Green--Wasserstein Inequality on Compact Surfaces

Questo articolo dimostra che su qualsiasi superficie compatta connessa è impossibile eliminare il fattore $\sqrt{\log n}$ dalla disuguaglianza di Green-Wasserstein mantenendo il termine diagonale non rinormalizzato, poiché tale miglioramento non può valere uniformemente per insiemi di punti con un resto dell'ordine di $O(n^{-1/2})$.

L'essenziale

Il Mistero della "Polvere Magica" e la Regola che non Funziona

Immagina di avere una superficie curva e chiusa, come una sfera perfetta o una ciambella (un toro), ma senza bordi. Su questa superficie vuoi distribuire n punti in modo che siano il più possibile "uniformi", come se stessi spargendo della sabbia finissima su un tavolo.

Il problema matematico è: quanto sono ben distribuiti questi punti?

Per misurare questa "bontà" della distribuzione, i matematici usano due strumenti:

1. La distanza media (Wasserstein): Quanto devi spostare in media ogni granello di sabbia per trasformare la tua distribuzione casuale in una distribuzione perfetta e uniforme? Più è basso questo numero, meglio è.
2. L'energia di Green: Immagina che ogni punto sia una piccola calamita che respinge gli altri. Se i punti sono troppo vicini, si respingono forte (energia alta). Se sono ben distribuiti, si respingono in modo equilibrato (energia bassa). Questa "energia" si calcola sommando le interazioni tra tutte le coppie di punti.

La Domanda del Genio (Steinerberger)

Un matematico di nome Steinerberger ha notato una cosa interessante. Per spazi di dimensioni alte (3 o più), c'è una formula magica che lega questi due concetti:

La distanza media è piccola se l'energia di repulsione è piccola.

Ma in 2 dimensioni (come la nostra superficie), c'era un "difetto" nella formula. Per farla funzionare, bisognava aggiungere un piccolo "fattore di sicurezza" che cresceva lentamente con il numero di punti: la radice quadrata del logaritmo di n ($\sqrt{\log n}$).

La domanda era: Possiamo togliere questo fattore di sicurezza $\sqrt{\log n}$?
In altre parole, Steinerberger si chiedeva: "Se uso solo l'energia di repulsione (senza aggiunte strane), riesco a garantire che i punti siano perfetti?"

La Risposta: No, non si può fare!

Maja Gwóźdź, l'autrice di questo articolo, risponde con un secco NO.

Ecco la metafora per capire perché:

Immagina di avere un'auto (la tua distribuzione di punti) e di voler sapere quanto è veloce.

• L'energia di repulsione è come guardare il tachimetro: ti dice quanto l'auto sta "sforzando" per mantenere la posizione.
• Il fattore $\sqrt{\log n}$ è come un piccolo scossone inevitabile che l'auto fa quando va molto veloce.

Steinerberger chiedeva: "Possiamo dire che la velocità dipende solo dallo sforzo del motore, ignorando completamente lo scossone?"

Gwóźdź dimostra che non si può. Se provi a ignorare lo scossone (il fattore $\sqrt{\log n}$), la tua previsione sulla velocità diventa sbagliata. Ci sono casi in cui, anche se l'energia di repulsione sembra bassa, i punti sono comunque disordinati in modo imprevedibile, e quel piccolo fattore $\sqrt{\log n}$ è essenziale per coprire questi "buchi" nella previsione.

Come l'ha scoperto? (Il Metodo)

L'autrice non ha solo guardato i numeri, ha usato un esperimento mentale con il caso:

1. Ha immaginato di lanciare i punti a caso sulla superficie (come se fossero dadi che cadono).
2. Ha calcolato cosa succede "in media" a questi lanci casuali.
3. Ha scoperto che, matematicamente, se togliessi quel fattore $\sqrt{\log n}$, la formula direbbe che l'auto è ferma o molto lenta, mentre in realtà (nella realtà dei numeri) l'auto sta andando veloce e facendo rumore.

C'è una contraddizione: la formula senza il fattore $\sqrt{\log n}$ promette un risultato troppo bello per essere vero. La natura, in due dimensioni, è un po' più "disordinata" di quanto quella formula semplificata vorrebbe farci credere.

