[英]Matrix exponentiation in Python
我正在尝试对Python中的复杂矩阵求幂,并且遇到了一些麻烦。 我正在使用scipy.linalg.expm
函数,并且在尝试以下代码时出现了一个非常奇怪的错误消息:
import numpy as np
from scipy import linalg
hamiltonian = np.mat('[1,0,0,0;0,-1,0,0;0,0,-1,0;0,0,0,1]')
# This works
t_list = np.linspace(0,1,10)
unitary = [linalg.expm(-(1j)*t*hamiltonian) for t in t_list]
# This doesn't
t_list = np.linspace(0,10,100)
unitary = [linalg.expm(-(1j)*t*hamiltonian) for t in t_list]
运行第二个实验时的错误是:
This works!
Traceback (most recent call last):
File "matrix_exp.py", line 11, in <module>
unitary_t = [linalg.expm(-1*t*(1j)*hamiltonian) for t in t_list]
File "/usr/lib/python2.7/dist-packages/scipy/linalg/matfuncs.py", line 105, in expm
return scipy.sparse.linalg.expm(A)
File "/usr/lib/python2.7/dist- packages/scipy/sparse/linalg/matfuncs.py", line 344, in expm
X = _fragment_2_1(X, A, s)
File "/usr/lib/python2.7/dist- packages/scipy/sparse/linalg/matfuncs.py", line 462, in _fragment_2_1
X[k, k] = exp_diag[k]
TypeError: only length-1 arrays can be converted to Python scalars
这似乎真的很奇怪,因为我所更改的只是我使用的范围t
。 是因为哈密顿量是对角线吗? 通常,汉密尔顿主义者不会,但我也希望它适用于对角线。 我真的不太了解expm
,因此不胜感激。
这太有趣了。 我可以说的一件事是,该问题特定于np.matrix
子类。 例如,以下工作正常:
h = np.array(hamiltonian)
unitary = [linalg.expm(-(1j)*t*h) for t in t_list]
深入研究追溯, _fragment_2_1
中引发了异常,特别是以下 scipy.sparse.linalg.matfuncs.py
行 :
n = X.shape[0]
diag_T = T.diagonal().copy()
# Replace diag(X) by exp(2^-s diag(T)).
scale = 2 ** -s
exp_diag = np.exp(scale * diag_T)
for k in range(n):
X[k, k] = exp_diag[k]
错误讯息
X[k, k] = exp_diag[k]
TypeError: only length-1 arrays can be converted to Python scalars
给我建议exp_diag[k]
应该是一个标量,但是返回一个向量(并且您不能将向量分配给标量X[k, k]
)。
设置断点并检查这些变量的形状可以确认这一点:
ipdb> l
751 # Replace diag(X) by exp(2^-s diag(T)).
752 scale = 2 ** -s
753 exp_diag = np.exp(scale * diag_T)
754 for k in range(n):
755 import ipdb; ipdb.set_trace() # breakpoint e86ebbd4 //
--> 756 X[k, k] = exp_diag[k]
757
758 for i in range(s-1, -1, -1):
759 X = X.dot(X)
760
761 # Replace diag(X) by exp(2^-i diag(T)).
ipdb> exp_diag.shape
(1, 4)
ipdb> exp_diag[k].shape
(1, 4)
ipdb> X[k, k].shape
()
潜在的问题是, exp_diag
被假定为1D或列向量,但是np.matrix
对象的对角线是行向量。 这突出了一个更普遍的观点,即np.matrix
通常不如np.ndarray
更好的支持,因此在大多数情况下,最好使用后者。
一种可能的解决方案是使用np.ravel()
将diag_T
展平为一维np.ndarray
:
diag_T = np.ravel(T.diagonal().copy())
尽管似乎还没有发现与np.matrix
有关的其他问题,但这似乎可以解决您遇到的问题。
我在这里打开了请求请求。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.