Banded non-Hermitian random matrices, neural networks, and eigenvalue degeneracies

本文研究了受稀疏神经网络启发的双带非厄米随机矩阵，揭示了随机符号无序与定向偏置之间的竞争如何在 SSH 链和梯形模型中驱动截然不同的去局域化转变并产生复杂的谱结构，包括扩展态的环状结构以及特定的本征值简并。

要点

想象一条由两条平行铁轨构成的巨大圆形火车轨道。这条轨道代表了一个简化的神经网络（类脑系统）模型，其中的“车站”即为神经元。在此特定模型中，车站之间的连接遵循两条特殊规则：

1. 戴尔斯定律（Dale's Law）规则：每个车站要么是纯粹的“兴奋器”（推动火车前进），要么是“抑制剂”（给火车刹车）。它们的分配是随机的，就像为每个车站抛一次硬币。这创造了一个混乱无序的环境。
2. 方向偏置规则：有一股风沿着轨道吹拂。这股风使得向一个方向移动更容易，而向另一个方向移动则更困难。

本文中的科学家正在研究，当把车站的随机混乱与方向偏置的风混合时，这个火车系统的“能量”（或活性）会发生什么变化。他们观察了两种不同的轨道布局：SSH 链（之字形双轨）和梯子模型（由横档连接的两条平行直轨）。

以下是他们的发现，通过简单的类比进行解释：

1. 混乱与风的博弈

将随机车站想象成坑洼，它们会困住火车。如果没有风，火车会在各地的坑洼中卡住。能量是“局域化”的，意味着它被困在小的特定区域，无法传播。

然而，当你增强风（方向偏置）时，它开始将火车推出坑洼。

• 结果：能量开始“去局域化”，意味着它扩散开来，并沿着轨道自由传播。
• 形态：随着风力增强，能量能够自由传播的区域在复杂的数学图谱中形成了环（像圆环）。能量仍然被困住（局域化）的区域则位于这些环的内部或外部。

2. 两种不同轨道的不同反应

尽管两条轨道遵循相同的规则（随机坑洼 + 风），但它们对风的反应截然不同。

SSH 链（之字形轨道）：

• “神奇时刻”：随着风力增强，四个独立的能量传播环缓慢扩张。在特定的风速下，所有四个环在中心相互碰撞并合并成一个大环。
• “例外点”：论文将这种碰撞称为例外点（Exceptional Point）。想象一个魔术，两个不同的物体（比如一个红球和一个蓝球）突然变成了完全相同的物体，并失去了各自的个体身份。在这个特定的风速下，系统的行为发生剧变，环中间的“空洞”消失了。

梯子模型（平行轨道）：

• “两阶段”反应：这条轨道更为顽固。随着风力增强，能量开始扩散，但它不会一次性合并所有东西。
  • 第一阶段：首先，外层的能量环扩张，但在中间留下了一部分“被困”的能量核心。环在长大，但尚未吞没中心。
  • 第二阶段：只有当风力变得非常强（超过特定的“狄奥比克点”）时，第二个能量传播环才会从中心出现，将被困的能量挤出。
• “狄奥比克点”：论文将两个环相遇的时刻称为狄奥比克点（Diabolic Point）。与 SSH 链不同，这里合并的两个事物保持 distinct（像两个分离的球接触但并未合为一体）。这是一个“简并点”，能量水平在此匹配，但底层结构保持分离。

3. 预测路径

科学家们不仅观察火车，还建立了一个名为**李雅普诺夫指数（Lyapunov exponent）**的数学“速度计”。

• 这就像一张地图，显示了风能将火车推出坑洼的速度。
• 他们发现，能量传播的环总是恰好形成在“风速”与“坑洼强度”相匹配的地方。如果你知道坑洼的数学特性，就能精确预测传播环将出现的位置，他们的计算机模拟证实了这一点是 100% 准确的。

4. 边缘会发生什么？（开放边界）

到目前为止，我们假设轨道是一个完美的圆（没有起点或终点）。但如果轨道有起点和终点呢？

• 皮肤效应：在这些非厄米系统中，风不仅推动火车，它会将所有火车推向轨道的一端堆积（即“皮肤”）。
• 如果风向右吹，所有火车都会堆积在右墙；如果向左吹，它们就会堆积在左墙。即使轨道上布满了随机坑洼，这种情况也会发生。
• SSH 的惊喜：对于之字形的 SSH 轨道，如果风力较弱且坑洼以某种方式排列，火车不仅会堆积，还会被卡在轨道最末端的“边缘模式”中，这类似于一种特殊类型的绳结，仅在两端系紧。

总结

本文探讨了混乱（随机连接）与方向（偏置流）在神经网络模型中的相互博弈。

• 混乱试图将能量困在小区域。
• 方向试图释放能量并使其流动。
• SSH 链和梯子模型是这些力相互作用的两种不同方式。链式结构将其流动模式一次性合并（一个“例外点”），而梯子模型则分两个 distinct 的步骤完成（一个“狄奥比克点”）。
• 科学家们证明，他们可以使用数学“风速”计算精确预测能量流动的地点，并且他们表明，如果轨道有端点，能量将不可避免地堆积在边缘。

