🔢 mathematics

$p$ -Adic Diffusion and Random Walks on $[0, 1]$

Este artículo construye procesos de Markov fuertes en el intervalo unitario real transportando operadores de difusión $p$ -ádicos a través del mapa de Monna, analiza sus propiedades espectrales y las soluciones de la ecuación de calor, y aproxima estas dinámicas utilizando caminatas aleatorias de tiempo continuo sobre particiones jerárquicas finitas para proporcionar un nuevo método de visualización de la difusión $p$ -ádica en dominios reales.

Autores originales: Patrick Erik Bradley, Paulina Halwas, Ell Ari Nitsche, Ángel Morán Ledezma

Publicado 2026-08-04

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Patrick Erik Bradley, Paulina Halwas, Ell Ari Nitsche, Ángel Morán Ledezma

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender cómo una gota de tinta se esparce en un vaso de agua. En el mundo real, este es un proceso suave y continuo; la tinta se desplaza lentamente, mezclándose en cada rincón. Pero, ¿qué pasaría si el universo no fuera un vaso de agua suave, sino un árbol gigante e infinito donde solo puedes saltar de una rama a otra? Este es el extraño y fascinante mundo de los números p-ádicos. A diferencia de los números reales que usamos para medir distancias con una regla, los números p-ádicos miden la "cercanía" basándose en cuántas veces un número puede ser dividido por un número primo específico (como el 2, 3 o 5). En este mundo, dos números están cerca si comparten una larga historia de ser divisibles por ese número primo, creando un paisaje que se parece más a un fractal de árbol que a una línea plana.

Durante mucho tiempo, los matemáticos trataron al mundo suave y real y a este mundo p-ádico, rugoso y similar a un árbol, como vecindarios completamente separados. Hablaban diferentes lenguajes y vivían bajo diferentes reglas. Sin embargo, una herramienta ingeniosa llamada el mapa de Monna actúa como un traductor universal o un puente mágico entre estos dos mundos. Toma la estructura dentada y de tipo árbol de los números p-ádicos y la extiende de forma plana sobre el intervalo familiar de 0 a 1, como si desenrollara un pergamino. Este artículo trata sobre qué sucede cuando tomamos las reglas de la "difusión" (cómo se esparcen las cosas o el camino aleatorio) del árbol p-ádico, las traduce a través de este puente y observamos cómo se comportan en nuestra línea real y plana. ¿Por qué es esto importante? Porque comprender cómo se mueven las cosas en estos extraños espacios de tipo árbol ayuda a modelar sistemas complejos en la física, la biología e incluso la forma en que fluye la información en las redes, y este artículo nos muestra cómo visualizar y calcular esos movimientos de una manera que nos resulta mucho más familiar.

La gran idea del artículo: Traduciendo lo intraducible

Este artículo, escrito por Patrick Erik Bradley y sus colegas, es esencialmente una guía para convertir un proceso matemático muy abstracto y difícil de visualizar en algo que realmente puedas ver y calcular. Los autores abordan un problema en el que quieren estudiar caminatas aleatorias (piensa en una persona ebria tropezando por ahí) y la difusión (como el calor extendiéndose) en la recta numérica real entre 0 y 1, pero quieren hacerlo utilizando las reglas de la matemática p-ádica.

Aquí está el truco central que utilizan: comienzan con un proceso que ocurre en un disco unitario p-ádico (un tipo específico de espacio p-ádico). En este mundo p-ádico, la "distancia" entre puntos se mide de forma diferente a nuestro mundo normal. Los autores utilizan el mapa de Monna para transportar este proceso completo a través del puente hacia el intervalo real $[0, 1]$ .

El resultado es un nuevo tipo de proceso aleatorio en la recta real. Si estuvieras observando a una partícula moviéndose según estas reglas, no se desplazaría suavemente como la tinta en el agua. En su lugar, se quedaría quieta por un tiempo y luego daría un salto repentino a una nueva ubicación. El artículo demuestra que estas trayectorias son "derechas continuas", lo que significa que no tienen ondulaciones infinitas extrañas; simplemente se quedan allí y luego saltan. Esto nos ofrece una forma de modelar el comportamiento de "salto" en la recta real utilizando la matemática limpia y estructurada del mundo p-ádico.

La magia del puente: Espectros y autovalores

Uno de los hallazgos más emocionantes del artículo trata sobre los espectros de estos operadores de difusión. En términos sencillos, el "espectro" es como el conjunto de frecuencias naturales o "notas" que un sistema puede tocar. Cuando los autores traducen la difusión p-ádica a la línea real, descubren que las "notas" (autovalores) del sistema pueden calcularse muy rápidamente.

Utilizan una fórmula especial descubierta por un matemático llamado Kozyrev. Debido a que la distancia p-ádica es tan estructurada (es como un árbol perfecto), las matemáticas para encontrar estas frecuencias se vuelven increíblemente eficientes. El artículo muestra que, para estos tipos específicos de operadores, se pueden calcular los autovalores con complejidad lineal. Esto significa que si duplicas el tamaño de tu problema, solo duplicas el trabajo, en lugar de hacerlo exponencialmente más difícil. Esta es una gran victoria para las computadoras que intentan simular estos procesos.

