i i “Klep” — 2016/10/13 — 8:52 — page 81 — #1 i i i i i i MATRIČNO KONVEKSNE MNOŽICE IGOR KLEP Institut Jožef Stefan Inštitut za matematiko, fiziko in mehaniko Math. Subj. Class. (2010): 46L07, 13J30 V prispevku predstavimo matrično konveksne množice, ki so naravna posplošitev konveksnosti za matrične prostore. Ogledali si bomo ustrezno različico matričnega Hahn- Banachovega izreka in njegovo uporabo. MATRIX CONVEX SETS In this article we explore a natural extension of the notion of convexity to matrix spaces, the so-called matrix convex sets. We shall give an appropriate analog of the Hahn-Banach theorem and present some of its applications. Uvod Podmnožico K evklidskega prostora Rn imenujemo konveksna, če za po- ljubni točki x, y ∈ K vsa daljica, ki povezuje x in y, leži v K. Funkcija je konveksna, če je območje nad njenim grafom konveksna množica. Ta preprost koncept izvira iz geometrije in se uporablja kot orodje v mnogih znanostih. Konveksnost je pomembna v ekonomiji in financah (splošna te- orija ravnotežja predvideva konveksne preference), statistiki in verjetnosti (glej npr. Jensenovo neenakost) ter v matematični optimizaciji. Slednja vsebuje kot samostojno vejo konveksno optimizacijo, ki je zaradi nedav- nih prelomnic (metoda notranjih točk [13] in semidefinitno programiranje oz. linearne matrične neenakosti [16]) aktualna tema v matematiki in raču- nalnǐstvu. Konveksnost naredi optimizacijo zanesljivo, saj je vsak lokalni minimum v tem primeru globalen. V tem sestavku si bomo ogledali posplošitev pojma konveksnosti v ma- tričnih prostorih. Pojem je vpeljal Wittstock [18], mi pa bomo sledili šoli Effrosa [5]. Matrično konveksne množice Simetrične in pozitivno semidefinitne matrike Spomnimo, da je realna n×n matrika A = (aij)i,j simetrična, če je A = At, kjer smo z At označili transponiranko matrike A. Z drugimi besedami, A Obzornik mat. fiz. 63 (2016) 3 81 i i “Klep” — 2016/10/13 — 8:52 — page 82 — #2 i i i i i i Igor Klep je simetrična, če za poljubna 1 ≤ i, j ≤ n velja aij = aji. Množico vseh simetričnih n× n matrik bomo označili s Sn. Lastne vrednosti simetrične matrike so vselej realne. Če so vse lastne vrednosti nenegativne (oz. pozitivne), potem je A pozitivno semidefini- tna (oz. definitna), kar označimo z A  0 (oz. A  0). Pozitivno semidefi- nitnost lahko ekvivalentno vpeljemo na več načinov: simetrična matrika A je pozitivno semidefinitna natanko takrat, ko velja katera koli izmed nasle- dnjih izjav: (i) 〈Av, v〉 = vtAv ≥ 0 za vse vektorje v ∈ Rn; (ii) obstaja realna matrika B, za katero velja A = BtB; (iii) obstaja simetrična realna matrika C, za katero velja A = C2; (iv) vsi glavni minorji matrike A so nenegativni. Povsem analogno lahko karakteriziramo tudi pozitivno definitne matrike. Množica vseh pozitivno semidefinitnih n × n matrik tvori konveksen stožec S0n v Sn. Na sliki 1 je predstavljen rob stožca vseh 2 × 2 pozitivno semidefinitnih matrik ( x yy z ) kot podmnožica R3. V nadaljevanju bo ključno vlogo imela Löwnerjeva delna ureditev na Sn, ki jo porodi S0n : za A,B ∈ Sn, A  B ⇐⇒ A−B  0. (Kroneckerjev) tenzorski produkt matrik Pogosto bomo posegali tudi po tenzorskem produktu matrik, zato si na kratko oglejmo njegove lastnosti. Če je A = (aij)i,j matrika velikosti m× n in B matrika velikosti p× q, potem je A⊗B = a11B · · · a1nB... . . . ... am1B · · · amnB  matrika velikosti mp× nq. Kroneckerjev produkt je bilinearen, asociativen in skoraj komutativen: obstajata permutacijski matriki P,Q, za kateri velja B ⊗A = P (A⊗B)Q. Če sta A,B kvadratni, smemo vzeti Q = P t. V tem primeru sta torej A⊗B in B ⊗A ortogonalno