2026-10-11 · 删去一个零模，数出所有树

0. 导读与元结构 (Orientation & Meta-structure)

Develata，今天的起点是一件看似不可能的事：**图 Laplacian 的行列式恒为零，但只删去一行一列，余下的行列式竟能精确数出生成树。**为什么删除信息，反而得到有内容的数？

这是本周一次、长度为一的跨领域漫游：图论 → 线性代数 → 拓扑与概率。它有意桥接 9 月 13 日的 Hodge 主题，但不是重讲调和代表：此前看的是核如何记录上同调，今天看的是零次 Laplacian 去掉常数自由度以后，非零谱如何记录组合数量。

• 对象层：有限无向图 $G$；顶点函数 $x\in {\mathbb{R}}^V$；边上的差分；以及遍历全部生成树的有限求和。不同对象不可混为一谈。
• 量词层：对任意连通有限简单图、任意边定向、任意根顶点，都有同一个计数公式；定向与根是计算选择，不是答案的一部分。
• 前提：行列式、实对称矩阵谱定理、树的基本性质。Cauchy–Binet 公式在正文说明。
• 证明发动机：把矩阵分解成关联矩阵的 Gram 乘积，再把每个子式翻译成“有环则零、是树则一”。
• 去向：加权生成树、电网络、随机生成树。重要边界是：只删一个根能消掉全部零模，依赖图连通。

1. 核心概念、定理与谱系 (Concept, Theorem & Lineage)

1.1 从差分能量到核：为什么总有一个零模？

设 $G=(V,E)$ 是有限无向简单图，$|V|=n\ge 2$，$|E|=m$。给每条边任意选一个方向。定向关联矩阵 (oriented incidence matrix) $B\in {\mathbb{R}}^{n\times m}$ 的每一列，在该边的起点取 $-1$、终点取 $1$，其余位置取零。

于是 $B^{\mathsf{T}}x$ 是逐边差分，而组合 Laplacian (combinatorial Laplacian) 为

$$L=B{B}^{\mathsf{T}}=D-A,x^{\mathsf{T}}Lx=\sum _{\{u,v\}\in E}(x_u-x_v{)}^2.$$

这里 $D$ 是度数对角矩阵，$A$ 是邻接矩阵。改变某条边的方向只把 $B$ 的一列乘以 $-1$，不会改变 $L$。

由能量恒等式，$Lx=0$ 当且仅当 $x$ 在每个连通分支上为常数。因此

$$\dim \ker L=\text{图的连通分支数}.$$

这正是零次上同调 (zeroth cohomology) 的信息：不必先学习高维同调，也已看到了“局部差分为零”的整体含义。若 $G$ 连通，则核恰为 $\mathbb{R}\mathbf{1}$，所以 $detL=0$。

1.2 固定一个根：不是任意扔掉一维

选择根 $r\in V$。从 $B$ 删除第 $r$ 行得 $B_r$；从 $L$ 删除第 $r$ 行和第 $r$ 列得约化 Laplacian (reduced Laplacian) $L_r$。显然

$$L_r=B_r{B}_r^{\mathsf{T}}.$$

把 $y\in {\mathbb{R}}^{V\setminus \{r\}}$ 延拓成 $x_r=0$ 的顶点函数。若 $y^{\mathsf{T}}{L}_{r}y=0$，则 $x$ 沿每条边恒定；连通性及 $x_r=0$ 迫使 $x=0$。所以 连通图的 $L_r$ 正定。这一步解释了接地 (grounding)：不是忽略常数模，而是选定它的唯一代表。

1.3 矩阵树定理：子式为什么恰是树的指示量？

生成树 (spanning tree) 是使用全部顶点、连通且无环的子图，恰有 $n-1$ 条边。记生成树数为 $\tau (G)$。

定理（矩阵树定理，matrix-tree theorem）。 对每个有限连通无向简单图 $G$，对每个 $r\in V$，都有

$$\boxed{{\displaystyle \tau (G)=det{L}_r.}}$$

证明分为一个代数展开和两个组合判据。[1]

代数层。 对 $p\times m$ 矩阵 $U$ 与 $m\times p$ 矩阵 $W$，其中 $p\le m$，Cauchy–Binet 公式说

$$det(UW)=\sum _{\begin{array}{c}S\subseteq \{1,\dots ,m\}\\ |S|=p\end{array}}det(U_{:,S})det(W_{S,:}).$$

