Ma trận phức là gì? Các bài nghiên cứu khoa học liên quan

Định nghĩa ma trận phức

Ma trận phức là một ma trận mà tất cả các phần tử đều thuộc tập hợp số phức $\mathbb{C}$. Mỗi phần tử của ma trận có thể được viết dưới dạng $a + bi$, trong đó $a$ và $b$ là các số thực, còn $i$ là đơn vị ảo thỏa mãn $i^2 = -1$. Khái niệm ma trận phức mở rộng khái niệm ma trận thực, cho phép mô hình hóa các hiện tượng có pha và biên độ phức tạp, như sóng điện từ hoặc tín hiệu dao động trong không gian phức.

Trong đại số tuyến tính, ma trận phức được ký hiệu là $\mathbf{A} \in \mathbb{C}^{m \times n}$, nghĩa là một ma trận có $m$ hàng và $n$ cột, với mỗi phần tử thuộc tập hợp số phức. Tập hợp các ma trận phức kích thước $m \times n$ được ký hiệu là $\mathbb{C}^{m \times n}$. Khi $m = n$, ta có ma trận vuông phức, thường được dùng để biểu diễn phép biến đổi tuyến tính trong không gian phức.

Để minh họa, xem ví dụ về ma trận phức $2 \times 2$:

$\mathbf{A} = \begin{bmatrix} 2 + 3i & 4 - i \\ 1 + 2i & 3 + 0i \end{bmatrix}$

Trong ma trận này, mỗi phần tử đều có phần thực và phần ảo. Các phép toán cộng, nhân, hay liên hợp phức đều có thể được định nghĩa một cách tự nhiên. Bảng dưới đây minh họa mối quan hệ giữa các loại ma trận khác nhau:

Loại ma trận	Tập hợp phần tử	Ký hiệu
Ma trận thực	$\mathbb{R}$	$\mathbf{A} \in \mathbb{R}^{m \times n}$
Ma trận phức	$\mathbb{C}$	$\mathbf{A} \in \mathbb{C}^{m \times n}$

Cấu trúc và ký hiệu

Một ma trận phức được mô tả như một mảng hai chiều các số phức. Mỗi phần tử $a_{ij}$ của ma trận có thể viết dưới dạng $a_{ij} = x_{ij} + i y_{ij}$ với $x_{ij}, y_{ij} \in \mathbb{R}$. Do đó, toàn bộ ma trận phức có thể xem là sự kết hợp của hai ma trận thực: một ma trận phần thực và một ma trận phần ảo.

$\mathbf{A} = \mathbf{X} + i \mathbf{Y}, \quad \text{với} \quad \mathbf{X}, \mathbf{Y} \in \mathbb{R}^{m \times n}$

Ví dụ, nếu ta có: $\mathbf{X} = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}, \quad \mathbf{Y} = \begin{bmatrix} 0 & -1 \\ 2 & 3 \end{bmatrix}$ thì ma trận phức tương ứng là: $\mathbf{A} = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix} + i \begin{bmatrix} 0 & -1 \\ 2 & 3 \end{bmatrix} = \begin{bmatrix} 1 + 0i & 2 - i \\ 3 + 2i & 4 + 3i \end{bmatrix}$

Các ký hiệu thường dùng cho ma trận phức gồm:

• $\bar{\mathbf{A}}$: ma trận liên hợp phức (conjugate matrix)
• $\mathbf{A}^T$: ma trận chuyển vị
• $\mathbf{A}^H = (\bar{\mathbf{A}})^T$: ma trận chuyển vị liên hợp (Hermitian transpose)

Việc sử dụng ký hiệu này rất phổ biến trong xử lý tín hiệu và cơ học lượng tử, giúp mô tả các phép biến đổi phức tạp một cách ngắn gọn và chính xác.

Phép toán trên ma trận phức

Các phép toán cơ bản trên ma trận phức tương tự như với ma trận thực, nhưng cần chú ý đến quy tắc nhân và cộng số phức. Nếu $\mathbf{A}, \mathbf{B} \in \mathbb{C}^{m \times n}$ và $c \in \mathbb{C}$, ta có:

• Cộng ma trận: $(\mathbf{A} + \mathbf{B})_{ij} = a_{ij} + b_{ij}$
• Nhân vô hướng: $(c\mathbf{A})_{ij} = c a_{ij}$
• Liên hợp: $\bar{\mathbf{A}} = [\bar{a}_{ij}]$
• Chuyển vị liên hợp: $\mathbf{A}^H = (\bar{\mathbf{A}})^T$

Chuẩn Frobenius là công cụ phổ biến để đo độ lớn của ma trận phức: $\|\mathbf{A}\|_F = \sqrt{\sum_{i=1}^m \sum_{j=1}^n |a_{ij}|^2}$ Chuẩn này luôn là số thực không âm và giúp đánh giá “độ mạnh” hay “độ lớn” của ma trận trong không gian phức.

