Définition

Un espace de Hilbert est un espace vectoriel muni d'un produit scalaire qui induit une norme, et qui est complet pour la métrique associée à cette norme. Autrement dit, c'est un espace vectoriel où l'on peut mesurer longueurs et angles grâce au produit scalaire, et où toute suite de Cauchy (suite dont les éléments deviennent arbitrairement proches les uns des autres) converge vers un élément de l'espace.

Formellement, si H est un espace vectoriel sur R ou C et si ⟨x,y⟩ désigne un produit scalaire sur H, alors H est un espace de Hilbert si la norme ∥x∥ = √⟨x,x⟩ rend H complet. Les espaces de Hilbert peuvent être de dimension finie (comme R^n) ou de dimension infinie (par exemple des espaces de fonctions ou de suites).

Propriétés essentielles

  • Produit scalaire et norme : le produit scalaire permet de définir la norme et un angle entre deux vecteurs ; il satisfait la linéarité, la symétrie (ou conjugaison) et la positivitité.
  • Complétude : condition cruciale pour l'analyse fonctionnelle — elle garantit que les méthodes limites (séries, intégrales, suites) restent à l'intérieur de l'espace.
  • Projection orthogonale : pour un sous-espace fermé M de H, tout vecteur x de H se décompose de façon unique x = m + m⊥, avec m ∈ M et m⊥ orthogonal à M. Cette projection fournit la meilleure approximation de x par des éléments de M.
  • Base orthonormale et développement : un système orthonormal {e_i} permet d'écrire tout vecteur x comme une série x = ∑ ⟨x,e_i⟩ e_i (convergence au sens de la norme) ; la formule de Parseval relie la norme de x à la somme des carrés des coefficients.
  • Théorème de représentation de Riesz : dans un espace de Hilbert H, tout fonctionnel linéaire continu f sur H s'exprime de manière unique comme f(x) = ⟨x,y⟩ pour un vecteur y ∈ H.
  • Opérateurs et spectre : la théorie des opérateurs linéaires (bornés et non bornés) sur les espaces de Hilbert est riche : adjoint d'un opérateur, opérateurs auto-adjoints, compacts, et le théorème spectral pour les opérateurs auto-adjoints fournissent des décompositions analogues à la diagonalisation des matrices.

Exemples courants

  • Espaces euclidiens : R^n (ou C^n) avec le produit scalaire usuel sont des espaces de Hilbert finis.
  • Espaces de suites : l'espace ℓ^2 des suites (x_n) telles que ∑ |x_n|^2 < ∞, muni du produit scalaire ⟨x,y⟩ = ∑ x_n ȳ_n, est un exemple canonique d'espace de Hilbert séparable et infini-dimensionnel.
  • Espaces de fonctions : L^2(Ω) (fonctions mesurables sur Ω dont le carré est intégrable) est un espace de Hilbert fondamental en analyse et en physique.
  • Espaces de Sobolev : les espaces H^s(Ω) (espace de Sobolev) sont des espaces de Hilbert utiles pour l'étude des équations aux dérivées partielles.
  • Espaces de Hardy et autres espaces de fonctions holomorphes : interviennent en analyse complexe et théorie du signal.
  • Espaces reproduisants à noyau (RKHS) : utilisés en statistique et en apprentissage automatique (kernel methods).

Méthodes et constructions

On peut construire un espace de Hilbert à partir d'un espace pré-Hilbert (espace vectoriel avec produit scalaire) en prenant son achèvement par rapport à la norme induite. L'orthonormalisation de Gram–Schmidt permet, dans le cas séparable, d'obtenir une base orthonormale à partir d'une famille linéairement indépendante.

Les séries de Fourier sont un exemple concret : les fonctions de L^2 sur un intervalle se développent sur une base orthonormale de fonctions trigonométriques et la convergence se fait au sens de la norme L^2.

Applications

  • Mécanique quantique : l'état d'un système est représenté par un vecteur (ou une classe d'équivalence) dans un espace de Hilbert, et les observables sont des opérateurs (souvent auto-adjoints) agissant sur cet espace. Les propriétés spectrales des opérateurs correspondent aux valeurs mesurables (énergies, impulsions...).
  • Équations aux dérivées partielles : les espaces de Hilbert (en particulier les espaces de Sobolev) fournissent le cadre naturel pour définir des solutions faibles et appliquer des méthodes variationnelles.
  • Analyse de Fourier et traitement du signal : décompositions en bases orthonormales, filtrage, et représentation en fréquences s'appuient sur la structure hilbertienne.
  • Théorie ergodique et thermodynamique : l'analyse des opérateurs unitaires et des mesures invariantes utilise des espaces de Hilbert comme L^2.
  • Statistique et apprentissage automatique : régression, méthodes par noyau (RKHS) et réduction de dimension exploitent la géométrie hilbertienne.
  • Contrôle et traitement d'images : projets d'approximation optimaux et bases parcimonieuses s'appuient sur ces espaces.

Bref historique

Les premières études d'espaces fonctionnels munis d'un produit scalaire datent du début du XXe siècle, avec des contributions majeures de David Hilbert, Erhard Schmidt et Frigyes Riesz. John von Neumann popularisa et systématisa le terme "Hilbert space". Ces développements ont profondément transformé l'analyse fonctionnelle et la physique mathématique.

Remarques complémentaires

  • Séparabilité : de nombreux espaces de Hilbert d'intérêt pratique sont séparables (possèdent une base orthonormale dénombrable), ce qui simplifie les représentations par séries.
  • Opérateurs bornés vs non bornés : en physique et en PDE, les opérateurs importants sont souvent non bornés (par exemple l'opérateur dérivationnel). Leur traitement nécessite des notions supplémentaires (domaines, autoadjonction).
  • Dualité : grâce au théorème de Riesz, l'espace dual (des formes linéaires continues) d'un espace de Hilbert s'identifie naturellement à l'espace lui-même.

En résumé, un espace de Hilbert est l'environnement mathématique idéal pour étudier des phénomènes où la notion d'angle, de distance, d'orthogonalité et de convergence sont essentielles, que ce soit en dimension finie ou en dimension infinie. Sa richesse algébrique et topologique en fait un outil central dans de nombreuses branches des mathématiques, de la physique et de l'ingénierie.