Green--Wasserstein Inequality on Compact Surfaces

En combinant une estimation du second moment de l'énergie verte aléatoire avec les asymptotiques d'appariement semi-discret d'Ambrosio et Glaudo, cet article démontre qu'il est impossible d'éliminer le facteur $\sqrt{\log n}$ de l'inégalité de Green–Wasserstein sur les surfaces compactes tout en conservant le terme vert non renormalisé.

L'essentiel

Imagine que vous êtes un architecte chargé de placer des milliers de petits points (comme des graines) sur une surface courbe et fermée, comme la peau d'une orange ou la surface de la Terre. Votre objectif est de les répartir aussi uniformément que possible, pour qu'ils ressemblent à une couche de peinture parfaitement lisse.

Dans le monde des mathématiques, on mesure la "qualité" de cette répartition avec une règle très précise appelée la distance de Wasserstein. Plus cette distance est petite, plus vos points sont bien répartis.

Le problème que traite ce papier, c'est de savoir si l'on peut prédire la qualité de cette répartition en regardant simplement une "énergie" calculée à partir des points eux-mêmes.

Voici l'histoire en termes simples, avec quelques analogies :

1. Le Défi : La Règle de l'Or

Un mathématicien nommé Steinerberger avait trouvé une formule magique pour dimension 3 (comme dans notre espace habituel). Il disait : "Si tu veux savoir à quel point tes points sont bien répartis, regarde la somme des interactions entre eux. Plus ils sont proches, plus l'interaction est forte, et cela te donne une bonne idée de la qualité."

Mais en dimension 2 (sur une surface comme une feuille de papier ou une sphère), il y avait un petit problème. La formule fonctionnait, mais elle laissait une petite "erreur" ou un "bruit de fond" qui grandissait avec la racine carrée du logarithme du nombre de points ($\sqrt{\log n}$).

C'est comme si vous aviez une balance très précise pour peser des pommes, mais qu'à chaque fois que vous ajoutez des pommes, la balance ajoutait un petit poids fantôme qui devenait de plus en plus visible. Steinerberger s'est demandé : "Peut-on enlever ce poids fantôme ? Peut-on avoir une formule parfaite sans cette erreur $\sqrt{\log n}$ ?"

2. L'Expérience de Pensée : Le Jeu de la Chance

L'auteur de l'article, Maja Gwóźdź, décide de tester cette idée. Elle imagine un scénario où les points ne sont pas placés par un humain intelligent, mais jetés au hasard, comme des confettis lancés dans les airs.

Elle utilise deux outils mathématiques puissants :

• La "Green Energy" (Énergie Verte) : Imaginez que chaque point est un petit aimant. Si deux points sont très proches, ils se repoussent violemment (c'est la singularité logarithmique). La somme de toutes ces répulsions donne l'énergie totale.
• La Statistique : Elle regarde ce qui se passe en moyenne quand on lance des milliers de fois ces confettis au hasard.

3. La Révélation : L'Impossibilité Mathématique

L'auteur fait un calcul très astucieux (un peu comme un détective qui reconstitue un crime) :

1. Hypothèse : Supposons que Steinerberger a raison et qu'on peut enlever le facteur $\sqrt{\log n}$. Cela signifierait que la formule serait très précise, même pour un nombre infini de points.
2. Le Piège : Si cette formule était vraie, elle imposerait une limite stricte à la façon dont les points peuvent se répartir au hasard. Elle dirait essentiellement : "Même avec le pire désordre possible, l'erreur ne peut pas dépasser telle ou telle valeur."
3. La Preuve par le Contradiction : En utilisant des résultats récents sur la façon dont les points se répartissent naturellement (trouvés par Ambrosio et Glaudo), l'auteur montre que la réalité est plus "bruyante" que la formule proposée.
   • En langage simple : La nature, lorsqu'elle répartit des points au hasard, crée inévitablement un certain niveau de "désordre" qui correspond exactement à ce facteur $\sqrt{\log n}$.
   • Si vous essayez d'enlever ce facteur de votre formule, vous essayez de dire que le désordre naturel est plus petit qu'il ne l'est réellement. C'est comme essayer de dire que le bruit d'une foule est silencieux.

4. La Conclusion : Pourquoi c'est important ?

L'article conclut par un "Non" catégorique.

Il est impossible d'avoir une formule universelle qui prédit la répartition parfaite sans ce facteur $\sqrt{\log n}$, tant qu'on utilise la méthode brute de calcul des interactions entre les points.

