Gurau's spectral density is not a probability measure for individual real symmetric tensors

Cet article démontre que la « densité spectrale » associée à la trace de la résolvante de Gurau, bien que définie en moyenne pour certains ensembles de tenseurs aléatoires, ne constitue pas une mesure de probabilité pour chaque tenseur déterministe individuel, car ses coefficients ne correspondent pas nécessairement à une suite de moments d'une mesure de probabilité.

L'essentiel

🎨 Le Titre : Quand la "Carte du Territoire" ne correspond plus à la "Réalité"

Imaginez que vous êtes un cartographe. Votre travail consiste à dessiner des cartes (des distributions de probabilité) basées sur des données que vous collectez.

Dans le monde des mathématiques, il existe un outil très célèbre pour les matrices (des grilles de nombres, comme un tableau Excel) appelé la "densité spectrale". C'est un peu comme une carte qui vous dit : "Si je regarde tous les nombres cachés dans cette grille, voici à quoi ressemble leur répartition." Pour les matrices, cette carte est toujours valide : elle représente toujours une distribution de probabilité réelle (comme une courbe en cloche ou une forme de demi-cercle).

Récemment, un chercheur nommé Gurau a proposé d'étendre cette idée aux tenseurs.

• La métaphore : Si une matrice est une feuille de papier 2D, un tenseur est un cube 3D, ou même un hypercube de dimensions supérieures. C'est beaucoup plus complexe.

Gurau a dit : "Hé, on peut faire la même chose avec ces cubes ! On peut définir une 'densité spectrale' pour eux aussi."

Les mathématiciens ont été ravis. Ils ont regardé des moyennes de ces cubes (quand on en prend des milliers au hasard) et ont vu que la carte fonctionnait parfaitement. C'était magnifique.

Mais voici le problème que cet article soulève :
Les auteurs (Jerdee, Kunisky et Moore) disent : "Attendez une minute. Si on prend un seul cube précis, déterminé, la carte que Gurau dessine n'a plus de sens."

🧱 L'Analogie du "Bouleau de Neige" vs "Le Cube de Glace"

Pour comprendre pourquoi, imaginons deux situations :

1. Le cas des Matrices (2D) : C'est comme regarder un bouleau de neige (une boule de neige). Peu importe comment vous la secouez, la neige à l'intérieur reste toujours une masse cohérente. Si vous essayez de mesurer la "densité" de la neige, vous obtiendrez toujours un résultat positif. C'est stable.
2. Le cas des Tenseurs (3D et plus) : C'est comme un cube de glace avec des bulles d'air bizarres à l'intérieur. Gurau a inventé une formule magique pour mesurer la densité de ce cube.
   • Quand on regarde moyennement des milliers de cubes (comme dans l'étude précédente), la formule donne un résultat positif et logique.
   • Mais les auteurs de cet article ont construit un cube de glace spécifique (un tenseur déterministe) où la formule magique donne un résultat négatif.

Pourquoi est-ce grave ?
En probabilités, une "densité" représente une chance ou une probabilité. Une probabilité ne peut jamais être négative (vous ne pouvez pas avoir -10% de chances de pleuvoir).
Si la formule de Gurau donne un nombre négatif pour un cube spécifique, cela signifie que la "carte" n'existe pas pour ce cube-là. On ne peut pas dire "voici la répartition des nombres de ce cube", car mathématiquement, c'est impossible.

🔍 Comment ont-ils trouvé ce problème ?

Les auteurs ont joué au détective mathématique :

1. Ils ont regardé une formule qui sert à calculer la "forme" de la distribution (appelée le 4ème moment, ou kurtosis en langage technique).
2. Pour les matrices, cette formule est toujours positive.
3. Ils ont cherché un tenseur (un cube de nombres) où cette formule donnerait un résultat négatif.
4. Ils ont construit un exemple précis (un cube de taille 27x27x27) avec des nombres très spécifiques.
5. Résultat : La formule a donné un nombre négatif.

C'est comme si vous aviez une balance qui, pour la plupart des objets, vous donne un poids positif. Mais pour un objet très spécifique que vous avez fabriqué, la balance vous dit "ceci pèse -5 kg". Cela prouve que la balance ne fonctionne pas pour tous les objets, même si elle fonctionne bien en moyenne.

💡 La Conclusion en une phrase

Bien que la "densité spectrale" de Gurau soit un outil magnifique pour comprendre les moyennes de grands ensembles de données aléatoires (comme le climat moyen), elle échoue à décrire la réalité de chaque individu (chaque cube de données spécifique).