Ví dụ, với ma trận $\mathbf{A} = \begin{bmatrix} 1 + i & 2 \\ -i & 3 + 2i \end{bmatrix}$, ta có: $\|\mathbf{A}\|_F = \sqrt{|1 + i|^2 + |2|^2 + |-i|^2 + |3 + 2i|^2} = \sqrt{2 + 4 + 1 + 13} = \sqrt{20}$

Ma trận Hermite và đơn vịary

Một ma trận Hermite (hoặc Hermitian matrix) là ma trận vuông thỏa mãn $\mathbf{A} = \mathbf{A}^H$, nghĩa là ma trận bằng chính chuyển vị liên hợp của nó. Đặc trưng của ma trận Hermite là các phần tử trên đường chéo chính đều là số thực, và phần tử ngoài đường chéo $a_{ij}$ là liên hợp của phần tử $a_{ji}$.

Ví dụ: $\mathbf{A} = \begin{bmatrix} 2 & 1 + i \\ 1 - i & 3 \end{bmatrix}$ Ta có $\mathbf{A}^H = \begin{bmatrix} 2 & 1 + i \\ 1 - i & 3 \end{bmatrix} = \mathbf{A}$, nên đây là ma trận Hermite. Những ma trận này có giá trị riêng luôn là số thực và có cơ sở trực giao trong không gian phức, là nền tảng trong cơ học lượng tử và lý thuyết ma trận phổ.

Ngược lại, ma trận đơn vịary (unitary matrix) là ma trận vuông $\mathbf{U}$ thỏa mãn: $\mathbf{U}^H \mathbf{U} = \mathbf{U} \mathbf{U}^H = \mathbf{I}$. Ma trận đơn vịary bảo toàn độ dài và góc giữa các vector, tương tự ma trận trực chuẩn trong không gian thực. Các phép biến đổi như Biến đổi Fourier rời rạc (DFT) hoặc phép xoay trong không gian phức đều sử dụng ma trận đơn vịary.

Ví dụ, ma trận đơn vịary cấp 2: $\mathbf{U} = \frac{1}{\sqrt{2}} \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}$ thỏa mãn $\mathbf{U}^H \mathbf{U} = \mathbf{I}$. Đây chính là phép biến đổi Hadamard – một trong những phép biến đổi cơ bản được sử dụng trong xử lý tín hiệu và tính toán lượng tử.

Giá trị riêng và vector riêng phức

Trong không gian phức, bài toán giá trị riêng (eigenvalue) và vector riêng (eigenvector) đóng vai trò trung tâm trong phân tích ma trận. Với một ma trận vuông phức $\mathbf{A} \in \mathbb{C}^{n \times n}$, giá trị riêng $\lambda \in \mathbb{C}$ là nghiệm của phương trình đặc trưng: $\det(\mathbf{A} - \lambda \mathbf{I}) = 0$

Ứng với mỗi giá trị riêng $\lambda$, tồn tại một hoặc nhiều vector riêng $\mathbf{v} \in \mathbb{C}^n$ sao cho: $\mathbf{A} \mathbf{v} = \lambda \mathbf{v}$ Các vector riêng không bị thay đổi hướng bởi phép biến đổi tuyến tính mà chỉ bị co giãn bởi hệ số $\lambda$. Trong không gian phức, số lượng và tính chất của các giá trị riêng phụ thuộc vào loại ma trận (Hermite, đơn vịary, v.v.).

Các tính chất nổi bật khi làm việc với giá trị riêng phức:

• Giá trị riêng của ma trận Hermite luôn là số thực
• Giá trị riêng của ma trận đơn vịary đều nằm trên đường tròn đơn vị trong mặt phẳng phức
• Ma trận tam giác phức có giá trị riêng là các phần tử trên đường chéo

Phân tích phổ dựa trên giá trị riêng được ứng dụng rộng rãi trong cơ học lượng tử, mô hình dao động, và học máy.