In Sintesi

• Il problema: Si poteva semplificare una formula matematica importante togliendo un piccolo termine di correzione?
• La scoperta: No. In due dimensioni, quel termine ($\sqrt{\log n}$) è indispensabile.
• Il significato: Non puoi descrivere perfettamente come si distribuiscono i punti su una superficie curva usando solo la loro energia di repulsione. Devi sempre tenere conto di quel piccolo "rumore" statistico che cresce lentamente.

È come dire che non puoi prevedere il meteo perfetto guardando solo la pressione atmosferica; c'è sempre quel piccolo fattore di umidità o vento che, se ignorato, ti fa sbagliare la previsione. In matematica, quel "fattore di umidità" è proprio la radice del logaritmo.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "Green–Wasserstein Inequality on Compact Surfaces" di Maja Gwóźdź, presentata in italiano.

1. Contesto e Formulazione del Problema

Il lavoro si inserisce nel campo della geometria analitica e della teoria della probabilità, focalizzandosi sulla relazione tra la distanza di Wasserstein quadratica ($W_2$) e l'energia di Green su varietà Riemanniane compatte.

• Setting: Sia $(M, g)$ una varietà Riemanniana compatta, connessa, bidimensionale e senza bordo. Si considera la misura di volume normalizzata $dx = \text{vol}(M)^{-1} d\text{vol}$.
• Obiettivo: Studiare la disuguaglianza che lega la distanza tra una misura empirica $\mu_n = \frac{1}{n}\sum_{i=1}^n \delta_{x_i}$ (generata da $n$ punti) e la misura di riferimento $dx$, utilizzando la funzione di Green $G(x, y)$ dell'operatore di Laplace-Beltrami $-\Delta$.
• Il Problema di Steinerberger: In dimensioni $d \ge 3$, Steinerberger ha dimostrato che $W_2(\mu_n, dx)$ è controllata da un termine di ordine $n^{-1/d}$ più un termine legato all'energia di Green non rinormalizzata. In dimensione $d=2$, la stima nota include un fattore aggiuntivo $\sqrt{\log n}$:
  $$W_2(\mu_n, dx) \lesssim_M \frac{1}{n} \left| \sum_{i \neq j} G(x_i, x_j) \right|^{1/2} + \begin{cases} \sqrt{\frac{\log n}{n}} & \text{se } d=2 \\ n^{-1/d} & \text{se } d \ge 3 \end{cases}$$
  Domanda aperta (Problema 1): È possibile rimuovere il fattore $\sqrt{\log n}$ nella dimensione 2, mantenendo lo stesso termine di energia di Green non rinormalizzata? In altre parole, esiste una costante $C_M$ tale che:
  $$W_2(\mu_n, dx) \le C_M \left( \frac{1}{\sqrt{n}} + \frac{1}{n} \left| \sum_{i \neq j} G(x_i, x_j) \right|^{1/2} \right)?$$

2. Metodologia e Strumenti Matematici

L'autrice risponde negativamente alla domanda di Steinerberger utilizzando un argomento per assurdo che combina strumenti probabilistici e risultati asintotici recenti sull'ottimale trasporto.

A. Analisi della Funzione di Green

• Viene definita la funzione di Green a media nulla $G(x, y)$, che presenta una singolarità logaritmica sulla diagonale ($G(x, y) \sim -\frac{1}{2\pi} \log d_g(x, y)$).
• Lemma 1: Si dimostra che $G \in L^2(M \times M, dx \otimes dx)$. Nonostante la singolarità logaritmica, l'integrabilità quadratica è garantita grazie alla struttura della singolarità in dimensione 2 e alla compattezza della varietà. Questo definisce una varianza finita $\sigma^2 = \iint G(x, y)^2 dx dy < \infty$.

B. Stima del Secondo Momento per Campioni Casuali

• Si considerano punti $X_1, \dots, X_n$ distribuiti i.i.d. secondo la legge $dx$.
• Si definisce l'energia di Green empirica: $S_n = \sum_{i \neq j} G(X_i, X_j)$.
• Lemma 2: Si dimostra che $\mathbb{E}[S_n] = 0$ grazie alla proprietà di media nulla di $G$.
• Lemma 3: Si calcola il secondo momento $\mathbb{E}[S_n^2]$. Poiché $G$ ha media nulla, i termini incrociati si annullano (tranne quelli di sovrapposizione completa), portando a:
  $$\mathbb{E}[S_n^2] = 2n(n-1)\sigma^2 \implies \mathbb{E}|S_n| \le \sqrt{2}\sigma n.$$
  Questo risultato è interpretato come un caso degenerato di statistiche U (U-statistics).

