矩阵的迹

矩阵的迹（trace）是线性代数中定义在方阵上的一个基本标量函数，记为 $\operatorname{tr}(A)$，定义为矩阵主对角线上所有元素之和。对于 $n \times n$ 矩阵 $A = (a_{ij})$，其迹为 $\operatorname{tr}(A) = \sum_{i=1}^{n} a_{ii}$。迹是一个线性泛函，不仅在矩阵理论中占据核心地位，还在微分几何、量子力学、统计力学和机器学习等领域有着广泛应用。迹的概念虽然简单，却蕴含着深刻的理论意义，它连接了矩阵的代数结构、几何变换和谱性质。理解迹对于掌握整个线性代数体系具有重要的启发意义。

基本性质

迹满足以下基本代数性质。设 $A, B$ 为 $n \times n$ 方阵，$\alpha$ 为标量：

• 线性性：迹是一个线性映射，即 $\operatorname{tr}(A + B) = \operatorname{tr}(A) + \operatorname{tr}(B)$，且 $\operatorname{tr}(\alpha A) = \alpha \operatorname{tr}(A)$。这意味着所有同阶方阵的迹构成一个线性泛函空间。
• 转置不变性：$\operatorname{tr}(A^{\mathsf{T}}) = \operatorname{tr}(A)$，因为转置仅将行与列互换，对角元素保持不变。
• 共轭转置：对于复矩阵，$\operatorname{tr}(A^{\dagger}) = \overline{\operatorname{tr}(A)}$，其中 $\dagger$ 表示共轭转置，上划线表示复共轭。

循环不变性

迹最重要且最深刻的性质是循环不变性：$\operatorname{tr}(AB) = \operatorname{tr}(BA)$。这一性质可以推广到多个矩阵的乘积：对任意相容维度的矩阵 $A, B, C$，有

但需特别注意，$\operatorname{tr}(ABC) \neq \operatorname{tr}(ACB)$ 一般成立，即只有循环置换保持迹不变，非循环置换会改变结果。例如在三维情形下，$\operatorname{tr}(ABC) = \operatorname{tr}(CAB) = \operatorname{tr}(BCA)$，但一般不等于 $\operatorname{tr}(ACB)$。循环不变性的一个直接推论是迹在相似变换下不变：若 $P$ 可逆，则 $\operatorname{tr}(P^{-1}AP) = \operatorname{tr}(A)$。这进一步说明迹是矩阵的相似不变量，即所有相似矩阵都共享同一迹值，这与行列式一样都是相似等价类的重要标识。

与特征值的关系

迹与矩阵的特征值有着密切联系，这是线性代数中最核心的结果之一。设 $n \times n$ 矩阵 $A$ 的特征值为 $\lambda_1, \lambda_2, \dots, \lambda_n$（计代数重数），则：

这一结论可以从特征多项式的展开中直接导出。矩阵 $A$ 的特征多项式为

其中 $\lambda^{n-1}$ 的系数恰为 $-\operatorname{tr}(A)$。由于特征多项式的根就是特征值，由韦达定理可知根之和等于 $\lambda^{n-1}$ 系数的相反数，即 $\operatorname{tr}(A)$。类似地，常数项给出行列式与特征值的关系：$\det(A) = \prod_{i=1}^{n} \lambda_i$。因此，迹与行列式共同构成了特征多项式中最重要的两个系数，分别反映了特征值的和与积。

矩阵的导数和微分

在矩阵微积分中，迹是一个极其便利的工具。许多矩阵函数的导数可以用迹简洁地表达。例如，对于标量函数 $f(X) = \operatorname{tr}(AX)$，其梯度为 $\frac{\partial f}{\partial X} = A^{\mathsf{T}}$。更一般地，对于 $f(X) = \operatorname{tr}(X^{\mathsf{T}} A X)$，有 $\frac{\partial f}{\partial X} = (A + A^{\mathsf{T}}) X$。这些公式在机器学习中的线性回归、主成分分析、神经网络反向传播和深度学习优化中频繁出现，是矩阵求导课程中的标准内容。

