结果族 219：GOE bulk universality for regular graphs with weak Anderson disorder · 学科：Probability and statistical mechanics · 验证状态：暂无形式化证明，请以社区核验为准
一张巨型社交网，每人恰好有 @@M@@d@@ 位朋友（网络稀疏得可怜），再给每人随机塞一点”个人偏好”（无序）。这张网的”关系矩阵”振动起来，特征值在数轴上的局部排布会像谁？本文证明：像实对称高斯矩阵 GOE——尽管网络每行只有 @@M@@d@@ 个非零元、局部像棵树，谱的微观统计却与稠密随机矩阵无异。
关键词卡片
@@M@@d@@ 条边；均匀随机抽取一张。@@M@@i@@ 行第 @@M@@j@@ 列记 1 表示有边。@@M@@w\omega_v@@，模拟杂质。看个具体例子
红圈内取固定能量 @@M@@E@@，把特征值按无穷树算子的态密度 @@M@@n\rho_{d,w}(E)@@ 重标展开后，其微观点过程收敛到 GOE 体过程——无序强度 @@M@@w@@ 固定且足够小即可，结论沿一切图规模成立。
为什么值得关心
Anderson 1958 年的无序思想与稀疏图的 GOE 普适性在此汇合：单个固定能量处的完整统计，首次在固定度加无序的情形被完全识别。证明里最讲究的一步，是把随机环境显式保留到最后一刻才平均，避免过早抹去关键信息。
暂无形式化证明（AI 结果待核验）
第一级台阶
入门导读把网络比作每人恰好有 d 位朋友的社交网，每人再带一点随机”个人偏好”。换成半数学语言：对象是一张均匀抽取的固定度网络和它的关系账本矩阵，账本每行只有 d 个非零元，对角线上还各自加了一个独立随机的偏移；操作是把这个矩阵的全部特征值摆在数轴上，放大某个固定位置，考察点值的局部排布规律。
第二级台阶
用本科术语定义关键概念。d-正则图指每个顶点恰好连 d 条边的均匀随机简单图；Anderson 无序指每个顶点叠加独立同分布的对角势，模拟杂质；无穷 d-正则树上同一算子的态密度给出单位谱长内特征值的平均个数，充当展开谱的新标尺；GOE 体过程是实对称高斯随机矩阵谱内部的极限点过程，是局部统计的参照仪。
第三级台阶
定理的语境：度数固定不小于三，无序强度为正、固定、且小于一个依赖度数与离干净谱边距离的阈值。小无序挡住了局域化——强无序时态会局域化，统计退化为泊松型，绝无高斯样可言；能量取在干净谱带内部的紧子区间挡住了边缘处不同的普适类。结论用这些话说：该区间上树态密度有正的连续密度，每个固定能量处，特征值按这个密度展开后的微观点过程经拉普拉斯泛函收敛到 GOE 体过程，且沿一切容许图规模成立、无需附加条件。
证明：对固定度 @@M@@d\ge 3@@ 的均匀随机 @@M@@d@@-正则图，加上强度足够小且固定的独立对角无序后，干净谱带内任一固定能量处的特征值点过程经无穷树态密度展开后收敛到 GOE 体过程，把固定度普适性推广到弱 Anderson 无序情形。
Anderson（1958）提出用无序（disorder）解释随机介质对电子输运的抑制；在无穷正则树（Bethe 格子）上，砍断一条边即分离出独立分支，Green 函数因此满足递归分布方程，成为 Abou-Chacra–Thouless–Anderson 自洽理论的基础。Klein（1994、1998）证明了小无序时干净谱带的紧子区间上谱纯绝对连续。有限随机正则图局部像树，但有限谱引出新问题：长度约 @@M@@1/n@@ 的窗口内，特征值是否具有实对称高斯矩阵的统计？此前无序侧只有 Anantharaman–Sabri 的量子遍历性（平均意义的空间均衡分布），单个固定能量处的联合特征值统计在固定度加无序的情形完全未知。
模型为 @@M@@H_{n,d,w}=A_{n,d}+w\,\mathrm{diag}(\omega_1,\dots,\omega_n)@@：@@M@@A_{n,d}@@ 是均匀简单 @@M@@d@@-正则图的邻接矩阵，@@M@@(\omega_v)@@ 独立均匀分布于 @@M@@[-1,1]@@ 且与图独立，@@M@@w>0@@ 固定。定理（固定能量普适性）：对每个 @@M@@d\ge3@@ 与 @@M@@0<\kappa<2\sqrt{d-1}@@，存在 @@M@@w_0(d,\kappa)>0@@，使得对每个固定的 @@M@@0<w<w_0@@，无穷树算子 @@M@@A_{\mathbb T_d}+w\,\mathrm{diag}(\omega_v)@@ 的态密度（density of states）测度 @@M@@\nu_{d,w}@@ 在区间 @@M@@I_{d,\kappa}=[-2\sqrt{d-1}+\kappa,\ 2\sqrt{d-1}-\kappa]@@ 的邻域上有连续密度 @@M@@\rho_{d,w}@@，且在 @@M@@I_{d,\kappa}@@ 上严格为正；进而对每个固定能量 @@M@@E\in I_{d,\kappa}@@，微观点过程 @@M@@\Xi_{n,E}=\sum_i\delta_{\,n\rho_{d,w}(E)(\lambda_i-E)}@@ 的 Laplace 泛函收敛到 GOE 体参考过程 @@M@@\Xi_n^{\mathrm{GOE}}@@，收敛沿一切容许图规模 @@M@@n@@ 成立。允许的无序强度随度数及与干净谱边的距离而变化。
