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

Résumé Technique : Gel Macroscopique d'un Champ de GFF Vectoriel Gaussien Libre Conditionné pour Éviter une Balle

Énoncé du Problème
L'article étudie le comportement macroscopique d'un champ gaussien libre (GFF) discret à valeurs vectorielles sur une boîte de réseau bidimensionnelle $\Lambda_n$ de côté $n$, conditionné pour rester à l'extérieur d'une balle fixe de rayon $R$ sur un domaine intérieur macroscopique $D_n$. Plus précisément, l'auteur considère $m \ge 2$ coordonnées de GFF à frontière nulle indépendantes $\phi_n = (\phi_n^1, \dots, \phi_n^m)$. L'événement de conditionnement $\Omega_n$ exige que la norme euclidienne du vecteur du champ $|\phi_n(x)| \ge R$ pour tout $x \in D_n$.

La question centrale porte sur la « répulsion entropique » dans le cadre vectoriel : alors qu'un champ scalaire est contraint de s'élever pour s'éloigner d'un obstacle, un champ vectoriel possède une direction libre. L'article cherche à déterminer si différentes parties du domaine macroscopique $D$ choisissent la même direction (alignement) ou si la direction varie spatialement. Cela s'appuie sur les travaux précédents de Korzhenkova et Sepúlveda [1], qui ont établi que la norme du champ est typiquement de $2 \log n$ et que les directions s'alignent aux distances sub-macroscopiques ($n^\nu$ pour $\nu < 1$), mais ont laissé ouverte la question du « gel macroscopique » (alignement sur l'ensemble du domaine).

Méthodologie
La preuve combine trois composantes techniques primaires :

1. Théorèmes de Répulsion de la Norme : L'auteur utilise les résultats de Korzhenkova et Sepúlveda [1] pour établir que, sous le conditionnement, le champ normalisé $|\phi_n(x)|/\log n$ se concentre autour de 2 presque partout sur $D$. Ceci est formalisé via une fonctionnelle continue bornée $G(f)$ mesurant le déficit en $L^2$ par rapport à la norme cible 2.
2. Grandes Déviations Gaussiennes : L'article emploie un principe de grandes déviations (LDP) en $L^2$ pour le champ non conditionné $X_n = \phi_n / \log n$. La fonction de taux est identifiée comme l'énergie de Dirichlet $I(f) = \frac{1}{4\pi} \int_\Lambda |\nabla f|^2$. L'événement de conditionnement est analysé en restreignant le LDP à l'ensemble où la contrainte de norme est satisfaite.
3. Problème Variationnel de Capacité Vectorielle : Le cœur de l'argument réduit le problème vectoriel à un problème scalaire. L'auteur analyse la minimisation de la fonction de taux $I(f)$ sous la contrainte $|f| \ge 2$ sur $D$. Ils prouvent que les minimiseurs de ce problème de capacité vectorielle sont uniques à une rotation globale près : le champ doit prendre la forme $f = 2 U h_D$, où $h_D$ est le potentiel d'équilibre du domaine $D$ (relatif à $\Lambda$) et $U$ est un vecteur unité constant.

Une étape cruciale consiste à montrer que toute variation du vecteur de direction $s(u) = f(u)/|f(u)|$ entraîne un coût d'« énergie angulaire » supplémentaire proportionnel à $\int h_D^2 |\nabla s|^2$. Comme le domaine $\Lambda$ est connexe, la minimisation de l'énergie force $s(u)$ à être constante presque partout, établissant ainsi l'alignement macroscopique.

Résultats Clés
L'article établit les principaux résultats suivants :

• Coût Asymptotique du Conditionnement (Théorème 1.1) : La probabilité de l'événement de conditionnement décroît comme suit :
  $$\lim_{n \to \infty} \frac{\log P(\Omega_n)}{(\log n)^2} = -\frac{2}{\pi} \text{cap}_\Lambda(D)$$
  où $\text{cap}_\Lambda(D)$ est la capacité relative de $D$ dans $\Lambda$. Ce coût est indépendant du rayon de la balle $R$ et de la dimension du vecteur $m$.

• Convergence Macroscopique (Théorème 1.1) : Sous la mesure conditionnelle $Q_n$, le champ normalisé $X_n$ converge en loi dans $L^2(\Lambda; \mathbb{R}^m)$ vers $2 U h_D$, où $U$ est un vecteur unité aléatoire uniformément distribué sur la sphère $S^{m-1}$. Cela implique que le profil du champ est déterministe à une rotation aléatoire globale près.

• Alignement Déterministe (Corollaire 1.2) : Il existe un sous-ensemble déterministe de sites $\tilde{D}_n \subset D_n$ dont la densité tend vers 1 (c'est-à-dire $|D_n \setminus \tilde{D}_n| = o(n^2)$) tel que l'alignement attendu entre deux sites quelconques de $\tilde{D}_n$ converge vers 1 :
  $$\inf_{x,y \in \tilde{D}_n} E[\sigma_n(x) \cdot \sigma_n(y) \mid \Omega_n] \to 1$$
  où $\sigma_n(x)$ est la direction du champ en $x$. Cela confirme que le « gel » de la direction se produit à travers l'ensemble du domaine macroscopique, et non seulement localement.

Signification et Portée
L'article fournit un profil spatial complet pour la répulsion entropique d'un GFF vectoriel, résolvant la question du gel macroscopique posée dans [1]. La signification réside dans la démonstration que la contrainte d'éviter une balle force le champ vectoriel à sélectionner une direction unique et globale pour minimiser l'énergie de Dirichlet, couplant ainsi efficacement les directions choisies dans des composantes potentiellement déconnectées du domaine $D$.

L'auteur note que leur approche repose sur le cas d'égalité dans le problème variationnel de capacité et sur les propriétés spectrales du GFF. Ils déclarent explicitement que les résultats ne traitent pas :

• Des taux quantitatifs de concentration du profil.
• Du retrait de l'ensemble exceptionnel dans le Corollaire 1.2 pour des sous-domaines intérieurs fixes.
• Des fluctuations à plus petite échelle du champ résiduel $X_n - 2 U h_D$.
• Des termes asymptotiques d'ordre supérieur qui pourraient dépendre du rayon $R$ ou de la dimension $m$.

Le travail est présenté comme une extension rigoureuse des résultats classiques de la répulsion entropique scalaire (par exemple, Ben Arous et Deuschel [2]) au cadre vectoriel, utilisant l'interaction entre les grandes déviations et la théorie de la capacité.