L'analogie finale :
Imaginez que vous essayez de peindre un mur avec un rouleau.

• La formule sans $\sqrt{\log n}$ serait comme promettre un mur parfaitement lisse, sans aucune trace de rouleau, peu importe la taille du mur.
• L'auteur prouve que, physiquement, il y aura toujours de petites traces de rouleau (le bruit $\sqrt{\log n}$) qui sont inhérentes à la méthode. Vous ne pouvez pas les faire disparaître en changeant juste la formule ; elles font partie de la nature du problème en 2D.

En résumé : Ce papier ferme la porte à une idée séduisante mais fausse. Il nous dit que dans le monde bidimensionnel, le "bruit" statistique est inévitable et doit être respecté dans nos équations. On ne peut pas simplifier la réalité au point de la rendre parfaite.

Résumé technique

Voici un résumé technique détaillé de l'article « Green–Wasserstein Inequality on Compact Surfaces » de Maja Gwóźdź, rédigé en français.

1. Contexte et Problématique

L'article s'intéresse à l'inégalité reliant la distance de Wasserstein quadratique ($W_2$) entre une mesure empirique et la mesure de volume sur une variété riemannienne compacte, et l'énergie de Green associée.

Soit $(M, g)$ une variété riemannienne compacte, connexe, de dimension 2, sans bord. On note $dx$ la mesure de volume normalisée et $G(x, y)$ la fonction de Green symétrique de moyenne nulle du Laplacien $-\Delta$. Pour un ensemble de points $x_1, \dots, x_n \in M$, on définit la mesure empirique $\mu_n = \frac{1}{n}\sum_{i=1}^n \delta_{x_i}$.

Le problème posé (Steinerberger [6, Problème 53]) :
Dans les dimensions $d \ge 3$, l'inégalité suivante est connue :
$$W_2(\mu_n, dx) \lesssim_M n^{-1/d} + \frac{1}{n} \left| \sum_{i \neq j} G(x_i, x_j) \right|^{1/2}$$
En dimension $d=2$, Steinerberger a établi une estimation similaire mais avec un terme de reste supplémentaire :
$$W_2(\mu_n, dx) \lesssim_M \frac{1}{n} \left| \sum_{i \neq j} G(x_i, x_j) \right|^{1/2} + \sqrt{\frac{\log n}{n}}$$
La question centrale est de savoir si le facteur $\sqrt{\log n}$ dans le terme de reste est indispensable. Plus précisément, existe-t-il une constante $C_M$ telle que pour tout $n$ et tout ensemble de points :
$$W_2(\mu_n, dx) \le C_M \left( \frac{1}{\sqrt{n}} + \frac{1}{n} \left| \sum_{i \neq j} G(x_i, x_j) \right|^{1/2} \right) ?$$
L'auteur cherche à déterminer si l'on peut remplacer le terme $\sqrt{\frac{\log n}{n}}$ par $\frac{1}{\sqrt{n}}$ tout en conservant le terme d'énergie de Green non renormalisé (c'est-à-dire la somme brute sur les indices distincts).

2. Méthodologie

L'auteur répond par la négative en utilisant une démonstration par l'absurde combinant deux outils probabilistes et analytiques majeurs :

1. Estimation du second moment de l'énergie de Green aléatoire :

   • L'auteur considère une configuration aléatoire où les points $X_1, \dots, X_n$ sont des variables aléatoires indépendantes et identiquement distribuées (i.i.d.) selon la loi uniforme $dx$.
   • On définit la somme aléatoire $S_n = \sum_{i \neq j} G(X_i, X_j)$.
   • En exploitant les propriétés de la fonction de Green (notamment sa singularité logarithmique et sa moyenne nulle), l'auteur démontre que $G \in L^2(M \times M)$.
   • Un calcul de variance (Lemme 3) montre que l'espérance du carré de cette somme croît comme $O(n^2)$, et donc que l'espérance de la valeur absolue croît comme $O(n)$. Plus précisément, $E[|S_n|] \le \sqrt{2}\sigma n$, où $\sigma^2 = \iint G^2 dx dy < \infty$.

