Computing Left Eigenvalues of Quaternion Matrices

Título: Cálculo de Autovalores Esquerdos de Matrizes Quaterniônicas

Autor: Michael Sebek (Universidade Técnica de Praga, República Tcheca)

---

1. O Problema

O artigo aborda o desafio computacional de calcular autovalores esquerdos de matrizes quaterniônicas ($A \in \mathbb{H}^{n \times n}$). Um escalar quaterniônico $\lambda \in \mathbb{H}$ é um autovalor esquerdo se existir um vetor não nulo $v \in \mathbb{H}^n$ tal que:
$$Av = \lambda v$$

Diferentemente das matrizes complexas, onde o espectro é bem compreendido, o caso quaterniônico apresenta dificuldades únicas devido à não comutatividade dos quaterniões:

• Invariância: O espectro esquerdo não é invariante sob similaridade quaterniônica (ao contrário do espectro direito).
• Estrutura do Espectro: O conjunto de autovalores pode conter pontos isolados, mas também contínuos (famílias esféricas, onde uma esfera inteira de quaterniões são autovalores).
• Comportamento Não Genérico: Em dimensões moderadas ou grandes, o número de autovalores isolados pode ser maior ou menor que $n$ (deficiência de espectro), e a presença de componentes contínuos torna a aplicação de métodos locais padrão (como Newton) problemática devido a jacobianos singulares.
• Dificuldade Numérica: Métodos baseados em eliminação de determinante levam a polinômios de alto grau em $\mathbb{R}^4$, tornando-se computacionalmente proibitivos e numericamente instáveis para $n$ grande.

2. Metodologia Proposta

O autor propõe um método prático baseado no Método de Newton aplicado diretamente ao par autovalor-autovetor, evitando a eliminação algébrica do parâmetro espectral.

A. Formulação do Sistema

O método resolve a equação de defeito $Av - \lambda v = 0$. Como o autovetor tem liberdade de escala à direita ($v \to vq$), o sistema é subdeterminado. Para obter um sistema quadrado e bem-posto em coordenadas reais, impõe-se uma restrição de gauge (calibração):

1. Normalização: $\|v\|_2 = 1$.
2. Restrição Real: Escolhe-se um índice pivô $j$ tal que a componente $v_j$ seja real e positiva ($v_j \in \mathbb{R}_{>0}$).

Isso transforma o problema em um sistema não linear quadrado em $\mathbb{R}^{4n+4}$.

B. Embedding Real (Mapeamento para Reais)

Para utilizar kernels padrão de álgebra linear (solucionadores de sistemas lineares), o método utiliza uma embedding real $\rho(\cdot)$.

• Cada quaternião é mapeado para um vetor em $\mathbb{R}^4$.
• A multiplicação por quaterniões à esquerda é representada por matrizes $4 \times 4$ reais ($L(q)$).
• A matriz quaterniônica $A$ é convertida em uma matriz real $\rho(A) \in \mathbb{R}^{4n \times 4n}$.
• O passo de Newton torna-se a resolução de um único sistema linear real quadrado de tamanho $(4n+4) \times (4n+4)$, que é robusto e pode ser resolvido com rotinas padrão.

C. Estratégia Global (Multi-start)

Para lidar com a não convexidade e a possibilidade de múltiplos autovalores ou componentes esféricos:

• O algoritmo utiliza uma estratégia de multi-inicialização (tentativas aleatórias).
• Implementa lógica de aceitação, reinício e desduplicação (para evitar contar o mesmo autovalor múltiplas vezes).
• Para componentes esféricos (não isolados), onde o método de Newton não converge quadraticamente para um único ponto, o algoritmo coleta amostras de diferentes inicializações e aplica ajuste de esfera (sphere fitting) no espaço $\mathbb{R}^4$ para detectar e parametrizar a componente contínua.

D. Certificação e Refinamento

• Certificados de Resíduo: Utiliza-se o resíduo mínimo $\text{res}_{\min}(A, \lambda) = \sigma_{\min}(\rho(A - \lambda I))$ para certificar a proximidade de um autovalor.
• Polimento (Refinement): Após a convergência, aplica-se um refinamento em duas etapas (otimização do resíduo e correção local do par) para atingir precisão próxima à da máquina.

3. Principais Contribuições

1. Algoritmo Newtoniano Eficiente: Derivação de uma iteração de Newton explícita para pares autovalor-autovetor esquerdos, fixando o gauge e garantindo convergência quadrática local para autovalores isolados simples.
2. Uso Exclusivo de Kernels Padrão: O método opera inteiramente através de embeddings reais/complexos, permitindo o uso de bibliotecas de álgebra linear padrão (como LAPACK/MATLAB) sem necessidade de bibliotecas especializadas em quaterniões.
3. Detecção de Fenômenos Não Genéricos: O método é capaz de identificar e caracterizar:
   • Mais de $n$ autovalores isolados.
   • Deficiência de espectro (menos de $n$ autovalores).
   • Componentes esféricas (contínuas) misturadas com pontos isolados.
4. Implementação de Referência: Disponibilização de uma implementação compacta e autônoma em MATLAB, com código aberto, focada em reprodutibilidade e verificação independente.

4. Resultados e Validação

O método foi testado extensivamente em:

• Exemplos Clássicos: Casos $2 \times 2$ e $3 \times 3$ da literatura (Huang-So, Macías-Virgós, etc.) com espectros conhecidos (isolados, coincidentes e esféricos). Os resultados corresponderam às soluções analíticas com resíduos na ordem de $10^{-16}$ (precisão de máquina).
• Benchmarks Aleatórios: Testes em matrizes densas, hermitianas, triangulares e esparsas, variando de $2 \times 2$ até $64 \times 64$.
  • Taxa de Sucesso: O pipeline alcançou 100% de recuperação de $n$ autovalores distintos em quase todas as instâncias testadas.
  • Desempenho: O custo computacional é dominado pela resolução de sistemas lineares reais embutidos, sendo escalável para tamanhos moderados.
• Casos Patológicos: O artigo apresenta exemplos de matrizes com 5 autovalores isolados em uma matriz $3 \times 3$ e casos de deficiência de espectro, demonstrando a robustez do método em situações onde a teoria clássica falha ou é ambígua.

5. Significado e Impacto

Este trabalho preenche uma lacuna significativa na álgebra linear numérica quaterniônica. Antes desta abordagem, não existia um método computacional robusto, escalável e certificado para autovalores esquerdos em dimensões gerais.

• Aplicações Práticas: O método é crucial para áreas que utilizam rotações 3D/4D, processamento de sinais vetoriais, polarização e controle, onde a não comutatividade é fundamental.
• Rigor Numérico: Ao fornecer certificados de resíduo e lidar com a degenerescência (singularidade do Jacobiano em componentes esféricas), o método oferece confiança nos resultados, algo raro em problemas não lineares complexos.
• Reprodutibilidade: A disponibilização do código e dos dados de teste permite que a comunidade científica valide e expanda os resultados, estabelecendo um padrão para futuros trabalhos na área.

Em resumo, o artigo apresenta uma solução prática e matematicamente fundamentada para um problema antigo e complexo, transformando o cálculo de autovalores quaterniônicos de uma tarefa analítica limitada em um procedimento numérico robusto e automatizável.