Ginibre 행렬 곱의 고유벡터 통계

본 논문은 복소 Ginibre 행렬들의 곱에 대한 고유벡터 겹침 통계를 최초로 체계적으로 다룬다. 서론에서는 랜덤 행렬 곱이 물리·공학·금융 등 다양한 분야에서 중요한 역할을 함을 언급하고, 기존 연구가 주로 고유값·특이값에 집중했으며 고유벡터에 대한 이해는 부족함을 지적한다. 이어서 고유벡터 겹침 O_{αβ}=⟨L^α|L^β⟩⟨R^β|R^α⟩ 를 정의하고, 무작위 행렬이 유니터리 변환에 불변이면 모든 α에 대해 ⟨O_{αα}⟩=⟨O_{11}⟩, ⟨O_{αβ}⟩(α≠β)=⟨O_{12}⟩ 로 단순화된다. 전역 겹침 O와 오프다이애고 O_of는 각각 ⟨O_{11}⟩와 ⟨O_{12}⟩ 로 표현된다. 주요 대상은 X = X_1 X_2 … X_m (각 X_i는 독립적인 N×N 복소 Ginibre 행렬)이다. 확률 측정은 각 행렬에 대해 dμ(X_i)=π^{-N^2}e^{-Tr X_i X_i†}dX_i 로 정의하고, 전체 측정은 곱 형태가 된다. σ=1 로 시작하지만, 대극한에서는 σ=N^{-1/2} 로 조정한다. 유한 N 계산을 위해 일반화된 Schur 분해 X_i = U_i† τ_i U_i 를 도입한다. 여기서 τ_i는 상삼각 행렬이며, 대각 원소 λ_{i,α}, 비대각 원소 t_{i,αβ} 로 분리된다. 곱 행렬은 X = U_m T U_m† 로 표현되며, T = τ_1 τ_2 … τ_m 역시 상삼각이며 대각 원소 Λ_α = ∏_{i=1}^m λ_{i,α} 로 정의된다. 측정은 Jacobian 때문에 Vandermonde 행렬식 |Δ(Λ)|²와 λ, t 부분으로 분리된다. 좌·우 고유벡터의 첫 번째 원소를 기준으로 재귀식 B_β = (1/(Λ_1-Λ_β))∑_{α<β} B_α T_{αβ} 를 얻는다. B_1=1 로 시작해 B_2, B_3,… 를 전개하면 T_{αβ}와 Λ 차분의 다항식이 된다. 겹침 O_{11}=∑_{α=1}^N |B_α|² 로 표현되고, 이는 t와 λ에 대한 다항식이다. t‑부분은 가우시안 적분으로 바로 수행 가능하고, 남은 λ‑적분은 |Δ(Λ)|²와 지수 억제항을 포함한다. 구체적인 예시로 N=2,m=2를 계산한다. 여기서 T_{12}=λ_{1,1}t_{2,12}+t_{1,12}λ_{2,2}, Λ_1=λ_{1,1}λ_{2,1}, Λ_2=λ_{1,2}λ_{2,2} 가 된다. O_{11}(t,λ)=1+|T_{12}|²/|Λ_1-Λ_2|² 로부터 t‑적분 후 O_{11}(λ)=1+|λ_{1,1}|²+|λ_{2,2}|²/|Λ_1-Λ_2|² 를 얻는다. 이후 λ‑적분을 수행하면 O(z)= (1/π)