证明分四大步，骨架承自干净模型的姊妹篇，而全部难点在于随机环境必须被显式保留到最后一步。
先建立分布型局部律（distributional local law）。分支 Green 函数满足一个标量递归；第 2 节证明该递归在干净体解附近的稳定性，包括上半平面边界值的控制——这是 Klein 型绝对连续结论的定量强化。第 3 节再对有限图腔 resolvent（cavity resolvent）的经验分布导出近似递归，工具是有限条边的切换、对势的谱平均（spectral averaging）与 Ward 恒等式。与通常局部律不同，所得极限中随机环境仍然可见。
再识别采样顶点处的特征向量标记（marks）。取范数平方为 @@M@@n@@ 的特征向量与距 @@M@@E@@ 不超过 @@M@@O(n^{-1})@@ 的有限特征值列表；subsequential 极限下根点坐标满足树特征方程，微观一致可积性保住精确二阶矩。消除条件均值的小技巧是让全部势同时做微小的保序形变并配合谱平均。第 4 节对整棵树的环境取条件建立星–边熵不等式，其中势分箱带来的 @@M@@-\log Q@@ 项在极限中精确抵消。
然后是比较场的刚性论证。以树 Green 函数虚部为协方差的高斯场同样满足树特征方程，其精度（precision）按入射边分解，同一条边两端的贡献相加恰为边精度。第 5 节结合换根不变性做 Fisher 信息比较，迫使熵不等式取等；等号情形给出：在环境条件下根点各坐标为独立高斯，方差是 @@M@@\Im m_o(E+i0)/(\pi\rho_{d,w}(E))@@——这一条件化陈述保留了取平均后会抹去的信息。
最后确定微观谱过程。第 6 节把采样 resolvent 表示为点过程上的高斯标记；重抽单个势给出精确的秩一恒等式，配合高斯集中把初步的慢估计提升为极限 Stieltjes 变换的一致正则性。再利用势分布上保测度的短区间交换制造大量微小扰动，切换恒等式把其效应表示成高斯标记构成的小符号秩一矩阵之和；第 7 节以 Lindeberg 型替换把中心化和换成 GOE 噪声，于是每个 subsequential 点过程律都可被”有限对角矩阵＋标量平移＋GOE 噪声”的特征值逼近。第 8 节验证正则性与密度归一化后，套用 Landon–Sosoe–Yau 的固定能量 Dyson Brownian 运动（DBM）定理，所得展开恰为定理中的 @@M@@\rho_{d,w}@@；最后用 Bonferroni 有限包容排斥括号把相关函数层面的比较升级为 Laplace 泛函收敛。
本文主结果暂无形式化证明，请以社区核验为准。它与同族的姊妹篇（干净固定度模型）关系密切：后者提供”熵—高斯插入—DBM”骨架，本文明确声明改编其组合熵与高斯插入论证，并新增树递归稳定性、分布型局部律与势重抽样三项纯无序侧的构造；干净模型结论形式上对应本文 @@M@@w\to0@@ 的极限。按 OpenAI 官方声明，未经形式化的结果可能有问题，引用前宜等待社区核验。
问 1：证明中最关键的一步是什么？
（答：整个熵刚性论证在”对全树环境取条件”下进行——Fisher 信息比较迫使熵不等式取等，等号情形给出：环境条件下根点各坐标为独立高斯，方差是树 Green 函数虚部与态密度之比。这一条件化陈述保留了取平均后会抹去的信息，是后一切步可用的前提；过早平均掉环境，方差轮廓消失，DBM 输入不再正则。）
问 2：无序强度为什么必须小？能量为什么必须离谱边有距离？
（答：小无序是树递归在干净解附近稳定与 Klein 型绝对连续的适用范围；强无序下树上的态局域化，有限图点过程应趋于泊松而非 GOE，结论必假。能量取在带内紧子区间则避开边缘普适类——那里的局部统计本就不同，展开密度也可能退化。）
问 3：与已有工作相比真正的新意是什么？
（答：无序侧此前只有 Anantharaman–Sabri 的量子遍历性，是平均意义的空间均衡；单个固定能量处的联合特征值统计在固定度加固定无序情形完全未知。本文三项新构造——分布型局部律（极限中环境仍可见）、条件熵论证、势重抽样提升微观正则性——承自干净模型姊妹篇的骨架但全部重构。）
问 4：为什么展开必须用无穷树算子的态密度？
（答：固定能量统计需要一个确定性的展开尺。树态密度按定义是对环境取期望后的谱测度，是确定的量且在带内有正连续密度；若用有限图经验谱测度，自身带随机涨落，无法充当标尺，定理中的点过程也无从定义。）
问 5：AI 生成证明最可能出错的模式？
（答：四步长链中”势分箱带来的负熵项在极限中精确抵消”、重抽单个势的秩一恒等式、保测度小区间交换经切换恒等式化为小符号秩一矩阵之和，这类抵消与恒等式声明是重灾区；末步套用固定能量 DBM 定理须核对正则性与密度归一化，条件用错不会报错。）
问 6：谁会用到它？
（答：稀疏随机矩阵与 Anderson 模型社区的下一步——局域化转变附近的统计、树上延展态的判据检验；干净模型姊妹篇对应它无序趋零的极限，二者共同补齐固定度谱统计版图。）
总评
把 Anderson 无序思想与稀疏图 GOE 普适性在固定能量处接通，”环境保留到最后”的方法论是真正亮点；最大风险在多步构造的抵消恒等式与外部 DBM 定理适用条件的逐条核验。