虽然本文起了个英文标题，但内容完全是中文的，原因是我没有想到合适的中文标题。

如果你对李代数有所了解的话，相信很大概率你会见过下面的图案：（参考维基百科的 Lie algebra 词条）

它展示的是李代数 \(E_8\) 的根系图，李代数 \(E_8\) 的根系由八维欧式空间 \(\mathbb{R}^8\) 中的 240 个向量组成，每个向量恰好有 56 个与其距离最近的邻居。将这 240 个向量投影到一个特殊的二维平面 （叫做 Coxeter 平面） 就会呈现一个旋转对称的图案，你可以看到上图中的图案中，240 个投影点分布在 8 个圆周上，每个圆周包含 30 个均匀分布的顶点，所以它在角度为 \(\frac{2\pi}{30}\) 的旋转下是不变的。\(h=30\) 叫做 \(E_8\) 的 Coxeter 数。

这个现象并不是 \(E_8\) 独有的，对任何有限 Coxeter 群都有类似的结论成立，比如下图显示的是将 5 维超立方体的 32 个顶点投影到其 Coxeter 平面后得到的图案：

可以看到有两个顶点被同时投影到了原点，其余 30 个顶点分布在 3 个圆周上，每个圆周包含 10 个均匀分布的顶点，所以其 Coxeter 数 \(h=10\)。

本文下面以 \(E_8\) 为例子，通过具体的计算来解释背后的数学。

\(E_8\) 的结构

我们知道 \(E_8\) 的 Dynkin 图为

其一组单根系为 \[\Delta=\begin{bmatrix}1&-1&0&0&0&0&0&0\\0&1&-1&0&0&0&0&0\\0&0&1&-1&0&0&0&0\\0&0&0&1&-1&0&0&0\\0&0&0&0&1&-1&0&0\\0&0&0&0&0&1&1&0\\-\frac{1}{2}&-\frac{1}{2}&-\frac{1}{2}&-\frac{1}{2}&-\frac{1}{2}&-\frac{1}{2}&-\frac{1}{2}&-\frac{1}{2}\\0&0&0&0&0&1&-1&0\end{bmatrix}.\] 其中 Dynkin 图中编号为 \(i\) 的顶点对应的单根 \(\alpha_i\) 是矩阵的第 \(i\) 行。注意每个单根的长度是 \(\sqrt{2}\)， 并不是单位向量，这样主要是为了书写方便。

其 Cartan 矩阵为 \[C=\left((\alpha_i,\alpha_j)\right)_{1\leq i,j\leq 8}=\begin{pmatrix}2&-1&0&0&0&0&0&0\\-1&2&-1&0&0&0&0&0\\0&-1&2&-1&0&0&0&0\\0&0&-1&2&-1&0&0&0\\0&0&0&-1&2&-1&0&0\\0&0&0&0&-1&2&-1&0\\0&0&0&0&0&-1&2&0\\0&0&0&0&-1&0&0&2\end{pmatrix}.\]

每个单根 \(\alpha_i\) 对应一个单反射 \(s_i\)： \[s_i(v) = v - \frac{2(v,\alpha_i)}{(\alpha_i, \alpha_i)}\alpha_i.\] 这里 \((\,,\,)\) 是标准欧式内积。

所有单反射生成的群 \(W\) 叫做 Weyl 群，这个群包含 696729600 个元素。单根系在 Weyl 群的作用下生成的集合 \(\Phi = \{w\cdot\alpha\,|\, w\in W, \alpha\in\Delta\}\) 叫做 \(E_8\) 的根系，\(\Phi\) 中包含 240 个不同的向量，\(W\) 在 \(\Phi\) 上的作用置换 \(\Phi\) 中的向量。

\(\Phi\) 中的向量从形式上看分为两类：

1. 第一类包含 \((\pm1,\pm1,0,0,0,0,0,0)\) 的所有置换，即有两个分量是 \(+1\) 或者 \(-1\)，其余６个分量都是 0 的向量。这样的向量有 112 个。
2. 第二类包含所有形如 \(1/2\times(\pm1,\pm1,\cdots,\pm1)\) 的向量，其中 \(-1\) 的个数是偶数。这样的向量有 128 个。

