Python中的矩阵求幂

Question

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。

Answer 1

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。