🔢 mathematics

Density of states of randomly sprinkled graphs

本文引入了一种随机撒布图模型，该模型连接了安德森模型与格点渗透，提供了谱的安德森-渗透表示，刻画了其支撑集，推导了状态密度的定量界限，并分析了稀疏撒布机制下的状态密度。

原作者： Antti Knowles, Steffen Polzer

发布于 2026-09-16

📖 1 分钟阅读🧠 深度阅读

原作者： Antti Knowles, Steffen Polzer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在复杂系统的研究中，从城市电网中的电流流动到不规则材料中电子的行为，科学家们经常寻找系统的“谱”（spectrum）。这个谱本质上是系统可以振动或产生共鸣的所有可能能量级或频率的地图。想象一下吉他弦：它有一组特定的音符可以演奏。而一个复杂的网络，比如一个由大量相互连接的节点组成的庞大网络，则拥有一套更为错综复杂的可能音符。该领域的一个最基本问题是，网络的形状和结构如何决定其音乐范围。对于简单的、完美的有序结构，这种地图是众所周知的。但对于那些看起来更像树木纠缠的根系或社交网络中混乱连接的杂乱、随机的网络，其景象变得极其难以观察。

Antti Knowles 和 Steffen Polzer 的一项新研究通过调查一种构建这些杂乱网络的方式，解决了这一难题。他们首先从一个大型、坚实的“核心”图（core graph）开始，这代表了一个稳定的底层结构。然后，他们执行了一个被称为“撒播”（sprinkling）的过程。在核心图上的每一个点上，他们都独立地附着一个小型的、随机的簇（cluster）以及新的点和连接。有些点可能会得到一个只有三个新节点的微小簇；有些点可能什么也得不到；另一些点则可能会得到一个更大、更复杂的形状。这种模型旨在模拟现实世界的现象，例如一个量子粒子在带有随机杂质的水晶点阵中跳跃，或者一个稳定的朋友核心圈不断增加松散联系的新熟人的社交网络。研究人员想要知道，这种随机的撒播如何改变网络的整体“歌声”？它是创造了新的音符，让旧的音符失声，还是仅仅模糊了它们之间的界限？

作者开发了一个数学框架，来精确追踪这些随机添加物如何改变网络的能量谱。他们发现，撒播的影响并非简单的、均匀的模糊。相反，它创造了两种对立力量之间的竞争。一方面，附着的簇就像调音叉一样。如果一个小簇具有特定的自然频率，它可以迫使整个网络以该精确频率振动，从而在谱中创造出尖锐、清晰的峰值。这些被称为“调音叉”特征值（tuning fork eigenvalues），而且它们相对容易预测，因为它们仅取决于所附小部件的形状。然而，研究人员关注的是在排除了这些明显的峰值后，仍然存在的更微妙、更隐蔽的变化。

他们发现，剩余部分的谱受控于两个看似无关的概念之间的一种深刻联系：即无序如何影响量子粒子，以及网络在随机移除点时如何破碎。通过将他们的问题转化为这种语言，他们能够证明，撒播图的谱几乎完全由涉及核心图和随机簇的一套特定规则决定。他们表明，网络的“歌声”本质上是核心图原始音符的组合，并受到附着簇的随机势能的偏移和扭曲。这使得他们能够精确预测能量级会出现的位置以及它们的密度。

其中一个最引人注目的发现涉及当撒播非常稀疏（即只有极小比例的核心点接收到任何新的附着）时的情况。在这种机制下，研究人员发现，附着的簇不仅仅是增加了噪声；它们还积极地将核心图原有的能量级从其原始位置推开。根据附着簇的具体形状和局部环境，一个特定的频率既可以成为一个“源”（source），吸引新的能量级并增加状态密度，也可以成为一个“汇”（sink），排斥能量级并在其间创造出一个间隙。这意味着，即使是极少量的随机撒播也能显著重塑可能的能量景观，以一种非常具体且可预测的方式创造新的峰值或清除其他峰值。

这项研究还揭示了对于某些类型的、大型的规则网络，这些随机峰值会呈现出一种被称为“柯西峰”（Cauchy peak）的特定形状。这些是中心恰好位于附着簇自然频率上的、尖锐的钟形曲线。研究人员证明，随着底层网络变得更大、连接更紧密，这些峰值会成为附着件附近谱的主要特征。这为局部无序如何在全局结构中传播提供了一个清晰、定量的图像。

