教科書確認済み
$n \times n$ 行列（$n$ 行 $n$ 列で行数と列数が等しい行列）を 正方行列 という。$n \times n$ の複素正方行列全体の集合を $M_n(\mathbb{C})$ と書く。
$M_n(\mathbb{C})$ には次の 2 つの演算が定義される:
これにより $M_n(\mathbb{C})$ は $n^2$ 次元の線形空間（ベクトル空間）になる。$n = 3$ なら $3^2 = 9$ 次元の空間だ。
さらに 行列の積 $AB$ が定義される（$(AB)_{ij} = \sum_k A_{ik} B_{kj}$）。積が定義される線形空間を 代数 という。この「代数」という構造が後で登場する「バナッハ代数」の核心となる。
Closed ⇌ Open の 2 状態モデル（開口速度 $\alpha$、閉口速度 $\beta$）の Q 行列は $M_2(\mathbb{R}) \subset M_2(\mathbb{C})$ の元:
$$Q = \begin{pmatrix} -\alpha & \alpha \\ \beta & -\beta \end{pmatrix}$$行和が 0（$-\alpha + \alpha = 0$, $\beta + (-\beta) = 0$）になることは Q 行列の基本性質。$Q \in M_2(\mathbb{R})$ は 2×2 の正方行列なので、$Q^2, Q^3, \ldots$ が全て $M_2(\mathbb{R})$ に属することが保証される。
教科書確認済み — Rudin, Functional Analysis, Chapter 1; Horn & Johnson, Matrix Analysis, §5.6
ノルムはベクトルや行列の「大きさ」を測る関数 $\|\cdot\|$ であり、次の 3 条件を満たす:
ベクトルノルム $\|v\|$（例: ユークリッドノルム $\|v\| = \sqrt{v_1^2 + \cdots + v_n^2}$）が与えられたとき、行列 $A$ の 誘導ノルム を次で定義する:
$$\|A\| = \sup_{v \neq 0} \frac{\|Av\|}{\|v\|}$$これは「$A$ が単位ベクトルを最大でどれだけ引き伸ばすか」を測る。$\|A\| = 2$ であれば、$A$ は任意のベクトルを長さの 2 倍以内に引き伸ばすことを意味する。
積のノルムは、各ノルムの積以下である。
直感: $A$ が「最大 $\|A\|$ 倍の引き伸ばし」、$B$ が「最大 $\|B\|$ 倍の引き伸ばし」なら、$AB$ は「最大 $\|A\|\cdot\|B\|$ 倍の引き伸ばし」を超えない。
$e^{At}$ のマクローリン展開には $\frac{(At)^k}{k!}$ の和が登場する。各項のノルムを抑えるために:
$$\|(At)^k\| = \|At \cdot At \cdots At\| \leq \|At\|^k = \bigl(\|A\|\,|t|\bigr)^k$$劣乗法性を $k$ 回適用することでこの不等式が得られる。これが「無限和が収束する」ことの鍵となる（§4 で詳述）。
教科書確認済み — Rudin, Functional Analysis, Chapter 10; Conway, A Course in Functional Analysis, §VIII.1
ノルム空間とはノルム $\|\cdot\|$ を備えた線形空間。さらに 完備（complete）であるとは、全ての コーシー列 が収束することをいう。完備なノルム空間を バナッハ空間 という。
コーシー列: $m, n \to \infty$ のとき $\|A_m - A_n\| \to 0$ となる列 $\{A_n\}$。
完備性の直感: 「どんどん近づいていく点列には、必ず近づいていく先がある」という性質。実数 $\mathbb{R}$ は完備だが、有理数 $\mathbb{Q}$ は完備でない（$\sqrt{2}$ に収束するコーシー列の極限が $\mathbb{Q}$ に存在しない）。
バナッハ空間 $(X, \|\cdot\|)$ に積演算 $\cdot : X \times X \to X$ が定義され、次の条件を満たすとき バナッハ代数 という:
| 必要な性質 | $M_n(\mathbb{C})$ での根拠 |
|---|---|
| ノルム空間 | 誘導ノルム（またはフロベニウスノルム）が定義できる |
| 完備性 | 有限次元ノルム空間は常に完備（$\mathbb{R}^{n^2}$ と同型なので） |
| 積演算 | 行列の積 $AB$ が定義される |
| 劣乗法性 | 誘導ノルムは定義から $\|AB\| \leq \|A\|\,\|B\|$ を満たす |
教科書確認済み — Horn & Johnson, Matrix Analysis, §2.10; Higham, Functions of Matrices, Chapter 10
実数 $x$ に対するテイラー展開（マクローリン展開）:
$$e^x = \sum_{k=0}^{\infty} \frac{x^k}{k!} = 1 + x + \frac{x^2}{2} + \frac{x^3}{6} + \cdots$$この級数は全ての $x \in \mathbb{R}$ で絶対収束する。
$A \in M_n(\mathbb{C})$、$t \in \mathbb{R}$ に対して:
