结果族 227：Critical SK autocorrelation processes and dynamics across the temperature transition · 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
把一锅汤冻成冰块，再想靠搅拌把它化匀：无论搅多少下——哪怕搅”任何多项式”那么多次——它基本还是一块冰。论文证明低温下的自旋玻璃正是如此：从典型的平衡组态出发开始搅拌，混合时间比任何多项式都长，卡在”伸展指数”这个奇特的量级上。
关键词卡片
看个具体例子
主定理（取 κ=1/10000）：对每个固定 β>1，从吉布斯抽样初态出发，
@@M@@\Pr\big\{\, d_{\exp(n^{1/10000})} > 1/4 \,\big\} \to 1@@
即搅拌 e^(n^0.0001) 这么久仍未搅匀。直接推论：对任意固定 a>0，混合时间 T 超过 n^a 的概率趋于 1。代入数字感受一下：n=10^6、a=100 时，更新 n^100=10^600 次后离平衡仍超过 1/4。这正是标题里”伸展指数障碍”的含义：时间轴上横着一道任何多项式时间都跨不过去的墙。
为什么值得关心
首次证明低温 SK 模型的极慢混合不是”病态起点”的怪现象——吉布斯抽样几乎必然抽到慢起点，补全了整条温度轴上的混合图像。
暂无形式化证明（AI 结果待核验）。
第一级台阶
导读里”把冻成冰块的汤搅匀”的类比可以再推进一步：对象仍是一份所有磁针指向的清单，但在低温下，这份清单所感受的”能量地形”碎裂成许多彼此隔开的深谷；一次翻一枚磁针的搅拌方式，想在谷与谷之间搬家极其吃力。而”混匀”有一个硬性门槛：当前清单与初始清单的相符程度必须从显著为正一路变到非正——这就是必须翻越的那道山脊。
第二级台阶
精确化：设 @@M@@n@@ 个 @@M@@\pm1@@ 自旋按 SK 吉布斯测度 @@M@@\pi^J(x)\propto\exp(\beta\sum_{i<j}J_{ij}x_ix_j/\sqrt n)@@ 分布（@@M@@J_{ij}@@ 独立标准高斯，@@M@@\beta>1@@ 为低温）。热浴链每站点率一地按条件分布重采样单枚自旋；两个组态的相符程度用重叠 @@M@@R(x,y)=n^{-1}x^Ty@@ 度量。初态 @@M@@x_0@@ 按 @@M@@\pi^J@@ 抽取后固定；距离用总变差 @@M@@d^J(x_0,t)@@ 度量。
第三级台阶
定理在每个固定 @@M@@\beta>1@@、零场下陈述。假设各有用处：零场保证全局翻转对称，使反号半空间的平衡质量至少一半，从而”混匀必经重叠变号”；高斯无序让 Guerra 插值与 Talagrand–Parisi 约束重叠界可用；固定 @@M@@\beta@@ 则容许常数随 @@M@@\beta@@ 变化。结论：取 @@M@@\kappa=1/10000@@，在依无序概率意义下，@@M@@\Pr\{d^J(x_0,\exp(n^\kappa))>1/4\}\to1@@，离散时钟同样成立。换言之，吉布斯抽样几乎必然抽到慢起点，混合时间超过任何多项式——时间轴上横着一道伸展指数的墙。
在 SK 模型整个低温相 @@M@@\beta>1@@，论文证明：把典型平衡组态固定为初始状态后，其与平衡的总变差距离在 @@M@@\exp(n^{1/10000})@@ 时刻仍超过 @@M@@1/4@@ 的概率趋于 1。吉布斯采样几乎必然抽到”慢”起点，混合时间超过任何多项式——低温动力学存在伸展指数（stretched-exponential）障碍。