迹的微分性质还体现在行列式的对数导数中：$\frac{\partial}{\partial t} \log \det(X(t)) = \operatorname{tr}\left(X^{-1} \frac{dX}{dt}\right)$，这是矩阵微积分中的经典结果。

Frobenius 内积与范数

迹定义了矩阵空间上的一种重要内积结构。对于 $m \times n$ 矩阵 $A, B$，Frobenius 内积定义为：

由此导出的 Frobenius 范数（也称为 Hilbert–Schmidt 范数）为 $\|A\|_{\mathrm{F}} = \sqrt{\operatorname{tr}(A^{\mathsf{T}} A)}$。该范数与向量 $\ell_2$ 范数完全相容，是矩阵分析中最常用的范数之一。Frobenius 范数具有酉不变性：对任意酉矩阵 $U, V$，有 $\|U A V\|_{\mathrm{F}} = \|A\|_{\mathrm{F}}$。

矩阵指数与 Jacobi 公式

在矩阵指数 $\exp(A) = \sum_{k=0}^{\infty} \frac{A^k}{k!}$ 的研究中，迹与行列式通过著名的 Jacobi 公式关联：

该公式的证明基于 Liouville 公式，它表明迹控制着矩阵指数映射的体积变化率。这一结果在常微分方程理论中用于分析流体的体积变化，在李群理论中用于刻画特殊线性群的李代数结构。具体而言，$\mathfrak{sl}(n)$ 的李代数正是由所有迹为零的矩阵构成，因为 $\det(\exp(A)) = 1$ 当且仅当 $\operatorname{tr}(A) = 0$。

偏迹与量子信息

在量子力学和量子信息论中，偏迹（partial trace）是普通迹运算的重要推广。对于复合系统的密度算子 $\rho_{AB}$，偏迹 $\operatorname{tr}_B(\rho_{AB})$ 通过对子系统 $B$ 求迹来约化出子系统 $A$ 的状态。偏迹是量子纠缠度量和量子信道描述中的基本操作，也是冯·诺依曼熵计算的核心工具。量子态的约化密度矩阵正是通过偏迹运算得到的，它描述了观测者仅能访问部分子系统时的全部统计信息。偏迹的引入使得量子信息论能够严格定义量子纠缠、量子失协等非经典关联度量。

迹不等式

迹不等式在矩阵分析和优化理论中扮演着重要角色。以下是几个经典结果：

• Von Neumann 迹不等式：对任意矩阵 $A, B$，有 $|\operatorname{tr}(A^{\mathsf{T}} B)| \leq \sum_{i=1}^{n} \sigma_i(A) \sigma_i(B)$，其中 $\sigma_i$ 表示奇异值。该不等式是 Hölder 不等式在矩阵情形下的推广。
• Golden–Thompson 不等式：对 Hermite 矩阵 $A, B$，有 $\operatorname{tr}(\exp(A + B)) \leq \operatorname{tr}(\exp(A) \exp(B))$。该不等式在统计力学中用于推导自由能的上界，是量子多体系统研究中的基本工具。
• Klein 不等式：对凸函数 $f$ 和 Hermite 矩阵 $A, B$，有 $\operatorname{tr}(f(A) - f(B) - (A-B)f'(B)) \geq 0$，是相对熵非负性的矩阵推广。

随机迹估计

在大规模数值线性代数中，当矩阵维度过高无法显式计算时，常用随机方法估计迹。Hutchinson 方法是最经典的随机迹估计法：

其中 $v_k$ 是服从 Rademacher 分布（以等概率取 $\pm 1$）的随机向量。该方法在机器学习、网络分析和计算物理中广泛用于估计大矩阵的迹，例如估计核矩阵的秩或计算谱密度。当矩阵 $A$ 能以矩阵-向量乘积形式高效访问时，随机迹估计的复杂度远低于显式构造 $A$。

总结

矩阵的迹是一个简单而深刻的数学概念。它从对角元之和出发，通过循环不变性、特征值关系、Frobenius 内积和 Jacobi 公式等，与线性代数的各个分支紧密相连。迹不仅是理论推导中的便捷工具，也是大规模数值计算中不可或缺的基本手段。从量子力学的偏迹到机器学习的随机估计，迹的概念不断展现出新的活力和应用价值。