$$e^{At} = \sum_{k=0}^{\infty} \frac{(At)^k}{k!} = I + At + \frac{(At)^2}{2!} + \frac{(At)^3}{3!} + \cdots$$ここで $(At)^0 = I$（単位行列）。この形がスカラーと完全に同じ形をしているのは偶然ではなく、バナッハ代数では「絶対収束する冪級数が定義できる」からだ。
部分和 $S_N = \sum_{k=0}^{N} \frac{(At)^k}{k!}$ がコーシー列になることを示す。劣乗法性より $\|(At)^k\| \leq \|At\|^k$ なので:
$$\|S_N - S_M\| \leq \sum_{k=M+1}^{N} \frac{\|(At)^k\|}{k!} \leq \sum_{k=M+1}^{N} \frac{\|At\|^k}{k!}$$右辺は $e^{\|At\|}$（スカラーの指数関数）の部分和の差なので $N, M \to \infty$ で $0$ に収束する。よって $\{S_N\}$ はコーシー列。$M_n(\mathbb{C})$ は完備（バナッハ空間）なので、コーシー列は必ず収束する。$\square$
$Q = \begin{pmatrix} -\alpha & \alpha \\ \beta & -\beta \end{pmatrix}$ で $t = 0.1$、$\alpha = 3$、$\beta = 7$ とする。
第0項 (k=0): I = ((1, 0), (0, 1))
第1項 (k=1): Qt = ((-0.3, 0.3), (0.7, -0.7))
第2項 (k=2): (Qt)²/2! : (Qt)² = ((-0.3)²+0.3×0.7, …) を計算
≈ (( 0.03, -0.03), (-0.07, 0.07)) / ... (実際は行列計算)
第3項以降: 急速に小さくなる（‖Qt‖ = 1.0 程度なので各項は 1/k! で減衰）
数値計算では第 10〜15 項程度でほぼ収束する。
教科書確認済み — Rudin, Principles of Mathematical Analysis, Chapter 7 (一様収束); Rudin, Real and Complex Analysis, Theorem 10.28 (項別微分)
$\mathbb{R}$ のコンパクト集合の最も身近な例は 有界閉区間 $[0, T]$ である。時間 $t$ を考えるときに $t \in [0, T]$（今から $T$ 秒後まで）と限定するのが典型的な状況。
$\mathbb{R}^n$ のコンパクト集合とは 有界かつ閉じた集合（Heine-Borel の定理）。直感的には「全体が有限の大きさに収まっており、端点も含む」集合。
無限級数 $e^{At} = \sum_{k=0}^{\infty} \frac{(At)^k}{k!}$ が $t$ の関数として収束するとき、2 種類の収束がある:
$t \in [0, T]$（コンパクト集合）に限定すると:
$$\sum_{k=0}^{\infty} \frac{\|(At)^k\|}{k!} \leq \sum_{k=0}^{\infty} \frac{(\|A\|\,|t|)^k}{k!} \leq \sum_{k=0}^{\infty} \frac{(\|A\| T)^k}{k!} = e^{\|A\| T} < \infty$$右辺 $e^{\|A\|T}$ は $T$ に依存するが、$t$ には依存しない定数である。Weierstrass M-test（各項のノルムの和が収束する定数で抑えられるなら、級数は一様絶対収束する）を適用することで、$e^{At}$ は $[0, T]$ 上で一様絶対収束することが示される。
一様絶対収束が確立されると、次の項別微分が正当化される（Rudin, Principles, Theorem 7.17）:
$$\frac{d}{dt} e^{At} = \frac{d}{dt} \sum_{k=0}^{\infty} \frac{(At)^k}{k!} = \sum_{k=1}^{\infty} \frac{k A (At)^{k-1}}{k!} = A \sum_{k=0}^{\infty} \frac{(At)^k}{k!} = A e^{At}$$これにより前進方程式 $\frac{dP}{dt} = QP$ の解が $P(t) = e^{Qt}$ であることが数学的に確立される。
各概念の役割を 1 行で整理する:
| 概念 | $e^{Qt}$ における役割 | なければどうなるか |
|---|---|---|
| $M_n(\mathbb{C})$ | $e^{Qt}$ の「住処」。積が閉じた線形空間 | $Q^k$ が同じ空間に属することを言えない |
| 行列ノルム | 収束を測る道具。$\|(At)^k\| \leq \|At\|^k$ を与える | 各項の大きさを比較できない |
| バナッハ代数 | 「コーシー列には収束先がある」の保証 | $e^{Qt}$ という行列が存在するか不明 |
| マクローリン展開 | $e^{Qt}$ の定義そのもの | （これが出発点） |
| コンパクト集合 | 一様絶対収束と項別微分の前提 | 「$t$ によらず同じ精度」が保証されない |
NSM-029 / 作成: 2026-06-03 / Mathematics in Neuroscience プレゼン準備