ekvivalentni. Velja tudi (A⊗B)(C ⊗D) = AC ⊗BD, 82 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 83 — #3 i i i i i i Matrično konveksne množice Slika 1 kadar sta produkta AC in BD definirana. Operatorska norma1 tenzorskega produkta je produkt norm, transponiranka tenzorskega produkta pa je ten- zorski produkt transponirank. Matrično konveksne množice Fiksirajmo naravno število g. Naš univerzum bodo g-terice realnih sime- tričnih matrik vseh velikosti nad realnimi števili, Sg := ⋃ n∈N Sgn. Na Sg vpeljemo operacijo direktne vsote: za A ∈ Sgn in B ∈ Sgm postavimo A⊕B := ( A 0 0 B ) = ((A1 0 0 B1 ) , . . . , ( Ag 0 0 Bg )) ∈ Sgn+m. 1Operatorska norma n×m matrike W je definirana kot ‖W‖ := max{‖Wx‖ | x ∈ Rm, ‖x‖ = 1}. Operatorska norma je submultiplikativna: ‖VW‖ ≤ ‖V ‖ · ‖W‖, kadar je produkt VW definiran. 81–99 83 i i “Klep” — 2016/10/13 — 8:52 — page 84 — #4 i i i i i i Igor Klep Tako si lahko Sg mislimo kot neskončno disjunktno unijo ali pa kot stopni- často množico. Podmnožica K ⊆ Sg je zaporedje K = ( K(n) ) n , kjer je K(n) ⊆ Sgn. Definicija 1. Podmnožico K ⊆ Sg imenujemo matrično konveksna, če zadošča naslednjim pogojem: (0) 0 ∈ K (vsebovanost izhodǐsča); (1) K ⊕ K ⊆ K: za vse A,B ∈ K velja A ⊕ B ∈ K (zaprtost za direktne vsote); (2) (zaprtost za ∗-konjugiranje s skrčitvami) za vse n,m ∈ N, vsako skrči- tev2 V ∈ Rn×m in vsak A = (A1, . . . , Ag) ∈ K(n) velja V tAV := (V tA1V, . . . , V tAgV ) ∈ K(m). Omenimo, da je predpostavka (0) nebistvena, a jo tukaj privzamemo, da se izognemo nekaterim tehničnim zapletom. Če (0) izpustimo, lahko v (2) predpostavimo le zaprtje za ∗-konjugiranje z izometrijami V . Opomba 2. Podmnožici K ⊆ Sg, ki zadošča aksiomu (1) in aksiomu (2) za ortogonalne matrike V , pravimo prosta množica. Proste množice so domene in kodomene prostih preslikav, s katerimi se ukvarja prosta analiza [17, 10]. Zgled 3. Preden se lotimo študija matrično konveksnih množic, si poglejmo nekaj zgledov. (a) Fiksirajmo g-terico simetričnih matrik Ω ∈ Sgn. Potem je K := {V t(Iµ ⊗ Ω)V | µ ∈ N, V ∈ Rnµ×m je skrčitev, m ∈ N} (1) matrično konveksna množica. Tukaj z ⊗ označujemo Kroneckerjev tenzorski produkt matrik. Če zapǐsemo V = V1... Vµ  , 2Matriki V rečemo skrčitev, če je njena operatorska norma ≤ 1. Ekvivalentno: ma- trika I − V tV je pozitivno semidefinitna, I − V tV  0. Simetrična matrika S je skrčitev natanko takrat, ko je −I  S  I. 84 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 85 — #5 i i i i i i Matrično konveksne množice kjer Vi ∈ Rn×m, potem je V t(Iµ ⊗ Ω)V = µ∑ j=1 V tj ΩVj , V tV  I pa se prepǐse v ∑ j V t j Vj  I. Očitno je 0 ∈ K, saj lahko v (1) postavimo V = 0. Pokažimo sedaj, da je K ⊕K ⊆ K. Vzemimo V t(Iµ ⊗ Ω)V, W t(Iν ⊗ Ω)W ∈ K. Tedaj je V t(Iµ ⊗ Ω)V ⊕W t(Iν ⊗ Ω)W = (W ⊕ V )t(Iµ+ν ⊗ Ω)(W ⊕ V ) ∈ K. Zaprtost K za ∗-konjugiranje s skrčitvami je še preprosteǰsa. Za V t(Iµ⊗ Ω)V ∈ K(n) in skrčitev W ∈Mn(R) velja W tV t(Iµ ⊗ Ω)VW = (VW )t(Iµ ⊗ Ω)(VW ), hkrati pa je ‖VW‖ ≤ ‖V ‖ · ‖W‖ ≤ 1 zaradi submultiplikativnosti operatorske norme. Množica K je najmanǰsa konveksna množica, ki vsebuje Ω. Pravimo ji matrično konveksna ogrinjača množice {Ω} in jo označimo s K = mat-konv{Ω}. (b) Vzemimo sedaj Ω1, . . . ,Ωr ∈ Sg. Tedaj je najmanǰsa matrično konve- ksna množica K, ki vsebuje vse Ωj , enaka mat-konv{Ω1 ⊕ · · · ⊕ Ωr}. Očitno je Ω1⊕· · ·⊕Ωr ∈ K, saj je K zaprta za direktne vsote. Hkrati pa vsaka matrično konveksna množica, ki vsebuje Ω1 ⊕ · · · ⊕ Ωr, vsebuje tudi vsak Ωj , saj velja npr. Ω1 =  I 0 ... 0  t Ω1 Ω2 . . . Ωe   I 0 ... 