Phân rã ma trận phức

Phân rã ma trận là kỹ thuật then chốt để đơn giản hóa và tăng tốc độ xử lý các bài toán đại số. Với ma trận phức, các dạng phân rã được sử dụng phổ biến bao gồm:

• Phân rã phổ (Spectral Decomposition): áp dụng với ma trận chéo hóa được: $\mathbf{A} = \mathbf{V} \Lambda \mathbf{V}^{-1}$
• Phân rã SVD: $\mathbf{A} = \mathbf{U} \Sigma \mathbf{V}^H$, với $\mathbf{U}, \mathbf{V}$ là ma trận đơn vịary và $\Sigma$ là ma trận đường chéo
• Phân rã QR: $\mathbf{A} = \mathbf{Q} \mathbf{R}$ với $\mathbf{Q}$ đơn vịary và $\mathbf{R}$ là ma trận tam giác trên

Phân rã SVD là công cụ quan trọng trong nén ảnh, khử nhiễu, và giải hệ phương trình kém xác định. Phân rã QR dùng trong thuật toán Gram-Schmidt và giải phương trình tuyến tính bằng phương pháp bình phương tối tiểu.

Ví dụ, với ma trận $\mathbf{A} = \begin{bmatrix} 1 & i \\ i & 1 \end{bmatrix}$, ta có thể phân rã SVD để tách thành ba ma trận có tính chất đơn giản hơn, phục vụ cho phân tích thống kê hoặc mô hình hóa.

Ứng dụng của ma trận phức

Ma trận phức có vai trò quan trọng trong nhiều lĩnh vực công nghệ và khoa học. Do khả năng mô tả cả biên độ và pha, chúng là công cụ lý tưởng trong các bài toán có bản chất dao động, sóng, hoặc vòng lặp phức tạp.

Các lĩnh vực sử dụng ma trận phức:

• Vật lý lượng tử: Hàm sóng và toán tử trong không gian Hilbert được mô hình hóa bằng ma trận Hermite
• Xử lý tín hiệu: Biến đổi Fourier rời rạc (DFT), biến đổi Z, các bộ lọc phức
• Điện từ học: Sóng điện từ, radar, anten dùng vector và ma trận phức để mô tả trường điện và từ
• Viễn thông: Biểu diễn tín hiệu điều chế như QAM, PSK thông qua biên độ-pha phức
• Thị giác máy tính: Phân tích ảnh dựa trên biến đổi Fourier 2 chiều và SVD

Một ví dụ điển hình là sử dụng biến đổi Fourier phức để phân tích tín hiệu âm thanh, từ đó trích xuất các thành phần tần số theo thời gian thực.

Ma trận phức trong đại số tuyến tính số

Trong tính toán khoa học và kỹ thuật số, làm việc với ma trận phức yêu cầu các thuật toán ổn định và chính xác. Các thư viện như LAPACK, NumPy, SciPy hỗ trợ đầy đủ các phép toán trên ma trận phức, bao gồm phân rã, giải hệ, và tính trị riêng.

Ma trận phức được ứng dụng trong:

• Giải hệ phương trình tuyến tính phức: $\mathbf{A} \mathbf{x} = \mathbf{b}$
• Tối ưu hóa: sử dụng gradient phức trong các hàm chi phí
• Học sâu lượng tử: huấn luyện mạng neural với trọng số là số phức
• Mô phỏng hệ thống vật lý: sử dụng hàm truyền phức trong phân tích hệ thống điều khiển

Ngoài ra, các phần mềm như MATLAB hoặc Python với thư viện như SciPy.linalg và NumPy.linalg cung cấp hàm xử lý ma trận phức như eig, svd, solve cho người dùng kỹ thuật.

So sánh ma trận thực và ma trận phức

Mặc dù nhiều kỹ thuật đại số tuyến tính có thể áp dụng chung cho cả ma trận thực và phức, vẫn tồn tại một số khác biệt quan trọng về mặt toán học và ứng dụng.

Tiêu chí	Ma trận thực	Ma trận phức
Tập hợp phần tử	$\mathbb{R}$	$\mathbb{C}$
Khả năng chéo hóa	Không phải luôn chéo hóa được	Luôn chéo hóa nếu đầy đủ trị riêng
Ứng dụng điển hình	Tối ưu hóa, hình học tuyến tính	Tín hiệu, sóng, vật lý lượng tử
Tính phổ	Giá trị riêng có thể là số phức	Giá trị riêng luôn nằm trong $\mathbb{C}$

Ma trận phức cung cấp độ linh hoạt cao hơn trong mô hình hóa và mô phỏng các hệ thống thực tế có tính dao động hoặc tương tác điều hòa.

Tài liệu tham khảo

1. Golub, G. H., & Van Loan, C. F. (2013). Matrix Computations (4th ed.). Johns Hopkins University Press.
2. Horn, R. A., & Johnson, C. R. (2012). Matrix Analysis (2nd ed.). Cambridge University Press.
3. Strang, G. (2016). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.
4. MathWorks – Complex Matrices
5. NumPy Documentation – Complex Arrays
6. LAPACK – Linear Algebra Package
7. SciPy Linear Algebra