[论文解读] Entropy of eigenfunctions on quantum graphs

Lionel Kameni, Roman Schubert|arXiv (Cornell University)|May 22, 2014

Spectral Theory in Mathematical Physics参考文献 23被引用 5

一句话总结

本文引入熵作为度量，用于量化量子图上本征函数的扩展性，利用熵不确定原理推导出下界。结果表明，具有大圈长的扩展图表现出与负曲率流形类似的熵界；而数值结果揭示了星图上由于边界条件效应和能谱间隙导致的局域化本征函数。

ABSTRACT

We consider families of finite quantum graphs of increasing size and we are interested in how eigenfunctions are distributed over the graph. As a measure for the distribution of an eigenfunction on a graph we introduce the entropy, it has the property that a large value of the entropy of an eigenfunction implies that it cannot be localised on a small set on the graph. We then derive lower bounds for the entropy of eigenfunctions which depend on the topology of the graph and the boundary conditions at the vertices. The optimal bounds are obtained for expanders with large girth, the bounds are similar to the ones obtained by Anantharaman et.al. for eigenfunctions on manifolds of negative curvature, and are based on the entropic uncertainty principle. For comparison we compute as well the average behaviour of entropies on Neumann star graphs, where the entropies are much smaller. Finally we compare our lower bounds with numerical results for regular graphs and star graphs with different boundary conditions.

研究动机与目标

• 使用熵作为度量，量化量子图上本征函数的扩展性。
• 基于图的拓扑结构和边界条件，推导本征函数熵的下界。
• 将理论下界与不同边界条件下规则图和星图的数值结果进行比较。
• 研究在大图中局域化本征函数的出现机制，特别是纽曼边界条件下的情况。
• 通过散射矩阵的谱分析，解释星图中单条边上局域化本征函数的产生机制。

提出的方法

• 将本征函数熵定义为空间分布的度量，熵值越高表示扩展性越强。
• 应用熵不确定原理，推导依赖于图的拓扑结构和边界条件的熵下界。
• 使用 $ S $-矩阵建模顶点散射条件，重点关注 $ k $-无关情形，如纽曼和狄利克雷边界条件。
• 分析 $ S $-矩阵 $ oldsymbol{ heta}_j(k) $ 的特征值演化，识别能谱间隙及其与局域化本征函数的关系。
• 推导一个启发式公式 $ k_1 riangleq rac{ u}{2L_{ ext{max}}} $，将第一个非零特征值与最长边长关联起来。
• 在规则图和纽曼星图上进行数值计算，将熵分布与理论下界进行比较。

实验结果

研究问题

• RQ1 量子图上本征函数的熵如何依赖于图的拓扑结构和边界条件？
• RQ2 能否严格地利用熵不确定原理，为量子图上的本征函数熵推导出下界？
• RQ3 导致星图中单条边或小环上本征函数局域化的机制是什么？
• RQ4 在纽曼边界条件下，规则图上的熵分布与星图上的熵分布有何异同？
• RQ5 $ S $-矩阵特征值中的能谱间隙在多大程度上解释了局域化本征函数的出现？

主要发现

• 为具有大圈长的扩展图建立了本征函数熵的下界，其结果与负曲率流形上的结果一致。
• 对于纽曼星图，熵值显著低于规则图，表明其具有更强的局域化趋势。
• 在六度规则图中，数值上观察到局域化于3-环的本征函数，与边长的有理数依赖关系一致。
• 提出一种启发式机制解释单边局域化本征函数：当 $ k_1 riangleq rac{ u}{2L_{ ext{max}}} $ 时，本征函数集中在最长边上。
• 数值验证表明，$ k_1 riangleq 0.1579 $ 与 $ rac{ u}{2L_{ ext{max}}} = 0.1576 $ 极为接近（对应 $ L_{ ext{max}} = 9.9691 $ 的图），支持了谱机制。
• 位于谱底部的局域化本征函数源于 $ heta_j(k) $ 的缓慢演化，特别是当 $ oldsymbol{ heta}_j(k) $ 的特征向量集中在最长边上时。