Hermitian Distance Degree of Unitary-Invariant Matrix Varieties

这是一份关于论文《Unitary-Invariant Matrix Varieties 的 Hermitian 距离度》（Hermitian Distance Degree of Unitary-Invariant Matrix Varieties）的详细技术总结。

1. 研究背景与问题定义

核心问题：
本文研究的是Hermitian 距离度（Hermitian Distance Degree, HDdeg），这是一个针对复矩阵流形的实枚举不变量。具体而言，给定一个复矩阵空间 $V = \mathbb{C}^{n \times t}$ 和一个代数簇 $M \subseteq V$，以及一个数据矩阵 $Y \in V$，研究平方 Hermitian 距离函数 $d_Y(X) = \|X - Y\|^2$ 在 $M$ 上的**实临界点（real critical points）**的数量。

关键定义与设定：

• 内积定义： 使用 Hermitian 内积 $\langle A, B \rangle = \text{Tr}(AB^*)$。
• 实化视角： 将复向量空间 $V$ 视为实向量空间 $V^{\mathbb{R}} \cong \mathbb{R}^{2nt}$，并配备实内积 $q(A, B) = \text{Re}\langle A, B \rangle$。
• 临界点条件： $X \in M$ 是 $Y$ 的临界点，当且仅当 $Y - X$ 与 $M$ 在 $X$ 处的切空间 $T_X M$ 关于实内积 $q$ 正交，即 $\text{Re}\langle Y - X, A \rangle = 0, \forall A \in T_X M$。
• 研究对象： 重点关注在左、右酉群作用（$U(n) \times U(t)$）下不变的矩阵簇 $M$。这类簇包括秩 $r$ 矩阵簇、酉群本身、Schatten $p$-范数球面等。

2. 方法论

本文采用了几何不变量理论与实代数几何相结合的方法，核心策略是将复杂的矩阵空间问题简化为低维的奇异值（Singular Values）空间问题。

• 奇异值分解（SVD）降维： 利用矩阵的 SVD 分解 $A = U \Sigma V^*$，将矩阵簇 $M$ 映射到其对角线奇异值空间。
• 绝对对称集（Absolutely Symmetric Sets）： 定义 $S = \sigma(M) = \{x \in \mathbb{R}^n : \text{diag}(x) \in M\}$。由于 $M$ 是酉不变的，$S$ 必然是 $\mathbb{R}^n$ 中的绝对对称集（在符号置换群 $\Pi^\pm_n$ 作用下不变）。
• 切片原理（Slicing Principle）： 借鉴 Bik-Draisma 原理（[AJ18]），证明在酉群作用下，矩阵簇的临界点计数可以通过“切片”到对角线子空间（即奇异值空间）来计算。
• 切空间分析： 详细分析了酉不变簇在一般点处的切空间结构，证明了切空间可以分解为“对角线方向”和“轨道方向”（由酉群作用生成）的直和。

3. 主要贡献与核心定理

3.1 核心等式：HDdeg 与 REDdeg 的等价性

定理 23（Theorem 23）：
对于酉不变矩阵簇 $M \subseteq \mathbb{C}^{n \times t}$ 及其对应的绝对对称奇异值簇 $S \subseteq \mathbb{R}^n$，对于一般数据矩阵 $Y$（其奇异值为 $y$），有：
$$\text{HDdeg}(M; Y) = \text{REDdeg}(S; y)$$
其中：

• $\text{HDdeg}(M; Y)$ 是 $M$ 上关于 Hermitian 距离的实临界点个数。
• $\text{REDdeg}(S; y)$ 是 $S$ 上关于标准欧几里得距离的实临界点个数。

几何解释：
$M$ 上的每一个 Hermitian 距离临界点 $X$ 都可以通过将 $S$ 上的一个欧几里得距离临界点 $x$ 进行“提升”得到，即 $X = U \text{diag}(x) V^*$，其中 $U, V$ 是数据矩阵 $Y$ 的奇异向量。

3.2 Hermitian 切片定理

定理 30（Theorem 30）：
这是 Bik-Draisma 切片原理在 Hermitian 距离背景下的推广。

• 设 $G = U(n) \times U(t)$ 作用在 $V = \mathbb{C}^{n \times t}$ 上。
• 设 $V_0^{\mathbb{R}}$ 为实对角矩阵子空间。
• 若 $V^{\mathbb{R}}$ 可以分解为 $V_0^{\mathbb{R}}$ 与轨道切空间 $T_{v_0}(G \cdot v_0)$ 的 $q$-正交直和，且 $M$ 是 $G$-不变的，则 $M$ 的 HDdeg 等于切片 $M \cap V_0^{\mathbb{R}}$（即 $S$）的 REDdeg。

