Macroscopic freezing of a vector Gaussian free field conditioned to avoid a ball

Resumen Técnico: Congelación Macroscópica de un Campo Gaussiano Libre Vectorial Condicionado a Evitar una Bola

Planteamiento del Problema
El artículo investiga el comportamiento macroscópico de un campo gaussiano libre (GFF, por sus siglas en inglés) discreto de valor vectorial en una caja de red de lado $n$, $\Lambda_n$, condicionado a permanecer fuera de una bola fija de radio $R$ en un dominio interior macroscópico $D_n$. Específicamente, el autor considera $m \ge 2$ coordenadas independientes de un GFF con condiciones de contorno cero $\phi_n = (\phi_n^1, \dots, \phi_n^m)$. El evento de condicionamiento $\Omega_n$ requiere que la norma euclídea del vector de campo $|\phi_n(x)| \ge R$ para todo $x \in D_n$.

La cuestión central aborda la "repulsión entrópica" en el entorno vectorial: mientras que los campos escalares son forzados a elevarse para alejarse de un obstáculo, un campo vectorial posee una dirección libre. El artículo busca determinar si diferentes partes del dominio macroscópico $D$ eligen la misma dirección (alineación) o si la dirección varía espacialmente. Esto se construye sobre el trabajo previo de Korzhenkova y Sepúlveda [1], quienes establecieron que la norma del campo es típicamente $2 \log n$ y que las direcciones se alinean en distancias sub-macroscópicas ($n^\nu$ para $\nu < 1$), pero dejaron abierta la cuestión de la "congelación macroscópica" (alineación a través de todo el dominio).

Metodología
La demostración combina tres componentes técnicos primarios:

1. Teoremas de Repulsión de la Norma: El autor utiliza resultados de Korzhenkova y Sepúlveda [1] para establecer que, bajo el condicionamiento, el campo normalizado $|\phi_n(x)|/\log n$ se concentra alrededor de 2 casi en todas partes en $D$. Esto se formaliza mediante un funcional continuo acotado $G(f)$ que mide el déficit $L^2$ de la norma objetivo 2.
2. Grandes Desviaciones Gaussianas: El artículo emplea un principio de grandes desviaciones (LDP) $L^2$ para el campo no condicionado $X_n = \phi_n / \log n$. La función de tasa se identifica como la energía de Dirichlet $I(f) = \frac{1}{4\pi} \int_\Lambda |\nabla f|^2$. El evento de condicionamiento se analiza restringiendo el LDP al conjunto donde se cumple la restricción de la norma.
3. Problema Variacional de Capacidad Vectorial: El núcleo del argumento reduce el problema vectorial a uno escalar. El autor analiza la minimización de la función de tasa $I(f)$ sujeta a la restricción $|f| \ge 2$ en $D$. Demuestran que los minimizadores de este problema de capacidad vectorial son únicos salvo una rotación global: el campo debe tomar la forma $f = 2 U h_D$, donde $h_D$ es el potencial de equilibrio del dominio $D$ (relativo a $\Lambda$) y $U$ es un vector unitario constante.

Un paso crucial consiste en mostrar que cualquier variación en el vector de dirección $s(u) = f(u)/|f(u)|$ incurre en un costo de "energía angular" adicional proporcional a $\int h_D^2 |\nabla s|^2$. Dado que el dominio $\Lambda$ es conexo, la minimización de la energía fuerza a $s(u)$ a ser constante casi en todas partes, estableciendo así la alineación macroscópica.

Resultados Clave
El artículo establece los siguientes resultados principales:

• Costo Asintótico del Condicionamiento (Teorema 1.1): La probabilidad del evento de condicionamiento decae como:
  $$\lim_{n \to \infty} \frac{\log P(\Omega_n)}{(\log n)^2} = -\frac{2}{\pi} \text{cap}_\Lambda(D)$$
  donde $\text{cap}_\Lambda(D)$ es la capacidad relativa de $D$ en $\Lambda$. Este costo es independiente del radio de la bola $R$ y de la dimensión vectorial $m$.

• Convergencia Macroscópica (Teorema 1.1): Bajo la medida condicional $Q_n$, el campo normalizado $X_n$ converge en distribución en $L^2(\Lambda; \mathbb{R}^m)$ a $2 U h_D$, donde $U$ es un vector unitario aleatorio distribuido uniformemente en la esfera $S^{m-1}$. Esto implica que el perfil del campo es determinista salvo por una rotación aleatoria global.

• Alineación Determinista (Corolario 1.2): Existe un subconjunto determinista de sitios $\tilde{D}_n \subset D_n$ con densidad que tiende a 1 (es decir, $|D_n \setminus \tilde{D}_n| = o(n^2)$) tal que la alineación esperada entre cualquier par de sitios en $\tilde{D}_n$ converge a 1:
  $$\inf_{x,y \in \tilde{D}_n} E[\sigma_n(x) \cdot \sigma_n(y) \mid \Omega_n] \to 1$$
  donde $\sigma_n(x)$ es la dirección del campo en $x$. Esto confirma que la "congelación" de la dirección ocurre a través de todo el dominio macroscópico, no solo localmente.

Significado y Alcance
El artículo proporciona un perfil espacial completo para la repulsión entrópica de un GFF vectorial, resolviendo la cuestión de la congelación macroscópica planteada en [1]. La importancia radica en demostrar que la restricción de evitar una bola obliga al campo vectorial a seleccionar una única dirección global para minimizar la energía de Dirichlet, acoplando efectivamente las direcciones elegidas en componentes potencialmente desconectados del dominio $D$.

El autor señala que su enfoque depende del caso de igualdad en el problema variacional de capacidad y las propiedades espectrales del GFF. Establece explícitamente que los resultados no abordan:

• Tasas cuantitativas de concentración del perfil.
• La eliminación del conjunto excepcional en el Corolario 1.2 para subdominios interiores fijos.
• Las fluctuaciones de escala más fina del campo residual $X_n - 2 U h_D$.
• Los términos asintóticos de siguiente orden que podrían depender del radio $R$ o la dimensión $m$.

El trabajo se enmarca como una extensión rigurosa de los resultados clásicos de repulsión entrópica escalar (por ejemplo, Ben Arous y Deuschel [2]) al entorno vectorial, utilizando la interacción entre las grandes desviaciones y la teoría de la capacidad.