Entropy rates in the dimension theory of self-similar measures

1. Il Problema

Il lavoro si concentra sulla teoria della dimensione delle misure autosimili sulla retta reale. Dati un sistema di funzioni iterate (IFS) $\Phi = \{\phi_i\}_{i \in \Lambda}$, dove ogni $\phi_i$ è una similitudine contrattiva della forma $x \mapsto \lambda_i x + \tau_i$, e un vettore di probabilità $p = \{p_i\}$, esiste una unica misura autosimile $\mu$ che soddisfa l'equazione di invarianza $\mu = \sum p_i \phi_i(\mu)$.

L'obiettivo principale è determinare la dimensione di Hausdorff di tale misura, $\dim \mu$.
Esistono due limiti superiori naturali per questa dimensione:

1. La dimensione dello spazio ambiente (1 per la retta reale).
2. La dimensione di similarità (similarity dimension), definita come:
   $$s(\Phi, p) = \frac{\sum p_i \log p_i}{\sum p_i \log |\lambda_i|}$$
   (dove il numeratore è l'entropia di Shannon di $p$ e il denominatore è il tasso medio di contrazione logaritmica).

Quando l'IFS soddisfa condizioni di separazione forti (es. condizione di separazione aperta o forte), è noto che $\dim \mu = \min(1, s(\Phi, p))$. Tuttavia, il problema fondamentale rimane aperto quando queste condizioni non sono soddisfatte, ovvero quando esistono sovrapposizioni esatte (exact overlaps), cioè quando composizioni diverse di mappe dell'IFS coincidono ($\phi_{i_1} \circ \dots \circ \phi_{i_k} = \phi_{j_1} \circ \dots \circ \phi_{j_k}$). In questi casi, la dimensione può essere inferiore alla dimensione di similarità.

La Congettura 3 (folklore) ipotizza che la dimensione sia data da:
$$\dim \mu = \min\left(1, \frac{h(\Phi, p)}{\sum p_i \log |\lambda_i|^{-1}}\right)$$
dove $h(\Phi, p)$ è il tasso di entropia (o entropia di Garsia) del sistema, che generalizza l'entropia di Shannon tenendo conto delle sovrapposizioni.

2. Metodologia

Il paper utilizza un approccio che combina:

• Teoria dell'Entropia: Analisi del tasso di entropia $h(\Phi, p)$ come misura quantitativa delle sovrapposizioni. Se non ci sono sovrapposizioni esatte, $h(\Phi, p) = H(p)$ (entropia di Shannon). La differenza $H(p) - h(\Phi, p)$ quantifica la "quantità" di sovrapposizioni.
• Separazione Esponenziale: Utilizzo della condizione di separazione esponenziale (introdotta da Hochman), che richiede che le distanze tra composizioni distinte di mappe non decadano troppo rapidamente (più veloce di una funzione esponenziale).
• Teoria dei Numeri e Analisi Diofantea: Sfruttamento delle proprietà algebriche dei parametri (fattori di scala $\lambda$ e traslazioni $\tau$). In particolare, l'uso della misura di Mahler $M(\lambda)$ e dei numeri di Pisot e Salem per vincolare i parametri che possono generare sovrapposizioni esatte o riduzioni di entropia.
• Approssimazione Algebrica: Dimostrazione che se un parametro è trascendente e la dimensione è bassa, deve essere approssimato molto bene da numeri algebrici con entropia bassa, portando a contraddizioni tramite teoremi di separazione.

3. Contributi Chiave e Risultati

A. Il Ruolo del Tasso di Entropia

Il paper chiarisce che il tasso di entropia $h(\Phi, p)$ è la quantità corretta da usare al posto dell'entropia di Shannon nella formula della dimensione quando sono presenti sovrapposizioni. La congettura principale afferma che la dimensione è determinata dal minimo tra 1 e il rapporto tra il tasso di entropia e il tasso di contrazione.

B. Il Teorema di Hochman e la Separazione Esponenziale

Viene discusso il risultato fondamentale di Hochman (Teorema 5): se un IFS soddisfa la condizione di debole separazione esponenziale, allora la congettura è vera. Questa condizione è molto più debole della separazione aperta e si applica a quasi tutte le famiglie parametriche di IFS, inclusi quelli con parametri algebrici.