我们来手写几个单反射对应的矩阵。不难看出 \(s_1(\alpha_1)=-\alpha_1\)，\(s_1(\alpha_2)=\alpha_1+\alpha_2\)，\(s_1(\alpha_i)=\alpha_i,\,i>2\)，所以 \(s_1\) 在 \(\alpha_1,\ldots,\alpha_8\) 这组基下的矩阵为 \[ \begin{pmatrix}-1&1&0&0&0&0&0&0\\0&1&0&0&0&0&0&0\\0&0&1&0&0&0&0&0\\0&0&0&1&0&0&0&0\\0&0&0&0&1&0&0&0\\0&0&0&0&0&1&0&0\\0&0&0&0&0&0&1&0\\0&0&0&0&0&0&0&1\end{pmatrix}.\] 由 \(s_2(\alpha_1)=\alpha_1+\alpha_2,s_2(\alpha_2)=-\alpha_2,s_2(\alpha_3)=\alpha_2+\alpha_3,s_2(\alpha_i)=\alpha_i,\,i>3\) 可得 \(s_2\) 对应的矩阵为 \[\begin{pmatrix}1&0&0&0&0&0&0&0\\1&-1&1&0&0&0&0&0\\0&0&1&0&0&0&0&0\\0&0&0&1&0&0&0&0\\0&0&0&0&1&0&0&0\\0&0&0&0&0&1&0&0\\0&0&0&0&0&0&1&0\\0&0&0&0&0&0&0&1\end{pmatrix}.\] \(s_5\) 对应的矩阵为 \[\begin{pmatrix}1&0&0&0&0&0&0&0\\0&1&0&0&0&0&0&0\\0&0&1&0&0&0&0&0\\0&0&0&1&0&0&0&0\\0&0&0&1&-1&1&0&1\\0&0&0&0&0&1&0&0\\0&0&0&0&0&0&1&0\\0&0&0&0&0&0&0&1\end{pmatrix}.\] 其它单反射对应的矩阵我就不再一一写出来了，相信你已经 get 到基本的步骤了，我要强调的是这些矩阵都是在基 \(\alpha_1,\ldots,\alpha_8\) 下的。

Coxeter 元和 Coxeter 平面

定义：将单反射 \(s_1,\ldots,s_8\) 按照任意顺序排列然后相乘得到的元素 \(\gamma\in W\) 叫做 Coxeter 元。

Coxeter 元不是唯一的，但它们都属于同一个共轭类 ¹。

一种经典的选择 Coxeter 元的方式是这样的：注意到 \(E_8\) 的 Dynkin 图的八个顶点可以分为 \(\{1, 3, 5, 7\}\) 和 \(\{2, 4, 6, 8\}\) 两组，同组中的顶点互不相邻，所以对应的单反射两两交换。记 \(x=s_1s_3s_5s_7,\,y=s_2s_4s_6s_8\)，取 Coxeter 元 \(\gamma\) 为 \[\gamma=xy=\begin{pmatrix}0&-1&1&0&0&0&0&0\\1&-1&1&0&0&0&0&0\\-1&1&-1&1&0&0&0&0\\0&0&1&-1&1&0&0&0\\0&0&1&-1&2&-1&1&-1\\0&0&0&0&1&-1&1&0\\0&0&0&0&1&-1&0&0\\0&0&0&0&1&0&0&-1\end{pmatrix}.\] 于是 \[\gamma^{-1} = yx=\begin{pmatrix}-1&1&0&0&0&0&0&0\\-1&1&-1&1&0&0&0&0\\0&1&-1&1&0&0&0&0\\0&1&-1&1&-1&1&0&1\\0&0&0&1&-1&1&0&1\\0&0&0&1&-1&1&-1&1\\0&0&0&0&0&1&-1&0\\0&0&0&1&-1&1&0&0\end{pmatrix}.\]

关键的一步来了：我们发现 \[2I + \gamma + \gamma^{-1} = \begin{pmatrix} 1&0&1&0&0&0&0&0\\ 0&2&0&1&0&0&0&0\\ 1&0&2&0&1&0&0&0\\ 0&1&0&2&0&1&0&1\\ 0&0&1&0&3&0&1&0\\ 0&0&0&1&0&2&0&1\\ 0&0&0&0&1&0&1&0\\ 0&0&0&1&0&1&0&1 \end{pmatrix}=(2I - C)^2.\]

Coxeter 元和 Cartan 矩阵竟有如此简洁的关系，Amazing! 不过这能告诉我们什么呢？

我们需要两个断言，这两个断言并不能从 \(2I+\gamma+\gamma^{-1}=(2I-C)^2\) 这个等式得出，需要一些其它的分析。它们的证明可以在 Casselman 的文章 ² 中找到：

断言:

1. \(\gamma\) 的特征值均不为 1。
2. \(2I-C\) 和 \(C-2I\) 有同样的特征值，从而若 \(\lambda\) 是 \(2I-C\) 的特征值，则 \(-\lambda\) 也是。

