[논문 리뷰] Derrida's random energy models. From spin glasses to the extremes of correlated random fields

Nicola Kistler|arXiv (Cornell University)|2014. 12. 02.

Theoretical and Computational Physics참고 문헌 39인용 수 9

한 줄 요약

이 논문은 Derrida의 무작위 에너지 모델( REM )과 일반화된 REM ( GREM )에서 특히, 상관된 무작위 장의 최댓값을 분석하기 위해 두 번째 모멘트 방법의 다중 척도 보완을 제안한다. 국소적 투영을 통해 처음부터 계층적 척도를 식별함으로써, 비정규성 또는 비계층적 성질을 가진 모델—예를 들어 2차원 가우시안 자유 장(GFF)과 첫 번째/마지재 도달 퍼콜레이션—에서도 극단값의 엄밀한 분석이 가능해지며, 이러한 시스템에서 극단값 통계의 보편성은 척도적 구조에 기반함을 드러낸다.

ABSTRACT

These are notes for a mini-course on the extremes of correlated random fields which I gave in the spring 2013 in Marseille. The first chapter recalls the paradigmatic random energy models with finitely many scales introduced by B. Derrida in the context of mean field spin glasses. The second chapter presents a multi-scale refinement of the second moment method which is particularly efficient to analyze models with a growing number of scales, such as the Gaussian hierarchical field (the directed polymer on Cayley trees). In the third chapter, applications of the method to e.g. Gaussian free fields and issues of percolation in high dimensions are briefly touched upon. The last chapter deals with a procedure of "local projections" which allows, in a number of cases, to construct scales from first principles.

연구 동기 및 목표

• 상관된 무작위 장의 최댓값을 분석하기 위한 체계적이고 다중 척도적인 두 번째 모멘트 방법의 보완을 개발하기 위해.
• 특히 비정규성 또는 비계층적 성질을 가진 복잡한 모델—예를 들어 2D 가우시안 자유 장(GFF)과 같은 모델—에서 공분산 구조에 기반한 국소적 투영을 통해 계층적 척도를 처음부터 식별하기 위해.
• 이 방법이 2D 가우시안 자유 장, 나무에서의 첫 번째/마지재 도달 퍼콜레이션, 초입방형에서의 퍼콜레이션 등 다양한 모델에 적용 가능함을 보여주기 위해.
• 척도 분리와 자기유사성이 REM 유형의 행동을 가능하게 하는 역할을 설명하기 위해.
• 이론 물리학적 통찰(예: Parisi, Derrida)을 엄밀한 확률론적 극단값 분석과 연결하는 개념적 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 장을 점차 더 큰 이웃 영역의 정보를 조건부로 한 조건부 기대값을 사용하여 다중 척도로 분해함으로써 두 번째 모멘트 방법을 보완한다.
• 국소적 투영을 통해 공분산 구조에 기반한 이웃 영역 내 장 값에 대한 조건부 기대값을 정의함으로써 척도를 설정한다. 예를 들어 GFF에서는 오버랩 또는 거리에 따라 정의된다.
• 이 접근법은 장의 텔레스코픽 분해를 구성한다: $ X_{\eta}^{N} = \mathbb{E}[X_{\eta}^{N} \mid \mathcal{F}_{q}] + \text{잔여항} $, 여기서 $ \mathcal{F}_{q} $ 는 척도 $ q $ 에서의 정보를 캡처한다.
• 2차원 가우시안 자유 장(GFF)의 경우, 유클리드 구의 반지름 $ N^{1 - \pi q / 2} $ 를 통해 계층적 구조를 식별하며, 이는 GREM 유사한 분해로 이어진다.
• GFF의 마코프 성질을 활용하여 구의 경계에 대한 조건부 기대값을 그 보완에 대한 조건부 기대값과 동일시함으로써 재귀적 분해가 가능해진다.
• 이 방법은 일반적이며, 스케일 식별 단계를 적응시킴으로써 가우시안성 이외의 모델—예를 들어 퍼콜레이션과 방향성 고무막—에도 적용 가능하다.

실험 결과

연구 질문

• RQ1 상관된 무작위 장의 최댓값에서 주요 항 외의 보조 항을 캡처하기 위해 두 번째 모멘트 방법을 어떻게 다중 척도적으로 보완할 수 있는가?
• RQ2 예를 들어 2차원 가우시안 자유 장와 같이 명시적인 기하학적 성질이 없는 모델에서, 처음부터 계층적 척도를 식별할 수 있는가?
• RQ3 공분산 구조에 기반한 국소적 투영이 GREM 또는 GFF와 같은 모델에서 잠재된 나무 구조적 계층을 어느 정도 드러내는가?
• RQ4 왜 상관이 있는 모델들—특히 REM 유형의 모델들—은 독립 장과 유사한 극단값 통계를 보이는가?
• RQ5 이 다중 척도 방법은 리만 제타 함수나 랜덤 행렬의 특성 다항식과 같은 비정규 모델로 확장될 수 있는가?

주요 결과

• 다중 척도 보완된 두 번째 모멘트 방법은 계층적 장—특히 $ K > 2 $ 레벨을 가진 GREM 포함—에서 최댓값의 주요 항과 보조 항을 성공적으로 캡처한다.
• 2차원 가우시안 자유 장(GFF)의 경우, 국소적 투영을 통해 (3.4)와 동치인 계층적 분해를 도출하며, 유클리드 거리와 공분산 구조를 통해 척도를 식별한다.
• 이 방법은 GFF의 극단값이 계층적 장의 극단값과 유사하게 행동하는 이유를 설명한다: 장이 척도 간에 약간의 자기유사성을 가지며, 이는 GREM 유사 근사의 구성이 가능하게 한다.
• 이 접근법은 REM 유형이 단일 척도 또는 척도 없음의 행동을 특징으로 하며, 미세한 상관관계의 지배로 인해 상관관계가 존재하는 경우에도 성립함을 드러낸다.
• 이 방법은 GFF나 초입방형에서의 퍼콜레이션과 같은 모델에서 나무의 구조를 조건부 기대값을 통해 국소 이웃 영역에 기반해 구성적으로 식별하는 데에 기여한다.
• 이 방법은 비정규성에 강건하며, 이중 나무에서의 첫 번째/마지재 도달 퍼콜레이션과 커버 타임과 같은 모델에도 적용 가능하며, 올바른 극단값 행동을 정확히 캡처한다.