低温 SK 模型的平衡态由 Parisi 变分结构刻画，Guerra 插值上界与 Talagrand 匹配下界使其严格化。动力学方面，由重叠加权形成的自由能屏障（free-energy barrier）被认为导致极慢混合：Ben Arous–Jagannath 建立了把重叠屏障转化为指数小谱隙的准则，但其显式 Ising 充分条件排除了纯 SK 的二次协方差，不能覆盖整个 @@M@@\beta>1@@；Sellke 证明了充分大 @@M@@\beta@@ 时最坏起点的 Glauber 混合指数慢，但”最坏起点”不回答吉布斯样本是否会真的撞上障碍——这正是本文标题里”typical initial states”的分量。带大均匀外场时已有均匀多项式混合（Bandeira–El Alaoui–Rödder），而本文处理零场。物理数值（Billoire、Monthus–Garel）报告对数弛豫时间与 @@M@@n^{1/3}@@ 尺度相关的证据，但不固定本文的指数。
主定理：取 @@M@@\kap=1/10000@@。对每个固定 @@M@@\beta>1@@，先从吉布斯律 @@M@@\pi^J@@ 抽取 @@M@@x_0@@、再把它固定为转移核的参数（这一条件顺序至关重要：若对 @@M@@x_0@@ 积分，任何时刻都回到平稳律），则
@@M@@D\PP_{J,\,x_0\sim\pi^J}\{d^J(x_0,\exp(n^\kap))>1/4\}\longrightarrow1@@
在依无序（disorder）概率收敛意义下成立；离散时钟（每步均匀挑一站点按条件分布重采样）在 @@M@@\lfloor\exp(n^\kap)\rfloor@@ 次尝试后同样成立。等价地，慢混合初始状态的吉布斯质量依概率趋于 1。由总变差收缩性立即得到推论：对任何固定 @@M@@a>0@@，逐点混合时间 @@M@@T^J(x_0)>n^a@@ 的概率趋于 1。指数 @@M@@1/10000@@ 不声称最优，常数可依赖 @@M@@\beta@@，且不给 @@M@@\beta\downarrow1@@ 的一致性。
混合必经重叠符号穿越：取与初始组态重叠 @@M@@R(v_1,x_0)\ge q_*>0@@ 的参考态 @@M@@v_1@@，由全局自旋翻转对称，半空间 @@M@@\{z:R(v_1,z)\le0\}@@ 的吉布斯质量至少 @@M@@1/2@@，故距平衡 @@M@@1/4@@ 以内的转移律必须以至少 @@M@@1/4@@ 的概率进入它；于是整个证明的任务是排除前 @@M@@e^L@@（@@M@@L=n^\kap@@）时间单元内重叠从 @@M@@+q_*@@ 到非正的穿越。先做静态准备：借助 Guerra 插值与 Talagrand 的约束重叠界（Panchenko 的锐性）导出任意有限副本维度的矩阵比较，把 @@M@@n^{-1}\E\log Z^J@@ 与 Parisi 泛函最小值之差压到 @@M@@O_\beta(n^{-1/24})@@；再发展最小化测度的标量演化与变分恒等式；继而证明”锁定”（locking）估计——当一对副本有实质正重叠时，它们与第三副本的小符号重叠被迫几乎一致（除去极小的平均吉布斯概率集），并有窄版本处理两小重叠紧贴同一正水平的临界三元组；加上平衡能量界与无序小高斯旋转估计，推出”覆盖”（coverage）：同时对每个子集 @@M@@S@@，除去绝对吉布斯质量小于 @@M@@e^{-D_1L}@@ 的例外目标，@@M@@S@@ 内每个 @@M@@x@@ 都有占比至少 @@M@@e^{-D_3L}@@ 的 @@M@@z\in S@@ 满足 @@M@@|R(x,z)|\ge q_*@@，故抽 @@M@@\exp(O(L))@@ 个独立平衡样本就能在 @@M@@S@@ 内找到参考。动力学部分沿平稳路径论证：每当路径穿越一个小正重叠水平，覆盖提供一个与当前组态大重叠的新参考；向后搜索该参考自身的穿越时刻时，锁定估计保证它与先前保留参考的重叠几乎不动，迭代于是在同一路径指标处堆出多个同时成立的叠加约束。参考样本按固定块长 @@M@@B@@ 分块管理：块内新参考须与块内先前参考小重叠，块首重置，与旧参考的冲突至多删除长 @@M@@H_0<B@@ 的后缀，因此首参考 @@M@@v_1@@ 永远幸存——这样约 @@M@@L@@ 个水平只需 @@M@@\exp(O(L))@@ 个参考样本。最后的概率估计按随机性披露的顺序进行：第 @@M@@i@@ 层阈值 @@M@@r_i@@ 在参考已确定后才抽出，它在任何固定路径指标落入狭窄容许窗的概率极小；按水平递减用条件期望逐层消去约束，再对确定性的路径指标与保留水平子集求和，两种时钟一并完成。附录还以固定水平数、多项式规模参考库给出多项式时间障碍的独立第二证明。
