技术摘要：高效计算大规模秩（Extensive-Rank）HCIZ 积分的渐近行为

1. 问题陈述

本文研究了 Harish-Chandra–Itzykson–Zuber (HCIZ) 积分的高维渐近行为，这是随机矩阵理论、统计力学和高维统计学中的一个基本对象。具体而言，作者关注的是大规模秩（extensive-rank）情形，即输入矩阵 $A$ 和 $B$ 的秩都随维度 $d$ 线性缩放（即秩为 $\Theta(d)$）。

在这种情形下，HCIZ 积分的极限（记作对于极限谱测度 $\mu$ 和 $\nu$ 的 $I_{\text{HCIZ}}(\mu, \nu)$）由一个一维边界值流体力学问题控制。该问题最初由 Matytsin (1994) 提出，并由 Guionnet 和 Zeitouni (2002) 进行了严格证明，涉及在满足连续性方程和特定 Euler-Lagrange 方程的容许轨迹 $(\rho, v)$ 上最小化泛函 $J(\mu, \nu)$。

核心挑战： 尽管存在理论框架，但对于一般的边界密度 $\mu$ 和 $\nu$，该变分问题的显式解析解仅在极少数特定情况下已知（例如，其中一个测度是半圆律，或为低秩扰动）。对于通用的边界密度，该问题在数学上仍然是难以处理的，这阻碍了在许多实际背景（如无序系统、高维统计和机器学习）中对 HCIZ 积分进行数值评估。

2. 方法论

作者提出了一种基于粒子的数值离散化方案来近似连续的变分问题。

2.1 离散化策略

作者没有在固定的空间网格上求解偏微分方程 (PDE)（欧拉方法），而是使用 $N$ 个粒子对问题进行离散化。

• 粒子表示： 概率密度 $\rho(t, x)$ 由 $N$ 个粒子位置 $x_i(t)$ 的经验分布来近似。
• 间距作为变量： 优化变量是相邻粒子之间的间距 $\delta_i(t) = (N+1)(x_{i+1}(t) - x_i(t))$ 以及第一个粒子的位置。这种参数化自然地强制执行了非交叉约束（$x_i \leq x_{i+1}$）并简化了问题的线性约束。
• 目标函数： 连续泛函 $G(\rho, v)$ 被近似为离散泛函 $G_{N, \epsilon}$。至关重要的是，原始流体力学描述中的非局部相互作用项（反平方相互作用）被替换为一个与粒子间距平方成反比的局部项，从而保留了由连续极限导出的系数 $\pi^2/3$。
• 正则化： 引入了一个微小参数 $\epsilon > 0$ 来处理间距可能趋于零时的奇异性，确保目标函数保持良定义且为凸。

2.2 优化算法

由此产生的有限维问题是一个带有线性约束的凸极小化问题。作者使用以下工具实现了一个高效求解器：

• 牛顿法（Newton's Method）： 用于寻找离散目标函数的最小值。
• 预处理共轭梯度法（PCG）： 用于求解每个牛顿步中出现的线性系统。
• 预处理（Preconditioning）： 目标函数的 Hessian 矩阵被证明是病态的（条件数随 $\Theta(T^2)$ 或 $\Theta(N^2)$ 缩放）。作者构建了一个特定的预处理器，该预处理器基于 Hessian 的块对角结构和离散正弦变换 (DST)，使得矩阵-向量乘法和线性系统求解的时间复杂度为 $O(NT \log N)$。
• 时间离散化： 采用非均匀时间步长调度，其动机源于自由概率论，旨在更好地捕捉在边界 $t=0$ 和 $t=1$ 附近的自由布朗桥（free Brownian bridge）的行为。

3. 主要贡献与理论结果

3.1 收敛定理

主要的理论贡献是 定理 1.2，它证明了该离散化方案的有效性。

• 陈述： 对于具有 $L^3(\mathbb{R})$ 密度的紧支撑、绝对连续测度 $\mu_0, \mu_1$，离散下确界 $J_{N, \epsilon}(\mu_0, \mu_1)$ 当粒子数 $N \to \infty$ 且正则化参数 $\epsilon \to 0$ 时，收敛于连续下确界 $J(\mu_0, \mu_1)$。
• 证明结构： 证明涉及建立上界和下界。
  • 上界： 通过从离散粒子路径构造连续轨迹，并证明离散能量近似于连续能量。
  • 下界： 使用平滑论证（卷积）来正则化连续极小值，然后对其进行离散化，以证明离散能量不会比连续能量低得太多。

3.2 数值验证

作者将其方法与已知解析解进行了对比验证：

• 自由卷积： 当 $\nu = \mu \boxplus \sigma_{\text{sc}}$（与半圆律进行自由加法卷积）时，数值结果与由 R-变换导出的密度 $\rho(t, x)$ 和速度场 $v(t, x)$ 的解析预测相匹配。
• 半圆律： 当 $\mu = \nu = \sigma_{\text{sc}}$ 时，计算出的 HCIZ 积分在各种缩放参数 $\theta$ 下均与 Matytsin 推导的精确公式一致。
• 奇异测度： 该方法通过使用正则化极限 $\eta \to 0$，成功处理了具有奇异性的测度（例如具有平方根奇异性的马尔琴科-帕斯托（Marchenko-Pastur）分布）。

4. 结果与观察

论文展示了该方案在通用边界密度下的应用，在这些情况下不存在解析解。

• 拓扑变化： 作者模拟了一个初始测度 $\mu$ 具有不连通支撑分量（对称化的马尔琴科-帕斯托律）且目标测度 $\nu$ 为半圆律的情况。模拟捕捉到了支撑分量在演化过程中合并的过程，这是一个速度场变得奇异的现象。
• 性能： 该算法表现出的收敛速率与梯形时间离散化（$O(T^{-2})$）和粒子离散化（$O(N^{-1})$）一致。使用 GPU 加速使得在合理的时间范围内求解具有 $N \approx 16,384$ 个粒子和 $T \approx 1,024$ 个时间步的问题成为可能。

5. 意义与范围

作者将这项工作定位为克服计算通用分布下 HCIZ 积分“数学上难以处理”问题的工具。

• 开辟新途径： 通过提供一种收敛的数值方案，这项工作使得探索此前无法触及的高维模型成为可能，特别是在高维统计学（例如非贝叶斯最优估计、通用的自由能量极限）和机器学习（例如大规模宽度神经网络）领域。
• 适度的声明： 论文明确指出，虽然它为数值探索打开了大门，但并不声称解决了底层的数学正则性问题（例如合并时刻解的平滑性），也不声称能为通用情况提供闭式解析公式。
• 未来方向： 作者建议该框架可以扩展到“自由边界”问题（其中一个边界测度是被优化的），并承认其他方法（如欧拉方法、复特征线法）是潜在的未来对比对象。

总之，本文弥合了 HCIZ 渐近行为的理论流体力学描述与实际计算之间的鸿沟，为这类在现代高维概率和统计物理学中至关重要的计算问题提供了一种稳健、收敛且高效的数值方法。