0  . S tem smo pokazali, da so vse matrično konveksne množice, ki so napete s končno mnogo tericami matrik, vselej napete kar s singletonom. (c) Naj bo ε > 0. Definirajmo prosto ε-kroglo s sredǐsčem v izhodǐsču 0: Nε := ⋃ n∈N {X ∈ Sgn | ‖X‖ ≤ ε} = { X ∈ Sg | ε2I  ∑ j X2j } . Preprosto je preveriti, da je Nε matrično konveksna množica. 81–99 85 i i “Klep” — 2016/10/13 — 8:52 — page 86 — #6 i i i i i i Igor Klep (d) Vzemimo A = (A1, . . . , Ag) ∈ Sgd in tvorimo enični matrični šop veli- kosti d: Λ(x) := Id + x1A1 + · · ·+ xgAg. (2) Matrični šop lahko seveda vrednotimo v Rg: za x ∈ Rg je Λ(x) identiteta plus ustrezna linearna kombinacija matrik Aj . Veliko bolj zanimivo pa je vrednotenje v Sn za n ≥ 2. Če so X1, . . . , Xg ∈ Sn, potem definiramo Λ(X) = In ⊗ Id +X1 ⊗A1 + · · ·+Xg ⊗Ag ∈ Sdn. Sedaj tvorimo linearno matrično neenakost Λ(x)  0 in njeno množico rešitev, t. i. (prost) spektraeder DΛ = ⋃ n∈N {X ∈ Sgn | Λ(X)  0}. Vse skalarne točke DΛ(1) = DΛ ∩ Rg tvorijo konveksno podmnožico Rg. Množica DΛ je matrično konveksna. Res, Λ(0) = I  0, torej je 0 ∈ DΛ(1). Zaprtost DΛ za direktne vsote sledi iz Λ(X ⊕ Y ) = Λ(X)⊕ Λ(Y ), zaprtost za ∗-konjugiranje s skrčitvami pa iz Λ(V tXV ) = I ⊗ I + ∑ j (V tXjV )⊗Aj = (V ⊗ I)t ( I ⊗ I + ∑ j Xj ⊗Aj ) (V ⊗ I) + (I − V tV )⊗ I = (V ⊗ I)tΛ(X)(V ⊗ I) + (I − V tV )⊗ I  0. Matrični šop (2) po navadi označimo z ΛA(x). (e) Oglejmo si konkretna primera prostih spektraedrov. Definirajmo ∆(x1, x2) := I3 + 0 1 01 0 0 0 0 0 x1 + 0 0 10 0 0 1 0 0 x2 =  1 x1 x2x1 1 0 x2 0 1  , Γ(x1, x2) := I2 + ( 1 0 0 −1 ) x1 + ( 0 1 1 0 ) x2 = ( 1 + x1 x2 x2 1− x1 ) . 86 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 87 — #7 i i i i i i Matrično konveksne množice Skalarne točke prostih spektraedrov D∆ in DΓ je preprosto izračunati npr. s pomočjo minorjev (razdelek (Kroneckerjev) tenzorski produkt matrik). Ve- lja D∆(1) = {(X1, X2) ∈ R2 | X21 +X22 ≤ 1}, DΓ(1) = {(X1, X2) ∈ R2 | X21 +X22 ≤ 1}. Množici D∆(1) in DΓ(1) sovpadata. Po drugi strani pa je preprosto videti(( 1 2 0 0 0 ) , ( 0 34 3 4 0 )) ∈ D∆ \ DΓ, zato iz ∆(X1, X2)  0 ne sledi Γ(X1, X2)  0. Velja pa obratna implika- cija: DΓ ⊂ D∆. To bomo podrobneje razložili v razdelku Uporaba Hahn- Banachovega izreka, glej zgled 17. Ker je 1 x1 x2x1 1 0 x2 0 1  = x1 1 0x2 0 1 1 0 0 t1 0 00 1 0 0 0 1− x21 − x22 x1 1 0x2 0 1 1 0 0  in je konjugacijska matrika obrnljiva,x1 1 0x2 0 1 1 0 0 −1 = 0 0 11 0 −x1 0 1 −x2  , sledi D∆ = {(X1, X2) ∈ S2 | 1−X21 −X22  0}. (f) Iz matrično konveksnih množic lahko tvorimo nove matrično konveksne množice, npr. s preseki, kartezičnimi produkti, zaprtji. Tukaj vse te kon- strukcije izvajamo stopničeno; npr. zaprtje K ⊂ Sg je K = ⋃ n∈N K(n), pri čemer K(n) ⊆ Sgn opremimo z inducirano evklidsko topologijo. Projekcija matrično konveksne množice je ponovno matrično konveksna: če je K ⊂ Sg+h matrično konveksna, potem je tudi projg K := ⋃ n∈N {X ∈ Sgn | ∃Y ∈ Shn : (X,Y ) ∈ K} matrično konveksna. 81–99 87 i i “Klep” — 2016/10/13 — 8:52 — page 88 — #8 i i i i i i Igor Klep (g) Podajmo še eno konstrukcijo matrično konveksnih množic. Za podmno- žico K ⊆ Sg označimo s K◦ = ⋃ n∈N {A ∈ Sgn | ∀X ∈ K : ΛA(X)  0} njeno polaro. Opazimo, da bi lahko v definiciji namesto ΛA(X)  0 zahtevali ΛX(A)  0, saj sta matriki ΛA(X) in ΛX(A) ortogonalno ek- vivalentni; prehodna matrika je celo permutacijska in realizira izomorfizem A⊗B 7→ B⊗A.3 Preprosto je videti, da je K◦ matrično konveksna množica. Opazimo tudi, da ◦ obrača inkluzije: če je K ⊆ K̃, potem velja K◦ ⊇ K̃◦. (h) Vrnimo se k prostim kroglam iz (c). Za ε > 0 velja N 1 gε ⊂ N ◦ε ⊂ N√g ε . Pokažimo najprej prvo inkluzijo. Če je ‖A‖ ≤ 1gε , potem za vsak X ∈ Nε velja ‖A1 ⊗X1 + · · ·+Ag ⊗Xg‖ ≤ gmax j ‖Aj‖ ·max k ‖Xk‖ ≤ 1. Sledi ΛA(X)  0, zatorej je A ∈ N ◦ε . Za desno inkluzijo vzemimo poljuben A ∈ N ◦ε . Potem za vsak Xj norme ε velja 1 ≥ ‖Aj ⊗Xj‖ = ‖Aj‖ · ‖Xj‖ = ε‖Aj‖, torej je ∥∥∥∑ j A2j ∥∥∥ ≤ g ε2 . Osnovne lastnosti matrično konveksnih množic Sedaj smo pripravljeni, da si ogledamo preproste lastnosti matrično konve- ksnih množic. Najprej razložimo, od kod ime. Lema 4. Naj bo K ⊂ Sg matrično konveksna. Tedaj je za vsak n ∈ N množica K(n) = K ∩ Sgn konveksna. 