Ce que cela change pour nous :
Cela nous rappelle que les mathématiques sont subtiles. Parfois, ce qui fonctionne bien en moyenne (comme la météo) ne s'applique pas à chaque situation individuelle. Les auteurs nous disent : "Ne croyez pas que cette carte existe pour chaque cube. Parfois, le cube est trop bizarre pour avoir une carte."

C'est une découverte importante car elle force les mathématiciens à réécrire les règles pour les tenseurs, peut-être en acceptant que certaines "densités" soient des nombres négatifs (ce qui est très étrange en physique classique, mais possible en mathématiques avancées).

Résumé technique

Voici un résumé technique détaillé de l'article « Gurau's spectral density is not a probability measure for individual real symmetric tensors » de Maximilian Jerdee, Dmitriy Kunisky et Cristopher Moore.

1. Problématique et Contexte

L'article s'inscrit dans le domaine de la théorie des matrices aléatoires et de la théorie des probabilités libres, étendue aux tenseurs d'ordre supérieur.

• Contexte : En 2020, R. Gurau a proposé une généralisation de la trace de la résolvante d'une matrice ($R_X(z) = \frac{1}{N}\text{Tr}(zI - X)^{-1}$) aux tenseurs réels symétriques d'ordre $p$. Pour un tenseur $T$, cette fonction $R_T(z)$ admet un développement en série de Laurent dont les coefficients, notés $\frac{1}{N}I_k(T)$, sont des polynômes homogènes des entrées de $T$.
• Hypothèse de travail : Dans le cas des matrices ($p=2$), ces coefficients correspondent aux moments de la distribution empirique des valeurs propres. Il est donc naturel de se demander si, pour un tenseur $T$ donné, il existe une mesure de probabilité $\gamma_T$ sur $\mathbb{R}$ dont les moments seraient exactement ces coefficients :
  $$\int x^k d\gamma_T(x) = \frac{1}{N} I_k(T)$$
  Si une telle mesure existe, elle est appelée « densité spectrale de Gurau ».
• Résultats antérieurs : Des travaux récents (Gurau 2020, Bonnin 2024/2026) ont montré que pour des ensembles aléatoires de tenseurs (par exemple, des tenseurs gaussiens), les moments attendus à la limite $N \to \infty$ forment bien une suite de moments d'une mesure de probabilité (généralisation de la loi semi-circulaire ou de Marchenko-Pastur).
• Question ouverte : La question centrale, laissée ouverte par la littérature précédente, est de savoir si cette densité spectrale existe point par point pour chaque réalisation déterministe d'un tenseur $T$, et non seulement en moyenne sur un ensemble aléatoire.

2. Méthodologie

Les auteurs adoptent une approche combinatoire et analytique pour démontrer que la réponse est négative.

A. Reformulation via les cumulants

Les auteurs réécrivent les coefficients de la série de la résolvante de Gurau en termes de cumulants d'une variable aléatoire spécifique.
Soit $g \sim \mathcal{N}(0, I_N)$ un vecteur gaussien standard. Ils établissent que les coefficients $I_k(T)$ sont proportionnels aux cumulants d'ordre $k$ de la variable aléatoire $Y = \langle T, g^{\otimes p} \rangle$ :
$$\frac{1}{N} I_k(T) = \frac{1}{N p^{k-1} (k-1)!} \kappa_k(\langle T, g^{\otimes p} \rangle)$$
Ainsi, l'existence d'une mesure de probabilité $\gamma_T$ est équivalente à l'existence d'une suite de moments positive pour la suite transformée des cumulants de $\langle T, g^{\otimes p} \rangle$.

B. Analyse de la contrainte de positivité

Pour qu'une suite de nombres soit la suite de moments d'une mesure de probabilité, elle doit satisfaire des contraintes de positivité (comme l'inégalité de Cauchy-Schwarz généralisée). En particulier, pour une mesure de probabilité, le moment d'ordre 4 doit satisfaire certaines bornes inférieures par rapport aux moments d'ordre 2.
Les auteurs se concentrent sur le moment d'ordre 4. Pour une variable aléatoire centrée $Y$, le cumul d'ordre 4 est $\kappa_4(Y) = E[Y^4] - 3(E[Y^2])^2$. Si $\kappa_4(Y) < 0$, alors la suite des moments ne peut pas correspondre à une mesure de probabilité (car cela impliquerait une variance négative ou une violation des inégalités de moments).

