Gurau's spectral density is not a probability measure for individual real symmetric tensors

该论文通过构造具体的确定性张量反例，证明了 Gurau 谱密度虽然在大随机张量系综的平均意义下对应于概率测度，但对于单个张量而言并不构成概率测度。

要点

这篇论文探讨了一个关于**高维数据（张量）**的有趣数学问题。为了让你轻松理解，我们可以把这篇论文的核心思想想象成是在研究一种"数据光谱仪"的故障。

1. 背景：什么是“光谱”？

想象你手里有一面镜子（在数学里叫“矩阵”）。

• 当你把一束光（数据）照进这面镜子，它会反射出不同的颜色。
• 数学家们发明了一种工具，叫**“谱密度”**（Spectral Density）。这就好比给这面镜子拍一张“光谱照片”，告诉你这束光里有多少红光、多少蓝光。
• 对于普通的二维矩阵（就像我们熟悉的表格或图片），这个“光谱照片”总是真实存在的。它就像一张概率分布图，告诉你数据出现的频率，所有的数值加起来都是正数，非常完美。

2. 新挑战：从“镜子”到“魔方”

最近，物理学家和数学家（比如 Gurau）想把这种“光谱仪”升级，用来分析高维数据，也就是张量（Tensor）。

• 如果说矩阵是二维的“镜子”，那么张量就是三维甚至更高维的“魔方”或“超立方体”。
• Gurau 提出了一种新的公式，试图为这些复杂的“魔方”也画出一张“光谱照片”。
• 之前的研究发现，如果你拿一堆随机的魔方（随机张量）来做实验，算出来的“平均光谱”是非常漂亮的，它符合某种著名的数学规律（就像随机矩阵里的“半圆律”）。这让大家以为：“太好了！看来每个魔方都有自己的‘光谱照片’，而且这张照片总是合法的（即代表真实的概率分布）。”

3. 论文的发现：有些“魔方”是坏的

这篇论文的作者（Jerdee, Kunisky, Moore）做了一个大胆的实验：他们不再看“平均”的魔方，而是去挑一个具体的、确定的魔方，看看它的“光谱”是否依然合法。

结果让他们大吃一惊：

• 他们找到了一个具体的“坏魔方”（一个特定的 3 阶张量）。
• 当他们用 Gurau 的公式给这个魔方算“光谱”时，发现算出来的结果里竟然出现了负数！
• 为什么负数很糟糕？ 想象一下，如果一张“光谱照片”告诉你：“这里有 -5% 的红色光”，这在物理上是不可能的。概率不能是负数。
• 这意味着，对于某些特定的高维数据（张量），Gurau 的公式算出来的东西根本就不是一个合法的概率分布。它不再是那张清晰的“光谱照片”，而变成了一张乱码，或者一张包含“负概率”的幽灵照片。

4. 核心比喻：平均 vs. 个体

这就好比：

• 平均情况：如果你去观察一万个随机生成的魔方，它们的“平均性格”是非常温和、符合逻辑的（就像大家平均身高是 170cm）。
• 个体情况：但是，如果你随便挑出一个具体的魔方，它可能长得非常怪异，甚至违反常理（比如它可能只有 50cm 高，或者是个倒立的）。

这篇论文证明了：虽然“平均”的张量光谱很完美，但“个体”的张量光谱并不总是存在的。 你不能指望给每一个具体的魔方都贴上一张合法的“光谱标签”。

5. 结论与意义

• 主要结论：Gurau 提出的那个“光谱密度”概念，对于随机张量的平均值是有效的，但对于每一个单独的张量来说，它并不总是代表一个真实的概率分布。
• 数学上的后果：这意味着我们不能简单地假设所有高维数据都像普通矩阵那样，拥有完美的“特征值分布”。
• 未来的方向：作者建议，也许我们需要重新定义这个概念，允许它变成一种“带符号的测量”（Signed Measure），也就是允许出现负数，但这在物理意义上就更难解释了。

