Julia与Numpy计算厄米矩阵特征向量结果不一致问题咨询

• 特征向量的固有相位/符号自由度
  Hermitian矩阵的特征向量满足：若v是对应特征值λ的特征向量，那么对任意模为1的复数c（实数场景下为±1），c*v同样是合法的特征向量。Julia与numpy底层调用的LAPACK子程序对特征向量的相位归一化规则不同，这是无简并场景下最常见的差异来源，这类差异不会影响后续计算的正确性。
• 简并特征值的子空间基选择差异
  如果矩阵存在重特征值，对应特征子空间内的任意一组正交基都属于合法的特征向量解。两类库对简并子空间的正交基构造逻辑不同，会导致对应重特征值的特征向量存在明显的正交变换级别的差异，这类差异属于正常数值结果。
• 底层线性代数库的实现差异
  虽然二者都依赖BLAS/LAPACK接口，但实际链接的具体库实现可能完全不同：比如Julia默认绑定OpenBLAS，而你的numpy环境可能链接了MKL、BLIS或不同版本的OpenBLAS。不同实现的浮点运算顺序、舍入误差累积逻辑存在区别，5000阶矩阵的计算量很大，微小的误差累积会被放大，近简并特征值对应的特征向量对这类数值误差尤其敏感。
• 函数默认参数配置差异
  numpy的np.linalg.eigh支持通过driver参数选择不同的LAPACK实现（默认调用syevr/heevr），而Julia的LinearAlgebra.eigen对Hermitian矩阵默认调用syevd/heevd分治算法，不同算法的数值精度、误差控制逻辑存在区别，也会带来结果差异。

你可以先比对两类库输出的特征值序列，若特征值的绝对误差在1e-10量级以内，说明对角化计算本身没有问题：

• 无简并场景下，验证每个特征向量对v_jl和v_np满足v_jl ≈ c * v_np（c为模1复数）即可确认结果合法
• 存在简并场景下，验证两类库得到的对应特征子空间的投影误差小于1e-8即可确认结果合法

内容的提问来源于stack exchange，提问作者Sreekar Voleti