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

तकनीकी सारांश: एक वेक्टर गॉसियन फ्री फील्ड (GFF) के मैक्रोस्कोपिक फ्रीजिंग का अध्ययन, जो एक बॉल (Ball) से बचने के लिए अनुकूलित (Conditioned) है

समस्या विवरण
यह शोध पत्र एक दो-आयामी जाली बॉक्स $\Lambda_n$ (जिसकी भुजा $n$ है) पर एक वेक्टर-मान वाले डिस्क्रीट गॉसियन फ्री फील्ड (GFF) के मैक्रोस्कोपिक व्यवहार की जांच करता है, जिसे एक निश्चित त्रिज्या $R$ वाली बॉल से दूर रहने के लिए अनुकूलित किया गया है। विशेष रूप से, लेखक $m \ge 2$ स्वतंत्र शून्य-सीमा वाले GFF निर्देशांकों $\phi_n = (\phi_n^1, \dots, \phi_n^m)$ पर विचार करते हैं। अनुकूलन घटना $\Omega_n$ यह आवश्यक बनाती है कि मैक्रोस्कोपिक आंतरिक डोमेन $D_n$ पर सभी बिंदुओं $x$ के लिए, फील्ड वेक्टर का यूक्लिडियन नॉर्म (Euclidean norm) $|\phi_n(x)| \ge R$ हो।

मुख्य प्रश्न वेक्टर सेटिंग में "एंट्रोपिक रिपल्शन" (Entropic Repulsion) को संबोधित करता है: जबकि एक स्केलर फील्ड बाधा से दूर जाने के लिए मजबूर होती है, एक वेक्टर फील्ड के पास एक मुक्त दिशा (Free direction) होती है। यह शोध पत्र यह पता लगाने का प्रयास करता है कि क्या मैक्रोस्कोपिक डोमेन $D$ के विभिन्न भाग एक ही दिशा चुनते हैं (Alignment) या क्या दिशा स्थानिक रूप से बदलती है। यह कोरझेंकोवा और सेपुल्वेडा [1] के पिछले कार्य पर आधारित है, जिन्होंने स्थापित किया था कि नॉर्म आमतौर पर $2 \log n$ होता है और दिशाएँ उप-मैक्रोस्कोपिक दूरियों ($n^\nu$ जहाँ $\nu < 1$) पर संरेखित होती हैं, लेकिन "मैक्रोस्कोपिक फ्रीजिंग" (पूरे डोमेन में संरेखण) के प्रश्न को खुला छोड़ दिया था।

कार्यप्रणाली
प्रमाण तीन प्राथमिक तकनीकी घटकों को जोड़ता है:

1. नॉर्म रिपल्शन थीयोरम्स (Norm Repulsion Theorems): लेखक कोरझेंकोवा और सेपुल्वेडा [1] के परिणामों का उपयोग यह स्थापित करने के लिए करते हैं कि, अनुकूलन के तहत, सामान्यीकृत फील्ड $|\phi_n(x)|/\log n$ डोमेन $D$ पर लगभग हर जगह 2 के आसपास केंद्रित होता है। इसे लक्षित नॉर्म 2 से $L^2$ घाटे (deficit) को मापने वाले एक बाउंडेड कंटीन्यूअस फंक्शनल $G(f)$ के माध्यम से औपचारिक रूप दिया गया है।
2. गॉसियन लार्ज डेविएशन (Gaussian Large Deviations): यह शोध पत्र अनकंडीशन्ड फील्ड $X_n = \phi_n / \log n$ के लिए एक $L^2$ लार्ज डेविएशन प्रिंसिपल (LDP) का उपयोग करता है। रेट फंक्शन को डिरिचलेट एनर्जी (Dirichlet energy) $I(f) = \frac{1}{4\pi} \int_\Lambda |\nabla f|^2$ के रूप में पहचाना गया है। अनुकूलन घटना का विश्लेषण LDP को उस सेट तक सीमित करके किया जाता है जहाँ नॉर्म की बाधा संतुष्ट होती है।
3. वेक्टर कैपेसिटी वेरिएशनल प्रॉब्लम (Vector Capacity Variational Problem): तर्क का मुख्य हिस्सा वेक्टर समस्या को एक स्केलर समस्या में कम करता है। लेखक $D$ पर बाधा $|f| \ge 2$ के अधीन रेट फंक्शन $I(f)$ के न्यूनीकरण (Minimization) का विश्लेषण करते हैं। वे सिद्ध करते हैं कि इस वेक्टर कैपेसिटी समस्या के मिनिमाइज़र (Minimizers) वैश्विक रोटेशन तक अद्वितीय हैं: फील्ड को $f = 2 U h_D$ के रूप \left(जहाँ h_D$डोमेन$D$का इक्विलिब्रियम पोटेंशियल है (डोमेन$\Lambda$के सापेक्ष) और$U एक स्थिर यूनिट वेक्टर है)\right लेना चाहिए।