一句话总结：
这篇论文就像是在说：“我们以为给所有高维数据（魔方）都能画出一张合法的‘概率光谱图’，结果发现有些特定的魔方太‘怪’了，画出来的图里竟然有负数，所以这张图对它们来说是不成立的。”这提醒科学家们在处理高维数据时，不能盲目套用低维（矩阵）的完美理论。

技术摘要

论文技术总结

1. 研究背景与问题提出

• 背景：Gurau (2020) 提出将矩阵的迹（trace）和预解式（resolvent）推广到高阶实对称张量。在随机张量系综（如高斯分布）的极限下，Gurau 预解式展开系数的期望值对应于某些概率分布的矩序列（类似于随机矩阵理论中的 Wigner 半圆律和 Marchenko-Pastur 分布）。
• 核心问题：对于单个确定的实对称张量 $T$，是否存在一个概率测度 $\gamma_T$，使得 Gurau 预解式展开的系数恰好是该测度的矩序列？即，是否对于任意 $T$，序列 $\frac{1}{N} I_k(T)$ 都是某个概率测度的矩？
• 现有认知：之前的研究（如 [Gur20, Bon26]）主要关注随机张量系综的期望极限，证明了在平均意义下存在这样的谱密度（Gurau 谱密度）。然而，对于单个张量实例（pointwise），这一性质是否成立一直是一个未解决的开放问题。

2. 核心贡献与主要结果

• 主要定理 (Theorem 1.1)：
  作者构造了一个具体的确定性实对称张量 $T \in \text{Sym}_3(\mathbb{R}^{27})$，使得其对应的第四阶系数 $I_4(T) < 0$。
  • 推论：由于概率测度的偶数阶矩必须非负（$E[X^4] \ge 0$），$I_4(T) < 0$ 直接证明了不存在满足条件的概率测度 $\gamma_T$。
  • 结论：Gurau 谱密度并非对所有个体张量都有定义（除非放宽为带符号测度 signed measure）。这意味着该“谱密度”仅在随机系综的平均意义下良好定义，而非点态定义。

3. 方法论与数学框架

3.1 Gurau 预解式与不变多项式

• 定义：Gurau 预解式 $R_T(z)$ 定义为高斯随机向量 $g \sim \mathcal{N}(0, I_N)$ 下某种配分函数的导数形式：
  $$R_T(z) = \frac{1}{z} \frac{\mathbb{E}[\exp(\frac{1}{pz}\langle T, g^{\otimes p}\rangle)]}{\mathbb{E}[\|g\|^2/N \exp(\frac{1}{pz}\langle T, g^{\otimes p}\rangle)]}$$
• 矩与累积量：
  作者利用高斯积分和 Wick 公式，将 $R_T(z)$ 的级数展开系数 $I_k(T)$ 与随机变量 $Y = \langle T, g^{\otimes p}\rangle$ 的累积量 (cumulants) $\kappa_k(Y)$ 联系起来。
  具体关系为（Proposition 2.8）：
  $$\frac{1}{N} I_k(T) \propto \kappa_k(\langle T, g^{\otimes p}\rangle)$$
  其中 $\kappa_k$ 是随机变量 $\langle T, g^{\otimes p}\rangle$ 的第 $k$ 阶累积量。

3.2 矩序列存在的条件

• 如果存在概率测度 $\gamma_T$，则序列 $\frac{1}{N} I_k(T)$ 必须是该测度的矩序列。
• 对于概率测度，其矩必须满足特定的正定性约束（如 $m_4 \ge 3m_2^2$ 对于对称分布，或者更一般的矩问题条件）。
• 关键洞察：累积量 $\kappa_k$ 不像矩那样具有简单的非负性约束。作者指出，对于矩阵 ($p=2$)，由于谱定理的存在，$\langle T, g^{\otimes 2}\rangle = g^T T g$ 的分布受到严格限制（是 $\chi^2$ 分布的卷积），因此总是产生合法的矩序列。但对于高阶张量 ($p \ge 3$)，$\langle T, g^{\otimes p}\rangle$ 可以近似任意随机变量，从而可能破坏矩的正定性。

3.3 反例构造策略 (Proof of Theorem 1.1)