C. Construction du contre-exemple

L'objectif est de construire un tenseur déterministe $T$ tel que $\kappa_4(\langle T, g^{\otimes p} \rangle) < 0$.

1. Cas $p=2$ (Matrices) : Les auteurs notent que pour $p=2$, $\langle T, g^{\otimes 2} \rangle = g^T T g$. Par le théorème spectral, cette variable est une somme pondérée de variables $\chi^2$. Il est impossible d'obtenir un cumul d'ordre 4 négatif dans ce cas restreint, ce qui explique pourquoi la densité spectrale existe toujours pour les matrices.
2. Cas $p \ge 3$ (Tenseurs) : La structure est beaucoup plus flexible. Les auteurs cherchent un polynôme $q(g_1)$ tel que $\kappa_4(q(g_1)) < 0$. Ils trouvent que pour $q(x) = x - \frac{1}{10}x^3$, le cumul est négatif ($\kappa_4 = -87/250$).
3. Homogénéisation : Pour que ce polynôme corresponde à un tenseur symétrique d'ordre 3, il doit être homogène. Ils construisent une approximation homogène en utilisant la loi des grands nombres :
   $$Y_N = g_1 \left( \frac{1}{N} \sum_{i=2}^{N+1} g_i^2 \right) - \frac{1}{10} g_1^3$$
   Comme $\frac{1}{N} \sum g_i^2 \to 1$ presque sûrement, le cumul de $Y_N$ converge vers celui de $g_1 - \frac{1}{10}g_1^3$.
4. Calcul explicite : En calculant exactement le cumul d'ordre 4 de $Y_N$, ils montrent que pour $N \ge 26$, le cumul reste strictement négatif.

3. Résultats Principaux

Le résultat central est énoncé dans le Théorème 1.1 :

Il existe un tenseur réel symétrique déterministe $T \in \text{Sym}_3(\mathbb{R}^{27})$ tel que $I_4(T) < 0$. Par conséquent, il n'existe aucune mesure de probabilité $\gamma_T$ satisfaisant la relation de moments (4) pour ce tenseur.

Détails de la construction :
Le tenseur $T$ est défini sur $\mathbb{R}^{27}$ avec des entrées non nulles uniquement :

• $T_{1,1,1} = -1/10$
• $T_{1,i,i} = T_{i,1,i} = T_{i,i,1} = 1/78$ pour $i \in \{2, \dots, 27\}$
• Toutes les autres entrées sont nulles.

Pour ce tenseur, le coefficient de la série de la résolvante d'ordre 4 est négatif, ce qui viole la condition nécessaire pour être un moment d'une mesure de probabilité positive.

4. Signification et Implications

Ce résultat a des implications profondes pour la théorie des tenseurs aléatoires et la physique statistique :

1. Absence de densité spectrale ponctuelle : Contrairement au cas des matrices, où la distribution spectrale est bien définie pour chaque réalisation, la « densité spectrale de Gurau » n'est pas un objet bien défini pour un tenseur individuel. Elle n'existe que comme une propriété statistique moyenne (en espérance) sur des ensembles aléatoires.
2. Limites de l'analogie matrice-tenseur : L'article met en lumière une différence fondamentale entre les matrices ($p=2$) et les tenseurs d'ordre supérieur ($p \ge 3$). La rigidité du spectre des matrices (théorème spectral) garantit la positivité des moments, alors que la flexibilité des tenseurs permet de générer des variables aléatoires dont les cumulants violent les contraintes de positivité des mesures.
3. Mesures signées : Les auteurs suggèrent que pour définir une « densité » pour chaque tenseur, il faudrait peut-être accepter des mesures signées (où la masse peut être négative), comme le note la Remarque 1.2. Cela ouvrirait de nouvelles directions de recherche, notamment en lien avec les travaux récents sur les vecteurs propres de tenseurs.
4. Clarification théorique : Ce travail résout un problème ouvert mentionné dans la littérature récente (Bonnin 2026) et établit des limites claires à la généralisation de la théorie des matrices aléatoires aux tenseurs.

En résumé, l'article démontre que la notion intuitive de « spectre » pour un tenseur individuel est mathématiquement incohérente si l'on exige qu'elle corresponde à une mesure de probabilité standard, contraignant ainsi les théoriciens à reconsidérer la nature de la résolvante de Gurau au-delà du cadre des ensembles aléatoires.