[论文解读] Random knotting in very long off-lattice self-avoiding polygons

Jason Cantarella, Tetsuo Deguchi+3 more|arXiv (Cornell University)|Jan 7, 2026

Geometric and Algebraic Topology被引用 0

一句话总结

该论文通过大规模离网自避聚合物的泊松模型对 knot 求和的比例进行经验证的测试，使用大规模仿真和新颖的结简化/分类工具来估计结的出现率和特征长度。

ABSTRACT

We present experimental results on knotting in off-lattice self-avoiding polygons in the bead-chain model. Using Clisby's tree data structure and the scale-free pivot algorithm, for each $k$ between $10$ and $27$ we generated $2^{43-k}$ polygons of size $n=2^k$. Using a new knot diagram simplification and invariant-free knot classification code, we were able to determine the precise knot type of each polygon. The results show that the number of prime summands of knot type $K$ in a random $n$-gon is very well described by a Poisson distribution. We estimate the characteristic length of knotting as $656500 \pm 2500$. We use the count of summands for large $n$ to measure knotting rates and amplitude ratios of knot probabilities more accurately than previous experiments. Our calculations agree quite well with previous on-lattice computations, and support both knot localization and the knot entropy conjecture.

研究动机与目标

• 研究以珠链系统建模的长离网自避 SAP 的 knot 类型统计分布。
• 检验素数 knot 成分数是否近似服从泊松分布，以及聚合物长度是否使结率稳定。
• 估计若干素数 knot 类型的结率并评估结概率的有限尺寸修正。
• 估计结的特征长度，并将离网结果与在网格上的仿真进行对比，以探究普适性和结定位。
• 通过经验数据对结熵猜想进行评估：结概率、速率和振幅比的经验数据。

提出的方法

• 使用 Clisby 的树形数据结构和尺度无关的枢轴算法进行极长的离网 SAP 生成并进行尺度无关采样。
• 使用新的图形简化和不变量自由代码（Knoodle）对结类型进行精确分类，该代码执行通过缩减和连接-加和提取。
• 估计经验分布 m_K^n（ knot 类型 K 的素数成分数）并检验泊松拟合以获得 λ_K(n)。
• 对若干结计算结率 R_K(n)=λ_K(n)/n，并用 R_K(n) ≈ C_K(1+β_K/n^Δ+γ_K/n) 拟合有限尺寸修正。
• 通过将对 R_K(n) 的拟合与对 P_K(n) 的拟合进行比较，推断 C_K 和振幅比。
• 估计无结概率 P_{0_1}(n) 及特征长度 N_{0_1}，基于 P_{0_1}(n) 数据和指数模型 P_{0_1}(n)≈e^{-n/N_{0_1}}。

Figure 3: This figure shows the total variation distance $\operatorname{TV}(p_{1},p_{2})=\sum_{m}|p_{1}(m)-p_{2}(m)|$ between the empirical distribution for the number of prime summands of knot type $K$ in an off-lattice self-avoiding $n$ -gon $m_{K}^{n}$ and the corresponding Poisson model with mea

实验结果

研究问题

• RQ1 长离网 SAP 的素数 knot 成分是否遵从泊松分布，且均值为 λ_K(n)？
• RQ2 各种 knot 类型的结率 R_K(n) 是多少，是否随着 n 增大趋于有限渐近值 C_K？
• RQ3 有限尺寸修正模型（β_K、γ_K、Δ）对不同 knot 类型的观测数据描述有多好？
• RQ4 无结概率是否符合指数衰减 e^{ -n/N_{0_1} }，特征长度 N_{0_1} 是多少？
• RQ5 振幅比 C_K/C_K′ 在 knot 类型和模型（晶格 vs 离网）之间是否具有普适性，如 knot 熵猜想所预测？

主要发现

• 素数 knot 成分的数量在 n-gon 中按泊松分布，均值为 λ_K(n)。
• 结率 R_K(n)=λ_K(n)/n 似乎收敛到有限渐近值 C_K，有限尺寸修正很好地用 Δ≈0.5 描述。
• 结的特征长度估计为 N_{0_1} ≈ 656,500 ± 2,500，对应大 n 时的 P_{0_1}(n) ≈ e^{-n/N_{0_1}}。
• 振幅比 C_K/C_K′ 与晶格研究结果一致，支持珠链模型与晶格模型之间的普适性。
• 对 P_K(n) 和对 R_K(n) 的拟合在 trefoil 上给出一致的 C_K、β_K、γ_K 值；其他 knot 类型表现出较大的有限尺寸效应，但总体趋势相容。
• 结果支持在远大于以往实验的 n 范围内的 knot 定位和 knot 熵猜想。

Figure 6: The probability of knot type $K=3_{1}$ or $K=3_{1}^{m}$ , along with $99\%$ confidence intervals, based on observed counts in our dataset (the errors were estimated with Geyer’s IPS estimate for each Markov chain, then combined across parallel chains assuming independence). The data fits w