为了证明 $I_4(T) < 0$，作者只需构造一个张量 $T$，使得对应的随机变量 $Y = \langle T, g^{\otimes 3}\rangle$ 的四阶累积量 $\kappa_4(Y) < 0$。

1. 单变量多项式近似：
   寻找一个多项式 $q(x)$，使得 $q(g_1)$ 的四阶累积量为负。
   作者选取 $q(x) = x - \frac{1}{10}x^3$。计算表明：
   $$\kappa_4\left(g_1 - \frac{1}{10}g_1^3\right) = -\frac{87}{250} < 0$$
   注意：对于 $p=2$（二次型），无法构造出负的四阶累积量，这解释了为何矩阵情况是良态的。

2. 齐次化与张量化：
   为了将上述非齐次多项式转化为张量形式 $\langle T, g^{\otimes 3}\rangle$，作者引入了 $N$ 个额外的高斯变量 $g_2, \dots, g_{N+1}$ 来近似常数项。
   构造随机变量：
   $$Y_N = g_1 \left( \frac{1}{N} \sum_{i=2}^{N+1} g_i^2 \right) - \frac{1}{10}g_1^3$$
   根据大数定律，当 $N \to \infty$ 时，$\frac{1}{N} \sum g_i^2 \to 1$，因此 $Y_N$ 在分布上收敛于 $g_1 - \frac{1}{10}g_1^3$。

3. 具体参数计算：
   计算 $Y_N$ 的四阶累积量 $\kappa_4(Y_N)$，得到函数 $f(N)$：
   $$f(N) = -\frac{87}{250} + \frac{6}{N} + \frac{72}{N^2} + \frac{144}{N^3}$$
   当 $N \ge 26$ 时，$f(N) < 0$。
   因此，取 $N=26$，对应的张量维度为 $N+1=27$，阶数为 $p=3$。

4. 显式张量构造：
   作者给出了 $T \in \text{Sym}_3(\mathbb{R}^{27})$ 的具体非零元素：

   • $T_{1,1,1} = -1/10$
   • $T_{1,i,i} = T_{i,1,i} = T_{i,i,1} = \frac{1}{3 \times 26} = \frac{1}{78}$ (对于 $i \in \{2, \dots, 27\}$)
   • 其余元素为 0。

4. 结果分析

• 计算结果：对于上述构造的张量 $T$，计算得到 $I_4(T) < 0$。
• 矛盾：如果存在概率测度 $\gamma_T$，其第四阶矩 $\int x^4 d\gamma_T(x)$ 必须非负。但根据 Gurau 定义，该矩正比于 $I_4(T)$，导致矛盾。
• 结论：Gurau 谱密度 $\gamma_T$ 对于该个体张量不存在（作为概率测度）。

5. 意义与讨论

• 理论修正：该结果澄清了张量谱理论中的一个微妙之处。虽然 Gurau 预解式在随机系综的平均意义下（大 $N$ 极限）能产生类似半圆律的分布，但这并不意味着每个具体的张量实例都拥有一个对应的“谱密度”。
• 与矩阵理论的对比：在矩阵 ($p=2$) 情况下，由于谱定理保证了 $g^T T g$ 的分布结构，谱密度总是存在的。但在高阶张量 ($p \ge 3$) 中，缺乏类似的谱分解结构，导致随机变量 $\langle T, g^{\otimes p}\rangle$ 的分布可以非常“病态”，从而破坏矩序列的有效性。
• 潜在方向：
  • 作者指出，如果允许 $\gamma_T$ 为带符号测度 (signed measure)，则矩序列总是存在的（根据 [BJ39, ST43]）。这为未来研究张量特征值分布提供了新的视角（如 Remark 1.2 所述）。
  • 这一发现强调了在推广随机矩阵理论到张量时，必须谨慎处理“点态”性质与“平均”性质之间的区别。

6. 总结

这篇论文通过构造一个具体的三阶实对称张量反例，证明了 Gurau 谱密度不能普遍地定义为个体张量的概率测度。这一发现揭示了张量随机性与矩阵随机性之间的本质差异，即高阶张量生成的随机变量可以违背概率测度的矩约束，从而挑战了将张量谱密度直接类比为矩阵特征值分布的直观假设。