本文暂无形式化证明，请以社区核验为准。它与族内姊妹篇互相补位：@@M@@\beta<1@@ 端证明 cutoff，@@M@@\beta=1@@ 端（已 Lean 形式化）证明 @@M@@n^{2/3}@@ 临界减速，本文补上 @@M@@\beta>1@@ 端的伸展指数障碍，三者共同拼出 SK 热浴动力学横跨整个温度轴的混合图像。按 OpenAI 官方声明，未经形式化的结果可能有问题。
问 1：”吉布斯抽样初态”这个条件顺序，为什么是整篇论文的命门？
（答：若把 @@M@@x_0@@ 按 @@M@@\pi^J@@ 积分掉，链在每个时刻的边缘律就是平稳律本身，总变差恒为 0，任何”慢混合”陈述都会平凡失效。定理必须先抽 @@M@@x_0@@、再固定为转移核的参数，然后问固定起点的 @@M@@d^J(x_0,\exp(n^\kappa))@@——这正是”典型起点”与 Sellke 式”最坏起点”的本质差别。）
问 2：证明链条里最脆弱的一环在哪里？
（答：三段长链环环相扣：静态侧要把 @@M@@n^{-1}\E\log Z^J@@ 与 Parisi 泛函最小值的差压到 @@M@@O_\beta(n^{-1/24})@@（Guerra 插值加 Talagrand 约束界）；由此派生的”锁定”与”覆盖”估计再喂给动力学侧的迭代——每穿越一个小正重叠水平就堆上一条约束，锁定保证新参考与旧参考的重叠几乎不动。任何一段的常数不匹配，前 @@M@@\exp(n^\kappa)@@ 时间单元内排除穿越的论证就会断链。）
问 3：指数 @@M@@1/10000@@ 是不是太保守了？
（答：论文明言该指数不声称最优，只须为正即可得出”超过任何多项式”的推论；常数可依赖 @@M@@\beta@@，且不给 @@M@@\beta\downarrow1@@ 的一致性。物理数值（Billoire、Monthus–Garel）提示的真实屏障尺度远大于此，但本文的技术（参考样本按块管理、阈值逐层抽取）只在伸展指数窗口内闭合。）
问 4：零场假设能去掉吗？
（答：很难。证明的第一块基石就是全局自旋翻转对称：与初始组态重叠 @@M@@\ge q_*>0@@ 的参考态 @@M@@v_1@@ 所对应的半空间 @@M@@\{z:R(v_1,z)\le0\}@@ 平衡质量至少 @@M@@1/2@@，这才迫使混合路径必须完成重叠变号。加了外场，翻转对称即失效，整条穿越论证失去支点；事实上带大均匀外场时已有均匀多项式混合的反向结果。）
问 5：与 Ben Arous–Jagannath、Sellkey 相比，真正的新意是什么？
（答：Ben Arous–Jagannath 给出把重叠屏障转成指数小谱隙的准则，但其显式 Ising 充分条件排除了纯 SK 的二次协方差；Sellke 只覆盖充分大 @@M@@\beta@@ 的最坏起点。本文首次在全部 @@M@@\beta>1@@ 证明吉布斯样本几乎必然撞上屏障，把”病态起点”的嫌疑从低温慢混合中排除。）
问 6：AI 生成证明最可能出错的模式是什么？
（答：最危险的是随机性披露顺序类错误——最终概率估计要求第 @@M@@i@@ 层阈值 @@M@@r_i@@ 在参考确定之后抽取、按水平递减逐层取条件期望，这类多层条件结构里量词错位极难肉眼察觉。本文未形式化，且依赖链横跨 Guerra–Talagrand–Panchenko 深水区，属于整族中人工核验负担最重的一篇。）
问 7：这个结果谁会用到？
（答：任何想在低温 SK 上跑吉布斯采样的人：它说明多项式时间内不可能从典型平衡态混匀，采样算法的低温失效有了严格下界；与 @@M@@\beta<1@@ 的 cutoff 篇、@@M@@\beta=1@@ 的临界篇拼起来，构成 SK 热浴动力学横跨整个温度轴的完整混合图像。）
总评
这是低温端”典型起点也慢”的第一条严格定理，把自由能屏障物理图像钉死在总变差层面；最大风险在于其未形式化且证明链极长，静态输入的 @@M@@O(n^{-1/24})@@ 精度与动力学迭代的耦合处最值得社区优先复核。