3V angleščini tej preslikavi rečemo canonical shuffle. 88 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 89 — #9 i i i i i i Matrično konveksne množice Dokaz. Vzemimo realni števili s, t, za kateri velja s2 + t2 = 1, in naj bosta X,Y ∈ K(n). Definirajmo skrčitev V = ( sIn tIn ) in poračunajmo: s2X + t2Y = V t ( X 0 0 Y ) V = V t(X ⊕ Y )V ∈ K(n). Naj bo K ⊂ Sg prosta množica. Pravimo, da je K zaprta za zožitve na invariantne podprostore, če za vsak X ∈ K(n) in vsak podprostor H ⊂ Rn dimenzije m, ki je invarianten za X, velja X|H ∈ K(m). (3) Strogo gledano X|H seveda ni m×m matrika, temveč le linearna preslikava na m razsežnem podprostoru H ⊂ Rn. V izjavi (3) vsebovanost v K(m) preverjamo s kakšno od matrik, ki jih tej linearni preslikavi priredimo glede na ortonormirano bazo H. Ali je dobljena matrika element K(m), je neod- visno od izbire baze, saj je množica K prosta in zato zaprta za ortogonalno ∗-konjugiranje. Izrek 5. Naj bo 0 ∈ K ⊂ Sg prosta podmnožica, ki je zaprta za zožitve na invariantne podprostore. Potem je K matrično konveksna natanko takrat, ko je K(n) konveksna za vsak n ∈ N. Dokaz. Implikacija (⇒) drži po preǰsnji lemi. Poglejmo si še obrat. Vze- mimo X ∈ K(n), podprostor H ⊂ Rn in naj bo L ortogonalni komplement H v Rn. Glede na direktno vsoto Rn = H⊕L naj ima X zapis X = ( A B Bt C ) . Če z V označimo izometrijo H → Rn, potem je V ∗XV = A. Hkrati je( A 0 0 C ) = 1 2 ( A B Bt C ) + 1 2 ( 1 0 0 −1 )( A B Bt C )( 1 0 0 −1 ) element K(n), saj je K(n) konveksna in je matrika ( 1 0 0 −1 ) ortogonalna. Ker je H invarianten podprostor za ( A 0 0 C ) , dobimo še A = V ∗XV ∈ K. Od tod sledi, da je V ∗XV ∈ K za vsako izometrijo V . 81–99 89 i i “Klep” — 2016/10/13 — 8:52 — page 90 — #10 i i i i i i Igor Klep Naj bo W : H → Rn poljubna skrčitev. Potem je V : H → Rn ⊕H, x 7→ ( Wx, √ I −W tWx ) = ( W, √ I −W tW ) x izometrija. Ker je 0 ∈ K, za vsak X ∈ K(n) velja X ⊕ 0 ∈ K. Sledi W tXW = V t ( X 0 0 0 ) V ∈ K. Zgled 6. Podajmo še primer nekonveksne proste množice v S2, katere ska- larne točke tvorijo konveksno podmnožico v R2. (Nekomutativnemu) poli- nomu p = 1− x41 − x22 priredimo prosto semialgebraično množico Dp := {(X1, X2) ∈ S2 | p(X1, X2)  0}. x1 x2 1 1 Slika 2. TV zaslon Dp(1) = { (x1, x2) ∈ R2 | 1− x41 − x22 ≥ 0 } . Čeprav je množica Dp(1) konveksna, Dp ni matrično konveksna. Z ne- koliko računske spretnosti je možno pokazati, da podmnožica Dp(2) v 6- razsežnem evklidskem prostoru S22 ni konveksna. Res, za X1 = ( 1 2 − 1 4 −14 − 1 4 ) , Y1 = ( 2 7 5 6 5 6 0 ) , X2 = ( 1 2 − 1 4 −14 7 16 ) , Y2 = ( 3 10 5 6 5 6 0 ) velja (Xj , Yj) ∈ Dp(2) in ( 1 2(X1 +X2), 1 2(Y1 + Y2) ) 6∈ Dp(2). 90 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 91 — #11 i i i i i i Matrično konveksne množice Slika 3. »Tipičen« trirazsežni prerez TV zaslona Dp(2). Rečemo, da je 0 v notranjosti podmnožice K ⊂ Sg, če je Nε ⊆ K za kak ε > 0. Množica K je omejena, če obstaja N ∈ N, za katerega je ‖X‖ ≤ N za vse X ∈ K. Ekvivalentno: K ⊂ NN . (Tukaj velja opozoriti, da je ta zahteva močneǰsa od omejenosti vseh K(n).) Lema 7. Denimo, da je K ⊂ Sg matrično konveksna. Potem so naslednje trditve ekvivalentne: (i) 0 ∈ Rg je v notranjosti množice K(1); (ii) 0 ∈ Sgn je v notranjosti množice K(n) za kak n ∈ N; (iii) 0 ∈ Sgn je v notranjosti množice K(n) za vse n ∈ N; (iv) 0 je v notranjosti množice K. Dokaz. Očitno velja (iv)⇒ (iii)⇒ (ii). Predpostavimo, da drži (ii). Potem obstaja ε > 0 z Nε(n) ⊆ K(n). Ker je Nε(1)⊕ · · · ⊕ Nε(1) ⊆ Nε(n), in je Nε zaprt za ∗-konjugiranje s skrčitvami, je tudi Nε(1) ⊆ K(1), torej velja (i). 