2. Asymptotiques du problème d'appariement semi-discret (Ambrosio–Glaudo) :

   • L'article fait appel aux résultats récents d'Ambrosio et Glaudo [1] concernant le comportement asymptotique de la distance de Wasserstein quadratique moyenne pour des échantillons i.i.d. sur une surface compacte.
   • Il est établi que l'espérance du carré de la distance de Wasserstein suit une loi précise :
     $$E[W_2(\mu_n, dx)^2] \sim \frac{\text{vol}(M)}{4\pi} \frac{\log n}{n}$$
     avec des termes d'erreur contrôlés.

3. Preuve du Résultat Principal (Théorème 1)

La démonstration procède comme suit :

1. Hypothèse de contradiction : On suppose qu'une inégalité de la forme souhaitée (sans le $\sqrt{\log n}$) existe, c'est-à-dire :
   $$W_2(\mu_n, dx) \le C_M \left( \frac{1}{\sqrt{n}} + \frac{1}{n} |S_n|^{1/2} \right)$$
   pour toutes les configurations, et donc presque sûrement pour les configurations aléatoires.

2. Majoration par l'espérance : En élevant au carré et en prenant l'espérance, on obtient (en utilisant l'inégalité $(a+b)^2 \le 2a^2 + 2b^2$) :
   $$E[W_2(\mu_n, dx)^2] \le \frac{2C_M^2}{n} + \frac{2C_M^2}{n^2} E[|S_n|]$$
   Grâce au Lemme 3, $E[|S_n|] = O(n)$, ce qui implique que le second terme est de l'ordre de $O(1/n)$.
   Ainsi, sous l'hypothèse de l'inégalité, on aurait :
   $$E[W_2(\mu_n, dx)^2] \le \frac{C^*}{n}$$
   pour une constante $C^*$ indépendante de $n$.

3. Contre-exemple via l'asymptotique d'Ambrosio–Glaudo :
   D'un autre côté, le résultat d'Ambrosio–Glaudo (équation 9) impose une borne inférieure :
   $$E[W_2(\mu_n, dx)^2] \ge \frac{\text{vol}(M)}{8\pi} \frac{\log n}{n}$$
   pour $n$ suffisamment grand.

4. Contradiction :
   En comparant les deux bornes, on obtient :
   $$\frac{\text{vol}(M)}{8\pi} \frac{\log n}{n} \le \frac{C^*}{n} \implies \log n \le \text{constante}$$
   Cette inégalité est fausse pour $n \to \infty$. La contradiction prouve que l'inégalité supposée ne peut pas exister.

4. Résultats Clés

• Théorème 1 : Il n'existe aucune constante $C_M > 0$ telle que l'inégalité de Green–Wasserstein en dimension 2 soit valable avec un reste de l'ordre de $O(n^{-1/2})$ tout en conservant le terme d'énergie de Green non renormalisé $\sum_{i \neq j} G(x_i, x_j)$.
• Le facteur $\sqrt{\log n}$ dans le terme de reste de l'inégalité originale de Steinerberger est indispensable si l'on souhaite utiliser la somme brute de la fonction de Green.
• La preuve repose sur le fait que pour des points aléatoires, l'énergie de Green non renormalisée fluctue de manière trop importante (ordre $n$) pour compenser la convergence de la distance de Wasserstein (ordre $\sqrt{\log n / n}$) sans le terme logarithmique supplémentaire.

5. Signification et Implications

• Optimalité des bornes : Ce résultat établit l'optimalité de la forme de l'inégalité proposée par Steinerberger en dimension 2. Il montre que l'on ne peut pas simplement "nettoyer" le terme logarithmique sans modifier la structure du terme d'énergie (par exemple, en renormalisant la somme).
• Distinction Déterministe vs Probabiliste : L'auteur précise dans la Remarque 4 que ce résultat ne nie pas l'existence de taux $n^{-1/2}$ pour des ensembles de points déterministes spécifiques, ni l'existence de bornes utilisant une énergie de Green renormalisée. Le problème réside spécifiquement dans l'universalité de l'inégalité avec le terme non renormalisé.
• Méthodologie : L'article illustre la puissance de combiner des estimations de moments pour des statistiques U (énergie de Green) avec les asymptotiques fines du transport optimal (travaux d'Ambrosio–Glaudo) pour résoudre des problèmes d'analyse géométrique.

En résumé, l'article démontre rigoureusement que la singularité logarithmique de la fonction de Green en dimension 2 impose une correction logarithmique dans les inégalités de transport optimal lorsqu'on utilise l'énergie brute, rendant impossible l'élimination du facteur $\sqrt{\log n}$ dans le cadre général.