🔢 mathematics

Entropy rates in the dimension theory of self-similar measures

Cet article de synthèse examine la théorie de la dimension des mesures auto-similaires sur la droite réelle en mettant l'accent sur le rôle des taux d'entropie.

Auteurs originaux : Péter P. Varjú

Publié 2026-03-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Péter P. Varjú

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌊 L'Art de mesurer le chaos : Comment les mathématiciens comptent les dimensions

Imaginez que vous avez un miroir magique qui, au lieu de refléter votre image, la divise en plusieurs copies plus petites, chacune déplacée légèrement. Si vous répétez ce processus à l'infini, vous créez une forme géométrique complexe, souvent appelée "fractale".

Cet article, écrit par le mathématicien Péter P. Varjú, s'intéresse à une question fondamentale : Quelle est la "dimension" de cette forme ?

Dans notre monde quotidien, une ligne a une dimension de 1, une surface de 2, et un volume de 3. Mais ces formes fractales sont étranges : elles sont souvent plus "épaisses" qu'une ligne mais moins "pleines" qu'une surface. Leur dimension est un nombre décimal (par exemple 1,5). Le but de l'article est de comprendre comment calculer ce nombre précis.

1. Le jeu des poupées russes (Les systèmes itérés)

Pour créer ces formes, les mathématiciens utilisent ce qu'on appelle un Système de Fonctions Itérées (IFS).

L'analogie : Imaginez un jeu où vous avez un ensemble de règles (des "poupées russes"). Chaque règle dit : "Prends ton objet, réduis-le de moitié, et déplace-le à gauche ou à droite".
Si vous appliquez ces règles au hasard, encore et encore, vous finissez par dessiner une forme précise.
La question est : Quelle est la "finesse" de cette forme ?

Il existe une formule théorique pour prédire cette dimension, basée sur deux choses :

La vitesse de réduction : À quelle vitesse les copies deviennent-elles petites ?
La probabilité : Quelle est la chance d'utiliser telle ou telle règle ?

Si les règles sont bien séparées (elles ne se touchent pas), la formule fonctionne parfaitement. C'est comme si chaque poupée russe avait sa propre boîte, sans jamais se chevaucher.

2. Le problème du "Chevauchement" (Les recouvrements exacts)

Le problème survient quand les règles se chevauchent.

L'analogie : Imaginez que deux de vos règles disent exactement la même chose : "Réduis de moitié et mets à gauche". Ou pire, que deux séquences de règles différentes aboutissent au même endroit exact.
C'est ce qu'on appelle un chevauchement exact.
Quand cela arrive, la formule classique échoue. La forme devient "moins complexe" qu'elle ne devrait l'être, car des parties se superposent et se perdent. C'est comme si vous peigniez deux fois le même endroit : vous ne gagnez pas de nouvelle surface, vous gaspillez juste de la peinture.

L'article se demande : Comment calculer la dimension quand il y a ces chevauchements ?

3. La clé : Le "Taux d'Entropie" (Le désordre mesuré)

Pour résoudre ce casse-tête, l'auteur utilise un concept appelé l'entropie.

L'analogie : Imaginez que vous lancez une pièce de monnaie pour décider quelle règle appliquer.
- Si vous avez 2 règles différentes et que vous les choisissez au hasard, vous avez beaucoup de "désordre" (d'entropie). Chaque étape crée de nouvelles possibilités.
- Mais si certaines règles sont identiques (chevauchement), le désordre diminue. Vous avez l'impression de faire plus de pas, mais vous arrivez au même endroit plus souvent.
Le taux d'entropie mesure combien d'information "utile" reste réellement après avoir pris en compte tous ces chevauchements. C'est une façon de dire : "Combien de chemin unique reste-t-il vraiment ?"

La grande conjecture de l'article (Conjecture 3) dit simplement :

La dimension de la forme = Le minimum entre 1 (la taille du monde) et (Le Taux d'Entropie divisé par la vitesse de réduction).

