# Koopman作用素 Navigation: [[index]] | [[overview]] ## 定義 Koopman作用素 $K$(または $K_F$)は、非線形力学系 $x_{n+1} = F(x_n)$ の状態空間上の写像 $F$ を、観測量(observable、状態から測定可能な量への関数 $g: X \to \mathbb{C}$)の空間上に持ち上げ、線形作用素として捉え直したものである。$[Kg](x) = g(F(x))$ と定義され、$Kg(x_n) = g(x_{n+1})$ を満たす。$K$ は線形($K(\alpha f + \beta g) = \alpha Kf + \beta Kg$)であるため、系の非線形な挙動を、$K$ の固有値・固有関数・スペクトルという線形代数的対象に分解して解析できる。1930年代にKoopmanとvon Neumannが導入し(Koopman 1931、Koopman & von Neumann 1932)、現在はロボット制御・気候解析・ニューラルネットワーク訓練解析・非自律系・解釈可能AIなど幅広い応用を持つ(Source: [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]])。 作用素はしばしば非自己随伴(non-self-adjoint)・非正規(non-normal)であり、離散スペクトルに加えて連続スペクトルを持ちうる。これが古典的なスペクトル近似手法の適用を難しくする根本原因である。データからKoopmanスペクトルを学習する代表的な手法にDMD(Dynamic Mode Decomposition)・EDMD(Extended DMD)があるが、これらは無限次元作用素を有限次元行列へ切り詰める過程でスプリアスな固有値を生成し、収束しないことが知られている(Source: [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]])。 ## 横断的知見 - (本 wiki では現時点でこの論文が唯一のKoopman作用素関連ソースであるため、複数ソース間の横断的知見はまだ蓄積されていない。次のKoopman関連ソースが入った時点で追記する。) ## 未解決の問い - Koopman作用素学習の不可能性結果(敵対的力学系による下界)は、部分観測(partial measurement)の設定にも拡張できるか。全状態観測を前提とする現行の証明はどこまで緩和可能か。(Source: [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]]) - 連続時間力学系への一般化、および一般の時間離散化条件のもとでの収束保証の形式的な解析は未完了。(Source: [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]]) - Koopman作用素とLLMの次トークン予測との類推(著者らが議論として提示)は、どこまで厳密な対応関係として定式化できるか。(Source: [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]]) ## 関連 - [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]] — 敵対的力学系によるKoopmanスペクトル学習の可解性理論、北極海氷への応用 - [[可解性複雑性指標]] — Koopmanスペクトル学習問題の複雑性を分類する枠組み - [[Matthew J. Colbrook]]・[[Igor Mezić]] ## 出典 - [[@2026__NatCommun__Adversarial dynamical systems characterize when data-driven learning succeeds or fails]]