特征值密度分布
Wigner 半圆定律
特征值间距分布
数方差 Σ²(L) 与 Δ₃ 统计量
特征值间距分布的交互式可视化 — Wigner-Dyson 与 Poisson 分布对比、GOE/GUE/GSE 系综与复杂系统中的普适性
1951年，尤金·维格纳提出重原子核的能级间距遵循一种普适分布——而非人们可能预期的独立随机能级的泊松分布。对于高斯正交系综（GOE，β=1），间距分布近似为 P(s) = (π/2)·s·exp(-πs²/4)，即著名的 Wigner 猜想。这个简单的 2×2 公式与大型矩阵的精确结果惊人地接近。其关键特征是"能级排斥"：当 s→0 时 P(s) ~ s^β，即特征值彼此回避——这与泊松统计中 P(0)=1（最大值）截然不同。
能级排斥是指特征值避免聚集的趋势：当间距 s 趋近零时，P(s) ∝ s^β，其中 β 是 Dyson 指数。GOE（β=1）：线性排斥；GUE（β=2）：二次排斥；GSE（β=4）：四次排斥。这反映了底层的对称性——实对称（GOE）、复埃尔米特（GUE）、四元数自对偶（GSE）。值得注意的是，这些分布具有普适性：它们仅依赖于对称类，不依赖于矩阵元素的具体分布。同样的统计规律出现在核能谱、量子点、黎曼 ζ 函数的零点、混沌台球和许多其他系统中。
来自任意高斯系综的大型 N×N 随机矩阵的特征值密度收敛于 ρ(λ) = (2/(πR²))·√(R²-λ²)，其中 R=2√N 为谱半径。这种"半圆定律"具有普适性——在温和条件下，无论单个矩阵元素的分布如何都成立。顶部画布展示了这种密度：随着 N 的增大，特征值直方图收敛于半圆。边缘效应导致谱边缘出现 Tracy-Widom 涨落，其本身遵循一种普适分布，已被用于随机增长模型到金融关联等各种系统。
实对称矩阵 H，其中 H_ij ~ N(0,1)（i
复埃尔米特矩阵，实对角 H_ii ~ N(0,1)，复非对角 Re(H_ij), Im(H_ij) ~ N(0,½)。在酉变换下不变：H → UHU†。猜想给出 P(s) = (32/π²)·s²·exp(-4s²/π)。更强的能级排斥（在 s=0 附近为二次）。出现在无时间反演对称性的系统中：磁场中的电子、微波腔、量子色动力学中的散射。黎曼 ζ 函数临界线上的零点被认为遵循 GUE 统计（Montgomery 配对关联猜想，已被 Odlyzko 的数值验证所支持）。
自对偶四元数矩阵，在辛变换下不变。猜想给出 P(s) = (2¹⁸/(3⁶π³))·s⁴·exp(-(64/9π)s²)——更复杂的表达式，具有更强的（四次）排斥。适用于具有时间反演不变性和半整数自旋的系统（Kramers 简并）。这是物理学中最罕见的系综，但出现在某些介观系统和具有强自旋-轨道耦合的量子点中。
对于可积（非混沌）量子系统，Berry 和 Tabor（1977）证明能级通常遵循泊松统计：P(s) = exp(-s)。没有能级排斥——P(0)=1 为最大值，间距完全不相关。数方差为 Σ²(L)=L（线性增长）。这作为与随机矩阵预测对比的基线。当系统参数变化时（例如台球形状变形），从泊松到 Wigner-Dyson 统计的转变标志着量子混沌的开始。
维格纳的原始动机：重核的能级遵循 GOE 统计。尽管核相互作用极其复杂，高激发核态的谱统计与随机矩阵预测无法区分。这已通过中子共振光谱学在实验上得到验证——中子俘获共振的间距分布以惊人的精度匹配 Wigner 猜想。这种普适性表明，个别核结构细节对谱统计是无关紧要的。
可能是最引人注目的应用：黎曼 ζ 函数在临界线 Re(s)=½ 上的零点的虚部似乎遵循 GUE 统计。Hugh Montgomery（1972）基于配对关联分析提出了这一猜想，Freeman Dyson 立即认识到这与随机矩阵理论的联系。Andrew Odlyzko 的广泛数值计算（围绕第 10²⁰ 个零点的数百万个零点）以高精度确认了 GUE 统计。这暗示了素数与随机矩阵之间深刻的、至今未证明的联系。
Bohigas-Giannoni-Schmit 猜想（1984）指出，经典对应为混沌的量子系统表现出随机矩阵谱统计。体育场台球（混沌）显示 Wigner-Dyson 统计；矩形台球（可积）显示泊松统计。这已在微波腔实验、量子点和原子光谱中得到验证。从可积到混沌的转变可以通过谱统计来追踪，使 RMT 成为量子混沌的诊断工具。
Laloux、Cizeau、Bouchaud 和 Potters（1999, 2000）将 RMT 应用于金融关联矩阵。超出 RMT 预测范围的特征值包含真实的市场信息；在 RMT 带内的则是噪声。这种"去噪"技术改进了投资组合优化（马科维茨理论）。RMT 还出现在：神经活动的关联分析、机器学习（损失景观的 Hessian 特征值谱）、无线通信（MIMO 信道容量）和复杂网络（图邻接矩阵的谱分析）中。