Limiting partition function for the Mallows model: a conjecture and partial evidence

本論文は、ラベル数が無限大に近づく際の、マロウズ・モデルのサブファミリーにおける正確な極限分配関数が、シュレディンガー・ブリッジ分布に関連する積分作用素のフレドホルム行列式によって与えられると推測しており、完全な証明のための誤差評価を欠いているものの、この主張に対する部分的な証拠を提示している。

要約

$n$枚のカード（1から$n$までの番号が付いている）の束を想像してください。それらをシャッフルすることを考えます。カードの並び方は$n!$（$n$の階乗）通り存在します。

この論文の中で、著者であるSoumik Pal氏は、特定のシャッフルの方法について考察しています。完全にランダムなシャッフル（すべての並びが等確率で起こるもの）ではなく、ある種の「重み付き」シャッフルを考えています。いくつかの並びは「より良く」、あるいは「より安価」であるとみなされます。この「コスト」は、カードが元の位置からどれだけ離れたかに依存します。カードが少ししか動いていなければコストは低く、大きく動いていればコストは高くなります。

この論文は、非常に具体的な問いを投げかけています。デッキのサイズが無限に大きくなるにつれて、考えられるすべてのシャッフルの「総重量」はどうなるのか？ ということです。

物理学や統計学において、この総重量は**分配関数（Partition Function）**と呼ばれます。これは、システムの「総エネルギー予算」のようなものです。この数を知ることで、科学者は大規模なスケールにおけるシステムの挙動を理解することができます。

2ステップのパズル

著者は、すでに答えの第1の部分は判明していると説明しています。以前の研究者が、この総重量の対数をとり、それをデッキのサイズで割ると、特定の数値（これを$\Gamma_0$と呼びます）に収束することを見つけ出しました。

これを次のように考えてみてください。巨大な砂の山があるとき、その体積は正確に分かっています。しかし、著者が知りたいのは、単なる体積ではなく、その「正確な形」なのです。彼は、以前の計算で見落とされた「詳細な記述」を知りたいと考えています。

彼は、この残りの部分に関する新しい公式を提案しています。彼は、答えが**フレドホルム行列式（Fredholm Determinant）**と呼ばれるものに関連していると推測しています。

比喩：「シャッフルの亡霊」

彼の推測を理解するために、「理想的なシャッフル」を想像してみてください。この理想の世界では、カードは移動のコストとシャッフルの自然なランダム性の間で、完璧にバランスが取れた配置になります。この理想的な配置は、**シュレディンガー・ブリッジ（Schrödinger Bridge）**と呼ばれます。

著者は、総重量の「詳細な記述」は、実際のシャッフルがこの理想的な配置の周りでどれだけ「揺らぐ（wiggle）」かによって決まると示唆しています。

彼は、これらの揺らぎを測定するために、積分作用素（Integral Operator）（パターンを受け取って変換する巨大な機械のようなもの）という数学的ツールを使用しています。フレドホルム行列式は、この機械の挙動を要約する単一の数値です。

予想（Conjecture）：
著者は、もし総重量に特定の補正係数（理想的な配置に関連するもの）を掛け合わせると、その結果はこのフレドホルム行列式の平方根の逆数に正確に等しくなると主張しています。

簡単に言えば：

総重量 $\approx$ (補正係数) $\times$ (1 / 「揺らぎの機械」の数値の平方根)

「部分的な証明」（探偵の仕事）

著者は、これがまだ100%証明されたわけではないことを認めています。彼はこれを「証拠のある予想（conjecture with a partial evidence）」と呼んでいます。

彼はどのようにしてこれを証明しようとしたのでしょうか。

1. 分解する： 彼は、すべてのシャッフルの数を数えるという膨大な問題を、より小さく扱いやすい断片へと分解しました。カード同士がどのように相互作用するかを調べたのです。
2. 「非復元抽出」の問題： 通常、数学では、アイテムを「復元抽出（カードを引き、見て、元に戻す）」で選ぶ方が簡単です。しかし、デッキのシャッフルは「非復元抽出（一度使ったカードはもう使えない）」です。これにより、選択肢がすべて互いに連結しているため、数学が非常に難しくなります。
3. 結果： 彼は、この「非復元抽出」の困難さを一時的に無視すれば、自身の公式が完璧に機能することを示すことに成功しました。バラバラの断片が、彼が予測した通りのフレドホルム行列式を形成するように組み合わさることを証明したのです。
4. 欠けているピース： 最後のステップは、「非復元抽出」による困難さが、デッキが無限に大きくなったときに答えを台無しにしないことを証明することです。彼は、それが問題にならないと考えていますが、それを厳密に証明するための正確な数学的「誤差範囲（error bound）」を見つけることができませんでした。

まとめ

• 目的： アイテムの数が無限に増えるときの、特定のランダム・シャッフルの総重量の正確な極限を見つけること。
• 既知の事実： 「大きな絵」としての体積（対数分配関数）は分かっている。
• 予想： 残された詳細は、「理想的な」シャッフルのパターンから導かれる特定の数学的数値（フレドホルム行列式）の逆平方根である。
• 現状： 著者は、断片がうまく組み合わさっているという強い証拠と部分的な証明を持っているが、彼の予想を完全で壊れない証明へと変えるための、最後の数学的な「接着剤（誤差範囲）」が欠けている。