C. Parametri Algebrici (Teorema 6)

Rapaport ha dimostrato che per IFS con parametri di scala algebrici, la congettura vale anche senza sovrapposizioni esatte, utilizzando l'entropia di Shannon classica. Il lavoro di Varjú spiega come questo risultato sia ottenuto mostrando che, anche se le distanze tra composizioni possono decadere molto velocemente, le coppie che lo fanno sono così rare da non influenzare significativamente l'entropia asintotica.

D. Convolutioni di Bernoulli (Sezione 3)

Per la famiglia specifica delle convolutioni di Bernoulli $\nu_\lambda$ (IFS con mappe $x \mapsto \lambda x \pm 1$ e pesi $1/2$):

• È stato dimostrato che $\dim \nu_\lambda = \min(1, h(\lambda)/\log \lambda^{-1})$.
• I parametri "eccezionali" (dove $\dim \nu_\lambda < 1$) sono legati ai numeri di Pisot (e potenzialmente Salem). Se $\lambda^{-1}$ è un numero di Pisot, l'entropia è ridotta e la dimensione è minore di 1.
• Viene introdotta una connessione profonda tra il tasso di entropia e la misura di Mahler $M(\lambda)$. È stato dimostrato che $h(\lambda) \ge 0.44 \log \min(2, M(\lambda))$.
• Viene sollevata la questione se l'uguaglianza $h(\lambda) = \log \lambda^{-1}$ valga solo per i numeri di Salem (oltre ai Pisot).

E. Continuità e Proprietà Topologiche

Il paper discute la semicontinuità inferiore della mappa $\lambda \mapsto h(\lambda)$. Se vera, ciò implicherebbe che l'insieme dei parametri con entropia bassa (e quindi dimensione bassa) è chiuso, collegandosi alla congettura di Boyd sulla chiusura dell'insieme dei numeri di Pisot e Salem.

F. Due Parametri Trascendenti (Sezione 4)

Il lavoro estende l'analisi a famiglie con due parametri variabili, ad esempio $\Phi_{\lambda, \tau} = \{x \mapsto \lambda x \pm 1 \pm \tau\}$.

• Sfida: A differenza del caso monodimensionale, le sovrapposizioni esatte non avvengono in punti isolati ma lungo curve nello spazio dei parametri.
• Soluzione: Viene introdotta una definizione di tasso di entropia per sottoinsiemi dello spazio dei parametri. Si dimostra che i punti dove l'entropia scende significativamente sotto la soglia teorica sono discreti, a meno che non giacciano su curve specifiche.
• Risultato (Teorema 12 e 13): Grazie a risultati di Streck, si dimostra che per $\lambda > 2^{-3/2}$ e in assenza di sovrapposizioni esatte, la misura ha dimensione 1. Questo estende i risultati noti (che valevano per $\lambda \ge 1/2$) a un intervallo più ampio di parametri trascendenti.

4. Significato e Impatto

Questo articolo di rassegna è fondamentale perché:

1. Unifica la teoria: Collega la dimensione frattale, la teoria dell'informazione (entropia) e la teoria dei numeri (proprietà algebriche dei parametri).
2. Riduce il problema: Trasforma il problema geometrico della dimensione in un problema analitico sull'entropia e sulla separazione delle composizioni di mappe.
3. Avanza la congettura: Dimostra che la congettura sulla dimensione è vera per una vasta classe di sistemi, inclusi quelli con parametri algebrici e molte famiglie con parametri trascendenti, fornendo un quadro chiaro per i casi "eccezionali" (legati ai numeri di Pisot/Salem).
4. Indirizza la ricerca futura: Identifica le questioni aperte, come la validità della congettura per tutti i numeri di Salem e la generalizzazione dei limiti sulla misura di Mahler per sistemi con più parametri, guidando la ricerca futura nella dinamica complessa e nella teoria della misura.

In sintesi, il paper stabilisce che il tasso di entropia è l'invariante chiave che governa la dimensione delle misure autosimili, sostituendo efficacemente l'entropia di Shannon quando le sovrapposizioni esatte o quasi-esatte sono presenti.