C. Asintotici di Ambrosio-Glaudo

• L'argomento si basa su un risultato fondamentale di Ambrosio e Glaudo [1] riguardante il problema di matching semi-discreto su superfici chiuse compatte.
• Essi hanno stabilito un'asintotica a due lati per il secondo momento della distanza di Wasserstein:
  $$\mathbb{E}[W_2(\mu_n, dx)^2] = \frac{\text{vol}(M)}{4\pi} \frac{\log n}{n} + O\left(\frac{\sqrt{\log n \log \log n}}{n}\right).$$
  Questo implica che il termine dominante è proporzionale a $\frac{\log n}{n}$.

3. Risultato Principale (Teorema 1)

Teorema: Non esiste alcuna costante $C_M > 0$ tale che la disuguaglianza proposta da Steinerberger (senza il fattore $\sqrt{\log n}$) valga uniformemente per tutti gli insiemi di punti su una superficie compatta connessa.

Dimostrazione (Schema):

1. Si assume per assurdo che esista $C_M$ tale che $W_2(\mu_n, dx) \le C_M (n^{-1/2} + n^{-1}|S_n|^{1/2})$.
2. Elevando al quadrato e prendendo il valore atteso (usando la disuguaglianza $(a+b)^2 \le 2a^2 + 2b^2$), si ottiene un limite superiore per $\mathbb{E}[W_2^2]$:
   $$\mathbb{E}[W_2(\mu_n, dx)^2] \le \frac{2C_M^2}{n} + \frac{2C_M^2}{n^2}\mathbb{E}|S_n| \le \frac{C^*}{n}.$$
   Qui il termine dominante è dell'ordine $O(1/n)$.
3. Tuttavia, il risultato di Ambrosio-Glaudo fornisce un limite inferiore:
   $$\mathbb{E}[W_2(\mu_n, dx)^2] \ge \frac{\text{vol}(M)}{8\pi} \frac{\log n}{n} \quad (\text{per } n \text{ sufficientemente grande}).$$
4. Contraddizione: Confrontando i due limiti, si richiederebbe che $\frac{\log n}{n} \le \frac{C}{n}$, ovvero $\log n \le C$, il che è impossibile per $n \to \infty$.

4. Contributi Chiave e Significato

• Risposta Negativa alla Domanda di Steinerberger: Il paper dimostra che il fattore $\sqrt{\log n}$ non è un artefatto della prova attuale, ma una necessità intrinseca quando si utilizza il termine di energia di Green non rinormalizzato (ossia la somma grezza $\sum_{i \neq j} G(x_i, x_j)$).
• Ottimalità della Stima: Viene stabilito che per mantenere la forma semplice del termine di Green (senza sottrarre termini di regolarizzazione o rinormalizzazione), il termine di resto deve necessariamente includere la crescita logaritmica.
• Distinzione tra Casi Deterministici e Probabilistici: L'autore chiarisce (Nota 4) che il risultato non esclude che per specifici insiemi di punti deterministici (es. griglie ottimali) si possa ottenere una convergenza $O(n^{-1/2})$, né esclude stime che utilizzino un'energia di Green rinormalizzata. Il limite si applica specificamente all'esistenza di una disuguaglianza universale con il termine grezzo.
• Metodologia Innovativa: L'uso combinato di stime di momenti per statistiche U degeneri (per il termine di Green) e risultati asintotici profondi sul trasporto ottimo (Ambrosio-Glaudo) fornisce un quadro rigoroso per analizzare le disuguaglianze geometrico-probabilistiche in dimensione 2.

In sintesi, il lavoro conferma che in dimensione 2, la singolarità logaritmica della funzione di Green impone un costo aggiuntivo di $\sqrt{\log n}$ nella disuguaglianza di Wasserstein se non si adottano tecniche di rinormalizzazione, rendendo la stima di Steinerberger ottimale nella sua forma attuale.