En gros : plus il y a de chevauchements (moins d'entropie), plus la forme est "fine" (dimension plus petite).

4. Les nombres magiques (Algébriques vs Transcendants)

L'article explore ensuite des cas spécifiques basés sur les nombres utilisés pour définir les règles :

Les nombres "algébriques" (Les nombres bien élevés) : Ce sont des nombres qui sont solutions d'équations simples (comme $\sqrt{2}$ ou le nombre d'or).
- Résultat : Pour ces nombres, on a prouvé que la formule fonctionne presque toujours, même avec des chevauchements, sauf dans des cas très rares et très spécifiques. C'est comme si ces nombres avaient une structure rigide qui empêche les chevauchements de devenir trop chaotiques.
Les nombres "transcendants" (Les nombres rebelles) : Ce sont des nombres comme $\pi$ ou $e$ , qui ne suivent aucune équation simple.
- Le défi : Ici, les chevauchements peuvent se produire de manière très imprévisible.
- La découverte : L'article montre que même pour ces nombres rebelles, si la dimension est inférieure à 1, cela signifie qu'il y a une structure cachée (liée à des nombres spéciaux appelés "nombres de Pisot"). C'est comme si le chaos ne pouvait se produire que selon des règles très strictes.

5. Le cas à deux paramètres (Le labyrinthe)

Enfin, l'article regarde des systèmes encore plus complexes où l'on change deux paramètres à la fois (par exemple, la vitesse de réduction ET la position de départ).

L'analogie : Au lieu d'un simple chemin, vous êtes dans un labyrinthe à deux dimensions. Les points où les règles se chevauchent ne forment plus des points isolés, mais des lignes entières (des courbes).
C'est beaucoup plus difficile à analyser car ces lignes peuvent se croiser.
Cependant, les auteurs ont fait des progrès importants : ils ont prouvé que dans certaines zones de ce labyrinthe, la dimension est toujours maximale (égale à 1), ce qui signifie que la forme remplit tout l'espace disponible.

En résumé

Cet article est une carte au trésor pour comprendre la géométrie du chaos. Il nous dit que même si des formes semblent se superposer et se mélanger de manière désordonnée, il existe une mesure précise (l'entropie) qui nous dit exactement à quel point elles sont "remplies".

Pas de chevauchement ? La dimension est facile à calculer.
Chevauchement ? Il faut compter le "désordre réel" (l'entropie).
Nombres spéciaux ? La géométrie obéit à des lois cachées très précises.

C'est une démonstration magnifique de la façon dont les mathématiques peuvent trouver de l'ordre au cœur du chaos.

1. Problématique et Contexte

Le papier traite de la théorie de la dimension des mesures auto-similaires sur la droite réelle ( $\mathbb{R}$ ). Soit un système de fonctions itérées (IFS) $\Phi = \{\phi_i\}_{i \in \Lambda}$ composé de similitudes contractantes $x \mapsto \lambda_i x + \tau_i$ , et un vecteur de probabilités $p = \{p_i\}$ . Il existe une unique mesure auto-similaire $\mu$ satisfaisant l'équation d'invariance $\mu = \sum p_i \phi_i(\mu)$ .

Le problème central est de déterminer la dimension de Hausdorff de cette mesure, notée $\dim \mu$ .

Bornes naturelles : La dimension est bornée par 1 (dimension de l'espace ambiant) et par la dimension de similitude (ou dimension de Shannon), définie par le rapport entre l'entropie de Shannon du vecteur $p$ et le taux de contraction logarithmique moyen :
$s = \frac{-\sum p_i \log p_i}{\sum p_i \log |\lambda_i|}$
Cas classique : Si l'IFS satisfait une condition de séparation forte (comme la condition de séparation ouverte ou la condition de séparation forte), alors $\dim \mu = \min(1, s)$ .
Cas difficile (Chevauchements) : Lorsque les images des applications se chevauchent, la dimension peut être strictement inférieure à la dimension de similitude. Le défi majeur est de comprendre dans quelle mesure les conditions de séparation peuvent être relâchées.

