Skip to main content
QUICK REVIEW

[论文解读] Scaling limits of stochastic processes associated with resistance forms

David A. Croydon|arXiv (Cornell University)|Sep 19, 2016
Mathematical Dynamics and Fractals参考文献 32被引用 3
一句话总结

本论文在满足电阻增长条件(防止爆炸)的前提下,建立了度量测度空间在Gromov-Hausdorff-vague收敛下与电阻形式相关的随机过程的收敛性。主要贡献在于推广了先前结果,消除了对一致体积加倍(UVD)的依赖,从而使得结果在分形、随机图和临界渗透聚集等模型中具有更广泛的应用性。

ABSTRACT

We establish that if a sequence of spaces equipped with resistance metrics and measures converge with respect to the Gromov-Hausdorff-vague topology, and a certain non-explosion condition is satisfied, then the associated stochastic processes also converge. This result generalises previous work on trees, fractals, and various models of random graphs. We further conjecture that it will be applicable to the random walk on the incipient infinite cluster of critical bond percolation on the high-dimensional integer lattice.

研究动机与目标

  • 通过消除对一致体积加倍(UVD)条件的限制,推广先前关于电阻形式上随机过程收敛结果的研究。
  • 在底层空间沿Gromov-Hausdorff-vague拓扑收敛的条件下,建立电阻度量空间上随机过程收敛的充分条件。
  • 通过在无穷远处的电阻增长条件,确保极限过程不发生爆炸。
  • 将适用性扩展至高维临界渗透中“初始无限簇”等模型。
  • 为时间变型过程(如Liouville布朗运动和Bouchaud陷阱模型)的收敛性提供一个无需UVD的框架。

提出的方法

  • 利用Gromov-Hausdorff-vague拓扑定义配备电阻形式的度量测度空间的收敛性。
  • 施加电阻增长条件:lim_{r→∞} limsup_{n→∞} R_n(ρ_n, B_n(ρ_n,r)^c) = ∞,以防止过程爆炸。
  • 将序列 (F_n, R_n) 和极限 (F, R) 同时等距嵌入到一个共同的度量空间 (M, d_M) 中。
  • 在Skorokhod空间 D(ℝ₊, M) 上应用cadlag过程的测度弱收敛,以证明相关随机过程的收敛性。
  • 通过在有限子集上计算电导率和电阻,验证在嵌入下电阻度量的收敛性。
  • 利用[17]和[4]中关于电阻形式和Dirichlet形式的结果,并将其推广至弱于UVD的条件。

实验结果

研究问题

  • RQ1能否在不假设一致体积加倍的条件下,建立电阻形式上随机过程的收敛性?
  • RQ2在缺乏UVD的条件下,何种拓扑条件可确保极限过程不发生爆炸?
  • RQ3空间的Gromov-Hausdorff-vague收敛是否蕴含相关Hunt过程的收敛?
  • RQ4该框架能否扩展至时间变型过程(如Liouville布朗运动和Bouchaud陷阱模型)?
  • RQ5该结果是否适用于临界位阻渗透中“初始无限簇”的随机游走?

主要发现

  • 主要结果表明,在底层空间沿Gromov-Hausdorff-vague收敛且满足电阻增长条件的条件下,随机过程在Skorokhod空间 D(ℝ₊, M) 上的测度弱收敛。
  • 电阻增长条件(2)是防止爆炸所必需的;若无此条件,收敛将不成立,反例表明存在到无穷远的有限电阻。
  • 该结果推广了早期在树和分形上的工作,消除了对一致体积加倍的依赖,从而扩大了适用空间的类别。
  • 该方法可应用于时间变型过程(如Liouville布朗运动和Bouchaud陷阱模型),即使在无UVD时,通过将强UVD假设替换为更弱的电阻增长条件。
  • 该框架允许在临界Erdős-Rényi随机图上,对简单随机游走的缩放版本实现收敛,该结论通过融合技术及[1]中的结果得到验证。
  • 对于分形,该结果无法超越基于UVD的已有结果,尽管此类模型在非一致情况下仍可能满足新条件。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。