Często rozważamy system jako graf po którym poruszają się obiekty, jak np. użytkownicy po stronach www, samochody między skrzyżowaniami, elektrony po sieci krystalicznej ... Te obiekty kierują się zwykle bardzo skomplikowanymi regułami, często na podstawie wielu informacji ukrytych dla zewnętrznego obserwatora. Dlatego żeby mógł on modelować zachowanie takiego systemu, konieczne jest użycie modeli stochastycznych - ewoluujących w sposób probabilistyczny - reprezentujących naszą informację, którą zwykle dalej tracimy aż do pewnego dynamicznego stanu równowagi naszej maksymalnej niewiedzy.



Najprostszy model to że jeśli wiemy że obiekt jest w danym węźle, w następnym kroku będzie w którymś z najbliższych sąsiadów tego węzła z pewnym rozkładem prawdopodobieństwa - pytanie jak wybrać ten rozkład prawdopodobieństwa?
Innymi słowy: jak dobierać prawdopodobieństwa na krawędziach zadanego grafu? - gdy obiekt jest w wierzchołku a, jakie jest prawdopodobieństwo że przeskoczy do wierzchołka b?
Pytanie wydaje się proste, jednak takie nie jest.
Standardowym wyborem jest tzw. pijany marynarz - obiekt rozgląda się dookoła, liczy możliwe wybory i losowo wybiera jeden z nich z jednorodnym prawdopodobieństwem - nazwijmy taki dobór prawdopodobieństw dla danego grafu jako Generic Random Walk (GRW). Jeśli jako graf wybierzemy sieć kwadratową, w ciągłej granicy prowadzi on do ruchów Browna.

Co jednak jeśli obiekt nie używa dokładnie tego algorytmu?
Jeśli po prostu jakoś (nawet deterministycznie) wybiera jakąś trajektorię, a tylko my nie wiemy jaką?
W takich sytuacjach w termodynamice zakłada się zasadę maksymalnej niewiedzy - że spośród wszystkich modeli probabilistycznych jakie możemy wybrać, powinniśmy wybrać ten który maksymalizuje entropię. W przestrzeni wszystkich możliwych przypadków, te generowane przez ten optymalny model, asymptotycznie zdominują te generowane przez posiadające dowolny inny zestaw parametrów.
Na przykład ilość ciągów zerojedynkowych z dokładnie połową jedynek, rośnie (exp(entropia*długość)) istotnie szybciej niż dla innych proporcji symboli - asymptotycznie zupełnie je dominując - długi zupełnie losowy ciąg zerojedynkowy prawie na pewno ma praktycznie połowę jedynek.
Wracając do błądzenie na grafie, możemy dla niego zdefiniować średnią produkcję entropii na krok:
-sum_a* Pr(obiekt jest w a) * sum_b Pr(a->b) log(Pr(a->b)
Okazuje się że standardowy wybór (GRW) nie zawsze maksymalizuje tą formułę - nazwijmy błądzenie które to robi jako MERW (Maximal Entropy Random Walk).
Warunek które ten wybór prawdopodobieństw przejść powinien spełniać, to że dla każdych 2 wierzchołków, każda ścieżka między nimi o tej samej długości (dowolnej), jest tak samo prawdopodobna.
Innymi słowy - gdy nie wiemy jaką trajektorię wybierze obiekt, zakładamy jednorodny rozkład pomiędzy jego możliwymi wyborami (ścieżkami).
Jak GRW wyróżnia pewną charakterystyczną odległość do najbliższego sąsiada, MERW można otrzymać jako jego bezskalową granicę.

Okazuje się że możemy jednoznacznie dobrać prawdopodobieństwa żeby spełniać ten warunek, jednak zależą one od całej sytuacji (grafu). Ten model jest więc nielokalny - drobne zmiany mogą zmienić odległą sytuację, jednak należy pamiętać że jest to model termodynamiczny - tylko reprezentuje naszą informację - obiekt nie używa go bezpośrednio do podejmowanie decyzji(!). Nie mając bezpośredniego dostępu do ukrytych dla nas stopni swobody (jak to o czym myśli kierowca), dzięki termodynamice dostajemy do nich pośredni dostęp w modelu który jest od nich niezależny.
Ale żeby robić to optymalnie, musimy znać całą przestrzeń możliwości.

Ciekawe jest że jak standardowe błądzenie przypadkowe i ruchy Browna prowadzą do praktycznie jednorodnego stacjonarnego rozkładu prawdopodobieństwa, to podejście prowadzi do rozkład stacjonarnego będącego kwadratami współrzędnych dominującego wektora własnego macierzy przystawania tego grafu. Ta macierz odpowiada minus Hamiltonianowi, czyli dostajemy termalizację do gęstości prawdopodobieństwa kwantowego stanu podstawowego - co też termodynamicznie oczekujemy od mechaniki kwantowej. W przeciwieństwie do standardowych ruchów Browna które powstały z przybliżonej maksymalizacji niewiedzy, te poprawione termodynamiczne modele stochastyczne są w końcu zgodne z termodynamicznymi przewidywaniami mechaniki kwantowej (czego chyba powinniśmy oczekiwać?).
Różnica ze standardowym podejściem może być olbrzymia - zamiast prawie jednorodnego rozkładu stacjonarnego dla ruchów Browna, tu i w mechanice kwantowej dostajemy bardzo silne własności lokalizacyjne - np. stacjonarnej gęstości elektronów w zdefektowanej sieci półprzewodnika: physicsworld.com/cws/article/news/41659
Używając grafu jako sieci, w granicy dostajemy Schrodingerowski hamiltonian - czyli że kwantowy stan podstawowy np. elektronu w potencjale protonu jest też uniwersalny z perspektywy termodynamiki.

Tu jest praca o lokalizacji: prl.aps.org/abstract/PRL/v102/i16/e160602
Tu symulator przewodnictwa
Tutaj np. są porównane entropie różnych błądzeń: pre.aps.org/abstract/PRE/v83/i3/e030103
Tu jest świeża duża zbiorcza i rozszerzająca praca: arxiv.org/abs/1111.2253

Ta ostatnia to wstępna wersja mojego obecnego doktoratu - bardzo chętnie bym podyskutował na ten temat.
Na przykład:
Kiedy powinniśmy używać GRW, a kiedy raczej MERW? A może lepiej jeszcze inny wybór?
MERW w przeciwieństwie do GRW ma silne własności lokalizacyjne - może komuś się kojarzy jakiś taki "z życia" przykład statystycznej lokalizacji??
Czy zgodność takich "poprawionych" ruchów Browna z termodynamicznymi oczekiwaniami mechaniki kwantowej to tylko zbieg okoliczności? Czy mechanika kwantowa jest teorią fundamentalną, czy może raczej reprezentuje naszą informację?