[论文解读] Convergence to equilibrium for finite Markov processes, with application to the Random Energy Model

Pierre Mathieu, Pierre Picco|arXiv (Cornell University)|Jul 10, 2003

Stochastic processes and statistical mechanics参考文献 11被引用 7

一句话总结

本文通过引入初始分布依赖性，结合谱间隙与Poincaré不等式技术，对有限、可逆马尔可夫过程的收敛到平衡的速率给出了更精细的界。将该方法应用于Derrida的随机能量模型（REM）的Metropolis动力学，建立了对数混合时间缩放的更紧上界 $\beta^2$，相较于先前结果在 $\beta \leq \beta_c$ 时改进了两倍，并给出了不依赖于随机环境实现的收敛时间的精确估计。

ABSTRACT

We estimate the distance in total variation between the law of a finite state Markov process at time t, starting from a given initial measure, and its unique invariant measure. We derive upper bounds for the time to reach the equilibrium. As an example of application we consider a special case of finite state Markov process in random environment: the Metropolis dynamics of the Random Energy Model. We also study the process of the environment as seen from the process.

研究动机与目标

• 推导出对初始分布显式依赖的有限马尔可夫过程收敛时间估计，而非对所有初始分布律保持一致。
• 改进随机能量模型（REM）的Metropolis动力学的混合时间现有上界，特别是在低温区域（$\beta \leq \beta_c$）。
• 建立一个不依赖于随机环境实现 $\omega$ 的收敛时间估计 $T_N(\epsilon, c, \eta)$，从而实现几乎必然的渐近界。
• 证明当谱间隙方法与状态空间上的精心路径优化相结合时，可得到比基于配分函数的估计更优的界。

提出的方法

• 使用广义Poincaré不等式与谱间隙估计，控制过程在时间 $t$ 的分布与不变测度之间的总变差距离。
• 引入一个更精细的收敛时间 $T_N(\epsilon, c, \eta)$，其为确定性量且在环境实现上以高概率成立，从而确保几乎必然的渐近界。
• 对由Metropolis转移矩阵诱导的加权图实施基于路径的分析，构造特定路径以优化混合时间估计。
• 利用指数马尔可夫不等式与大偏差估计，控制REM中能量区间的占据数，从而实现对受限配分函数的控制。
• 将能量空间划分为区间 $\Delta_k$，并使用集中不等式控制每区间配置数的极大偏差概率。
• 将受限配分函数 $Z_\alpha(\beta, \geq -d)$ 的估计与谱间隙结合，推导出最终的混合时间界。

实验结果

研究问题

• RQ1 能否通过引入对初始分布的依赖性，改进有限马尔可夫链的收敛时间界？
• RQ2 随机能量模型的Metropolis动力学的混合时间的精确渐近缩放为何？
• RQ3 基于路径的方法与基于配分函数的方法在估算自旋玻璃模型混合时间时有何比较优势？
• RQ4 对于 $\beta \leq \beta_c$，不等式 $\limsup_{N\to\infty} \frac{1}{N}\log T_N(\epsilon, c, \eta) \leq \beta^2$ 是否为最优？

主要发现

• 本文建立了REM中Metropolis动力学收敛时间的新上界 $\limsup_{N\to\infty} \frac{1}{N}\log T_N(\epsilon, c, \eta) \leq \beta^2$，该界对所有 $\beta \leq \beta_c$ 成立。
• 该界在 $\beta \leq \beta_c$ 时相较于先前结果在指数部分改进了两倍，优于此前给出的 $2\beta^2$ 或 $2\beta\beta_c$ 的估计。
• 该界 $\beta^2$ 被认为是紧的，且推测 $\lim_{N\to\infty} \frac{1}{N}\log T_N(\epsilon, c, \eta) = \beta^2$ 对 $\beta \leq \beta_c$ 成立。
• 通过在状态空间中构造特定路径的方法，所得估计优于基于配分函数估计的技术，体现在指数部分的改进。
• 对于 $\beta > \beta_c$，$\beta\beta_c$ 的界仍然有效，但新的 $\beta^2$ 界在 $\beta \leq \beta_c$ 时更紧。
• 收敛时间估计 $T_N(\epsilon, c, \eta)$ 为确定性量，且在环境实现上以高概率成立，从而可实现与 $T^\omega(\epsilon)$ 的几乎必然渐近比较。