Python调用linalg.eigh求解广义厄米特特征值报B非正定错误咨询

报错根因 #

scipy.linalg.eigh 针对广义厄米特征值问题 A x = λ B x 做了专门优化，默认采用Cholesky分解将广义问题转换为普通厄米特征值问题求解，因此要求右矩阵B必须为正定厄米矩阵：所有特征值严格大于0，且满足共轭转置等于自身（B = B^H）。你收到的报错明确说明B矩阵的12阶顺序主子式非正定，Cholesky分解无法完成，因此终止计算。

linalg.eig 能正常运行的原因是它面向通用非对称特征值场景设计，不需要矩阵满足厄米、正定的前置要求，但其精度和性能弱于专门针对厄米矩阵优化的eigh。

问题排查方向 #

• 验证矩阵厄米性：你给出的S矩阵代码中，第9_{16行前8列全为0，但对应位置的第1}8行9~16列为自定义的b类变量，除非这些变量全为0，否则S不满足厄米要求，会直接导致正定性判定失败。可执行 np.allclose(S, S.conj().T) 验证，返回False的话先修正矩阵元素保证共轭对称。
• 验证S的正定性：运行 s_eigvals = np.linalg.eigvalsh(S) 输出S的所有特征值，只要存在小于等于0的特征值（数值场景下可设1e-10为阈值过滤浮点误差），就说明S确实不符合eigh的默认输入要求。

解决方法 #

1. 正则化适配半正定场景
   如果确认S为半正定矩阵（特征值全非负，仅存在零值或数值误差带来的微小负特征值），可以给S添加极小的单位矩阵正则项，人为使其满足正定要求：

# 正则系数需远小于问题特征值的量级，避免影响最终结果
S_reg = S + 1e-8 * np.eye(S.shape[0])
lamda, x = lg.eigh(H, S_reg, lower=False, eigvals_only=False)

2. 更换求解驱动跳过正定要求
   scipy的eigh支持指定不同的底层LAPACK驱动，当B矩阵不定时，可以选用不需要正定前置条件的gvd/gv驱动，直接调用广义对称特征值求解算法，既保留eigh的精度性能优势，又无需修改原始矩阵，优先推荐该方案：

lamda, x = lg.eigh(H, S, lower=False, eigvals_only=False, driver='gvd')

3. 匹配lower参数与矩阵填充逻辑
   你设置了lower=False，此时eigh会仅读取矩阵的上三角部分构造厄米矩阵，如果你的矩阵元素仅填充了下三角，会生成错误的输入矩阵，进而影响正定性判定，需确认参数配置与你的矩阵填充逻辑一致。

内容的提问来源于stack exchange，提问作者Rohin Kc