Macroscopic freezing of a vector Gaussian free field conditioned to avoid a ball

Resumo Técnico: Congelamento Macroscópico de um Campo Gaussiano Livre Vetorial Condicionado a Evitar uma Bola

Enunciado do Problema
O artigo investiga o comportamento macroscópico de um campo gaussiano livre (GFF) discreto de valores vetoriais em uma caixa de rede bidimensional $\Lambda_n$ de lado $n$, condicionado a permanecer fora de uma bola fixa de raio $R$ em um domínio interior macroscópico $D_n$. Especificamente, o autor considera $m \ge 2$ coordenadas independentes de GFF com contorno zero $\phi_n = (\phi_n^1, \dots, \phi_n^m)$. O evento de condicionamento $\Omega_n$ exige que a norma euclidiana do vetor do campo $|\phi_n(x)| \ge R$ para todo $x \in D_n$.

A questão central aborda a "repulsão entrópica" no cenário vetorial: enquanto campos escalares são forçados a se elevar para longe de um obstáculo, um campo vetorial possui uma direção livre. O artigo busca determinar se diferentes partes do domínio macroscópico $D$ escolhem a mesma direção (alinhamento) ou se a direção varia espacialmente. Isso se baseia no trabalho anterior de Korzhenkova e Sepúlveda [1], que estabeleceram que a norma do campo é tipicamente $2 \log n$ e que as direções se alinham em distâncias sub-macroscópicas ($n^\nu$ para $\nu < 1$), mas deixaram em aberto a questão do "congelamento macroscópico" (alinhamento através de todo o domínio).

Metodologia
A prova combina três componentes técnicos primários:

1. Teoremas de Repulsão de Norma: O autor utiliza resultados de Korzhenkova e Sepúlveda [1] para estabelecer que, sob o condicionamento, o campo normalizado $|\phi_n(x)|/\log n$ se concentra em torno de 2 quase em toda parte em $D$. Isso é formalizado via um funcional contínuo limitado $G(f)$ que mede o déficit $L^2$ em relação à norma alvo 2.
2. Grandes Desvios Gaussianos: O artigo emprega um princípio de grandes desvios (LDP) $L^2$ para o campo não condicionado $X_n = \phi_n / \log n$. A função de taxa é identificada como a energia de Dirichlet $I(f) = \frac{1}{4\pi} \int_\Lambda |\nabla f|^2$. O evento de condicionamento é analisado restringindo o LDP ao conjunto onde a restrição de norma é satisfeita.
3. Problema Variacional de Capacidade Vetorial: O núcleo do argumento reduz o problema vetorial a um problema escalar. O autor analisa a minimização da função de taxa $I(f)$ sujeita à restrição $|f| \ge 2$ em $D$. Eles provam que os minimizadores deste problema de capacidade vetorial são únicos até uma rotação global: o campo deve assumir a forma $f = 2 U h_D$, onde $h_D$ é o potencial de equilíbrio do domínio $D$ (relativo a $\Lambda$) e $U$ é um vetor unitário constante.

Um passo crucial envolve mostrar que qualquer variação no vetor de direção $s(u) = f(u)/|f(u)|$ incorre em um custo adicional de "energia angular" proporcional a $\int h_D^2 |\nabla s|^2$. Como o domínio $\Lambda$ é conexo, a minimização de energia força $s(u)$ a ser constante quase em toda parte, estabelecendo assim o alinhamento macroscópico.

Resultados Principais
O artigo estabelece os seguintes resultados principais:

• Custo Assintótico do Condicionamento (Teorema 1.1): A probabilidade do evento de condicionamento decai como:
  $$\lim_{n \to \infty} \frac{\log P(\Omega_n)}{(\log n)^2} = -\frac{2}{\pi} \text{cap}_\Lambda(D)$$
  onde $\text{cap}_\Lambda(D)$ é a capacidade relativa de $D$ em $\Lambda$. Este custo é independente do raio da bola $R$ e da dimensão vetorial $m$.

• Convergência Macroscópica (Teorema 1.1): Sob a medida condicional $Q_n$, o campo normalizado $X_n$ converge em distribuição em $L^2(\Lambda; \mathbb{R}^m)$ para $2 U h_D$, onde $U$ é um vetor unitário aleatório uniformemente distribuído na esfera $S^{m-1}$. Isso implica que o perfil do campo é determinístico até uma rotação aleatória global.

• Alinhamento Determinístico (Corolário 1.2): Existe um subconjunto determinístico de sítios $\tilde{D}_n \subset D_n$ com densidade aproximando-se de 1 (ou seja, $|D_n \setminus \tilde{D}_n| = o(n^2)$) tal que o alinhamento esperado entre quaisquer dois sítios em $\tilde{D}_n$ converge para 1:
  $$\inf_{x,y \in \tilde{D}_n} E[\sigma_n(x) \cdot \sigma_n(y) \mid \Omega_n] \to 1$$
  onde $\sigma_n(x)$ é a direção do campo em $x$. Isso confirma que o "congelamento" da direção ocorre através de todo o domínio macroscópico, e não apenas localmente.

Significância e Escopo
O artigo fornece um perfil espacial completo para a repulsão entrópica de um GFF vetorial, resolvendo a questão do congelamento macroscópico proposta em [1]. A significância reside em demonstrar que a restrição de evitar uma bola força o campo vetorial a selecionar uma única direção global para minimizar a energia de Dirichlet, efetivamente acoplando as direções escolhidas em componentes potencialmente desconexos do domínio $D$.

O autor observa que sua abordagem depende do caso de igualdade no problema variacional de capacidade e das propriedades espectrais do GFF. Eles declaram explicitamente que os resultados não abordam:

• Taxas quantitativas de concentração do perfil.
• A remoção do conjunto excepcional em Corolário 1.2 para subdomínios interiores fixos.
• As flutuações de escala mais fina do campo residual $X_n - 2 U h_D$.
• Os termos assintóticos de ordem superior que podem depender do raio $R$ ou da dimensão $m$.

O trabalho é estruturado como uma extensão rigorosa dos resultados clássicos de repulsão entrópica escalar (por exemplo, Ben Arous e Deuschel [2]) para o cenário vetorial, utilizando a interação entre grandes desvios e teoria da capacidade.