Weak Poincaré Inequalities via Approximate Stochastic Localization: Application to Sampling the Sherrington-Kirkpatrick Model

技術要約：近似的確率局在化による弱ポアンカレ不等式

問題提起
本論文は、スピングラスモデル、特にシャーロック・モデル（SKモデル）のギブス測度に対して、関数不等式、具体的には弱ポアンカレ不等式（WPI）を証明するという課題に取り組んでいる。確率的局在化（SL）は、関数不等式の証明やマルコフ連鎖（例：グローバー動力学）の高速な混合を確立するための強力な枠組みであるが、従来、SKモデルのような複雑なモデルにおいて検証が困難な、真の磁化過程に対する強い正則性条件を必要としてきた。

先行研究では、アルゴリズム的確率局在化（ASL）をジャルジンスキーの等式および棄却サンプリングと組み合わせることで、逆温度 $\beta < 1/2$ におけるSKモデルの効率的なサンプリングを確立した。しかし、これらの結果はより弱い誤差指標（ワッサースタイン距離）や複雑なアルゴリズム構成に依存していた。重要な未解決問題として、標準的なグローバー動力学がレプリカ対称領域（$\beta < 1/2$）において急速に混合するかどうか、そして、厳密なSLが必要とされる条件よりも緩い条件下でこれが関数不等式を通じて証明できるかどうかが残されている。

手法
著者らは、近似的確率局在化（ASL）プロセスを利用して、ターゲット分布 $\mu$ に対するWPIを証明する新しい手法を開発している。その核心となる戦略は、以下の3つのコンポーネントからなる。

1. 近似的確率局在化 (ASL): 理想的なSLプロセス（真の磁化 $m(y)$ がリプシッツ連続であることを要求する）の代わりに、一様に有界でリプシッツ連続な近似 $\hat{m}(y)$ によって駆動されるASLプロセスを利用する。著者らは、ASLプロセスが理想的なSLプロセスを限定された誤差内で追跡すること（仮定 1.1）、およびASLのドリフトがリプシッツ連続であること（仮定 1.2）を仮定する。
2. 分解定理: 著者らは、ターゲット分布 $\mu$ に対するWPIを証明するタスクを、以下の2つのより単純な成分に対するWPIの証明へと還元する一般分解定理（定理 3.1）を証明する。
   • 局在化分布 $\mu_y$（局在化状態 $y$ が与えられたときの条件付き分布）。
   • 近接サンプラー（$X|Y$ のサンプリングと $Y|X$ のサンプリングを交互に行うギブス連鎖）。
     これにより、複雑な結合分布に対して直接WPIを証明することを回避できる。
3. ガウス平滑化によるスキャフォールディング（足場架け）: $p_{T_0}$ に対するWPIを証明するために、著者らは「スキャフォールディング」議論を用いる。彼らは $p_{T_0}$ を、後の時刻の分布 $p_{T_1}$ （ここで $T_1 > T_0$）に関連付ける。$p_{T_1}$ はASLのリプシッツ連続なドリフトにより対数ソボレフ不等式（LSI）を満たすが、$p_{T_0}$ は $p_{T_1}$ のガウスノイズ化である。結合引数と小距離一致（補題 4.1 および 4.2）を用いることで、ガウス平滑化が、理想的なプロセスにおいて $p_{T_1}$ が疎になる可能性がある領域においても $p_{T_0}$ の密度をゼロから「持ち上げる」ことを示し、理想的なプロセスにおける強い正則性の欠如にもかかわらず、$p_{T_0}$ に対するWPIを確立する。
4. アニールド分布によるウォームスタート: WPIをアルゴリズム的なサンプリング結果に変換するために、著者らは「ウォームスタート」（ターゲットに対する密度比が有界な初期分布）を構築する。彼らはTAP自由エネルギーとジャルジンスキーの等式に基づく明示的な「アニールド（焼きなまし）」分布 $\varrho_t$ を定義する。これらの分布がLSIを満たし（定理 6.2）、SL分布へのウォームスタートとなること（定理 7.2）を証明し、効率的な初期化を可能にする。

主な貢献と結果

• 一般的なWPIフレームワーク: 本論文は、ASLプロセスが特定の正則性条件（限定された磁化誤差およびリプシッツ連続なASLドリフト）を満たし、かつ局在化分布が高確率でWPIを満たすならば、ターゲット分布がWPIを満たすことを確立している（定理 1.4）。これは、厳密なSLが要求する条件よりも大幅に弱い仮定の下で成立する。
• SKモデルへの適用: このフレームワークを $\beta < 1$ のSKモデルに適用することで、著者らは、ギブス測度がパラメータ $(c, \delta) = (n^{-1}e^{-C/\epsilon}, \epsilon)$ のWPIを満たすことを証明している（系 1.5）。この結果は、SKモデルのASLプロセスが、彼らの先行研究 [DLSS26] で示されたように、必要な正則性条件を満たすという事実に基づいている。
• アルゴリズムの簡素化: 本論文は、ウォームスタートから開始する場合、WPIが、$\beta < 1/2$ におけるSKモデルのギブス測度を効率的にサンプリングするグローバー動力学を保証することを実証している（定理 1.6）。
  • アルゴリズムは2つのフェーズで構成される：(1) 明示的なアニールド分布（またはASL）上のランジュバン動力学を用いてウォームスタートを得るフェーズ、および (2) $O(n^2 + n e^{O(1/\epsilon)})$ ステップのグローバー動力学を実行するフェーズ。
  • これは、複雑なASLベースのサンプリング、ジャルジンスキー再重み付け、および偏極歩行（polarized walks）を必要とした従来の最先端アルゴリズム [DLSS26] を簡素化するものである。新手法は、ウォームスタートが利用可能であるという条件下で、標準的なグローバー動力学の実行に置き換える。

意義と主張
著者らは、本研究が、SKモデルのレプリカ対称領域においてグローバー動力学が高速に混合するという予想を解決するための、重要な構造的ステップであると主張している。

• より弱い条件: 本手法は、SKモデルにおいて成立することが知られている条件（共分散の二次モーメント境界、リプシッツ連続なASLドリフト）の下で関数不等式を証明している。これに対し、従来のSLベースの証明は、SKモデルでは現在到達困難な、より強い条件（共分散の演算子ノルムの一様境界など）を必要としていた。
• アルゴリズムの簡素化: 本結果は、ウォームスタートが得られるならば、はるかに単純なアルゴリズム（ウォームスタートを伴うグローバー動力学）が効率的なサンプリングに十分であることを示している。$\epsilon$ に対する計算時間の依存性は [DLSS26] よりも劣る（$1/\epsilon$ の多項式ではなく $1/\epsilon$ の指数関数）ものの、概念的な簡素化は多大である。
• 限界: 著者らは結果の強さについて謙虚である。彼らは、導出されたWPIの定量的な強さが、温度スケジュールを扱うために必要な（より強いWPIを必要とする）シミュレーテッド・アニーリングリングを支えるには不十分であると指摘している。さらに、アルゴリズムはより単純ではあるものの、その正当性の証明には、ASLプロセスの挙動に関する [DLSS26] の深い解析的結果への依存が依然として残っている。本論文は、コールドスタートからの高速混合を証明するものではなく、WPIに基づく混合保証の標準的な要件である、ウォームスタートからの高速混合を主張している。

要約すれば、本論文はアルゴリズム的確率局在化と関数不等式の間の溝を埋め、近似的なプロセスが、特に高温領域のSKモデルにおける標準的なマルコフ連鎖の効率性を意味する構造的特性（WPI）を証明するために使用できることを示している。