行列指数関数・行列微分の概要

線形代数と解析の接点として重要なテーマの一つに 行列指数関数（matrix exponential） と 行列微分（matrix differentiation） があります。これらは、線形微分方程式の解法、制御理論、量子力学、マルコフ過程などの応用に広く現れます。

---

1. 行列指数関数

定義

スカラーの指数関数と同様に、行列指数関数は冪級数で定義されます。正方行列 $A$ に対して、

$$e^{A} = \sum_{k=0}^{\infty} \frac{1}{k!} A^k$$

と定義されます。

主な性質

1. 線形微分方程式の解
   系 $\frac{d}{dt}x(t) = Ax(t)$ の解は

   $$x(t) = e^{At} x(0)$$

   で与えられる。

2. 可換性の重要性
   一般に $e^{A}e^{B} = e^{A+B}$ は $AB = BA$ が成り立つ場合のみ成立。

3. 対角化との関係
   $A = PDP^{-1}$ が成り立つ場合（対角化可能な場合）、

   $$e^A = P e^D P^{-1}, \quad e^D = \text{diag}(e^{\lambda_1}, \dots, e^{\lambda_n})$$

4. ジョルダン標準形との関係
   一般の行列もジョルダン分解を通じて指数計算が可能。

---

2. 行列微分

基本的な考え方

行列関数 $F(A)$ を行列 $A$ に関して微分する場合、要素ごとの偏微分ではなく、行列全体に作用する線形写像としての導関数（フレシェ微分）を用いる。

• スカラー値関数の場合
  $f: \mathbb{R}^{m \times n} \to \mathbb{R}$ のとき、

  $$df = \text{tr}\left( \left(\frac{\partial f}{\partial A}\right)^T dA \right)$$

  で定義される。ここで $\frac{\partial f}{\partial A}$ は 行列の勾配 を表す。

• 行列値関数の場合
  $F: \mathbb{R}^{m \times n} \to \mathbb{R}^{p \times q}$ のとき、微分は $dF = \mathcal{L}(dA)$ として線形作用素で表す。

例

1. 二次形式の微分

   $$f(A) = x^T A x \quad \Rightarrow \quad \frac{\partial f}{\partial A} = xx^T$$

2. トレースの微分

   $$f(A) = \text{tr}(A^TB) \quad \Rightarrow \quad \frac{\partial f}{\partial A} = B$$

3. 行列指数関数の微分

   $$\frac{d}{dt} e^{At} = A e^{At} = e^{At} A$$

---

3. 応用例

• 線形微分方程式系の解法:
  $\frac{d}{dt}x(t) = Ax(t)$ の一般解を $e^{At}$ で表現。

• 確率過程（マルコフ連鎖の連続時間版）:
  遷移行列 $P(t) = e^{Qt}$ （ただし $Q$ は生成行列）。

• 量子力学:
  シュレーディンガー方程式の解にユニタリ行列 $e^{-iHt}$ が現れる。

• 最適化や機械学習:
  損失関数の行列に関する勾配計算で行列微分を利用。

---

まとめ

• 行列指数関数は、スカラー指数関数を行列に拡張したものであり、特に線形微分方程式の解に現れる。

• 行列微分は、行列を変数とする関数に対して微分を拡張したものであり、フレシェ微分やトレースを通じて表現される。

• 両者は、制御理論、量子力学、確率論、機械学習など幅広い分野で重要な役割を果たす。