この論文は、本質的に探偵物語です。探偵は容疑者の指紋と目撃者の証言は見つけたものの、事件を解決するための最後の科学的証拠をまだ待っている状態なのです。

技術概要

技術的要約：マロウス・モデルにおける分割関数の極限

問題設定
本論文は、置換集合 $S_n$ 上で定義された特定のギブス確率モデルの分割関数の漸近挙動を扱う。これらのモデルは、既知のマロウス・モデルのサブファミリーであり、右不変ダイバージェンスから導かれるギブスエネルギーによって特徴付けられる。エネルギー関数は、$[0, 1]^2$ 上のコスト関数 $c(x, y)$ を用いて定義される。この $c$ は、2回連続微分可能であり、対称であり、対角線上で消滅し、かつ特定の反射対称性 $c(x, y) = c(1-x, 1-y)$ を満たすと仮定されている。

対象となる量である数列は以下の通りである：
$$L_n = \frac{1}{n!} \sum_{\sigma \in S_n} \exp\left( -\sum_{i=1}^n c\left(\frac{i}{n}, \frac{\sigma_i}{n}\right) \right)$$
先行研究 [Muk16] では、スケーリングされた対数分割関数の大偏差極限 $\lim_{n \to \infty} \frac{1}{n} \log L_n = -\Gamma_0$ が確立されている。本論文の目的は、指数補正を加えた非スケーリングの数列の正確な極限を決定することである：
$$\lim_{n \to \infty} e^{n\Gamma_0} L_n$$

手法および理論的枠組み
著者は、最適輸送理論、スペクトル理論、および組合せ論の道具を用いている。

1. シュレディンガー・ブリッジとエントロピー正則化最適輸送：
   解析は、$[0, 1]$ 上の一様分布 $\mu$ から自身へのエントロピー正則化最適輸送問題の解に依拠している。最適な結合（カップリング）として知られる静的なシュレディンガー・ブリッジ $\rho(x, y)$ は、以下の密度の形をとる：
   $$\rho(x, y) = \exp(-c(x, y) - a(x) - a(y))$$
   ここで、$a(x)$ は周辺分布の制約から導かれる特定の積分方程式を満たす。定数 $\Gamma_0$ は $-2 \int_0^1 a(x) dx$ であることが示されている。

2. スペクトル分解：
   本論文は、カーネル $\rho(x, y)$ を持つ $L^2[0, 1]$ 上の積分作用素 $T$ を定義する。$\rho$ は対称であり、周辺分布は一様であるため、$T$ は自己共役かつコンパクトなヒルベルト・シュミット作用素である。固有値 $\lambda_n$ は実数であり、範囲は $[-1, 1]$ 内にあり、最大の固有値は定数固有関数に対応する $\lambda_1 = 1$ である。カーネルは $\rho(x, y) = 1 + \sum_{n=1}^\infty \lambda_n \phi_n(x)\phi_n(y)$ と展開される。

3. 組合せ論的展開：
   数列 $D_n = e^{n\Gamma_0} L_n$ は、カーネル $\rho$ を用いて書き換えられる。積 $\prod \rho(i/n, \sigma_i/n)$ を展開し、固有関数の直交性（特に、それらが定数関数に対して直交すること）を利用することで、著者は $D_n$ をインデックスの部分集合の和として表現する。証明戦略は、カーネルを有限ランク $L$ に、展開を有限次数 $K$ に切り詰め、固定された $K$ および $L$ に対して $n \to \infty$ の極限を分析し、その後 $K, L \to \infty$ とすることである。

主要な結果と予想
本論文は、分割関数の正確な極限に関する予想を提示している。

• 予想： 正のスペクトルギャップ（$\sigma^2 = 1 - \max_{i \ge 2} \lambda_i^2 > 0$）が存在し、かつ固有関数がリプシッツ連続であるという仮定の下で、極限は作用素 $I - T^2$ のフレドホルム行列式の逆平方根によって与えられる：
  $$\lim_{n \to \infty} e^{n\Gamma_0} L_n = \frac{1}{\sqrt{\det_F(I - T^2)}} = \prod_{n=1}^\infty (1 - \lambda_n^2)^{-1/2}$$

• 部分的な証拠： 著者は、以下の関係が成り立つことを示す部分的な証明を提供している：
  $$\lim_{K, L \to \infty} \lim_{n \to \infty} D_n^{(L)} = \frac{1}{\sqrt{\det_F(I - T^2)}}$$
  ここで $D_n^{(L)}$ は $D_n$ の切り詰め近似である。証明では、エルミート多項式の性質と完全グラフにおける完全マッチングの組合せ論を用いて、極限を評価している。具体的には、インデックスが完全マッチングを形成しない限り、展開の項が消滅することを示しており、これはゼロにおいて評価されたエルミート多項式のモーメントの積へと導かれる。

限界と主張
本論文は、証明が不完全であることを明示的に認めている。決定的な欠落は、極限の入れ替えにある。著者は、$K, L \to \infty$ を $n \to \infty$ の後に行う場合には極限が成立することを示したが、予想は $K, L \to \infty$ を $n \to \infty$ の前に行う場合の極限を求めている。これには、現在の議論では提供できない、離散化および切り詰め誤差に対する一様な誤差評価が必要となる。

著者は、この困難の原因を、関連する結果 [HLP20] の設定であった「復元抽出（独立な確率変数）」と比較した際の、「非復元抽出（置換構造）」の組合せ論的な複雑さに求めている。直感的には、決定論的な置換の場合においてガウス型ゆらぎの極限分散がゼロであると仮定すれば、予想は正しいと考えられるが、厳密な誤差評価は欠けている。

意義
本論文は、固定されたパターンを持つ大きなランダム置換のスケーリング極限の理解を精緻化することを目的としている。分割関数の劣指数補正項に関する精密な公式を予想することで、マロウス・モデルの組合せ論的構造を、最適輸送（シュレディンガー・ブリッジ）から生じる積分作用素のスペクトル特性へと結びつけている。この結果が証明されれば、このクラスのモデルの分割関数の完全な特性付けを与えることになり、統計的推定、ランダム置換、および最適輸送理論の架け橋となるだろう。