[论文解读] Strong approximation of Gaussian $\beta$-ensemble characteristic polynomials: the edge regime and the stochastic Airy function

Gaultier Lambert, Elliot Paquette|arXiv (Cornell University)|Sep 10, 2020

Random Matrices and Applications参考文献 27被引用 6

一句话总结

该论文通过称为随机阿佩尔函数的随机整函数，建立了高斯β-系综在谱边缘附近的特征多项式的强逼近。利用转移矩阵递推关系和随机微分方程，作者证明了在高概率下，经缩放的特征多项式以一致方式收敛于该函数，误差界为$N^{-1/6 + \epsilon}$阶，并将随机阿佩尔函数识别为随机阿佩尔方程的唯一$L^2$解。

ABSTRACT

We investigate the characteristic polynomials of the Gaussian $\beta$-ensemble for general $\beta>0$ through its transfer matrix recurrence. We show that the rescaled characteristic polynomial converges to a random entire function in a neighborhood of the edge of the limiting spectrum. This random entire function, called the stochastic Airy function, is the unique (up to scaling) $L^2$ solution to the stochastic Airy equation, a family of second order stochastic differential equations. Moreover, we obtain a coupling between the characteristic polynomial and a solution of the stochastic Airy equation which allows us to show that for any $\epsilon>0$, these two function are uniformly close by $N^{-1/6 + \epsilon}$ with overwhelming probability. These results build on the results of the authors in which the hyperbolic portion of the transfer matrix recurrence for the characteristic polynomial is analyzed.

研究动机与目标

• 建立高斯β-系综在谱边缘处特征多项式的概率标度极限。
• 将极限对象识别为随机阿佩尔函数，即求解随机微分方程的随机整函数。
• 在高概率下提供缩放后特征多项式与随机阿佩尔函数之间的统一逼近界。
• 将先前关于转移矩阵递推关系双曲区域的结果推广至边缘区域。
• 通过耦合与渐近分析，严格建立随机阿佩尔函数与β-系综谱性质之间的联系。

提出的方法

• 分析高斯$\beta$-系综特征多项式$\phi_N(z)$的转移矩阵递推关系。
• 在谱的边缘附近（$z \approx 1$）使用$N^{-1/6}$缩放，以捕捉边缘行为。
• 通过随机阿佩尔方程建模缩放后的过程：$ d\varphi'_\lambda(t) = (t + \lambda)\varphi_\lambda(t)dt + \varphi_\lambda(t) dB(t) $，其由两向布朗运动$B(t)$驱动。
• 将随机阿佩尔函数构造为该SDE的唯一$L^2$解，以确保解的存在性与正则性。
• 采用离散特征多项式与SDE解之间的耦合技术，以控制逼近误差。
• 利用里卡蒂扩散分析、浓度不等式以及布朗运动泛函的估计，以界定耦合中的误差。

实验结果

研究问题

• RQ1 高斯$\beta$-系综在谱边缘附近的特征多项式极限行为是什么？
• RQ2 随机阿佩尔函数如何作为随机微分方程的解被严格定义？
• RQ3 缩放后特征多项式收敛于随机阿佩尔函数的速率是多少？
• RQ4 是否可以在离散多项式与连续随机解之间建立高概率耦合？
• RQ5 随机阿佩尔方程在抛物区域与扩展区域的解的渐近性质是什么？

主要发现

• 在谱边缘附近，缩放后的特征多项式$\phi_N(z)$以高概率一致收敛于随机阿佩尔函数$\psi_\lambda(t)$。
• 在高概率下，$\phi_N$与随机阿佩尔函数之间的逼近误差被控制在$O(N^{-1/6 + \epsilon})$以内，其中任意$\epsilon > 0$。
• 随机阿佩尔函数是随机阿佩尔方程$ d\varphi'_\lambda(t) = (t + \lambda)\varphi_\lambda(t)dt + \varphi_\lambda(t) dB(t) $的唯一$L^2$解，且满足$\mathbb{E}[B(t)^2] = \frac{4}{\beta}|t|$。
• 随机阿佩尔函数是整的随机函数，其对数导数几乎必然有定义，且在零点处存在跳跃。
• 作者建立了离散特征多项式与SDE解之间的耦合，使得在紧集上误差可统一控制。
• 该分析依赖于里卡蒂扩散的精确渐近性质，以及对布朗运动泛函的估计，包括次高斯与尾部界。