एक महत्वपूर्ण चरण यह दिखाना है कि दिशा वेक्टर $s(u) = f(u)/|f(u)|$ में कोई भी परिवर्तन $\int h_D^2 |\nabla s|^2$ के समानुपाती अतिरिक्त "कोणीय ऊर्जा" (Angular energy) लागत उत्पन्न करता है। चूंकि डोमेन $\Lambda$ जुड़ा हुआ (Connected) है, इसलिए ऊर्जा न्यूनीकरण यह सुनिश्चित करता है कि $s(u)$ लगभग हर जगह स्थिर रहे, जिससे संपूर्ण मैक्रोस्कोपिक डोमेन में दिशा का संरेखण (Alignment) स्थापित होता है।

मुख्य परिणाम
यह शोध पत्र निम्नलिखित मुख्य परिणाम स्थापित करता है:

• अनुकूलन की स्पर्शोन्मुखी लागत (Asymptotic Cost of Conditioning - Theorem 1.1): अनुकूलन घटना की प्रायिकता इस प्रकार घटती है:
  $$\lim_{n \to \infty} \frac{\log P(\Omega_n)}{(\log n)^2} = -\frac{2}{\pi} \text{cap}_\Lambda(D)$$
  जहाँ $\text{cap}_\Lambda(D)$, $\Lambda$ में $D$ की सापेक्ष क्षमता (Relative capacity) है। यह लागत बॉल की त्रिज्या $R$ और वेक्टर आयाम $m$ से स्वतंत्र है।

• मैक्रोस्कोपिक अभिसरण (Macroscopic Convergence - Theorem 1.1): कंडीशनल मेजर $Q_n$ के तहत, सामान्यीकृत फील्ड $X_n$, $L^2(\Lambda; \mathbb{R}^m)$ में $2 U h_D$ की ओर वितरण (Distribution) में अभिसरित होता है, जहाँ $U$ एक रैंडम यूनिट वेक्टर है जो स्फीयर $S^{m-1}$ पर यूनिफॉर्मली वितरित है। इसका तात्पर्य यह है कि फील्ड प्रोफाइल एक वैश्विक रैंडम रोटेशन तक नियत (Deterministic) है।

• नियत संरेखण (Deterministic Alignment - Corollary 1.2): एक नियत उपसमुच्चय $\tilde{D}_n \subset D_n$ मौजूद है जिसका घनत्व 1 की ओर बढ़ता है (अर्थात, $|D_n \setminus \tilde{D}_n| = o(n^2)$), जिससे यह सुनिश्चित होता है कि $\tilde{D}_n$ में किन्हीं भी दो स्थलों के बीच अपेक्षित संरेखण 1 की ओर अभिसरित होता है:
  $$\inf_{x,y \in \tilde{D}_n} E[\sigma_n(x) \cdot \sigma_n(y) \mid \Omega_n] \to 1$$
  जहाँ $\sigma_n(x)$ स्थल $x$ पर फील्ड की दिशा है। यह पुष्टि करता है कि दिशा का "फ्रीजिंग" पूरे मैक्रोस्कोपिक डोमेन में होता है, न कि केवल स्थानीय स्तर पर।

महत्व और दायरा
यह शोध पत्र वेक्टर GFF के एंट्रोपिक रिपल्शन के लिए एक पूर्ण स्थानिक प्रोफाइल प्रदान करता है, जो [1] द्वारा उठाए गए मैक्रोस्कोपिक फ्रीजिंग के प्रश्न को हल करता है। इसका महत्व यह प्रदर्शित करने में निहित है कि एक बॉल से बचने का प्रतिबंध वेक्टर फील्ड को डिरिचलेट एनर्जी को कम करने के लिए एक एकल, वैश्विक दिशा चुनने के लिए मजबूर करता है, जिससे डोमेन $D$ के संभावित रूप से विच्छेदित (Disconnected) घटकों के बीच दिशाओं को प्रभावी रूप से जोड़ दिया जाता है।

लेखक नोट करते हैं कि उनका दृष्टिकोण कैपेसिटी वेरिएशनल समस्या में समानता के मामले (Equality case) और GFF के स्पेक्ट्रल गुणों पर निर्भर करता है। वे स्पष्ट रूप से कहते हैं कि उनके परिणाम निम्नलिखित को संबोधित नहीं करते हैं:

• प्रोफाइल एकाग्रता (Profile concentration) की मात्रात्मक दरें।
• निश्चित आंतरिक उप-डोमेन के लिए कोरिलेरी 1.2 से अपवाद सेट को हटाना।
• अवशिष्ट फील्ड (Residual field) $X_n - 2 U h_D$ के सूक्ष्म-स्तर के उतार-चढ़ाव।
• अगले क्रम के स्पर्शोन्मुखी पद (Next-order asymptotic terms) जो त्रिज्या $R$ या आयाम $m$ पर निर्भर हो सकते हैं।

यह कार्य वेक्टर सेटिंग में शास्त्रीय स्केलर एंट्रोपिक रिपल्शन परिणामों (जैसे बेन एरोस और ड्यूशेल [2]) का एक कठोर विस्तार है, जो लार्ज डेविएशन और कैपेसिटी थ्योरी के बीच अंतर्संबंध का उपयोग करता है।