Markov Inequality as a Tool for Linear-Scaling Estimation of Local Observables

技术摘要：将马尔可夫不等式作为线性缩放局部可观测量估计工具的研究

问题陈述
在大型无序晶格系统中，揭示空间分辨的量子可观测量——如局域态密度（LDoS）、局域电流和拓扑标记——仍然是一个重大的计算挑战。虽然基于切比雪夫展开的线性缩放算法可以高效地估计体平均谱函数（算符迹），但在应用于全样本空间图时却表现不佳。生成这些图通常会产生 $O(N^2)$ 的计算成本（其中 $N$ 为系统尺寸），这是由于局部量缺乏自平均性所致。在存在强空间涨落的系统中（例如表现出安德森局域化或在金属-绝缘体转变附近具有多重分形标度的系统），标准的随机采样方法无法实现均匀收敛。具体而言，朴素估计器的相对采样误差与局域波函数振幅（$|\psi_\alpha(r)|^{-1}$）成反比，导致在可观测量较小的区域出现非均匀收敛和非物理结果（例如负的 LDoS 值）。

方法论
作者引入了一种线性缩放随机方法，旨在以受控精度计算紧束缚模型中任何正定局域谱算符的实空间图。其核心创新在于使用正定随机估计器结合马尔可夫不等式。

1. 正定估计器： 与可能产生符号变化的传统无偏估计器不同，所提出的方法构建了严格非负的估计器。对于正定算符 $X$，引入一个随机场 $\phi_r = \langle \xi | \circ \sqrt{X} | \xi \rangle$。目标对角元 $X_r$ 则通过 $|\phi_r|^2$（对于复向量）或 $\text{Var}(\phi_r)$（对于满足特定矩条件的实向量）进行估计。
2. 马尔可夫不等式界限： 通过确保估计器是非负的，利用马尔可夫不等式（$P(\eta_r \ge C) \le \eta_r C^{-1}$）严格限制每个位点相对于局域均值的采样误差。这确保了整个样本中的相对涨落保持恒定，无论局域可观测量的大小如何，从而保证了均匀收敛。
3. 向非对角可观测量量的扩展： 该方法通过局域幺正变换扩展到非对角元（例如局域电流）。通过对位点对 $\{r, r'\}$ 应用局域旋转，将非对角矩阵元编码到旋转基底的对角元中。这使得正定估计技术可以应用于非对角量，而不会引入额外的采样相关性，因为旋转作用于不相交的位点对。

关键结果
通过在二维 $\pi$-通量方格点阵无序模型上的基准计算，证明了该方法的有效性：

• 单空位情况： 在一个 $4096 \times 4096$ 的超胞中包含单个中心空位的情况下，该方法成功计算了零能 LDoS。它忠实地捕捉到了预期的代数衰减（$\rho_r(0) \propto r^{-2}$），跨越了多个数量级。相比之下，传统的朴素估计器在低振幅区域失效，产生了非物理的负值和巨大的相对误差。
• 多空位情况： 对于一个在 $2048 \times 2048$ 超胞中具有 0.5% 空位浓度的系统，该方法生成了跨越多个数量级的收敛 LDOs 图。其 95 分位数的局域相对涨落被限制在 3.5%，展示了即使在存在临界零能态的情况下也能实现受控精度。
• 误差分析： 与 $512 \times 512$ 样本的精确 LDoS 计算进行对比显示，正定估计器将局域相对误差的众数降低了约两个数量级。误差分布随随机向量数量 $R$ 按 $R^{-1/2}$ 比例缩放。在计算上，随机估计耗时约 4 个 CPU 小时，而精确计算则需要约 171 个 CPU 日。
• 局域电流： 该方法被用于计算存在长程势散射器时的稳态局域电流场。生成的图谱揭示了复杂的涡旋-反涡旋对和复杂的流模式，解析了与石墨烯局域化转变（Kosterlitz–Thouless 普适类）相关的结构，这些结构此前难以通过高空间分辨率捕捉。

意义与主张
本文声称，通过将生成全样本图的计算复杂度从二次缩放降低到线性缩放，该方法能够模拟现实规模的大型晶格中由无序驱动的介观现象。通过马尔可夫不等式对位点级随机误差进行严格界定，克服了局部量缺乏自平均性的根本限制。

作者断言，该方法：

• 即使在强空间涨落下也能实现局域可观测量量的精确估计。
• 有助于研究大规模系统中的多重分形和无序驱动的转变。
• 通过提供高效、精度受控的局域输入，加速实空间自洽平均场计算。
• 为任何正定局域谱算符提供了一个通用框架，并可通过幺正变换扩展到非对角可观测量。

这项工作被呈现为一种工具，旨在弥合实验空间分辨率（如 STM、SQUID）与凝聚态物理理论模拟能力之间的差距。