Recursive Packing Bounds for Supercritical Disconnection in Bernoulli Site Percolation

Cet article établit des bornes supérieures quantitatives sur la probabilité de déconnexion dans la percolation de Bernoulli sur site pour $p > p_c$, en introduisant un nombre de conditionnement récursif qui compte des témoins locaux essentiellement indépendants et en fournissant une estimation explicite valable sur tout graphe infini, connexe et localement fini.

L'essentiel

Imaginez que vous êtes dans une immense forêt infinie, où chaque arbre peut être soit vivant (ouvert) soit mort (fermé). La probabilité qu'un arbre soit vivant est notée $p$.

Si $p$ est très faible, la forêt est morcelée : les arbres vivants forment de petits groupes isolés qui ne mènent nulle part. Mais si $p$ dépasse un certain seuil critique (appelé $p_c$), une chose magique se produit : un géant apparaît. C'est une immense chaîne d'arbres vivants qui s'étend à l'infini. C'est ce qu'on appelle la "période supercritique".

Le problème que résout ce papier est le suivant : Si je choisis un groupe d'arbres (un ensemble $S$), quelle est la chance que aucun d'eux ne soit connecté à ce géant infini ? Autrement dit, quelle est la probabilité que tout ce groupe soit coupé du monde extérieur ?

Voici l'explication simple de la méthode utilisée par l'auteur, Zhongyang Li, avec des analogies du quotidien.

1. Le problème : Estimer le risque de "déconnexion"

Dans la vie, si vous voulez savoir si un groupe de personnes est isolé, vous ne pouvez pas regarder chaque personne individuellement et espérer que ça suffise. La forêt est trop complexe.
L'auteur veut une formule mathématique précise pour dire : "Voici la probabilité maximale que votre groupe soit coupé du géant infini."

2. La solution : La méthode du "Sceau de Vérification" (Packing)

L'idée géniale de l'auteur est de ne pas essayer de tout calculer d'un coup. Au lieu de cela, il propose de choisir des "témoins" dans votre groupe, un par un, comme si vous posiez des balises sur une carte.

Voici comment fonctionne ce processus de "remplissage récursif" (Recursive Packing) :

• Étape 1 : Choisissez un premier arbre dans votre groupe.
• Étape 2 : Tracez une bulle autour de lui. Imaginez une sphère de sécurité autour de cet arbre.
• Étape 3 : Vérifiez deux choses :
  1. Cet arbre a-t-il une bonne chance (au moins $c$) de se connecter au géant infini ?
  2. Si cet arbre est coupé du géant, est-ce que c'est déjà visible à l'intérieur de sa propre bulle ? (C'est-à-dire, si on ne peut pas sortir de la bulle, est-ce qu'on est déjà coupé du monde ?)
• Étape 4 : Si les deux conditions sont remplies, cet arbre est un "Témoin Valide".
• Étape 5 : Le tour suivant. Maintenant, imaginez que vous coupez (ou "percez") la forêt à l'intérieur de cette bulle. Vous retirez cette zone de la carte. Ensuite, vous cherchez un autre arbre dans votre groupe original qui, dans cette nouvelle forêt "percée", remplit encore les mêmes conditions.

Le nombre de remplissage (Packing Number) est simplement le nombre maximal de témoins que vous pouvez trouver en suivant cette règle.

3. L'analogie du "Filet de Pêche"

Imaginez que vous essayez de pêcher des poissons (les arbres connectés au géant) dans un lac infini.

• Si vous lancez un seul filet, vous avez une certaine chance de rater le poisson.
• Mais si vous lancez plusieurs filets à des endroits stratégiques et bien espacés (pour qu'ils ne se gênent pas), la probabilité que tous les filets ratent le poisson diminue drastiquement.
• Plus vous pouvez placer de filets indépendants (témoins), plus la probabilité que votre groupe entier soit "à sec" (déconnecté) devient petite.

La formule mathématique du papier dit essentiellement :

"La probabilité que votre groupe soit coupé est égale à une petite erreur de calcul, PLUS une probabilité de base élevée, élevée à la puissance du nombre de témoins que vous avez trouvés."