L'auteur se concentre sur le rôle des taux d'entropie (ou entropie aléatoire) pour caractériser la dimension en présence de chevauchements exacts ou quasi-exacts.

2. Concepts Fondamentaux et Définitions

Le papier introduit deux concepts clés pour analyser les chevauchements :

Chevauchements exacts (Exact Overlaps) : Un IFS contient des chevauchements exacts s'il existe deux séquences d'indices distinctes $(i_1, \dots, i_k)$ et $(j_1, \dots, j_k)$ telles que la composition des applications soit identique : $\phi_{i_1} \circ \dots \circ \phi_{i_k} = \phi_{j_1} \circ \dots \circ \phi_{j_k}$ .
Taux d'entropie (Entropy Rate) : Noté $h(\Phi, p)$ $h (Φ, p)$ , c'est la limite de l'entropie de Shannon normalisée des compositions de $N$ $N$ applications aléatoires choisies selon $p$ $p$ :
$h(\Phi, p) = \lim_{N \to \infty} \frac{1}{N} H(X_1 \circ \dots \circ X_N)$
- En l'absence de chevauchements exacts, $h(\Phi, p) = H(p)$ .
- La différence $H(p) - h(\Phi, p)$ mesure la « quantité » de chevauchements exacts.

Conjecture 3 (Conjecture Folklorique) :
Pour tout IFS $\Phi$ et vecteur $p$ , la dimension de la mesure est donnée par :
$\dim \mu = \min\left(1, \frac{h(\Phi, p)}{\sum p_i \log |\lambda_i|^{-1}}\right)$
Cette conjecture généralise le résultat classique en remplaçant l'entropie de Shannon par le taux d'entropie, qui prend en compte les chevauchements.

3. Méthodologie et Approche

L'approche de Varjú, s'appuyant sur des travaux antérieurs (notamment de Hochman, Rapaport, Varjú, Wu), repose sur une analyse combinatoire et arithmétique fine :

Condition de Séparation Exponentielle : Une condition faible introduite par Hochman, stipulant que la distance entre deux compositions distinctes de longueur $k$ ne tend pas vers zéro trop rapidement (plus précisément, elle reste supérieure à $e^{-ck}$ pour une infinité de $k$ ).
Réduction par Chevauchements : L'idée est que si des chevauchements existent, ils réduisent l'entropie effective. Le papier explore comment la structure arithmétique des paramètres (algébriques vs transcendants) influence la fréquence et la nature de ces chevauchements.
Mesure de Mahler : Pour les paramètres algébriques, l'auteur relie le taux d'entropie à la mesure de Mahler $M(\lambda)$ des nombres algébriques. La borne inférieure de l'entropie est liée à $\log M(\lambda)$ .
Transversalité et Géométrie des Paramètres : Dans les familles à plusieurs paramètres, l'analyse des lieux géométriques où les chevauchements exacts se produisent (courbes dans l'espace des paramètres) est cruciale.

4. Résultats Clés et Contributions

Le papier est structuré par complexité arithmétique croissante des paramètres :

A. Contractions Algébriques (Section 2)

Théorème de Hochman (Théorème 5) : La Conjecture 3 est vraie si l'IFS satisfait la condition de séparation exponentielle faible. Cela implique que pour tout IFS où les paramètres de contraction et de translation sont des nombres algébriques, la formule de la dimension est valide.
Théorème de Rapaport (Théorème 6) : Si les paramètres de contraction sont algébriques et qu'il n'y a pas de chevauchements exacts, alors $\dim \mu = \min(1, s)$ . La preuve montre que même si la séparation exponentielle échoue (distances très petites), les paires de compositions « super-exponentiellement proches » sont si rares qu'elles n'affectent pas le taux d'entropie asymptotique.

