Golub Gene Howard

Une matrice peut représenter un tableau de mesures, une transformation ou un système d'équations. Le travail de Gene Howard Golub consiste à trouver des manières fiables de lire et de transformer ces tableaux pour qu'un ordinateur puisse effectuer les calculs numériques. Une décomposition sépare une matrice en objets plus simples, dont les effets sont ensuite plus faciles à comprendre ou à calculer.

La décomposition en valeurs singulières, souvent abrégée SVD, pousse cette idée très loin : elle décrit une matrice comme une succession de changements géométriques simples. Cette manière de faire relie l'algèbre linéaire à l'informatique scientifique et explique pourquoi le nom de Golub est associé aux calculs matriciels numériques.

L'algèbre linéaire numérique étudie la résolution effective de problèmes portant sur les vecteurs et les matrices, en tenant compte des calculs réalisés par une machine. Dans ce cadre, décomposer une matrice signifie l'écrire à l'aide de facteurs qui rendent visibles ses directions, ses échelles ou la structure de ses équations.

Pour une matrice réelle A, la SVD s'écrit $A=U\mathrm{\Sigma }{V}^{T}A=U\backslash Sigma\; V^T$. En SVD complète, U et V sont des matrices orthogonales, c'est-à-dire qu'elles préservent les longueurs et les angles ; en SVD réduite, elles sont rectangulaires à colonnes orthonormées. Dans les deux cas, Σ porte les valeurs singulières, qui mesurent les facteurs d'échelle associés aux directions principales, avec des dimensions adaptées à A.

La contribution de Golub ne se limite pas à un symbole ou à une formule : ses recherches portent sur les algorithmes qui calculent ces décompositions de façon numérique. Sa thèse étudiait déjà les polynômes matriciels de Tchebychev pour résoudre itérativement des systèmes d'équations linéaires, et Matrix Computations, écrit avec Charles F. Van Loan, rassemble ce type de méthodes.

Considérons la matrice diagonale $A=\mathrm{diag}(3,1)A=\backslash operatorname\{diag\}(3,1)$. Une matrice diagonale ne mélange pas les deux directions de coordonnées : elle multiplie la première longueur par 3 et la seconde par 1. Cet exemple permet de voir les valeurs singulières sans calculer les rotations.

On choisit U et V égales à la matrice identité, notée I, qui laisse chaque direction inchangée. La matrice Σ est alors égale à A, avec les deux valeurs singulières 3 et 1. Le produit annoncé est vérifiable : $U\mathrm{\Sigma }{V}^T=IA{I}^T=AU\backslash Sigma\; V^T=I\; A\; I^T=A$.

La lecture est concrète : le facteur 3 indique une amplification dans une direction, tandis que le facteur 1 indique une longueur conservée dans l'autre. Pour suivre l'orientation dans une matrice générale, on peut calculer d'abord Vᵀ, puis Σ, puis U : Vᵀ réoriente les coordonnées, Σ applique les facteurs d'échelle et U réoriente le résultat. Avec U=V=I dans notre exemple, ces deux réorientations sont neutres ; la SVD conserve cependant la même séparation entre orientations et échelles.

Quand un problème scientifique conduit à une grande matrice, on peut chercher une décomposition numérique qui rende le calcul plus stable ou plus lisible. La SVD aide notamment à repérer les directions fortement amplifiées, celles qui le sont peu et les éventuelles directions écrasées. Elle fournit donc un langage commun pour analyser des données et des systèmes linéaires.

Le geste associé à Golub est celui d'un calculateur de méthodes : transformer une question matricielle difficile en étapes que l'ordinateur peut exécuter et contrôler. Le traité Matrix Computations est présenté comme une référence pour ce calcul matriciel, tandis que les polynômes matriciels de Tchebychev servent à choisir des coefficients qui accélèrent, au fil des itérations, la résolution approchée d'un système d'équations.

La SVD n'est pas une simple diagonalisation d'une matrice carrée. Elle s'applique aussi aux matrices rectangulaires et utilise deux changements de coordonnées, représentés par U et V, autour de la matrice Σ. Une diagonalisation cherche, sous des hypothèses particulières, une écriture avec une seule matrice de passage adaptée aux valeurs propres.

Il ne faut pas non plus confondre une valeur singulière avec une valeur propre. Dans l'exemple A = diag(3, 1), les nombres 3 et 1 apparaissent dans Σ et décrivent des facteurs d'échelle ; leur interprétation ne devient pas automatiquement celle des valeurs propres d'une matrice quelconque. Enfin, l'algorithme numérique qui calcule une décomposition ne se réduit pas à recopier la formule A = UΣVᵀ.

La formule A = UΣVᵀ ne dispense pas de préciser le cadre : ici, A est réelle et U et V sont orthogonales. Pour une matrice complexe, la transposée est remplacée par la transposée conjuguée. Les tailles de U, Σ et V dépendent aussi du nombre de lignes et de colonnes de A ; il ne faut donc pas imposer partout le format carré de l'exemple.

Une valeur singulière nulle signale une direction qui est écrasée par la matrice et rend la matrice non inversible lorsqu'elle est carrée. Des valeurs singulières très différentes indiquent un problème potentiellement sensible aux erreurs d'arrondi : une décomposition exacte sur le papier ne garantit pas que toutes les étapes d'un calcul approché seront également fiables.

Enfin, attribuer à Golub l'invention isolée de toute la SVD serait trop fort. La source le présente comme un chercheur qui a contribué à en populariser les applications numériques, dans un ensemble de travaux consacré aux décompositions matricielles et aux algorithmes de calcul.

La fiche algèbre linéaire replace les matrices, les vecteurs et les applications linéaires dans le cadre général où s'inscrit le travail de Golub.

La fiche norme d'une matrice approfondit la mesure de la taille d'une transformation, notion complémentaire à la lecture des facteurs d'échelle de la SVD.

Pour le volet historique des polynômes de Tchebychev, la fiche Tchebychev fournit un prolongement indexé.