Extreme value statistics in a continuous time branching process: a pedagogical primer

連続時間分岐過程を「興奮ランダムウォーク」として厳密に解析し、個体数の最大値の分布が臨界点以下の静止相と臨界点以上の凝縮相でそれぞれ異なる振る舞いを示すことを理論的に導き、数値シミュレーションで検証しました。

要約

1. 物語の舞台：バクテリアの増えすぎと消滅

まず、実験室でバクテリアの増殖を考えてみましょう。

• 増える（分裂）： バクテリアは分裂して 2 つになります（確率 $b$）。
• 死ぬ： 栄養不足などで死んでしまいます（確率 $a$）。

この 2 つの力がせめぎ合うと、3 つの異なる「世界」が生まれます。

1. 絶滅する世界（亜臨界）： 死が勝る場合。バクテリアはいつか必ず全滅します。
2. ギリギリのバランス（臨界）： 増えると死が、死が増えると増えるが、平均的には 1 個体がキープされます。
3. 大爆発する世界（超臨界）： 増える方が勝る場合。バクテリアは爆発的に増え、やがて無限大に近づきます（ただし、稀に全滅することもあります）。

2. 核心の問い：「最高到達点」はどれくらい？

この研究が知りたいのは、**「過去から現在までの間、バクテリアの数が最も多かった瞬間（最大値）」**が、一体どれくらいだったのか？という点です。

例えば、あるバクテリアの群れが「100 個」まで増え、その後「10 個」まで減ったとします。この場合、その群れの「最大値」は 100 です。
この「最大値」の分布（どのくらいの頻度で、どのくらいの大きさになるか）を、3 つの異なる世界で正確に計算しようというのがこの論文の目的です。

3. 魔法の道具：「興奮したランナー（Agitated Random Walk）」

この問題を解くために、著者たちはとても面白いアイデアを使いました。
バクテリアの数を、**「半無限の階段を走るランナー」**に置き換えたのです。

• ランナーの位置 ＝ バクテリアの数（0 段は「全滅」、1 段は「1 個体」など）。
• ランナーの動き ＝ 増えたり減ったりすること。

ここで重要なのが、このランナーの**「興奮度」です。
普通のランナーは、どこを走っても同じ速さで歩きます。しかし、この論文のランナーは「高い段（バクテリアが多い状態）に行くほど、ものすごく興奮して、ピョンピョン飛び跳ねる速さになる」**という特徴があります。

• 低い段（数が少ない）： ゆっくり歩く。
• 高い段（数が多い）： 激しく動き回る（増えたり減ったりする頻度が跳ね上がる）。

著者たちはこれを**「興奮したランナー（Agitated Random Walk）」**と呼びました。この「興奮したランナー」の動きを分析することで、複雑なバクテリアの増殖問題を、シンプルに解くことができました。

4. 3 つの世界での「最大値」の行方

この「興奮したランナー」を使って、3 つの世界で「最大値」がどうなるかをシミュレーションしました。

① 絶滅する世界（亜臨界）

• 状況： 死が勝る世界。
• 最大値の姿： ランナーはいつか必ず 0 段（地面）に落ちて止まります。
• 結果： 「過去にどれくらい高かったか」という最大値は、時間が経つにつれて**「ある一定の値に落ち着き、それ以上は増えません」**。
• 例え： 小さな波が打ち寄せては引いていくようなもので、大きな津波が来ることはありません。分布は急激に減っていきます。

② ギリギリのバランス（臨界）

• 状況： 増えと死が拮抗している世界。
• 最大値の姿： ランナーは 0 段に落ちることもあれば、高く跳ね上がることもあります。
• 結果： 時間が経つと、最大値の分布は**「1/L²（L の 2 乗分の 1）」**という、非常にゆっくり減る「パワールーレ（べき乗則）」の形になります。
• 例え： 小さな波もあれば、時々巨大な津波が来るような世界です。「巨大な波が来る確率は低いけど、ゼロではない」という、非常に長い尾を持つ分布になります。
• 面白い発見： 最大値の分布は、ある特定の形（スケーリング関数）に従って変化することが分かりました。