B. Convolutions de Bernoulli (Section 3)

Pour la famille $x \mapsto \lambda x \pm 1$ avec poids $1/2, 1/2$ :

Théorème 7 (Hochman, Varjú) : $\dim \nu_\lambda = \min(1, h(\lambda)/\log \lambda^{-1})$ .
Paramètres Exceptionnels : La dimension est strictement inférieure à 1 si et seulement si $h(\lambda) < \log \lambda^{-1}$ $h (λ) < lo g λ^{- 1}$ . Cela ne se produit que si $\lambda$ $λ$ est lié à des nombres algébriques spéciaux :
- Les inverses de nombres Pisot (Erdős, Garsia) : ici $h(\lambda) < \log \lambda^{-1}$ .
- Les nombres Salem : le cas est ouvert (Question 8).
Lien avec la Mesure de Mahler : Il est prouvé que $h(\lambda) \ge 0.44 \log \min(2, M(\lambda))$ . Cela suggère que les paramètres exceptionnels doivent avoir une mesure de Mahler proche de $\lambda^{-1}$ .
Continuité : La question de la semi-continuité inférieure de la fonction $\lambda \mapsto h(\lambda)$ est posée (Question 9), ce qui aurait des implications profondes sur la topologie de l'ensemble des nombres de Pisot et Salem (conjecture de Boyd).

C. Deux Paramètres Transcendants (Section 4)

L'extension aux familles à deux paramètres (ex: $\Phi_{\lambda, \tau} = \{x \mapsto \lambda x \pm 1 \pm \tau\}$ ) présente des difficultés majeures car les chevauchements exacts se produisent le long de courbes dans l'espace des paramètres, et non plus en points isolés.

Définition 10 : Introduction d'un taux d'entropie pour des sous-ensembles de l'espace des paramètres $h(A)$ .
Résultat de Streck (Théorème 12) : Si le taux d'entropie est significativement inférieur à la borne maximale, alors soit $\lambda$ a une mesure de Mahler bornée, soit le point de paramètre se trouve sur une courbe spécifique (comme $\tau=0$ ).
Théorème 13 : Pour la famille $\Phi_{\lambda, \tau}$ sans chevauchements exacts, si $\lambda > 2^{-3/2}$ , la dimension est 1. Ce résultat est nouveau pour $\lambda \in (2^{-3/2}, 1/2)$ .

5. Signification et Perspectives

Ce travail de survol synthétise les avancées récentes les plus importantes en théorie de la dimension des mesures auto-similaires.

Unification : Il établit un lien profond entre la géométrie fractale (dimension), la théorie de l'information (entropie) et la théorie des nombres (propriétés algébriques, mesure de Mahler).
Résolution partielle de la Conjecture 3 : Bien que la conjecture générale reste ouverte, elle est prouvée pour une vaste classe de systèmes (paramètres algébriques, convolutions de Bernoulli, certaines familles à deux paramètres).
Limites et Ouvertures : Le papier met en lumière les obstacles persistants, notamment le rôle des nombres de Salem et la nature exacte des ensembles de paramètres exceptionnels. La question de savoir si $h(\lambda) = \log \lambda^{-1}$ uniquement pour les nombres de Pisot et Salem reste une question centrale.
Impact : Les méthodes développées (séparation exponentielle, analyse des courbes de chevauchement, liens avec la mesure de Mahler) constituent désormais l'outil standard pour l'étude de la dimension des mesures singulières et des systèmes dynamiques auto-similaires.

En résumé, Varjú démontre que le taux d'entropie est l'invariant correct pour prédire la dimension des mesures auto-similaires, remplaçant l'entropie de Shannon classique dès que des chevauchements (exact ou quasi-exact) entrent en jeu, et reliant ainsi la complexité arithmétique des paramètres à la géométrie de la mesure.