De la teoría a los píxeles: El algoritmo

Los autores no se detienen solo en la teoría; construyen un algoritmo práctico para visualizar estos procesos. Dividen el intervalo $[0, 1]$ en trozos cada vez más pequeños, creando una jerarquía que imita el árbol p-ádico. Luego, utilizan un método llamado "descomposición por anchura" para descomponer una función en capas, de forma muy similar a pelar una cebolla o mirar un árbol desde el tronco hacia las hojas.

Probaron esto con dos ejemplos específicos:

Un núcleo Gaussiano: Actúa como una campana de Gauss, donde los "saltos" son más probables hacia puntos cercanos (en el sentido p-ádico) y menos probables para puntos lejanos.
Un núcleo de Potencia: Utiliza una ley de potencia inversa, lo que cambia la forma en que la probabilidad de "salto" decae con la distancia.

En sus simulaciones, comenzaron con una "colina" suave de probabilidad (un bulto gaussiano) y observaron cómo evolucionaba con el tiempo. A medida que pasaba el tiempo, la colina suave no solo se aplanaba; se fragmentaba en formas de bloques y escalonadas. Los detalles más finos de la forma desaparecieron primero, dejando atrás una estructura de pasos gruesa, como una imagen digital de baja resolución. Esto sucede porque las reglas p-ádicas favorecen los saltos a gran escala sobre los desplazamientos diminutos y suaves.

Lo que no pretenden demostrar

Es importante señalar lo que este artículo no hace. Los autores no pretenden haber descubierto una nueva ley de la física o haber resuelto el misterio de cómo se mueve el calor en el mundo real. No están diciendo que la difusión del mundo real sea p-ádica. En cambio, están construyendo un modelo matemático específico donde un proceso p-ádico es transportado al mundo real para crear un nuevo tipo de proceso aleatorio.

Los resultados respecto a la visualización y la convergencia de las aproximaciones se demuestran a través de simulaciones y pruebas matemáticas dentro del contexto específico de sus operadores definidos. Demuestran que su método funciona para aproximar la solución al "problema de Cauchy" (una forma estándar de describir cómo cambia un sistema desde un punto de partida) para estos operadores específicos. No pretenden que este método funcione para todos los posibles procesos de difusión en la naturaleza, solo para aquellos que pueden construirse mediante esta traducción específica del mapa de Monna.

La conclusión

Al final, este artículo es una hermosa demostración de cómo dos mundos matemáticos aparentemente desconectados pueden hablar entre sí. Al usar el mapa de Monna como traductor, los autores han tomado la estructura rígida y de tipo árbol de la difusión p-ádica y la han convertido en un conjunto de trayectorias de salto en la recta numérica real. Han proporcionado una forma rápida y eficiente de calcular cómo se comportan estas trayectorias y una forma clara de visualizarlas. El resultado es una nueva herramienta para que matemáticos y científicos modelen sistemas complejos con muchos saltos, demostrando que, a veces, para entender el flujo suave del mundo real, hay que mirarlo a través de la lente de un árbol fractal.

Resumen Técnico: Difusión $p$ -ádica y Caminatas Aleatorias en $[0, 1]$

Planteamiento del Problema
El artículo aborda el desafío de cerrar la brecha entre el análisis $p$ -ádico y el análisis real en el contexto de los procesos estocásticos. Si bien la difusión $p$ -ádica en el disco unitario $\mathbb{Z}_p$ está bien estudiada, su aplicación directa y visualización en el intervalo real unitario $[0, 1]$ ha sido limitada. Los autores buscan construir procesos de Markov fuertes en $[0, 1]$ que sean "transportados" desde sus contrapartes $p$ -ádicas, resuelvan los problemas de Cauchy asociados para ecuaciones de calor y proporcionen un método para visualizar estos procesos. Se pone un enfoque específico en superar la ineficiencia computacional de resolver ecuaciones maestras para procesos de salto cuando las tasas de salto dependen de las distancias $p$ -ádicas, aprovechando la estructura jerárquica de los espacios ultramétricos.

Metodología
La metodología central se basa en el mapa de Monna ( $\rho$ ), una función que mapea los números $p$ -ádicos a números reales no negativos interpretando las expansiones $p$ -ádicas como expansiones decimales reales. Los autores utilizan este mapa para establecer un isomorfismo isométrico entre los espacios de Hilbert $L^2(\mathbb{Z}_p, \mu)$ y $L^2([0, 1], \lambda)$ , donde $\mu$ es la medida de Haar y $\lambda$ es la medida de Lebesgue.