其机制是按行列式多线性展开乘积矩阵：重复选中同一个中间指标的项由交替性消失；每组互异指标的排列合并成右侧两个行列式。应用于 $U=B_r$、$W=B_r^{\mathsf{T}}$，得到

$$det{L}_r=\sum _{\begin{array}{c}S\subseteq E\\ |S|=n-1\end{array}}det(B_{r,S}{)}^2.$$

组合判据一：不是树，则子式为零。 若 $(V,S)$ 不是树，它必有环：无环图有 $n-c$ 条边，其中 $c$ 是分支数，故无环且有 $n-1$ 条边必连通。沿一个环取有符号边和，对应关联矩阵列向量之和为零；删去根行后这个依赖仍在。因此 $det(B_{r,S})=0$。

组合判据二：是树，则子式为 $\pm 1$。 一棵至少有两个顶点的树有至少两个叶子，故可选一个非根叶子 $v$。它在 $B_{r,S}$ 的对应行仅有一个非零元，值为 $\pm 1$。沿该行展开，删去 $v$ 与其唯一邻边后，剩下的仍是以 $r$ 为根的树关联子式。归纳到单顶点的空矩阵，约定其行列式为 $1$，便得绝对值恒为 $1$。

所以每个树贡献 $1$，每个非树贡献 $0$。计数并不是从行列式符号里猜出来的，而是每一个求和项都有对象级解释。

小例子。 三角形 $K_3$ 的任一约化矩阵为

$$L_r=\left(\begin{array}{cc}2& -1\\ -1& 2\end{array}\right),det{L}_r=3.$$

三棵生成树正对应删除三条边中的任意一条。

1.4 非零谱为什么还要除以 $n$？

连通时设 $L$ 的特征值为 $0={\lambda }_1<{\lambda }_2\le \cdots \le {\lambda }_n$。则

$$\boxed{{\displaystyle \tau (G)=\frac{1}{n}\prod _{i=2}^n{\lambda }_i.}}$$

一个直接推导是比较 $det(tI+L)$ 的一次项系数。谱分解给出

$$det(tI+L)=t\prod _{i=2}^n(t+{\lambda }_i),$$

故一次项系数是非零特征值之积。按对角上的 $t$ 展开行列式，一次项系数又是全部 $n$ 个主余子式之和，矩阵树定理使它等于 $n\tau (G)$。

RMK. 约化矩阵不是把 $L$ 正交限制到 ${\mathbf{1}}^{\perp }$ 所得矩阵。因此 $det{L}_r$ 不能直接等同于非零谱乘积；因子 $n$ 恰是两种去零模操作之间的差别。

例如 $K_n$ 有 $L=nI-J$，其中 $J$ 的所有元素为 $1$。其非零特征值均为 $n$，故得到 $\tau (K_n)=n^{n-2}$。

1.5 研究生延伸：从整数计数到配分函数

给每条边指定正权重（电导）$c_e>0$，令 $C=\mathrm{diag}(c_e)$，并定义

$$L(c)=BC{B}^{\mathsf{T}},Z(c)=\sum _{T\text{ 为生成树}}\prod _{e\in T}{c}_e.$$

对 $B_r{C}^{1/2}$ 应用同一个 Cauchy–Binet 展开，立即得到

$$Z(c)=det{L}_r(c).$$

这不是另一个无关定理，而是把每个树子式的单位贡献改成边权乘积。归一化后

$${\mathbb{P}}_c(T)=Z(c{)}^{-1}\prod _{e\in T}{c}_e$$

定义了随机生成树的概率律。今天的桥梁是：**核说明哪些自由度无法被局部差分看见；行列式说明消去自由度后，多少种离散骨架共同支撑这个网络。**两种信息相关，但绝不等价。

2. 固定模板习题 (Template Exercise)

题目

设 $A$ 为实对称正定 $d\times d$ 矩阵，$b\in {\mathbb{R}}^d$，$d\ge 1$。计算并严格证明下列积分有限：

$$I(A,b)={\int }_{{\mathbb{R}}^d}\exp (-\frac{1}{2}{x}^{\mathsf{T}}Ax+b^{\mathsf{T}}x)dx.$$

再说明：若仅把“正定”改成“半正定”，对每个 $b$ 是否仍有有限积分？

模板识别

“正定二次项加线性项”提示配方 → 平移 → 正交对角化 → 一维乘积积分。这与今天的主线只共享一个自然机制：零特征值决定是否还存在未受约束的方向，而非强行把积分说成数树。