③ 大爆発する世界（超臨界）

• 状況： 増えが勝る世界。
• 最大値の姿： ここが最もドラマチックです。
  • 流体部分（Fluid）： 多くの場合、バクテリアは絶滅してしまいます。この場合の最大値は、①の絶滅世界と同じように「一定の値」に落ち着きます。
  • 凝縮体部分（Condensate）： しかし、稀に（確率 $1-c$ で）バクテリアが**「大爆発」します。この場合、最大値は「指数関数的に無限大へ突き抜ける」**という、まるで別の次元の存在（デルタ関数のピーク）として現れます。
• 例え： 99% の確率で小さな波ですが、1% の確率で**「月まで届くほどの巨大な津波」**が突然発生する世界です。この「巨大津波」の存在が、分布の形を根本から変えてしまいます。

5. なぜこれが重要なのか？

この研究は、単なる数学の遊びではありません。

• 感染症の流行： 「感染者数が過去にどれくらい最大になったか」を予測するのに役立ちます。特に、パンデミックが「収束するのか、それとも爆発的に広がるのか」の境界線（臨界点）での挙動を理解するのに重要です。
• 複雑なシステムの理解： 普段、私たちが「最大値」を予測するときは、独立した事象（サイコロを振るなど）を想定しがちです。しかし、バクテリアや感染症のように「過去の数が未来の動きに直結する（相関がある）」システムでは、従来の予測が通用しません。この論文は、「強く結びついた複雑なシステムの最大値」を正確に計算できる、数少ない例を提供しました。

まとめ

この論文は、**「興奮して飛び跳ねるランナー」という面白いイメージを使って、「バクテリアの増殖がどこまで膨らむか」**という難問を解き明かしました。

• 死が勝つと： 最大値は小さく落ち着く。
• バランスだと： 時々大きな値になるが、確率はゆっくり減る。
• 増えが勝つと： 多くの場合は小さく終わるが、稀に**「とてつもない大爆発」**が起きる。

このように、システムが「臨界点」にあるときや「爆発的」な状態にあるとき、最大値の統計は私たちが直感的に思う以上に劇的に変化することを示しています。

技術概要

連続時間分岐過程における極値統計：教育的入門

Satya N. Majumdar および Alberto Rosso による論文の技術的要約

1. 問題設定

本論文は、連続時間分岐過程（Continuous Time Branching Process）における極値統計、特に時間 $t$ までの最大個体数 $M(t)$ の分布を解析的に解明することを目的としています。

• モデル: 時刻 $t=0$ で 1 つの個体から始まる細菌コロニー（または感染症の感染者数）を想定します。
  • 個体は分裂率 $b$ で 2 つの娘細胞に分裂します。
  • 個体は死亡率 $a$ で死滅します。
  • 空間的な拡散（移動）も考慮されますが、個体数 $N(t)$ の統計には拡散定数 $D$ は影響せず、本質的に $a$ と $b$ のみで記述されます。
• 対象変数: 時刻 $t$ までの個体数 $N(t)$ の最大値 $M(t) = \max_{0 \le \tau \le t} [N(\tau)]$。
• 目的: $M(t)$ が $L$ になる確率分布 $Q(L, t)$ を、以下の 3 つの相（フェーズ）において厳密に導出することです。
  1. 亜臨界相 (Subcritical): $b < a$（死滅が支配的）
  2. 臨界相 (Critical): $b = a$
  3. 超臨界相 (Supercritical): $b > a$（増殖が支配的）

従来の分岐過程の研究では、瞬間的な個体数分布 $P(n, t)$ はよく知られていましたが、時間履歴に依存する極値統計（最大値の分布）は、変数間の強い相関により解析が困難であり、厳密解を得ることは稀でした。

2. 手法とアプローチ

著者らは、非線形な分岐過程を、**「興奮したランダムウォーク（Agitated Random Walk: ARW）」**と呼ばれる補助的なランダムウォーク問題へ厳密に写像（マッピング）することで問題を解決しました。

• 写像の概要:

  • 個体数 $N(t)$ を、半無限格子（$n=0, 1, 2, \dots$）上のランダムウォーカーの位置とみなします。
  • 位置 $n$ から $n+1$ への遷移（分裂）レートは $b \cdot n$、$n-1$ への遷移（死滅）レートは $a \cdot n$ です。
  • 特徴: 格子点 $n$ からのホッピングレートが $n$ に比例します。つまり、原点から遠ざかるほどウォーカーは「活発」になり、より頻繁に移動します。これを「興奮したランダムウォーク（ARW）」と呼んでいます。
  • 境界条件: $n=0$ は吸収壁（吸着状態）であり、ウォーカーが 0 に到達すると過程は終了します。

• 解法:

  1. この ARW に対して、ある閾値 $L$ を超えない確率（生存確率）$q(n, t|L)$ を定義します。これは $M(t) \le L$ の累積分布関数に相当します。
  2. 後方マスター方程式（Backward Master Equation）またはラプラス変換を用いて、$q(n, t|L)$ の時間発展方程式を導出します。
  3. 生成関数法や特性曲線法を用いて、ラプラス領域での厳密解を求め、逆変換を行うことで時間領域の解を得ます。
  4. 得られた累積分布から微分することで、最大値の確率密度関数 $Q(L, t)$ を導出します。

3. 主要な結果

得られた最大値分布 $Q(L, t)$ は、3 つの相で明確に異なる振る舞いを示します。

(i) 亜臨界相 ($b < a$)

• 振る舞い: 時間が経過すると、分布 $Q(L, t)$ は時間依存性を失い、定常分布 $Q(L, \infty)$ に収束します。
• 分布の形: 最大値 $L$ に対して指数関数的に減衰します。
  • 物理的意味: 個体群は最終的に絶滅するため、過去に到達した最大個体数も有限の値に留まり、その分布は指数減衰します。

(ii) 臨界相 ($b = a$)

• 振る舞い: 長時間極限でも分布は定常化しますが、その裾（テール）はべき乗則を示します。
• 分布の形:
  • 長時間極限では $Q(L, \infty) \sim L^{-2}$ となります。
  • 有限だが大きな時間 $t$ においては、スケーリング形式 $Q(L, t) \sim L^{-2} f_c(L/at)$ を満たします。
  • ここで $f_c(z)$ は著者らが解析的に導出した非自明なスケーリング関数です。
  • $f_c(z)$ は単調増加ではなく、$z$ が増加するにつれて一度ピークを持ち、その後減衰します。
• 平均最大値: 平均最大個体数 $\langle M(t) \rangle$ は時間とともに非常にゆっくりと $\ln(t)$ のように成長します。

(iii) 超臨界相 ($b > a$)

• 振る舞い: 分布 $Q(L, t)$ は「流体部分（Fluid）」と「凝縮体部分（Condensate）」の 2 つの成分に分解されます。
• 流体部分:
  • 時間 $t \to \infty$ で定常化する部分ですが、その全確率重みは $c = a/b < 1$ です。
  • これは、最終的に絶滅する試行（サンプル）に対応し、分布は指数関数的に減衰します。
• 凝縮体部分:
  • 残りの確率重み $(1-c)$ は、デルタ関数 $\delta(L - e^{(b-a)t})$ として現れます。
  • これは、個体数が指数関数的に増殖し続ける（爆発する）試行に対応します。
  • このデルタピークは、時間とともに $e^{(b-a)t}$ の位置へ急速に移動し、流体部分から分離します。
• 物理的意味: 超臨界相では、個体群が絶滅する確率 $a/b$ と、無限大に増殖する確率 $1-a/b$ が存在し、最大値の分布はこの 2 つの事象の混合として記述されます。

4. 検証と数値シミュレーション

• 解析的に導出した結果は、数値シミュレーションと比較されました。
• 3 つの相すべてにおいて、理論予測とシミュレーション結果は極めて良好な一致を示しました（図 4, 5, 6 参照）。

5. 意義と応用

• 理論的意義:
  • 時間的に強く相関した確率過程（分岐過程）における極値統計の厳密解を提供しました。これは、独立同分布（i.i.d.）変数の極値統計（Gumbel, Fréchet, Weibull 分布）とは異なり、相関が強い系での極値分布の解析的取り扱いの重要な例となります。
  • 「興奮したランダムウォーク（ARW）」という新しいランダムウォークモデルを提案し、その極値統計を解析可能にしました。
• 応用可能性:
  • 感染症拡大: 流行期間中の最大感染者数の分布を特徴付けるのに適用できます。
  • 生物学的成長: 細菌コロニーの最大サイズや、遺伝子変異の広がりなどのモデル化に有用です。
  • 一般化: 本研究はホッピングレートが $n^\gamma$ ($\gamma > 0$) に比例する一般化された ARW モデルへの拡張や、確率的リセット（Stochastic Resetting）を含む系への拡張の可能性を示唆しています。

結論

本論文は、連続時間分岐過程の最大個体数分布を、ARW への厳密な写像を通じて解析的に解明し、亜臨界・臨界・超臨界の 3 つの相でそれぞれ異なる極値統計的性質（指数減衰、べき乗則、流体 - 凝縮体分離）を明らかにしました。これは、相関する確率過程の極値統計に関する重要な知見を提供するものです。