3.3 具体临界点结构

定理 17（Theorem 17）：
对于一般数据 $Y = U \text{diag}(y) V^*$，任何 $M$ 上的 HD 临界点 $X$ 都可以写成 $X = U \text{diag}(x) V^*$ 的形式，其中 $x$ 是实对角向量。这证明了临界点共享数据矩阵的奇异向量结构。

4. 关键结果与实例分析

文章通过多个例子展示了该理论的应用，揭示了临界点数量随数据点所在“室”（chamber）变化的现象：

1. Eckart-Young 定理的 Hermitian 推广（定理 5）：

   • 对于秩 $k$ 矩阵簇 $M_k$，其对应的奇异值集 $S$ 是坐标中非零元素个数 $\le k$ 的集合。
   • 临界点对应于从 $Y$ 的 SVD 中保留 $k$ 个奇异值的所有可能组合。
   • 若 $Y$ 的奇异值互不相同，临界点数量为 $\binom{r}{k}$（$r$ 为 $Y$ 的秩）。这与经典的 Eckart-Young 定理一致，但在此框架下被重新几何化证明。

2. 奇异值关系约束（例 24）：

   • 考虑 $2 \times 2$ 矩阵，其奇异值满足 $\{\sigma_1, \sigma_2\} = \{a, a^2\}$。
   • 对应的 $S$ 是两条抛物线的并集。
   • 临界点数量取决于数据点 $y$ 相对于抛物线“焦线”（evolute）的位置，可能为 2, 4 或 6。这展示了 HDdeg 并非全局常数，而是分片常数。

3. 行列式模长约束（例 25）：

   • 考虑 $|\det A| = 1$ 的矩阵簇。
   • 对应的 $S$ 是双曲线 $|x_1 x_2| = 1$。
   • 通过计算判别式，得出临界点数量在 4 和 6 之间跳变。

4. Unit Schatten $d$-球面（例 26）：

   • 对于 $\|X\|_d = 1$ 的簇，其 HDdeg 等于 Fermat 超曲面 $\sum x_i^d = 1$ 的 REDdeg。
   • 对于 $d=2$（Frobenius 范数球），临界点数为 2；对于 $d \ge 4$，在一般区域临界点数可达 8。

5. 关于复子流形的注记（Remark 27 & 28）：

   • 文章特别指出，如果 $M$ 是复子流形，临界点条件会简化为复正交条件。但如果 $M$ 仅是实代数集（如酉群 $U(n)$），切空间仅为实线性空间，此时必须严格使用实内积 $\text{Re}\langle \cdot, \cdot \rangle$，这导致临界点结构与复情况不同。

5. 研究意义

1. 理论统一： 该工作成功地将复矩阵空间中的 Hermitian 距离问题转化为实奇异值空间中的欧几里得距离问题。这不仅简化了计算，还建立了复几何与实枚举几何之间的深刻联系。
2. 计算效率： 通过定理 23，计算高维矩阵簇的 HDdeg 被转化为计算低维（维度为 $n$）对称簇 $S$ 的 REDdeg，极大地降低了计算复杂度。
3. 应用广泛性：
   • 低秩近似： 为 Eckart-Young 定理提供了更广泛的几何视角，适用于非凸或更复杂的约束。
   • 量子信息： 临界点方程出现在最近邻乘积态（closest product states）和纠缠几何度量（geometric measures of entanglement）的研究中（引用 [HS10]）。
   • 优化理论： 为在酉不变约束下的矩阵优化问题提供了临界点计数的精确公式。
4. 方法论创新： 证明了 Bik-Draisma 切片原理可以推广到 Hermitian 距离设置，关键在于利用酉表示在实内积下的正交性，即使切空间不是复线性的。

总结：
Nikhil Ken 的这篇论文通过引入“绝对对称奇异值集”的概念，建立了一个强有力的框架，将酉不变矩阵簇的 Hermitian 距离度完全由其实奇异值切片上的欧几里得距离度决定。这一结果不仅推广了经典的 Eckart-Young 定理，还为量子信息、矩阵优化和实代数几何中的枚举问题提供了新的计算工具和理论洞察。