無矩陣方法

無矩陣方法解 A x = b，卻從不組出、甚至從不儲存矩陣 A。乍聽不可能——你怎麼解一個你沒有的系統？訣竅在於：每個克雷洛夫方法（CG、GMRES、BiCGStab）與 A 互動只透過恰好一個運算：它遞給 A 一個向量 v、索取乘積 A v。它從不需要個別元素 a_ij、從不檢視 A 的結構、從不分解它。所以你唯一必須提供的是一個函式——一個黑盒子——給定任意向量 v，回傳 A v。矩陣只隱式存在，就是它所執行的那個作用。

每當乘積 A v 遠比矩陣本身容易計算時，這就帶來解放。一個出色的例子出現在用牛頓法解非線性方程時，每個牛頓步都要解一個以雅可比矩陣 J 為係數的線性系統。顯式地組出 J 可能貴得驚人或極其複雜，但克雷洛夫求解器唯一需要的是 J 乘一個向量——而 J v 不過是一個方向導數，可用單次有限差分近似：J v 約等於 (F(x + epsilon v) - F(x)) / epsilon，只要對函式 F 求值兩次、完全不需雅可比矩陣。這正是無雅可比牛頓-克雷洛夫方法的核心，是大規模非線性模擬的支柱。當 A 是一個巨大的結構化運算子（一個卷積、一個基於 FFT 的求解、一個離散化的積分運算子），其作用便宜、但顯式儲存將龐大或稠密時，無矩陣思維同樣取勝。

這份自由帶著真實的代價。預條件是克雷洛夫方法的命脈，但許多強力的預條件子（如不完全 LU）需要真正的矩陣元素——而無矩陣方法已刻意把它們丟掉。所以無矩陣求解器必須仰賴本身也是無矩陣的、或只用 A 的便宜近似的預條件子，而找到一個好的正是核心挑戰。當乘積以有限差分近似時，還有一個微妙的精度問題：epsilon 太大給出差的雅可比，太小則讓捨入誤差主導，所以步長必須謹慎選取。儘管如此，對最龐大的問題——你即使想存 A 也存不下——無矩陣克雷洛夫方法不是方便，而是必需。