[论文解读] Counting Vacua in Random Landscapes

Richard Easther, Alan H. Guth+1 more|arXiv (Cornell University)|Dec 15, 2016

Cosmology and Gravitation Theories被引用 14

一句话总结

本文基於隨機函數理論框架，分析高維高斯隨機景觀中的臨界點，揭示極值點處的赫essian矩陣元素存在相關性，與隨機矩陣理論中假設的獨立性相反。研究顯示，在此類景觀中，極小值極為豐富，其密度由特徵值與勢能值之間的非平凡相關性所決定，挑戰了以往認為極小值極其稀少的假設。

ABSTRACT

It is speculated that the correct theory of fundamental physics includes a large landscape of states, which can be described as a potential which is a function of N scalar fields and some number of discrete variables. The properties of such a landscape are crucial in determining key cosmological parameters including the dark energy density, the stability of the vacuum, the naturalness of inflation and the properties of the resulting perturbations, and the likelihood of bubble nucleation events. We codify an approach to landscape cosmology based on specifications of the overall form of the landscape potential and illustrate this approach with a detailed analysis of the properties of N-dimensional Gaussian random landscapes. We clarify the correlations between the different matrix elements of the Hessian at the stationary points of the potential. We show that these potentials generically contain a large number of minima. More generally, these results elucidate how random function theory is of central importance to this approach to landscape cosmology, yielding results that differ substantially from those obtained by treating the matrix elements of the Hessian as independent random variables.

研究动机与目标

• 基於隨機函數理論，發展一個嚴謹的框架，用於研究高維標量勢場中的臨界點。
• 澄清隨機景觀中駐點處赫essian矩陣元素之間的相關性，這些相關性在標準隨機矩陣方法中常被忽略。
• 量化N維高斯隨機勢場中極小值、鞍點及其他極值的豐富度與分佈。
• 證明在現實的隨機景觀中，極小值並非如無相關赫essian元素模型所預測的那樣具有超指數級稀少性。
• 為利用隨機函數統計力學方法，建立宇宙學中景觀多元宇宙場景的預測基礎。

提出的方法

• 使用Kac-Rice公式計算N維高斯隨機場中臨界點的密度，並考慮赫essian矩陣元素之間的相關性。
• 應用歐拉特徵技術與莫爾斯理論，根據赫essian矩陣的負特徵值個數對駐點進行分類。
• 推導赫essian特徵值與旋轉角（通過歐拉角表示）的聯合機率分佈，以捕捉矩陣結構中的相關性。
• 在3D中執行精確計算，透過從直角坐標到特徵值-旋轉坐標的雅可比變換，包含強制駐點條件的狄拉克δ函數。
• 透過蒙特卡洛積分將結果推廣至大N，計算50場景觀中負特徵值個數的分佈。
• 利用赫essian特徵值分佈計算極小值、鞍點及其他極值的密度，並納入勢能值的依賴關係。

实验结果

研究问题

• RQ1 赫essian矩陣元素之間的相關性如何影響高維隨機景觀中臨界點的分佈？
• RQ2 在N維高斯隨機勢場中，極小值的真實豐富度為何？與假設赫essian元素無相關性的預測有何差異？
• RQ3 在隨機景觀中，負赫essian特徵值個數n的分佈如何隨維度N變化？
• RQ4 拓撲約束與對稱性在多大程度上降低了極值點處赫essian矩陣的有效自由度？
• RQ5 隨機函數理論能否提供比單獨使用隨機矩陣理論更準確的景觀宇宙學統計描述？

主要发现

• 在3D高斯隨機景觀中，指數為1的臨界點（鞍點）與指數為0的臨界點（極小值）的數量之比約為3.05，與二項分佈預期值3存在偏差。
• 3D中極小值的密度由公式 $ n_0 = \frac{29\sqrt{15} - 18\sqrt{10}}{450\pi^2} \frac{\sigma_2^3}{\sigma_1^3} $ 給出，表明極小值並非超指數級稀少。
• 對於 $ N = 50 $，具有 $ n $ 個負特徵值的駐點機率在 $ n = 25 $ 時達到峰值，$ P(25) \approx 0.122 $，顯示分佈對稱且廣泛。
• 負特徵值個數 $ n $ 的分佈在 $ n \to 50 - n $ 下對稱，與赫essian的 $ U \to -U $ 對稱性一致。
• 對於 $ N = 50 $ 的蒙特卡洛結果顯示，極小值（$ n = 0 $）的分數極其微小（$ \sim 10^{-19} $），但非零，且隨N減小而增加。
• 分析表明，將赫essian元素視為獨立會導致錯誤預測，因為拓撲約束引發強烈相關性，必須予以考慮。