81–99 91 i i “Klep” — 2016/10/13 — 8:52 — page 92 — #12 i i i i i i Igor Klep Slika 4. Nekonveksen 2-razsežni prerez Dp(2). Naj sedaj drži (i), tj. Nε(1) ⊆ K(1) za kak ε > 0. Trdimo, da je Nε/g2 ⊆ K. Vzemimo poljuben X ∈ Nε/g2 . Očitno je[ −ε g , ε g ]g ⊆ K(1). Ker ima vsak Xj normo ≤ ε/g2, imajo v njegovi diagonalizaciji Xj = U∗ ( λ1 . . . λn ) U vse λj absolutno vrednost ≤ ε/g2. Zato je (0, . . . , 0, gλk, 0, . . . , 0) ∈ K(1) in nato zaradi zaprtosti za direktne vsote ( 0, . . . , 0, g ( λ1 . . . λn ) , 0, . . . , 0 ) ∈ K. Samo še ∗-konjugiramo z U in dobimo (0, . . . , 0, gXj , 0, . . . , 0) ∈ K. Sledi X = 1 g ( (gX1, 0, . . . , 0) + · · ·+ (0, . . . , 0, gXg) ) ∈ K. Opomba 8. Pri študiju matrično konveksnih množic se po navadi omejimo na takšne, ki vsebujejo 0 v notranjosti. Če ima K(1) kakšno notranjo točko, npr. a ∈ Rn, potem preprosto s translacijo K − a = ⋃ n∈N {X − aIn | X ∈ K(n)} 92 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 93 — #13 i i i i i i Matrično konveksne množice prevedemo na takšen primer. Če K(1) nima notranje točke, potem pa leži v kakšnem afinem podprostoru {` = 0} [3, Theorem 2.4]. Kratek račun pokaže, da iz `K(1) = 0 sledi `|K = 0. Torej lahko iz enačbe ` = 0 izra- zimo kakšno od spremenljivk in s tem preidemo na nižje razsežen ambientni prostor. Postopek nadaljujemo, dokler K(1) nima notranje točke. Trditev 9. Naj bo K ⊂ Sg. (1) če je 0 v notranjosti množice K, potem je K◦ omejena; (2) K ⊂ K◦◦; z drugimi besedami, za vse n ∈ N velja K(n) ⊂ K◦◦(n); (3) K je omejena natanko takrat, ko je 0 v notranjosti množice K◦. Dokaz. Če ima K izhodǐsče v notranjosti, potem je Nε ⊆ K za neki ε > 0. Torej je K◦ ⊆ N ◦ε ⊂ N√g ε omejena. Tukaj smo za zadnjo inkluzijo uporabili zgled 3(h). Trditev (2) je tavtologija. Res, za X ∈ K(n) želimo pokazati ΛX(A)  0, kadarkoli velja ΛA(Y )  0 za vse Y ∈ K. To pa je preprosta posledica dejstva, da sta matriki ΛX(A) in ΛA(X) ortogonalno ekvivalentni. Če je K omejena, potem je 0 očitno v notranjosti množice K◦. Obratno, če je 0 v notranjosti množice K◦, potem iz (1) sledi, da je K◦◦ omejena. Ker nam (2) pove, da velja K ⊂ K◦◦, je tudi K omejena. Lema 10. Za podmnožico K ⊆ Sg+h si oglejmo njeno sliko projK ⊆ Sg pri projekciji proj : Sg+h → Sg. Terica A ∈ Sg je element (projK)◦ tedaj in le tedaj, ko je (A, 0) ∈ K◦. Dokaz. A ∈ (projK)◦ natanko tedaj, ko za vse X ∈ projK velja ΛA(X)  0. Slednje je ekvivalentno Λ(A,0)(X,Y )  0 za vse X ∈ projK in vse Y ∈ Sh, kar je ekvivalentno Λ(A,0)(X,Y )  0 za vse (X,Y ) ∈ K. To pa se zgodi natanko takrat, ko (A, 0) ∈ K◦. Matrični Hahn-Banachov izrek V tem razdelku si bomo ogledali eno glavnih orodij pri delu z matrično konveksnimi množicami – analog Hahn-Banachovega izreka. Kot prva sta ga dokazala Effros in Wikler [5], alternativni dokaz pa si bralec lahko ogleda v [9]. Dokaz je razmeroma zapleten in predolg, da bi ga lahko tukaj predstavili. Podrobneje pa si bomo pogledali nekaj posledic in uporab tega izreka. 