线性算子内插定理-线性算子内插定理

线性算子内插定理是泛函分析里个老生常谈，但每次读起来都认定卡壳的词。它实际上就是说，要是把一个定义在稠密子空间 $X$ 上的有界线性算子 $T$ 限制在另一个更小的稠密子空间 $Y subset X$ 上，这个限制算子 $T|_Y$ 依然是有界的。
这就仿佛你在一个大房间里动东西，只要你的动作规则（算子）在房间整体有效，那你在角落里切一块小区域去动，规则照样成立。
这个定理的理论意义深远，它告诉我们有限维空间里的那些完美性质，比如有限维向量空间的性质、算子范数的连续性，在无限维空间里依然有着稳固的根基。 从应用层面看，这玩意儿简直是处理“无限维空间里限制”难题的万能钥匙。在物理和工程学里，大量时候我们卡在有限维的哈密顿算子那里，出于直接求能量本征值变得贼艰难。引入有限维子空间，算出那一堆有限维的本征值，再往外插值，就能拿到整个无限维难题的大致轮廓。别看插出来的那个玩意，不保证是真正的本征值，但它起码是个有效的近似值，哪怕误差大得离谱，也是比原地硬算那个无限维方程要好办多。 看看那个最经典的例子。想象一个希尔伯特空间 $L^2(0, pi)$，里面有一个线性算子 $T$，功能在函数 $f$ 上就是算出它的傅里叶系数再乘以常数，要么更好办点，就说 $T(f) = f$ 这种恒等算子。目前咱们想求 $T$ 在函数 $g$ 上的限制算子 $T|_g$，也就是对 $g$ 做同样的傅里叶变换。 具体算的时候，先写出 $g$ 在 $L^2$ 里的表示形式。假设 $g$ 展开成了傅里叶级数 $sum_{k=1}^{infty} c_k e^{ikx}$，其中 $c_k$ 是那个系数。
那么 $T$ 在 $L^2$ 里算出来的就是 $sum c_k phi_k$ 这种形式，其中 $phi_k$ 是基向量。当咱们把这个和限制在 $g$ 上去做的时候，所有的 $c_k$ 都是 $0$ 以外的，只剩下 $g$ 这一项在 $c$ 的列表中。
故此 $T|_g$ 算出来的结局，约等于 $c_1 e^{ix} + c_2 e^{2ix} + dots$，也就是 $g$ 原来的那个样子。 这时候就需求看看 $T|_g$ 是不是有界的了。在 $L^2$ 的空间里，算子范数 $|T| = |I| = 1$。目前看 $T|_g$ 的范数。$T|_g$ 的算子范数定义为 $sup_{|h| le 1, h perp text{null}(T|_g)} |T|_g(h)|$。在这个例子里，限制掉对应零特征值的那个方向之后，剩下的局部也就恒等映射了。
显然，恒等映射的范数就是 1。
故此 $T|_g$ 也是有界的。 再算一下数值。
要是 $g(x) = sin(x)$，那它在 $L^2$ 里的范数是 $1/sqrt{2}$，对应的 $L^infty$ 上界是 1。算子 $T|_g$ 把 $g$ 映射回 $g$，故此模长就是 1。
这符合我们的直觉。
要是你的例子更复杂一点，比如 $g$ 是 $sum_{k=1}^infty a_k phi_k$，其中 $a_k$ 是平方可和的。
那么 $|g|_{L^2} = (sum |a_k|^2)^{1/2} = 1$。算子 $T|_g$ 把 $g$ 映射回 $g$，故此模长还是 1。 要是 $g$ 里有对应的零特征值，比如 $g$ 在某个基向量方向上全是 0，那 $T|_g$ 在对应方向上也是 0。
这时候我们看范数，$T|_g$ 的谱半径 $r(T|_g)$ 由 $T$ 谱中非零局部拍板。出于 $T$ 是恒等算子，它的谱就是整个复平面，但限制在 $g$ 上之后，谱就是 $T$ 在对应特征子空间上的限制。
只要 $g$ 非零，这个限制算子肯定是有界的。 还有一个例子。假设 $T$ 是算子 $A$ 在子空间 $Y$ 上的限制。
那么 $T$ 的范数 $|T|$ 不会小于 $A$ 在 $Y$ 上的限制算子的范数 $|T|_Y|$。
反之，要是 $T|_Y$ 是有界的，那么它作为 $T$ 在 $Y$ 上的限制，自然也是有界的。
这个逻辑链条挺清楚，就是“限制”这个操作本身不会破坏有界性。 目前来看一个略微有点“不完美”的情况。假设 $X$ 是 $L^2[0,1]$，$Y$ 是它的平方可积函数子空间。算子 $T$ 是积分算子 $Tf = int_0^1 f(x) dx$。在 $X$ 里，$T$ 是有界的，范数是 1。在稠密子空间 $Y$ 里，$T|_Y$ 也是有界的，范数还是 1。 要是 $T|_Y$ 没有界，那肯定是出于在 $Y$ 里做这个操作害得范数爆炸了。
比如 $T$ 是移位算子，在无限循环的函数空间里，移位算子的范数可能是 2，但在某个特定的子空间里限制后，范数可能变成无穷大。
不过这个例子可能忒复杂，还是用前面的恒等算子例子清楚。 实际上线性算子内插定理更深一层的意思是，它保证了当我们把无限维空间里的算子限制到有限维空间再回去的时候，这个东西不会“跳”掉。就像你在一个无限大的网里抓鱼，网是有限的，网里的鱼的数量是有限的，但要是你把网捞起来，再通过某种方式插值（比如线性插值）把它映射回无限维空间，这个映射过程本身没有形成新的物理规则，只是把有限维的规则放到了无限维里。 从实际数值计算的角度，比如在量子化学软件要么优化算法里，我们时常被迫在庞大的矩阵空间里工作，可是核心逻辑往往只涉及几百维的矩阵。
这时候就需求用到内插定理。
比如在一维变分法里，咱们在固定维度的子空间上算能量，算出最低值，然后把这个值插值进无限维的轨道空间里。别看算出来的那个轨道函数可能不是真的基态波函数，但它给出的能量期望值是有界的，并且这个数值能够用来优化参数。 还有个细节要注意。内插算子本身不是算子，它是把算子从 $X$ 映射到 $X$ 的一个过程。具体的实现，往往是通过在中间空间（比如有限维子空间）做工作。
比如 $X = mathcal{H}$, $Y = text{span}{phi_1, dots, phi_n}$。算子 $T$ 在 $X$ 里功能，然后在 $Y$ 上功能，最终再映射回 $X$。 最终总结一下，这个定理的核心就是“限制”的稳定性。
只要源空间和目标空间都是稠密的，限制后的算子就有界。
这就像说，甭管你是在整个宇宙讲话，还是在书桌前讲话，你的语言规则依然有效。在数学里，这保证了无限维空间里那些看似病态的算子，在局部行为上还是可控的。别看目前技术上挺难彻底构造出这样的稠密子空间，但理论和应用上，它依然是连接有限维直觉和无限维现实的桥梁。