分级提示

1. 想把指数写成以某个 $h$ 为中心的二次型，线性项要求 $Ah$ 等于什么？
2. 正交换元不改变 Lebesgue 体积；正定性意味着每个特征方向上的二次系数严格为正。
3. 对半正定奇异情形，单独积分一个核方向：沿它指数要么是常数，要么是线性函数。

3. 大家之言 (Mathematician in Their Own Words)

来源与场景。 Terence Tao 于 2026 年 10 月 10 日在个人博客发表 Math 2.0，介绍他前一晚在 Caltech 所作的同名公开讲演，并链接讲稿。以下仅引用本次实际打开的博客导言，不把尚未读取的讲稿内容当作已核验材料。[2]

他描述未来图景时写道：

“where AI tools are used to sustain both the internal mathematical community, and the role that mathematical understanding plays in advancing and aligning the applications of mathematics to the real world.”

中译：“在那里，AI 工具既用于支持数学共同体内部，也用于支持数学理解在推进数学的现实应用、并使这些应用与现实需求相协调时所发挥的作用。”

转述。 在同一段中，Tao 将这一图景与当前过度强调由 AI 自动解决开放问题的状态区分开来。这里不是反对解题，而是把“解出多少题”放回更广的数学实践中。

本刊解读，不是 Tao 对矩阵树定理的评论。 今天的证明可分成三种责任：代数恒等式是否成立；每个子式是否真与树对应；网络模型是否表达了想研究的对象。自动验证第一种责任，并不自动完成后两种。尤其是“删去零模”这句听起来很对的话，若未说明连通性，马上会产生下一节的错数。数学理解的用途，正在于维护这些表示之间的接口，而不只是获得一个漂亮数值。

4. 反例与边界 (Counterexample & Boundary)

错误命题： 对任意图，把所有非零 Laplacian 特征值相乘再除以顶点数，就等于生成树数。

取四个顶点组成的图 $G=K_2\bigsqcup K_2$，边为 $\{1,2\}$、$\{3,4\}$。逐项检查：

1. 没有生成树。 两个分支之间没有边，任何子图都不能连通全部四个顶点，故 $\tau (G)=0$。
2. 谱可以直接算。 $L$ 是两个 $\left(\begin{array}{cc}1& -1\\ -1& 1\end{array}\right)$ 的块对角和，因此特征值为 $0,0,2,2$。
3. 错误公式给出 $1$。 所有非零特征值之积为 $4$，再除以 $n=4$ 得到 $1\ne 0$。这个非零谱乘积称作这里的伪行列式 (pseudodeterminant)，它没有替你检查零模重数。
4. 真正的余子式仍给出 $0$。 删去第一个顶点对应的行列后，另一个 $K_2$ 的完整 Laplacian 块还在，故约化矩阵仍奇异。

暴露的精确边界不是“行列式计数失效”，而是非连通时，一个根不足以固定每个分支的常数自由度。事实上，矩阵树定理的主余子式等于全图生成树数，在非连通情形两侧同为零；需要连通假设的是正定性，以及只有一个零特征值的乘积公式。

若每个分支各删一个根，剩下矩阵块的行列式之积会数出“每个分支各选一棵树”的生成森林；这已换了计数对象。本例所得的唯一森林是两条现有边，而不是一棵四顶点树。

也应避免另一种倒推：树数并非由零次上同调决定。路径 $P_4$ 与完全图 $K_4$ 都连通，零次上同调维数均为 $1$，但树数分别为 $1$ 与 $16$。零模维数相同，不代表非零谱承载的信息相同。

5. 今日一问与数学地图 (Question & Map)

今日一问。 在正电导连通图上，按第 1.5 节的概率律随机选取生成树。固定一条边 $e$，设其关联列删除根坐标后为 $b_{e,r}$。能否从“对树权求导”和“对行列式求导”两条路线证明

$${\mathbb{P}}_c(e\in T)=c_e{b}_{e,r}^{\mathsf{T}}{L}_r(c{)}^{-1}{b}_{e,r}?$$

进而解释：右侧为何与根及边定向无关？当 $e$ 是桥边时，为什么它必须等于 $1$？

只给一个入口：比较 $c_e\partial \log Z/\partial c_e$ 的两种计算。式中的二次型在电网络语言下正是边两端的有效电阻 (effective resistance)；先自己完成导数与概率的对应，不必先背电路定律。