81–99 93 i i “Klep” — 2016/10/13 — 8:52 — page 94 — #14 i i i i i i Igor Klep Izrek 11 (Matrični Hahn-Banachov izrek). Naj bo K matrično konve- ksna množica, katere stopnice K(n) so zaprte. Če X ′ ∈ Sgn ne leži v K(n), potem obstaja eničen matrični šop Λ(x) velikosti n, za katerega je Λ(Y )  0 za vse Y ∈ K in Λ(X ′) 6 0. Naslednja posledica pove, v kakšnem smislu lahko izrek 11 razumemo kot matrični analog Hahn-Banachovega izreka. Hkrati nas prepriča, da so prosti spektraedri ustrezni analogi polprostorov iz klasične konveksnosti za univerzum Sg. Posledica 12. Naj bo K zaprta matrično konveksna množica. Potem je K enaka preseku vseh prostih spektraedrov, ki jo vsebujejo. Nadaljnje lastnosti matrično konveksnih množic Najmanǰso zaprto matrično konveksno množico, ki vsebuje K ⊂ Sg, bomo označili z mat-konvK. Trditev 13. Naj bo K ⊂ Sg. (1) Če za neki m ∈ N velja 0 ∈ K(m), potem je K◦◦ = mat-konvK. (2) Če je K zaprta matrično konveksna množica, tedaj velja K = K◦◦; Dokaz. Začnimo s točko (1). Najprej opazimo, da je 0 ∈ mat-konvK(m), in ker je mat-konvKmatrično konveksna, dobimo 0 ∈ mat-konvK(1). Denimo, da W 6∈ mat-konvK. Potem nam izrek (11) da obstoj eničnega matričnega šopa ΛA (kjer velikost matrik A ni večja od velikosti W ), ki loči W od mat-konvK: ΛA(W ) 6 0 in ΛA(X)  0 za vse X ∈ mat-konvK. V poseb- nem je A ∈ K◦. Ker sta matriki ΛW (A) in ΛA(W ) ortogonalno ekvivalentni, sledi ΛW (A) 6 0 in W /∈ K◦◦. Torej je K◦◦ ⊂ mat-konvK. Obratna inkluzija sledi iz trditve 9(2). Točka (2) je preprosta posledica točke (1). Posledica 14. Če je K ⊂ Sg, potem je K◦◦ = mat-konv ( K ∪ {0} ) . Dokaz. Ker je K◦ = (K ∪ {0})◦, sledi K◦◦ = (K ∪ {0})◦◦. Po trditvi 9(1) in (13) sedaj dobimo mat-konv ( K ∪ {0} ) = (K ∪ {0})◦◦. 94 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 95 — #15 i i i i i i Matrično konveksne množice S pomočjo prostih spektraedrov, njihovih polar in projekcij lahko eks- plicitno opǐsemo matrično konveksno ogrinjačo singletona, t. i. matrični ali prosti polieder: Izrek 15. Naj bo Ω ∈ Sgn. (1) mat-konv{Ω} = D◦ΛΩ. (2) Zapǐsimo Ω = ( (ω`ij) n i,j=1 ) `=1,...,g ∈ Sgn. Tedaj je mat-konv{Ω} enaka⋃ m∈N {(∑ i,j ω`ijCij ) `=1,...,g | Cij ∈Mm(R), C = (Cij) n i,j=1  0, ∑ i Cii  In } . (4) Dokaz. Oglejmo si najprej točko (2). Po zgledu 3(a) je X ∈ (mat-konv{Ω}) (m) natanko takrat, ko velja X = V t(Iµ ⊗ Ω)V (5) za neki µ ∈ N in nµ × m skrčitev V . Vešči bralec bo na desni strani (5) prepoznal Choi-Krausov zapis povsem pozitivne preslikave. Linearna preslikava τ med končnorazsežnimi podprostori realnih simetričnih matrik je povsem pozitivna natanko tedaj, ko je oblike τ(x) = µ∑ j=1 V tj xVj = V t(Iµ ⊗ x)V za matrike (ustrezne velikosti) Vj [14, Proposition 4.7]. Tukaj smo z V ozna- čili stolpec (V1, . . . , Vµ). V našem primeru velja še ∑ j V t j Vj  I, saj je V v (5) skrčitev. Tako vidimo, da je g-terica X element (mat-konv{Ω})(m) takrat in le takrat, ko je za vsak i matrika Xi slika τ(Ωi) povsem pozitivne preslikave τ : Lin{I,Ω1, . . . ,Ωg} → Sm, ki pošlje I v skrčitev. Po Arveso- novem razširitvenem izreku [14, Theorem 6.2] lahko τ razširimo do povsem pozitivne preslikave τ̂ : Md(R) → Mm(R). Sedaj pa uporabimo Choijevo matriko [14, Theorem 3.14]. Preslikava τ̂ : Md(R) → Mm(R) je povsem pozitivna natanko takrat, ko je njena Choijeva matrika C := (Cij) n i,j=1  0, kjer je Cij = τ̂(Eij). 