Transporte de Operadores: Los operadores integrales en $\mathbb{Z}_p$ con núcleos radiales (dependientes de la norma $p$ -ádica $|\cdot|_p$ ) se transportan al intervalo real mediante el mapa de Monna. El operador resultante $D_f$ en $[0, 1]$ se define mediante un núcleo $k(x, y) = f(|\rho^{-1}(x) - \rho^{-1}(y)|_p)$ .
Análisis Espectral: Los autores emplean wavelets de Kozyrev (generalizadas para $p > 2$ ) como una base ortonormal. Debido a que el núcleo es radial con respecto a la distancia $p$ -ádica, estas wavelets actúan como funciones propias de los operadores integrales. Esto permite el cálculo explícito de los autovalores utilizando una fórmula derivada de la teoría $p$ -ádica, evitando la necesidad de una diagonalización numérica compleja.
Aproximación Finita: Para resolver el problema de Cauchy para la ecuación de calor $\partial_t u = D_f u$ , los autores discretizan el intervalo unitario utilizando particiones regulares. Definen matrices de tasas de transición basadas en el promedio del núcleo sobre los elementos de la partición. El Teorema 3.3 establece que las soluciones a estos problemas de Cauchy discretos convergen uniformemente a la solución del problema continuo a medida que el tamaño de la partición aumenta.
Visualización Algorítmica: Se propone un algoritmo para visualizar el proceso de difusión. En lugar de una descomposición de wavelet completa, el método utiliza una descomposición por anchura (breadthwise decomposition). Esto aprovecha el hecho de que, para núcleos radialmente simétricos, todas las wavelets con soportes del mismo tamaño comparten el mismo autovalor. El algoritmo calcula promedios locales en una estructura de árbol jerárquica (que representa $\mathbb{Z}_p/p^d\mathbb{Z}_p$ ) para descomponer la función inicial, aplica la evolución temporal mediante el núcleo de calor (exponencial de los autovalores) y recombina los componentes.

Contribuciones Clave y Resultados

Equivalencia Teórica: El artículo demuestra que el semigrupo generado por el operador transportado $D_f$ en $[0, 1]$ es unitariamente equivalente al semigrupo generado por el operador $p$ -ádico $P_f$ en $\mathbb{Z}_p$ . En consecuencia, la preimagen del proceso de Markov real $X_t$ vía el mapa de Monna produce un proceso de Markov fuerte en $\mathbb{Z}_p$ .
Fórmula de Autovalores: Se proporciona una fórmula explícita para los autovalores $\lambda_r$ del operador de difusión, derivada de la teoría de wavelets $p$ -ádicas. Esta fórmula depende de la función núcleo $f$ y la escala $p$ -ádica $p^{-r}$ .
Convergencia de la Discretización: Los autores demuestran que las soluciones de la ecuación maestra en conjuntos finitos (derivadas de la partición jerárquica de $[0, 1]$ ) convergen uniformemente a la solución de la ecuación de calor continua. Esto valida el uso de caminatas aleatorias discretas para aproximar la difusión $p$ -ádica en la recta real.
Eficiencia Computacional: Al utilizar la descomposición por anchura y la estructura de autovalores específica de los núcleos ultramétricos, el algoritmo propuesto logra una complejidad lineal $O(N)$ tanto en espacio como en tiempo para computar la evolución del proceso, donde $N$ es el número de puntos de discretización.
Ejemplos de Visualización: El artículo proporciona visualizaciones de procesos de difusión en $[0, 1]$ para dos núcleos específicos: un núcleo de tipo Gaussiano y un núcleo de ley de potencia inversa. Estos ejemplos ilustran cómo las perturbaciones en escalas pequeñas desaparecen más rápido que las de escalas mayores, lo que conduce a un suavizado paso a paso de la función inicial.

Significancia y Reivindicaciones
El artículo sostiene que el mapa de Monna sirve como un "traductor" entre las teorías estocásticas de dominios $p$ -ádicos y reales, permitiendo la transferencia de potentes herramientas analíticas (como la descomposición espectral basada en wavelets) del dominio $p$ -ádico al dominio real.

Los autores enfatizan que este enfoque proporciona un método de visualización simple para los procesos de difusión $p$ -ádica, que de otro modo serían abstractos. Al transportar el proceso a $[0, 1]$ , uno puede observar la dinámica de la difusión ultramétrica utilizando la intuición estándar de variables reales. Además, el trabajo destaca la utilidad del mapa de Monna para establecer un isomorfismo isométrico entre espacios $L^2$ , una conexión que facilita la aplicación de métodos espectrales $p$ -ádicos a problemas de variables reales, como la aproximación de la difusión en grafos y el análisis de Redes Neuronales Profundas (refiriéndose al trabajo reciente [28]).

El artículo enmarca modestamente su contribución como una actualización de la comprensión del papel del mapa de Monna, yendo más allá del interés esporádico hacia una aplicación sistemática en la construcción de procesos de Markov y la resolución de problemas de Cauchy. No propone nuevas aplicaciones físicas, sino que establece la maquinaria matemática para transportar los modelos existentes de difusión $p$ -ádica al intervalo real unitario para su análisis y visualización.