事实上，说是新数学的话，也并不对。
因为这是基础数学的内容。
是关于求解特征向量的。
特征向量和特征值，指的是一个矩阵乘以一个向量，就相当于做了一个线性变换。
但这个向量的方向，往往会发生改变。
但若是存在一个矩阵a，让这个向量v在线性变换后，方向仍然保持不变，只是拉伸或者压缩一定倍数。
也就是，av=λv。
那么，这个向量v就是特征向量，λ就是特征值。
而这里面的传统解法，就是从计算特征多项式开始，然后求解特征值，再求解齐次线性方程组，最后得出特征向量。
没错，这部分的内容，在数学家眼里，就是再普通不过的，基础数学求解公式。
但是，陈舟在计算中微子振荡概率的时候发现。
特征向量和特征值的几何本质，其实就是空间矢量的旋转和缩放。
而中微子的三个味道，也就是电子、μ子和τ子，不就相当于空间中的，三个向量之间的变换吗？
也因此，在研究中微子振荡相关课题时，陈舟一不小心发现，特征向量和特征值之间，是存在更普遍的规律的。
于是，一种新的奇妙解法，就这么浮现在了陈舟的脑海。
“知道特征值，只需要列一个简单的方程式，特征向量便可迎刃而解了……”
这么想着的陈舟，手中的笔，也不断的在草稿纸上书写着，开始描绘着脑海里的新公式。
把物理问题转换成数学问题，一直陈舟习惯性的研究方式。
而一旦能够把物理问题，转换成数学问题，那么对陈舟而言，也就不再是什么问题了。
虽然离着解决中微子振荡相关课题，还有着不小的距离。
可是，这个新发现，仍是令陈舟充满了兴趣。
“通过删除原始矩阵的行和列，创建子矩阵的话……”
“子矩阵和原始矩阵的特征值组合在一起，就可以计算原始矩阵的特征向量……”
“也就可以得到∣uαi∣2=(λi-ξα)(λi-xα)/(λi-λj)(λi-λk)……”
陈舟缓缓停笔，看着草稿纸上的内容。
新公式已经被他求得，只差个证明过程了。
证明过程的话……
陈舟再次拿出一张新的草稿纸，握紧了手中的笔。
证明开始。
“先定义a为一个nxn的厄米特矩阵，它具有特征值λi(a)和赋范特征向量vi……”
“特征向量中的每个元素标记为vi，j……”
“通过删除jth行和jth列，可以得到a的子矩阵j，大小为(n-1)×(n-1)，它的特征值为λk(j)……”
“然后，通过证明可以得到一个柯西-比内型公式……”
“再由引理1和引理2可以证明……”
“……通过共轭的定义，公式7左边的对角元素，决定了λi(a)-a的子矩阵……”
“……因此，应用引理2，必然的结论就是，如果特征向量中的一个元素消失，vi，j=0，那么矩阵a的特征向量方程，将化为其子矩阵j的一个特征向量方程。”
陈舟的思路十分清晰，整个证明过程也十分顺畅。
没有遇到一丁点的阻碍，便将这个新公式给证明了。
“有点意思，这么长时间，居然没有人发现这个？”
陈舟看着眼前草稿纸上的证明过程，脸上带着一丝奇怪的笑容。
真要说起来的话，这个新公式并不复杂。
而新公式的证明方法，陈舟也至少能够给出五种方法。
可就是这么一个并不复杂的新公式和证明过程，为什么这么长时间，都没有人发现呢？
陈舟有些纳闷，却也有些小确幸。
这说明了，还得是他！
没有他的话，谁知道这个公式，又得沉寂多长时间，才会与世人见面呢？
这倒不是陈舟自恋，而是这个新公式的价值，确实蛮大的。
不管是对数学，还是对物理学，以及工程学来说，都有着十分现实的意义。
在这些学科里，还是有着许许多多的问题，都是涉及到特征向量和特征值的计算的。
就比如说，陈舟发现这个新公式的源头，中微子振荡概率的计算。
再比如说，在机器学习领域，数据降维，人脸识别，也都涉及矩阵特征值和特征向量理论的实际应用。
想一想，在任何情况下，你不需要知道矩阵中的任何元素，就可以计算出你想要的任何东西，还不够牛逼吗？
当然，陈舟并没有去想那么多，也没有去想这个新