复元素矩阵对角化后重构失败的问题排查与解决建议

问题背景 #

构造含复元素的随机矩阵Htest，使用scipy.linalg.eig对角化后尝试重构原始矩阵，结果未得到预期的零矩阵，但单独验证左、右特征向量与对应特征值的关系是成立的。代码如下：

import numpy as np
import scipy as sp
import random

L0=4
Htest= np.array([[random.random()+1j*random.random() for e in range(L0)] for e in range(L0)])

# calculate spin energy levels
E, Vl, Vr=sp.linalg.eig(Htest,left=True)#
E=np.array(E)
Vl=np.array(Vl)
Vr=np.array(Vr)
idx = E.argsort()[::1]#sort with smallest eigenvalues
Es = E[idx]
Vrs = Vr[:,idx]
Vls = Vl[:,idx]

# This should be a null matrix, but it is not!
print(np.round( (Htest)-  Vls.T.conj() @ np.diag(Es) @Vrs ,3))

#This works
for i in  range(L0):
    print(np.round( np.dot(Htest  , Vrs[:,i] )- Es[i] * Vrs[:,i] ,3))
    print(np.round( np.dot(Htest.conj().T, Vls[:,i] )- Es[i].conj() * Vls[:,i],3))

问题原因 #

scipy.linalg.eig返回的左、右特征向量未自动满足双正交归一条件（即Vl.conj().T @ Vr ≠ 单位矩阵）。对于非厄米矩阵，左特征向量和右特征向量是不同的集合，仅满足Vl[i].conj().T @ Vr[j] = 0（当i≠j），但同一索引的特征向量内积不为1，导致直接用Vls.T.conj() @ diag(Es) @ Vrs无法重构原始矩阵。

修复方案 #

需要通过左、右特征向量的重叠矩阵进行修正，确保重构时满足双正交性。具体步骤：

1. 计算左、右特征向量的重叠矩阵S = Vls.conj().T @ Vrs
2. 求S的逆矩阵S_inv
3. 使用修正后的公式重构矩阵：Vrs @ np.diag(Es) @ S_inv @ Vls.conj().T

修改后的完整代码：

import numpy as np
import scipy as sp
import random

L0=4
Htest= np.array([[random.random()+1j*random.random() for e in range(L0)] for e in range(L0)])

# 对角化并排序特征值与特征向量
E, Vl, Vr=sp.linalg.eig(Htest,left=True)
idx = E.argsort()
Es = E[idx]
Vrs = Vr[:,idx]
Vls = Vl[:,idx]

# 计算重叠矩阵及其逆
S = Vls.conj().T @ Vrs
S_inv = np.linalg.inv(S)

# 正确重构原始矩阵
reconstructed_H = Vrs @ np.diag(Es) @ S_inv @ Vls.conj().T

# 验证重构结果（接近零矩阵）
print(np.round(Htest - reconstructed_H, 3))

# 原特征向量关系验证
for i in  range(L0):
    print(np.round(np.dot(Htest, Vrs[:,i]) - Es[i] * Vrs[:,i], 3))
    print(np.round(np.dot(Htest.conj().T, Vls[:,i]) - Es[i].conj() * Vls[:,i], 3))

原理补充 #

• 对于厄米矩阵，左、右特征向量完全相同，且满足正交归一性，此时重叠矩阵S是单位矩阵，重构可简化为Vr @ diag(E) @ Vr.conj().T。
• 对于一般非厄米矩阵，必须通过重叠矩阵的逆修正特征向量的缩放关系，才能满足H = Vr @ diag(E) @ Vl^+（其中Vl^+是Vl的Moore-Penrose伪逆，这里等价于S_inv @ Vls.conj().T）。

内容的提问来源于stack exchange，提问作者Shasa