूत्र का उपयोग करके किया जाता है:
$$\lambda_k = \frac{1}{3} \left( I_1 + 2\sqrt{3J_2} \cos\left(\frac{\phi + 2\pi k}{3}\right) \right)$$
महत्वपूर्ण रूप से, स्थिरता बढ़ाने के लिए ट्रिपल-एंगल $\phi$ की गणना arccos के बजाय arctan (समीकरण 4) का उपयोग करके की जाती है।

3. मुख्य योगदान (Key Contributions)

1. कठोर फॉरवर्ड एरर बाउंड्स: यह शोध पत्र गैर-सममित आव्यूहों के संदर्भ में $J_2, J_3,$ और $\Delta$ के लिए पहले कठोर फॉरवर्ड एरर बाउंड्स का व्युत्पन्न प्रदान करता है। यह सापेक्ष डेविएटरिक बैकवर्ड स्थिरता (relative deviatoric backward stability) की अवधारणा पेश करता है, जो दिखाता है कि विक्षोभ (perturbation) के डेविएटरिक भाग में त्रुटि को नियंत्रित करना सटीकता के लिए पर्याप्त है।
2. गैर-सममित आव्यूहों के लिए स्थिर एल्गोरिदम: पिछले कार्यों के विपरीत जो केवल सममित आव्यूहों तक सीमित थे, प्रस्तावित एल्गोरिदम (एल्गोरिदम 2, 5, और 8) सामान्य वास्तविक, विकर्णनीय (diagonalizable) $3 \times 3$ आव्यूहों के लिए डिज़ाइन किए गए हैं।
3. प्रदर्शन बनाम सटीकता ट्रेड-ऑफ विश्लेषण: लेखक प्रदर्शित करते हैं कि जबकि पुनरावृत्ति सॉल्वर (LAPACK) सार्वभौमिक रूप से स्थिर हैं, प्रस्तावित क्लोज्ड-फॉर्म विधि अच्छी तरह से अनुकूलित आइगेनबेसिस वाले आव्यूहों के लिए मशीन परिशुद्धता (machine precision) बनाए रखते हुए ~10 गुना तेज़ है।
4. ओपन-सोर्स कार्यान्वयन: लेखकों ने eig3x3 लाइब्रेरी (Python रैपर्स के साथ C11) जारी की है, जो इन स्थिर एल्गोरिदम के उत्पादन-तैयार कार्यान्वयन प्रदान करती है।

4. परिणाम (Results)

लेखकों ने अपने एल्गोरिदम का तुलनात्मक परीक्षण "नाइफ" कार्यान्वयनों और अत्यधिक अनुकूलित LAPACK रूटीन DGEEV का उपयोग करके दो विशिष्ट परीक्षण पथों के विरुद्ध किया:

• पथ 1 ($D_1$): एक ट्रिपल आइगेनवैल्यू की ओर बढ़ना ($J_2 \to 0, J_3 \to 0$)।
• पथ 2 ($D_2$): एक डबल आइगेनवैल्यू की ओर बढ़ना ($\Delta \to 0$)।

मुख्य निष्कर्ष:

• $J_2$ एल्गोरिदम: प्रस्तावित एल्गोरिदम सभी मामलों के लिए सटीक और स्थिर है, जिसमें खराब-अनुकूल आइगेनबेसिस ($\kappa_2 \approx 9000$) भी शामिल हैं। यह सैद्धांतिक त्रुटि सीमाओं को पूरा करता है।
• $J_3$ और $\Delta$ एल्गोरिदम: ये सुव्यवस्थित और ऑर्थोगोनल आइगेनबेसिस के लिए स्थिर हैं। हालाँकि, खराब-अनुकूल आइगेनबेसिस के लिए, त्रुटि बढ़ जाती है और सैद्धांतिक सीमाओं से अधिक हो जाती है, लेकिन फिर भी यह नाइफ विधियों की तुलना में काफी बेहतर है।
• आइगेनवैल्यू गणना:
  • नाइफ विधियों: ने ट्रिपल आइगेनवैल्यू (के लिए $10^{-5}$) और डबल आइगेनवैल्यू (के लिए $10^{-8}$) के लिए $10^{-5}$ से $10^{-8}$ तक की त्रुटियां उत्पन्न कीं।
  • प्रस्तावित विधि: सुव्यवस्थित आव्यूहों के लिए मशीन परिशुद्धता ($\approx 10^{-16}$) के करीब त्रुटियां प्राप्त कीं।
  • LAPACK DGEEV: सभी मामलों में, यहाँ तक कि खराब-अनुकूल मामलों में भी, लगातार मशीन परिशुद्धता प्राप्त की, लेकिन यह काफी धीमा था।
• प्रदर्शन: प्रस्तावित एल्गोरिदम एक चुनौतीपूर्ण परीक्षण मामले पर LAPACK DGEEV की तुलना में लगभग 10 गुना तेज़ था (38 ns बनाम 396 ns प्रति मूल्यांकन)।

5. महत्व और अनुप्रयोग (Significance and Applications)

यह शोध पत्र संख्यात्मक स्थिरता के सैद्धांतिक पक्ष और व्यावहारिक इंजीनियरिंग आवश्यकताओं के बीच के अंतर को पाटता है:

• कंप्यूटेशनल प्लास्टिसिटी (Computational Plasticity): लेखकों ने मोह्र-कुलम्ब यील्ड फंक्शन (Mohr–Coulomb yield function) का मूल्यांकन करके अपने तरीके की उपयोगिता प्रदर्शित की है। नाइफ विधियों ने यील्ड सतहों के पास भारी त्रुटियां ($10^{-8}$) उत्पन्न कीं जहाँ आइगेनवैल्यू विलीन होते हैं, जिससे गलत विफलता भविष्यवाणियां हो सकती हैं। स्थिर एल्गोरिदम ने मशीन परिशुद्धता बनाए रखी।
• प्रतीकात्मक अवकलन (Symbolic Differentiation): चूँकि समाधान क्लोज्ड-फॉर्म में है, यह सटीक प्रतीकात्मक अवकलन (जैसे आइगेनप्रोजेक्टर की गणना) की अनुमति देता है, जो आव्यूह फलनों (matrix functions) से जुड़े अनुकूलन और मशीन लर्निंग अनुप्रयोगों के लिए आवश्यक है।
• रियल-टाइम सिस्टम: 10x की गति वृद्धि इन एल्गोरिदम को रियल-टाइम सिमुलेशन (जैसे फ्लूइड डायनेमिक्स, स्ट्रक्चरल एनालिसिस) के लिए व्यवहार्य बनाती है, जहाँ पुनरावृत्ति सॉल्वर बहुत धीमे होते हैं, बशर्ते आव्यूह अत्यधिक खराब-अनुकूल न हों।

निष्कर्ष (Conclusion)

लेखकों ने सफलतापूर्वक $3 \times 3$ आव्यूह आइगेनवैल्यू के लिए एक संख्यात्मक रूप से स्थिर, क्लोज्ड-फॉर्म मूल्यांकन पद्धति विकसित की है। जबकि पुनरावृत्ति सॉल्वर सबसे खराब-अनुकूल समस्याओं के लिए स्वर्ण मानक बने हुए हैं, यह कार्य कठोर त्रुटि विश्लेषण द्वारा समर्थित, अधिकांश व्यावहारिक इंजीनियरिंग मामलों के लिए एक मजबूत, उच्च-प्रदर्शन विकल्प प्रदान करता है।