输入任意2×2矩阵，观看网格、基向量和图形的平滑动画变换。即时计算行列式、特征值和矩阵性质，直观理解线性代数在CAE中的应用。
特征方程：$\det(M - \lambda I)=0$
$\lambda^2 - \text{tr}(M)\lambda + \det(M) = 0$
特征向量：$(M-\lambda I)\mathbf{v}=\mathbf{0}$
红色箭头：e₁=[1,0] ／ 绿色箭头：e₂=[0,1] ／ 变换后以粗线显示
线性变换的核心是矩阵乘法。对于一个二维向量 $\mathbf{v}= [x, y]^T$，经过矩阵 $M$ 变换后得到新向量 $\mathbf{v’}$：
$$\mathbf{v’}= M \mathbf{v}= \begin{bmatrix}a & b \\ c & d \end{bmatrix}\begin{bmatrix}x \\ y \end{bmatrix}$$其中，矩阵 $M$ 的每一列，就是原始空间基向量 $\hat{i}$ 和 $\hat{j}$ 变换后的新位置。这就是“列视图”，是理解矩阵几何意义的关键。
特征值与特征向量方程描述了变换中的“不变方向”。这是结构动力学、主成分分析等众多领域的数学基础：
$$M \mathbf{v}= \lambda \mathbf{v}$$$\lambda$ 是特征值（缩放因子），$\mathbf{v}$ 是对应的特征向量（不变方向）。求解它需要解特征方程 $\det(M - \lambda I)=0$。
有限元分析与结构动力学：在计算桥梁或建筑的固有频率时，整体刚度矩阵 $K$ 和质量矩阵 $M$ 构成广义特征值问题 $K\phi = \omega^2 M\phi$。这里的特征值 $\omega^2$ 对应固有频率的平方，特征向量 $\phi$ 就是结构的振动模态形状。
应力应变分析（CAE核心）：材料内部某一点的应力状态是一个二阶张量，可以用矩阵表示。求解该应力矩阵的特征值和特征向量，就能得到“主应力”的大小和方向，这是进行强度评估和失效分析（如使用冯·米塞斯准则）的第一步。
计算机图形学与动画：所有的2D/3D图形旋转、缩放、错切（剪切）都是通过矩阵变换实现的。游戏引擎和CAD软件实时进行数百万次这样的矩阵运算，来渲染和变换物体。
数据科学与机器学习：主成分分析（PCA）通过计算数据协方差矩阵的特征向量，来找到数据分布最主要的几个方向（主成分），从而实现降维和特征提取，这是大数据处理的常用工具。
开始使用这个工具时，有几个需要注意的要点。首先，不要认为“二维问题很简单”。实际工程中的CAE模型往往涉及数百万维的矩阵，但其本质现象（特征值问题、奇异值分解）在这个2×2的世界里都能体验到。其次，当参数设置极端时，图形可能会超出画面范围或被压缩到不可见。这对应着矩阵行列式 $\det(M)$ 趋近于零、变换出现“坍缩”的状态。实际上，这与线性方程组无解（奇异）的数学状态相同，你能直观感受到为什么结构分析中刚度矩阵奇异会导致计算失败。
另外，人们常误以为“特征向量总是正交的”。对于旋转矩阵等对称矩阵确实如此，但在添加较大剪切量(k)的非对称矩阵中，特征向量会斜向相交。这种差异正是振动分析（对称）与流体变形分析（可能非对称）在数学处理上有所区别的原因之一。最后请注意，虽然工具中参数可以独立调整，但实际问题中物理定律会给参数间带来约束。例如，各向同性材料的弹性矩阵具有特定对称性，不会成为随意填写的数字矩阵。
通过这个可视化工具学习的线性变换与特征值概念，是广泛工程领域底层流动的“通用语言”。首先是结构力学·振动分析的典型应用。前辈提到的广义特征值问题 $K\phi = \omega^2 M\phi$，正是求解桥梁或机翼在何种频率下剧烈振动（特征值$\omega^2$）及其变形形态（特征向量$\phi$）的方法。你在工具中验证过特征向量方向即“变形主轴”吧？那直接对应着模态振型。
在流体力学中，描述流动变形速度的应变率张量本身就是矩阵，其主轴（特征向量）方向即流体伸缩方向。控制工程中，系统状态方程系数矩阵的特征值决定了系统稳定性（发散或振荡）。例如特征值实部为正则系统失控。图像处理·计算机视觉领域也广泛应用，主成分分析（PCA）技术寻找数据方差最大的方向（主成分），本质上就是求协方差矩阵的特征向量。由此可见，虽然领域不同，但“用矩阵描述变换，通过特征值/特征向量理解本质”的模式具有普适性。
通过工具获得“直观感受”后，建议进入理论与实现阶段。学习步骤上，首先1. 想象三维扩展：二维旋转/剪切在三维中如何用矩阵表示？尝试在教材中探索工具所学概念如何推广到$3\times3$或$6\times6$矩阵。接着2. 接触数值计算基础：工具能瞬间给出特征值，但计算机实际通过“QR法”“雅可比法”等迭代算法求解。初步了解这些算法，能帮你透视CAE求解器的黑箱原理。
数学背景中的关键是“奇异值分解(SVD)”。特征值分解仅适用于方阵且需满足特定条件，而SVD能将任意矩阵分解为“旋转→缩放→旋转”三个矩阵的乘积。例如工具中的剪切变换形成的平行四边形，实际上可通过“坐标轴旋转→主轴方向伸缩→再次旋转”三步实现。这构成了CAE中提取主应变思想的基础。后续推荐关注“线性方程组迭代解法”与“弹性体本构关系（应力-应变关系矩阵）”。对矩阵变换的几何理解，将成为学习这些实践性主题的强力导航图。