[论文解读] Improved Mixing Condition on the Grid for Counting and Sampling Independent Sets

Ricardo Restrepo, Jinwoo Shin+3 more|arXiv (Cornell University)|May 4, 2011

Markov Chains and Monte Carlo Methods参考文献 28被引用 10

一句话总结

该论文通过改进Weitz的自避行走树方法，将二维整数格点上硬核模型的唯一性阈值提升至$π^2$，建立了所有$λ < 2.3882$时的强空间混合性，这意味着划分函数的高效近似算法以及Glauber动力学的快速混合。该方法利用了一项新的强空间混合性技术准则，超越了最大度数的限制，充分利用了图的结构特征。

ABSTRACT

We study the hard-core model defined on independent sets, where each independent set I in a graph G is weighted proportionally to $λ^{|I|}$, for a positive real parameter $λ$. For large $λ$, computing the partition function (namely, the normalizing constant which makes the weighting a probability distribution on a finite graph) on graphs of maximum degree $D\ge 3$, is a well known computationally challenging problem. More concretely, let $λ_c(T_D)$ denote the critical value for the so-called uniqueness threshold of the hard-core model on the infinite D-regular tree; recent breakthrough results of Dror Weitz (2006) and Allan Sly (2010) have identified $λ_c(T_D)$ as a threshold where the hardness of estimating the above partition function undergoes a computational transition. We focus on the well-studied particular case of the square lattice $\integers^2$, and provide a new lower bound for the uniqueness threshold, in particular taking it well above $λ_c(T_4)$. Our technique refines and builds on the tree of self-avoiding walks approach of Weitz, resulting in a new technical sufficient criterion (of wider applicability) for establishing strong spatial mixing (and hence uniqueness) for the hard-core model. Our new criterion achieves better bounds on strong spatial mixing when the graph has extra structure, improving upon what can be achieved by just using the maximum degree. Applying our technique to $\integers^2$ we prove that strong spatial mixing holds for all $λ&lt;2.3882$, improving upon the work of Weitz that held for $λ&lt;27/16=1.6875$. Our results imply a fully-polynomial deterministic approximation algorithm for estimating the partition function, as well as rapid mixing of the associated Glauber dynamics to sample from the hard-core distribution.

研究动机与目标

• 提高二维整数格点上硬核模型唯一性阈值$λ_c(\mathbb{Z}^2)$的已知下界。
• 提出一种新的强空间混合性充分条件，该条件利用了超出最大度数的图结构特征。
• 将Weitz的自避行走树方法拓展，以获得硬核模型计算相变更紧的边界。
• 为划分函数提供一个全多项式确定性近似方案（FPAS），并证明$\mathbb{Z}^2$上Glauber动力学的快速混合性。

提出的方法

• 通过引入一种新的强空间混合性技术准则，改进了Weitz的自避行走树方法。
• 使用分支矩阵表示法来建模二维格点上硬核模型中的影响传播。
• 应用统计量$\varphi$将影响传播转化为矩阵不等式条件。
• 通过不等式$\tanh(\beta^*)\mathbf{M}\mathbf{c} < \mathbf{c}$推导出强空间混合性的充分条件，该不等式源自伊辛模型框架。
• 利用并行GPU计算以高精度评估二维格点上的新准则。
• 通过验证所有$\lambda < 2.3882$时强空间混合性成立，确认了改进后的边界。

实验结果

研究问题

• RQ1 硬核模型中唯一性阈值$\lambda_c(\mathbb{Z}^2)$的最佳已知下界是什么？
• RQ2 自避行走树方法能否被改进，以利用二维网格中超越最大度数的结构特性？
• RQ3 新的强空间混合性准则是否能为$\lambda_c(\mathbb{Z}^2)$提供优于以往方法的边界？
• RQ4 在哪些$\lambda$值下，$\mathbb{Z}^2$上的Glauber动力学表现出快速混合？
• RQ5 改进后的混合条件是否能导致划分函数的全多项式确定性近似方案？

主要发现

• 在所有$\lambda < 2.3882$时，硬核模型在$\mathbb{Z}^2$上建立了强空间混合性，显著优于Weitz的边界$\lambda < 27/16 = 1.6875$。
• 新的强空间混合性准则适用于具有额外结构的图，其边界紧致性优于基于度数的方法。
• 改进的混合阈值意味着$\mathbb{Z}^2$上划分函数存在全多项式确定性近似方案（FPAS）。
• 在所有$\lambda < 2.3882$时，硬核模型在$\mathbb{Z}^2$上的Glauber动力学表现出快速混合。
• 该方法具有通用性，可推广至$\mathbb{Z}^d$上的伊辛模型，其中$d=2$时$\beta^* \approx 0.39219$，超过Weitz的边界$\beta < 0.34657$。
• 这些结果为缩小猜想的临界值$\lambda_c(\mathbb{Z}^2) \approx 3.796$与严格下界之间的差距迈出了重要一步。