En clair : Plus vous trouvez de témoins indépendants, plus la probabilité de déconnexion s'effondre (comme une chute en cascade).

4. Pourquoi c'est révolutionnaire ?

Avant ce papier, on ne pouvait faire ces calculs précis que sur des forêts très régulières (comme des grilles parfaites ou des arbres symétriques).
L'auteur montre que cette méthode fonctionne sur n'importe quelle forêt, même très bizarre, tant qu'elle est infinie et connectée.

Il utilise même des exemples concrets :

• Les arbres réguliers : Comme un arbre de Noël parfait où chaque branche se divise de la même façon.
• Les "épine dorsales" décorées : Imaginez une route principale (l'épine) avec des maisons (des arbres) accrochées de chaque côté. Même si la route est irrégulière, la méthode fonctionne.

En résumé

Ce papier donne une boîte à outils universelle pour mesurer le risque d'isolement dans un réseau aléatoire.
Au lieu de se perdre dans la complexité de la forêt, l'auteur dit : "Trouvez juste quelques points de repère bien placés et indépendants. Comptez-les. Et vous aurez une estimation très précise de la chance que tout votre groupe soit coupé du monde."

C'est comme si, pour savoir si une ville est isolée d'une tempête, vous n'aviez pas besoin de vérifier chaque maison, mais juste de compter combien de routes principales bien protégées vous pouvez identifier. Plus il y a de routes, moins l'isolement est probable.

Résumé technique

Résumé Technique : Bornes de Recouvrement Récursives pour la Déconnexion Supercritique

1. Problématique et Contexte

L'article s'intéresse à la percolation de site de Bernoulli sur un graphe infini, connexe et localement fini $G = (V, E)$. Dans ce modèle, chaque sommet est ouvert avec une probabilité $p$ et fermé avec une probabilité $1-p$, indépendamment des autres.

Le problème central est d'obtenir des bornes supérieures quantitatives sur la probabilité de déconnexion d'un ensemble de sommets $S \subset V$ par rapport à l'infini dans le régime supercritique ($p > p_c^{\text{site}}(G)$). Plus précisément, l'auteur cherche à majorer la probabilité de l'événement :
$$\{S \not\leftrightarrow \infty\} := \bigcap_{v \in S} \{v \not\leftrightarrow \infty\}$$
où $\{v \not\leftrightarrow \infty\}$ désigne l'événement que le sommet $v$ n'appartient à aucun cluster infini ouvert.

Contrairement aux travaux antérieurs qui nécessitent souvent des hypothèses géométriques fortes (comme la transitivité ou des propriétés de mélange spécifiques), ce papier vise à établir des résultats valables pour tous les graphes infinis, connexes et localement finis, en encapsulant la géométrie du graphe dans une nouvelle quantité combinatoire.

2. Méthodologie et Outils Clés

La méthodologie repose sur deux piliers principaux combinés dans une approche récursive :

A. Caractérisation Fonctionnelle Locale de $p_c$
L'auteur utilise un fonctionnel local $\phi_v^p(S)$ introduit dans une référence précédente [4]. Ce fonctionnel caractérise le seuil critique $p_c^{\text{site}}(G)$ via des données de connectivité dans des volumes finis.

• Si $p > p_c^{\text{site}}(G)$, il existe une constante $c > 0$ et une famille de sommets tels que la probabilité de connexion à l'infini est uniformément minorée par $c$.
• Ce résultat fournit une "réserve" de sommets supercritiques locaux.

B. Le Nombre de Recouvrement Récursif ($PK_{p,\epsilon,c}(S)$)
C'est l'innovation centrale de l'article. Pour des paramètres $p, \epsilon, c \in (0,1)$, le nombre de recouvrement $PK_{p,\epsilon,c}(S)$ est défini comme le nombre maximal de sommets $\{w_1, w_2, \dots\} \subset S$ que l'on peut sélectionner récursivement selon les règles suivantes :

1. Sélection itérative : On choisit un sommet $w_i$ qui n'est pas contenu dans les "boules témoins" $B(w_j, D_j)$ des sommets précédemment choisis.
2. Condition de probabilité uniforme : Dans le graphe $G_{i-1}$ (le graphe initial privé des boules témoins des sommets $w_1, \dots, w_{i-1}$), le sommet $w_i$ doit avoir une probabilité de connexion à l'infini d'au moins $c$.
3. Condition de détection locale : L'événement de déconnexion de $w_i$ à l'infini dans $G_{i-1}$ doit être capturé, à un facteur $(1+\epsilon)$ près, par l'événement de non-atteinte de la frontière interne de sa boule témoin $B(w_i, D_i)$.