81–99 95 i i “Klep” — 2016/10/13 — 8:52 — page 96 — #16 i i i i i i Igor Klep Ker je τ̂(Ω`) = ∑ i,j ω`ij τ̂(Eij) = ∑ i,j ω`ijCij , leži X v množici (4). S tem je točka (2) dokazana. Ugotovimo lahko tudi, da je množica mat-konv{Ω} zaprta, celo kompaktna, saj je slika kompaktne množice po (4). Posvetimo se sedaj točki (1). Najprej dokažimo inkluzijo (⊂). Vzemimo poljuben A = V t(I ⊗ Ω)V ∈ mat-konv{Ω}. Trdimo, da je A ∈ D◦ΛΩ . Za vsak X ∈ DΛΩ velja ΛA(X) u∼= ΛX(A) = ΛX ( V t(I ⊗ Ω)V )  (V ⊗ I)tΛX(Ω)(V ⊗ I) = (V ⊗ I)tP tΛΩ(X)P (V ⊗ I)  0, (6) kjer smo z u∼= označili ortogonalno ekvivalenco, P pa je ortogonalna matrika, za katero velja P tΛΩ(X)P = ΛX(Ω). Pri tem prva neenakost v (6) sledi z enakim računom kot v zgledu 3(d). Torej je A ∈ D◦ΛΩ . Za obratno inkluzijo bomo uporabili matrični Hahn-Banachov izrek 11. Denimo, da X 6∈ mat-konv{Ω}. Potem obstaja matrični šop ΛA, za katerega velja ΛA|mat-konv{Ω}  0, ΛA(X) 6 0. Prva neenakost je ekvivalentna ΛA(Ω)  0 in s tem ΛΩ(A)  0. V posebnem A ∈ DΛΩ . Hkrati pa velja ΛX(A) u∼= ΛA(X) 6 0, torej X 6∈ D◦ΛΩ , kar smo želeli dokazati. Razred prostih spektraedrov ni zaprt za polare; je pa polara spektraedra projekcija spektraedra po izreku 15. Izkaže se, da je slednji razred zaprt za polare [8]. Uporaba Hahn-Banachovega izreka V tem razdelku si oglejmo presenetljivo uporabo izreka 11. Opisali bomo, kdaj za enična matrična šopa ΛA in ΛB velja DΛA ⊂ DΛB . Ekvivalentno, ΛB|DΛA  0. Posledica 16 (Linearni Positivstellensatz [7]). Naj bo A ∈ Sgd in B ∈ Sge. Naslednji trditvi sta ekvivalentni: 96 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 97 — #17 i i i i i i Matrično konveksne množice (i) DΛA ⊂ DΛB ; (ii) B ∈ mat-konv{A}, tj. obstaja µ ∈ N in skrčitev V , da velja B = V t(Iµ ⊗A)V. Dokaz. Uporabimo izrek 15, ki nam poda naslednjo verigo ekvivalenc: DΛA ⊂ DΛB ⇐⇒ D ◦ ΛA ⊇ D◦ΛB ⇐⇒ mat-konv{A} ⊇ mat-konv{B} ⇐⇒ B ∈ mat-konv{A}. Omenimo, da v točki (ii) posledice 16 lahko postavimo meje na µ. Brez škode za splošnost lahko namreč zahtevamo µ ≤ de. Dokaz tega ni preza- pleten, a uporabi teorijo povsem pozitivnih preslikav in ga zato izpuščamo. Bralec lahko podrobnosti najde v [7]. Posledica ima vedno preprosto inter- pretacijo v jeziku povsem pozitivnih preslikav: DΛA ⊂ DΛB natanko takrat, ko obstaja povsem pozitivna preslikava, ki pošlje Ai 7→ Bi in slika I v skr- čitev. Zgled 17. Vrnimo se k zgledu 3(e). Pokažimo, da velja DΓ ⊆ D∆. Defini- rajmo V1 := [ 1 1 0 0 0 1 ] in V2 := [ 0 0 1 1 −1 0 ] . Potem je 2∆(x1, x2) = V t 1 Γ(x1, x2)V1 + V t 2 Γ(x1, x2)V2, kar s pomočjo posledice 16 da iskani zaključek. Nadaljnje teme Prispevek sklenemo s kratko diskusijo oz. kažipotom za nadaljnje teme. Gleichstellensatz Naravno vprašanje je, kdaj dva matrična šopa določata enak prost spektra- eder, tj. DΛA = DΛB . Najprej opazimo, da je to vprašanje nekako ekviva- lentno vprašanju obstoja vložitve med spektraedroma: DΛA ⊂ DΛB ⇐⇒ DΛA⊕B = DΛA . Rečemo, da je matrični šop ΛA minimalen, če za vse terice matrik B, ki so manǰse velikosti od A, velja DΛA 6= DΛB . Z nekaj truda je mogoče dokazati, da je dovolj, če minimalnost preverjamo le za »podšope« ΛA. Tukaj podšop označuje skrčitev matričnega šopa ΛA na skupen invariantni podprostor za A. 81–99 97 i i “Klep” — 2016/10/13 — 8:52 — page 98 — #18 i i i i i i Igor Klep Izrek 18 (Linearni Gleichstellensatz [7]). Naj bosta A ∈ Sgd in B ∈ S g e. Predpostavimo, da sta matrična šopa ΛA in ΛB minimalna. Potem sta naslednji trditvi ekvivalentni: (i) DΛA = DΛB ; (ii) d = e in obstaja ortogonalna matrika U ∈Md(R), za katero velja B = U tAU. Izrek 18 poda geometrijsko karakterizacijo teric matrik glede na ortogo- nalno konjugiranje. Dokaz tega izreka uporabi Arvesonovo nekomutativno Choquetjevo teorijo [1, 2] in ga bomo izpustili. Bralec ga lahko najde v [7]. Na tem mestu omenimo še algebraično karakterizacijo teric matrik glede na ortogonalno konjugiranje. Procesijev izrek [15] pove, da sta g-terici A1, . . . , Ag ∈ Md(R) in B1, . . . , Bg ∈ Md(R) ortogonalno ekvivalentni na- tanko takrat, ko velja sledw(A,At) = sledw(B,Bt) za vse besede w v x, xt dolžine