[论文解读] Distances in critical long range percolation

Jian Ding, Allan Sly|arXiv (Cornell University)|Mar 16, 2013

Stochastic processes and statistical mechanics参考文献 19被引用 24

一句话总结

该论文通过证明在 ℤ 上连接概率为 β|i−j|⁻² 的临界长程渗滤模型中，从 0 到 n 的典型图距离以及 [0,n] 上图的直径均以 n^θ(β) 的形式缩放，其中 θ(β) ∈ (0,1)，从而解决了 Benjamini 和 Berger 长期以来的猜想。该证明基于离散与连续长程渗滤模型之间的耦合，以及次可加遍历理论的论证。

ABSTRACT

We study the long range percolation model on $\mathbb{Z}$ where sites $i$ and $j$ are connected with probability $β|i-j|^{-s}$. Graph distances are now well understood for all exponents $s$ except in the case $s=2$ where the model exhibits non-trivial self-similar scaling. Establishing a conjecture of Benjamini and Berger \cite{BenBer:01}, we prove that the typical distance from site 0 to $n$ grows as a power law $n^{θ(β)}$ up to a multiplicative constant for some exponent $0

研究动机与目标

• 解决临界长程渗滤在 s=2 时图距离缩放的开放问题，其中自相似结构使分析复杂化。
• 证明从 0 到 n 的典型距离以及 [0,n] 上图的直径均以幂律 n^θ(β) 的形式缩放，其中 θ(β) ∈ (0,1)。
• 在 ℤ 上的离散长程渗滤模型与 ℝ 上的连续类比之间建立桥梁，以推导渐近缩放结果。
• 证明受限距离 d_LRP(0,n)、完整距离 d_LRP*(0,n) 以及直径在概率意义下均渐近缩放为 n^θ(β)。
• 表明指数 θ(β) 严格介于 0 和 1 之间，且关于 β 连续依赖，但未提供显式公式。

提出的方法

• 在 ℝ 上引入一个连续长程渗滤模型，其中 x 与 y 之间的边以强度 β|x−y|⁻² 连接，截断于长度 (δ,δ′) 范围内，并将度量 d*(x,y) 定义为通过此类边的最短路径。
• 将受限距离 d(1,n)(0,n) 定义为局限于 [0,n] 内的最短路径，并利用其分析缩放行为。
• 对期望受限距离应用次可加遍历定理，证明其在常数范围内满足次乘性。
• 通过控制距离的二阶矩，利用顺序统计量的矩不等式与路径枚举，建立超乘性。
• 使用离散与连续模型之间的耦合，使得边指示器之间的总变差距离被有界于 Cβ²/(k−ℓ)⁴，从而确保高概率下的一致性。
• 通过在离散模型中以连续模型有界期望路径长度，推导出距离的渐近等价性，从而得出 d_LRP(0,n) ≍_P n^θ(β) 的结论。

实验结果

研究问题

• RQ1 在 s=2 时，临界长程渗滤在 ℤ 上从 0 到 n 的图距离的渐近缩放行为是什么？
• RQ2 在长度为 n 的方块上，图的直径是否也以幂律 n^θ(β) 的形式缩放，其中 θ(β) ∈ (0,1)？
• RQ3 离散长程渗滤模型能否有效耦合到连续类比模型，以推导出缩放结果？
• RQ4 对于所有 β > 0，指数 θ(β) 是否严格介于 0 和 1 之间，且是否关于 β 连续依赖？
• RQ5 如何处理图距离缺乏集中性的问题，以在概率意义下建立幂律缩放？

主要发现

• 典型距离 d_LRP*(0,n) 在概率意义下以 n^θ(β) 的形式缩放，其中 θ(β) ∈ (0,1)，从而确认了 Benjamini 和 Berger 的猜想。
• 受限距离 d_LRP(0,n) 与直径 Diam_LRP(0,n) 均在概率意义下以 n^θ(β) 的形式缩放，且具有相同的指数 θ(β)。
• 对于所有 β > 0，指数 θ(β) 严格介于 0 和 1 之间，表明其在线性与对数缩放之间呈现中间增长。
• 该缩放在概率意义下成立，且在乘法常数范围内有紧性，即 d_LRP*(0,n) ≍_P d_LRP(0,n) ≍_P Diam_LRP(0,n) ≍_P n^θ(β)。
• 离散与连续模型之间的耦合确保了在离散模型中期望路径长度以常数倍于连续模型路径长度的形式被有界，且高概率下成立。
• 该证明通过二阶矩控制与路径上的并集界，建立了期望距离的超乘性，利用了大偏差估计与顺序统计量。