Ce nombre compte essentiellement le nombre de témoins locaux essentiellement indépendants pour l'événement global de déconnexion.

3. Résultats Principaux

Théorème Principal (Théorème 1.1) : La borne de recouvrement
Pour tout graphe $G$ infini, connexe, localement fini, et tout ensemble $S \subset V$ :
$$P_p(S \not\leftrightarrow \infty) \le \frac{\epsilon(1-c)}{c} + (1-c)^{PK_{p,\epsilon,c}(S)}$$
Cette inégalité montre que chaque centre de recouvrement supplémentaire ajoute un facteur multiplicatif $(1-c)$ à la borne de probabilité, transformant une information locale (connexion d'un point) en une estimation exponentielle pour un ensemble de points.

Estimation Supercritique Explicite (Corollaire 2.7)
En combinant le théorème ci-dessus avec la caractérisation de $p_c$ via le fonctionnel $\phi$, l'auteur obtient une borne explicite valable pour tout $p > p_c^{\text{site}}(G)$. En choisissant $c$ de manière optimale via un paramètre intermédiaire $p_1 \in (p_c, p)$, on obtient :
$$P_p(S \not\leftrightarrow \infty) \le \text{Terme de correction} + \left( \frac{1-p}{1-p_1} \right)^{(1-\epsilon) PK_{p,\delta,c}(S)}$$
Cela permet de quantifier la décroissance de la probabilité de déconnexion en fonction de la "taille" effective de l'ensemble $S$ mesurée par le nombre de recouvrement.

Études de Cas : Arbres Ray-Homogènes (Section 3)
Pour démontrer que le nombre de recouvrement n'est pas seulement formel mais calculable, l'article l'étudie sur des arbres "ray-homogènes" (arbres où la structure le long d'un rayon géodésique est périodique ou invariante).

• Résultat clé (Proposition 3.3) : Pour des sous-ensembles finis et "suffisamment espacés" d'un rayon distingué, le nombre de recouvrement est égal à la cardinalité de l'ensemble ($PK = |S|$).
• Applications :
  • Arbres réguliers : La borne est calculable explicitement.
  • Arbres non réguliers (Épine décorée) : L'article construit un exemple d'arbre non transitif (une épine avec des arbres ternaires attachés) où la méthode fonctionne parfaitement, prouvant que l'approche ne se limite pas aux graphes transitifs.

4. Contributions et Signification

1. Généralité Géométrique : Contrairement aux résultats précédents qui reposaient sur des hypothèses géométriques fortes (comme la croissance polynomiale ou la transitivité), ce cadre s'applique à tout graphe infini, connexe et localement fini. La géométrie complexe est "absorbée" dans le calcul du nombre de recouvrement $PK$.
2. Principe d'Amplification Récursive : L'article introduit un mécanisme novateur qui transforme une borne inférieure uniforme sur la probabilité de connexion d'un seul point (issue de la théorie locale) en une borne exponentielle pour la déconnexion d'un ensemble arbitraire.
3. Indépendance Locale : La définition récursive des boules témoins permet de créer une famille de variables aléatoires (événements de déconnexion locale) qui sont essentiellement indépendantes, permettant l'utilisation de l'inégalité de Markov ou de produits de probabilités de manière efficace.
4. Explicitation sur des Exemples Concrets : En montrant que pour des arbres spécifiques, le nombre de recouvrement coïncide avec la cardinalité de l'ensemble (pour des points espacés), l'auteur valide la praticité de la méthode et ouvre la voie à des applications sur des graphes non-transitifs complexes.

En résumé, ce travail fournit un outil unifié et robuste pour quantifier la probabilité de déconnexion dans le régime supercritique, reliant la géométrie du graphe, la théorie des fonctions locales et les estimations de probabilités de manière constructive.