注意到 \(\gamma\) 的阶有限，并且 \(\gamma\) 是实矩阵，所以其特征值必然都是单位根，形如 \(e^{i\theta}\)，由于 1 不是 \(\gamma\) 的特征值，所以其特征值 \(e^{\pm i\theta}\) 成对共轭出现。设 \(v\) 是 \(\gamma\) 的特征值为 \(e^{i\theta}\) 的特征向量，则 \(v\) 是复向量且 \[(2I-C)^2 (v) = (2+e^{i\theta}+e^{-i\theta})(v) = (4\cos^2\frac{\theta}{2})(v).\]

于是 \(v\) 是 \((2I-C)^2\) 的特征值为 \(4\cos^2\frac{\theta}{2}\) 的特征向量。同理 \(\overline{v}\ne v\) 也是 \((2I-C)^2\) 的特征值为 \(4\cos^2\frac{\theta}{2}\) 的特征向量。于是 \(\gamma\) 的特征子空间直和 \(U=V_{e^{i\theta}}\oplus V_{e^{-i\theta}}\) 是 \((2I-C)^2\) 的特征值为 \(4\cos^2\frac{\theta}{2}\) 的特征子空间，所以 \(2I-C\) 在 \(U\) 上的特征值只能是 \(\pm2\cos\frac{\theta}{2}\)，而且根据断言 2 必须 \(\pm\) 号都出现，于是 \(C\) 在 \(U\) 上的特征值为 \(2\pm2\cos\frac{\theta}{2}\)。

总之我们证明了 \(\gamma\) 的特征值为 \(e^{\pm i\theta}\) 的特征子空间对应于 \(C\) 的特征值为 \(2\pm2\cos\frac{\theta}{2}\) 的特征子空间。

来验证一下？使用 Python 的 numpy.linalg.eigh 函数可得 \(C\) 的特征值从小到大依次为

1

[0.01095621 0.51371035 1.18652671 1.58417662 2.41582338 2.81347329 3.48628965 3.98904379]

第一个和最后一个之和是 4，第二个和倒数第二个之和也是 4，第三个和倒数第三个之和也是 4，第四个和第五个之和也是 4，所以 \(C\) 的特征值两两之和为 4，与理论相符！

我们知道 \(C\) 是一个对角线上都是 2，其它元素均非正的矩阵，所以 \(2I-C\) 是一个非负矩阵，根据 Frobenius-Perron 定理其极大特征值非负并且重数是 1，即 \(C\) 的极小特征值 \(0.01095621\) 的重数是 1。\(C\) 的极小特征值当然就是使得 \(\cos\frac{\theta}{2}\) 最大的那个 \(\theta_0\)，于是 \[0.01095621 \approx 2-2\cos\frac{\theta_0}{2},\quad \theta_0\approx 2\arccos0.994521895\approx\frac{2\pi}{30}.\] 所以我们验证了 Coxeter 元 \(\gamma\) 的一个特征值 \(e^{i\theta_0}\) 由 \(\theta_0=\frac{2\pi}{30}\) 给出，\(e^{i\theta_0}\) 的重数是 1，于是 \(U=V_{e^{i\theta_0}}\oplus V_{e^{-i\theta_0}}\) 是一个二维的平面，叫做 Coxeter 平面。\(\gamma\) 在 \(U\) 上的作用是一个角度为 \(\frac{2\pi}{30}\) 的旋转。\(U\) 的一组基当然可以从 \(\gamma\) 求出来，但是更简洁的办法是对 Cartan 矩阵 \(C\)，求出 \(C\) 的极小特征值 \(2-2\cos\frac{\theta_0}{2}\) 和极大特征值 \(2+2\cos\frac{\theta_0}{2}\) 对应的特征子空间的一组基。

利用 numpy.linalg.eigh 不难得出 \(C\) 的极小极大特征值对应的特征向量分别为

1
2
3
4
5
6
7

>>> eigenvals, eigenvecs = numpy.linalg.eigh(C)
>>> u = eigenvecs[:, 0]
>>> v = eigenvecs[:, -1]
>>> u
>>> [-0.1191177  -0.23693033 -0.35214709 -0.46350566 -0.56978596 -0.38336132 -0.19273649 -0.28646225]
>>> v
>>> [ 0.1191177  -0.23693033  0.35214709 -0.46350566  0.56978596 -0.38336132 0.19273649 -0.28646225]

于是 \(C\) 作为 \(\alpha_1,\ldots,\alpha_8\) 这组基下的线性变换其特征值 \(2\pm2\cos\frac{\theta}{2}\) 对应的特征子空间的一组基由 \(\alpha=\sum u_i\alpha_i\) 和 \(\beta=\sum v_i\alpha_i\) 给出。\(\{\alpha,\beta\}\) 也是二维 Coxeter 平面的一组基，将根系中的向量投影到这个平面上就得到了本文开头的图案。

上一篇：Wilson 均匀生成树算法

下一篇：Birkhoff 遍历定理