此外，作者证明了这些撒播图的谱几乎总是连续的，除了由调音叉引起的那些特定的、尖锐的峰值。这是一个至关重要的区别，因为它告诉我们，虽然随机撒播创造了尖锐、孤立的音符，但网络的绝大部分行为是流动的、扩散的，而不是锁定在一个僵化的、离散的状态集中。他们还表明，在附着簇拥有许多自然频率的区域，总能量级数量往往会增加，这证实了撒播通常会增加系统的复杂性。

这项工作为理解此前只能通过模拟或近似研究的无序系统提供了严密的数学基础。通过建立附着簇的几何形状与所得谱之间的精确联系，研究人员为科学家提供了一个强大的工具，使其无需模拟每一个连接即可预测复杂网络行为。无论是应用于设计新型量子材料，还是分析大规模数据网络，该模型都提供了一条清晰的路径，用以理解微小的、随机的变化如何从根本上改变一个大型复杂系统的特性。研究证实，虽然随机性引入了混沌，但这种混沌是遵循严格的、可被映射和理解的规律进行的。

技术摘要：随机撒入图的态密度

1. 问题陈述与动机

本文研究了一类通过在大型“核心”图 $\mathbb{G}$ 的顶点上“撒入”（sprinkling）较小的随机图而构造的随机图的谱性质，特别是态密度（DOS）。该模型旨在捕捉许多观测到的图的定性结构，这些图通常由一个宏观核心和附着的较小子图组成（例如 Erdős–Rényi 图的 Karp–Sipser 核心）。

该模型由两个主要背景驱动：

随机图理论： 它推广了诸如 Erdős–Rényi 图之类的结构，在这些结构中，DOS 的复杂性通常源于在更简单的核心上添加附着的图。
量子无序： 它作为一个量子无序模型，其中的无序并非源于晶格上的随机势能（如标准的 Anderson 模型），而是源于向晶格顶点随机嫁接补充原子或小型图。

核心挑战在于，当体积 $|V| \to \infty$ 时，刻画撒入图的邻接矩阵 $A$ 的极限经验特征值测度（即 DOS），特别是理解撒入过程如何修改核心图 $\mathbb{G}$ 的 DOS。

2. 模型定义

令 $\mathbb{G}$ 为一个大型有限（随机或确定性）图，其顶点集为 $\mathbb{V}$ 。在每个顶点 $x \in \mathbb{V}$ 处，独立同分布（i.i.d.）地抽取一个随机元素 $(G_x, \phi_x)$ ，其中 $G_x$ 是一个有限随机图， $\phi_x \in \{0, 1\}^{V_x}$ 是一个指示向量。图 $G_x$ 通过将 $x$ 与所有满足 $\phi_x(t) = 1$ 的顶点 $t \in V_x$ 相连的方式附着在 $x$ 上。生成的图 $G$ 的顶点集为 $V = \mathbb{V} \cup \{(xt) : x \in \mathbb{V}, t \in V_x\}$ 。

作者使用 Benjamini–Schramm 收敛框架分析了 $G_N$ 的期望经验特征值测度 $\nu_N$ 在 $N \to \infty$ 时的极限。他们假设核心 $\mathbb{G}_N$ 收敛到无穷根图 $(\mathbb{G}, \mathbb{o})$ ，并证明了撒入图收敛到极限 $(G, o)$ 。