数学地图：

顶点差分与实对称谱定理 → 零次上同调与常数零模 → 接地 Laplacian → Cauchy–Binet 的生成树展开 → 加权配分函数 → 随机树边缘概率与有效电阻 → 随机游走、电网络及谱图算法。

今天向旧主题增加的不是一个新名称，而是一个新观察量：从问“核有多大”，转向问“剩余方向的体积乘积在数什么”。

附录 A：习题完整解答 (Full Solution)

展开完整解答

可复用模板：正定二次型的配方与谱分解积分。

因 $A$ 正定，$A$ 可逆。令 $h=A^{-1}b$。由对称性，

$$-\frac{1}{2}{x}^{\mathsf{T}}Ax+b^{\mathsf{T}}x=-\frac{1}{2}(x-h{)}^{\mathsf{T}}A(x-h)+\frac{1}{2}{b}^{\mathsf{T}}{A}^{-1}b.$$

平移 $y=x-h$ 的 Jacobian 为 $1$。实对称谱定理给出正交矩阵 $Q$，使

$$Q^{\mathsf{T}}AQ=\mathrm{diag}({\alpha }_1,\dots ,{\alpha }_d),{\alpha }_j>0(1\le j\le d).$$

再令 $y=Qz$，则 $|detQ|=1$。所有被积函数非负，Tonelli 定理允许先按扩展非负积分逐坐标积分；不必预先假设多维积分有限。于是

$$I(A,b)=e^{b^{\mathsf{T}}{A}^{-1}b/2}\prod _{j=1}^d{\int }_{\mathbb{R}}{e}^{-{\alpha }_j{z}_j^2/2}d{z}_j=\frac{(2\pi {)}^{d/2}}{\sqrt{detA}}{e}^{b^{\mathsf{T}}{A}^{-1}b/2}<\mathrm{\infty }.$$

这里用到的一维 Gaussian 积分也可闭环验证：$J={\int }_{\mathbb{R}}{e}^{-t^2/2}dt$，由 Tonelli 及平面极坐标換元，

$$J^2={\int }_{{\mathbb{R}}^2}{e}^{-(s^2+t^2)/2}dsdt=2\pi {\int }_0^{\mathrm{\infty }}r{e}^{-r^2/2}dr=2\pi .$$

再对各坐标作缩放即得上式。

若 $A$ 半正定且奇异，可选正交坐标使第一坐标属于核。沿该坐标，指数只剩 $\beta z_1$ 加一个与 $z_1$ 无关的有限实数。当 $\beta =0$ 时，沿整条实线积分正常数而发散；当 $\beta \ne 0$ 时，$e^{\beta z_1}$ 在一端增长，同样发散。其余坐标固定时该内层积分都为无穷，Tonelli 因而给出 $I(A,b)=\mathrm{\infty }$，对每个 $b$ 均如此。

正定假设消除的正是全部未受二次项约束的方向；单靠线性项无法在整条实线上恢复可积性。

资料与来源 (Sources)

1. Rich Schwartz, The Matrix Tree Theorem, 2020-01-30，Brown University 课程讲义，§§0.1–0.4。 本次已读取 PDF：图 Laplacian、关联矩阵分解、Cauchy–Binet、树子式归纳及非零谱公式均可核对。本文自行补出加权展开与多项式系数证明。原讲义 §0.2 的矩阵尺寸处写为 $n\ge N$；本文使用实际展开所需的 $p\le m$，不沿用该倒置的不等号。谱分解依据实对称谱定理，而非“特征值皆实便自动可对角化”。 https://www.math.brown.edu/~res/M1230/cauchy.pdf
2. Terence Tao, “Math 2.0”, What's new, 2026-10-10。 已打开作者原文，核对第 3 节引语及讲演背景；引语取自第二段。本文不对链接讲稿的未读取内容作额外归纳。 https://terrytao.wordpress.com/2026/10/10/math-2-0

来源覆盖与时间口径。 本期日期按 Asia/Shanghai 实时系统日期确认为 2026-10-11（星期日）。注入的同日 RSS 发现刷新成功，投影覆盖 4 个来源、5 条线索；其发布时间不是本期的筛选门槛。Tao 原文由该队列引出，另以 AnySearch 定位大学讲义并实际读取 PDF。正文的矩阵计算、反例与习题采用可逐步复核的数学推导，不声称做过机器枚举。