d2. Konveksni Positivstellensatz Posledica 16 opǐse matrične šope ΛB, ki so pozitivno semidefinitni na spek- traedru DΛA . V tem smislu gre za tipičen izrek iz realne algebraične geome- trije [4], ki se ukvarja s polinomskimi neenakosti. Zanimiva je tudi naslednja posplošitev na nekomutativne polinome p, ki so pozitivno semidefinitni na prostem spektraedru DΛA . Izrek 19 (Konveksni Positivstellensatz [6]). Naj bo p nekomutativen matrični polinom in Λ enični matrični šop. Potem je p|DΛ  0 tedaj in le tedaj, ko je p = hth+ ∑ f tjΛfj (7) za matrične polinome (ne nujno kvadratne) h, fj. Če je stopnja p kvečjemu 2r+1, potem je v (7) stopnja h kvečjemu r+1, stopnje fj pa so vse omejene z r. Izrek 19 je »perfekten« Positivstellensatz, saj potrebuje le nenegativnost, certifikat (7) ima optimalne meje na stopnje, možno pa je izpeljati tudi meje na velikost matrik, ki jih potrebujemo za p|DΛ  0. Hkrati lahko 98 Obzornik mat. fiz. 63 (2016) 3 i i “Klep” — 2016/10/13 — 8:52 — page 99 — #19 i i i i i i Matrično konveksne množice izrek razumemo kot nelinearno algebraično posplošitev povsem pozitivnih preslikav. Dokaz [6] tega izreka je povsem drugačen od dokaza posledice 16, ki smo ga predstavili zgoraj. Sloni namreč na separaciji konveksnih množic in Gelfand-Naimark-Segalovi konstrukciji ter reši nekomutativen problem momentov. C∗-konveksnost Matrični konveksnosti soroden pojem najdemo tudi v kontekstu C∗-algeber. Tam govorimo o C∗-konveksnih množicah [12, 11]. LITERATURA [1] W. B. Arveson, Subalgebras of C∗-algebras, Acta Math. 123 (1969), 141–224. [2] W. B. Arveson, The noncommutative Choquet boundary, J. Amer. Math. Soc. 21 (2008), 1065–1084. [3] A. Barvinok, A course in convexity, Amer. Math. Soc., 2002. [4] J. Bochnack, M. Coste in M.-F. Roy, Real algebraic geometry, Ergebnisse der Mathe- matik und ihrer Grenzgebiete 3, Springer, 1998. [5] E. G. Effros in S. Winkler, Matrix convexity: operator analogues of the bipolar and Hahn-Banach theorems, J. Funct. Anal. 144 (1997), 117–152. [6] J. W. Helton, I. Klep in S. McCullough, The convex Positivstellensatz in a free algebra, Adv. Math. 231 (2012), 516–534. [7] J. W. Helton, I. Klep in S. McCullough, The matricial relaxation of a linear matrix inequality, Math. Program. 138 (2013), 401–445. [8] J. W. Helton, I. Klep in S. McCullough, The Tracial Hahn-Banach Theorem, Polar Duals, Matrix Convex Sets, and Projections of Free Spectrahedra, sprejeto v objavo v J. Eur. Math. Soc., http://arxiv.org/abs/1407.8198, ogled: 1. 8. 2016. [9] J. W. Helton in S. McCullough, Every free basic convex semi-algebraic set has an LMI representation, Ann. of Math. (2) 176 (2012), 979–1013. [10] D. S. Kaliuzhnyi-Verbovetskyi in V. Vinnikov, Foundations of free noncommutative function theory, Amer. Math. Soc., 2014. [11] B. Magajna, On C∗-extreme points, Proc. Amer. Math. Soc. 129 (2001), 771–780. [12] P. B. Morenz, The structure of C∗-convex sets, Canad. J. Math. 46 (1994), 1007– 1026. [13] Y. Nesterov in A. Nemirovskii, Interior-Point Polynomial Algorithms in Convex Pro- gramming, SIAM, 1994. [14] V. Paulsen, Completely bounded maps and operator algebras, Cambridge Univ. Press, 2002. [15] C. Procesi, The invariant theory of n× n matrices, Adv. Math. 19 (1976), 306–381. [16] L. Vandenberghe in S. Boyd, Semidefinite programming, SIAM Review 38 (1996), 49–95. [17] D.-V. Voiculescu, Free analysis questions II: The Grassmannian completion and the series expansions at the origin, J. reine angew. Math. 645 (2010), 155–236. [18] G. Wittstock, On matrix order and convexity, North-Holland Mathematics Studies 90 (1984), 175–188. 81–99 99