3. 方法论

本文结合了概率图论、谱理论和算子理论。关键的方法论工具包括：

Anderson-Percolation 表示法： 作者在有限体积下推导出了一个精确的代数对应关系，将撒入图的特征值与定义在核心的位点渗流（site-percolated）子图上的族系 Anderson 哈密顿量联系起来。具体而言，对于能量参数 $\lambda$ ，撒入图的谱（排除“音叉”特征值）与算子 $H_\lambda = B_\lambda + V_\lambda$ 的谱相关，其中 $B_\lambda$ 是由附着图的解析函数有限的顶点所诱导的子图的邻接矩阵，而 $V_\lambda$ 是由附着图导出的随机对角势。
音叉分解（Tuning Fork Decomposition）： DOS 被分解为一个“音叉”部分（ $\nu_{TF}$ ，源于完全支持在附着图上且在核心上消失的特征向量）和一个非音叉部分。音叉部分的贡献可以被显式计算。
Stieltjes 变换与展开： 对于稀疏撒入（即附着非空图的概率 $p$ 很小）的情况，作者将 DOS 的 Stieltjes 变换按 $p$ 的幂次进行展开。这涉及对 $p$ 求导，并使用 Helffer–Sjöstrand 公式将对变换的界限转化为对测度的界限。
遍历理论： 为了建立谱的几乎处处常数性以及 DOS 的支撑集，作者利用了针对极限图中偏置分布的根的遍历理论进行了调整。

4. 主要贡献与结果

极限的存在性： 定理 2.1 建立了撒入图在局部拓扑下的无穷体积极限的存在性，并显式构造了极限测度 $\nu$ 。
Anderson-Percolation 表示法： 定理 2.5 提供了一种表示 DOS 原子（atoms）的方法。它表明，在 $\lambda$ 处的非音叉贡献与 Anderson-percolation 哈密顿量 $H_\lambda$ 在 $\lambda$ 处的态密度成正比。这使问题与 Anderson 模型和位点渗流理论联系起来。
DOS 的支撑集： 定理 2.15 刻画了对于确定性的、顶点传递的核心（如 $\mathbb{Z}^d$ 、Bethe 格点）具有对称区间谱的情况下的 DOS 支撑集 $\Sigma$ 。其支撑集由下式给出：
$\Sigma = \{ \lambda \in \mathbb{R} : \mathbb{P}(\lambda + r(\lambda) \in \Sigma_0) > 0 \} \cup \mathcal{T}$
其中 $\Sigma_0$ 是核心的 DOS 支撑集， $r(\lambda)$ 是由附着图导出的函数， $\mathcal{T}$ 是音叉特征值集合。
质量集中： 定理 2.16 提供了关于积分态密度的定量界限。它证明了撒入过程会增加包含许多 $r(\lambda)$ 零点的区间内的预期特征值数量。
稀疏撒入展开： 在小 $p$ $p$ 的机制下，作者推导了展开式 $\hat{\nu} = \nu_0 + p\phi + p^2 R$ $\overset{ν}{^} = ν_{0} + pϕ + p^{2} R$ 。
- 第一阶项 $\phi$ 通常是一个阶数至多为 1 的分布，不一定是符号测度。
- 论文识别了“源”与“汇”：取决于核心的局部密度和附着图，撒入可以增加或减少附着图特征值附近的局部 DOS 质量。
- 对于核心度数较大的情况（例如 $\mathbb{Z}^d$ 或大度数的 Bethe 格点），展开式表明 DOS 会在附着图的特征值中心形成 Cauchy 峰（定理 2.25）。
在 $p=1$ 附近的展开： 附录 B 推导了类似于 $p$ 接近 1 时的展开情况，这对应于一个非平凡但可显式求解的确定性模型。

5. 重要性与主张

本文声称提供了一个严谨的框架，用于理解局部图扰动（撒入）如何影响全局谱性质。

与已知模型的联系： 这项工作统一了随机图研究与 Anderson 模型及渗流理论，表明撒入图的谱可以通过渗流后的 Anderson 哈密顿量的视角来理解。
定量界限： 不同于以往的定性研究，这项工作为 DOS 及其积分版本提供了显式的上界和下界。
谱修改机制： 论文阐明了特征值生成（在附着图特征值附近）与特征值排斥之间竞争的机制。它严谨地刻画了附着图的一个特征值何时作为“源”（增加局部 DOS）或“汇”（减少局部 DOS）。
局限性： 作者指出，稀疏展开中的第一阶修正项 $\phi$ 通常是一个分布而非测度，因此需要通过光滑函数进行测试。他们还承认，虽然研究重点是邻接矩阵，但这些技术预计也可应用于拉普拉斯矩阵等其他矩阵。

本文并未声称解决了所有随机图模型的 DOS 问题（例如，由于在特定构造中核心与附着图之间缺乏独立性，它明确排除了标准的 Erdős–Rényi 图），而是建立了一个通用的模型，捕捉了许多复杂网络和无序系统中观察到的“核心+附件”结构。

类似论文