技术摘要

技术摘要：带状非厄米随机矩阵、神经网络与特征值简并

问题陈述
本研究探讨了受具有圆形一维拓扑的稀疏神经网络启发的双带状非厄米随机矩阵的谱与局域化性质。研究聚焦于生物神经网络中两个固有特征之间的相互作用：戴尔斯定律（Dale's Law，限制神经元为纯兴奋性或纯抑制性，导致跳跃项中出现随机符号无序）和稀疏连接（此处建模为晶格结构）。作者旨在理解这些约束条件，结合非厄米方向偏置（不对称跳跃），如何影响多带系统中的本征态局域化和特征值简并。研究对比了两个范式模型：非厄米 Su-Schrieffer-Heeger (SSH) 链和非厄米梯形模型。

方法论
作者采用了分析技术与数值模拟相结合的方法：

1. 模型构建：定义了两个模型，分别采用周期性边界条件（随后采用开边界条件）。两者均在跳跃振幅上引入随机符号无序（$\sigma \in \{+1, -1\}$）以满足戴尔斯定律，并引入破坏厄米性的方向偏置参数 $g$。
   • SSH 链：具有交替的胞内（$t_+$）和胞间（$t_-$）跳跃，并带有偏置 $g$。
   • 梯形模型：由两个耦合的 Hatano-Nelson 链组成，具有对称的梯级跳跃（$u$）和偏置的链内跳跃（$t$）。
2. 谱分析：作者在复平面上分析本征谱，重点关注特征值的分布和逆参与比（IPR），以区分局域态和扩展态。对于非厄米系统，采用涉及左右本征矢的规范不变 IPR。
3. 转移矩阵形式：为了预测去局域化的轮廓，将本征值问题重构为递推关系。计算与随机转移矩阵乘积相关的李雅普诺夫指数（$\gamma$）。去局域化判据确立为 $g = \gamma = \xi^{-1}$，其中 $\xi$ 为局域化长度。
4. 奇异值分析：作者利用关系式 $M = H \cdot \Sigma$（其中 $H$ 是纯非厄米模型，$\Sigma$ 是随机符号的对角矩阵），证明无序矩阵的奇异值与纯模型的奇异值相同。这为复平面中特征值的模提供了严格的界限。

主要贡献与结果

• 无序下简并的持续性：

  • SSH 链：在无序不存在的情况下，调节偏置 $g$ 会在临界值 $g_c$ 处导致一个例外点（特征值和特征矢量合并）。作者证明，即使在存在随机符号无序的情况下，该例外点依然存在，表现为具有单个特征矢量的二重简并零特征值。
  • 梯形模型：相比之下，纯梯形模型在 $g_c$ 处表现出狄阿博利点（具有不同特征矢量的简并特征值）。该狄阿博利点在引入无序后依然存活，保持具有完整特征矢量集的二重简并零特征值。

• 独特的去局域化现象：

  • SSH 链：随着方向偏置 $g$ 的增加，态从带内开始去局域化，在复平面上形成四个扩展态环。这些环扩大并最终在 $g = g_c$ 时在原点合并，在谱中形成一个孔洞。当 $g > g_c$ 时，所有态最终都会去局域化。
  • 梯形模型：去局域化过程分两个 distinct 阶段发生。最初，当 $g < g_c$ 时，扩展态形成四个环，但不在谱中打开孔洞（局域态仍保留在内部）。当 $g$ 超过 $g_c$ 时，第二组扩展态从原点涌现，形成由局域态区域分隔的两个同心扩展态环。只有当 $g$ 足够大时，所有态才会去局域化。

• 扩展态轮廓的预测：
  通过转移矩阵形式推导出的李雅普诺夫指数，可以准确预测扩展态所在的精确轮廓。数值对角化证实，扩展态位于李雅普诺夫指数 $\gamma(\lambda)$ 等于偏置参数 $g$ 的轮廓上。

• 开边界条件与非厄米皮肤效应：
  在开边界条件下，两个模型均表现出非厄米皮肤效应，即本征态在边界处累积。

  • 对于梯形模型，特征值保持与 $g$ 无关（与 $g=0$ 情况相同），但本征态在 $g > 0$（$g < 0$）时局域在左（右）边界。
  • 对于 SSH 链，特征值也与 $g$ 无关，但如果跳跃参数满足 $t_+ < t_-$，系统可以支持具有近零特征值的拓扑边缘态，这一特征让人联想到清洁的 SSH 链。

意义
本文确立了随机符号无序（戴尔斯定律）与多带非厄米系统中方向偏置之间的相互作用，会导致丰富的谱结构，这些结构在定性上不同于单带模型。工作强调，清洁极限下特征值简并的性质（例外点与狄阿博利点）决定了无序系统中去局域化转变的拓扑结构。具体而言，梯形模型的两阶段去局域化以及嵌套扩展态环的形成，代表了一种在先前研究过的单带非厄米随机矩阵中未观察到的新现象。利用李雅普诺夫指数预测这些复杂谱轮廓的能力，为理解稀疏非厄米生物网络中的局域化提供了稳健的理论框架。结果表明，神经簇的空间子结构（此处建模为单元胞）在决定网络动力学的稳定性和去局域化性质方面起着关键作用。