We compute the leading asymptotics as $N\to\infty$ of the maximum of the field $Q_N(q)= \log\det|q- A_N|$, $q\in \mathbb{C}$, for any unitarily invariant Hermitian random matrix $A_N$ associated to a non-critical real-analytic potential. Hence, we verify the leading order in a conjecture of Fyodorov and Simm formulated for the GUE. The method relies on a classical upper-bound and a more sophisticated lower-bound based on a variant of the second-moment method which exploits the hyperbolic branching structure of the field $Q_N(q)$, $q$ in the upper half plane. Specifically, we compare $Q_N$ to an idealized Gaussian field by means of exponential moments. In principle, this method could also be applied to random fields coming from other point processes provided that one can compute certain mixed exponential moments. For unitarily invariant ensembles, we show that these assumptions follow from the Fyodorov-Strahov formula and asymptotics of orthogonal polynomials derived by Deift, Kriecherbauer, McLaughlin, Venakides, and Zhou.


翻译:我们计算出与非临界真实分析潜力相关的任何单一的希腊随机矩阵 $A_N$,与非临界真实分析潜力相关联。 因此, 我们根据Fyodorov和Simm为 GUE配制的参数来验证领先顺序。 该方法依赖于经典的上方和较复杂的下方, 其依据是第二动作方法的变异, 该变种利用了本场的双曲分支结构 $N$(q), 美元, 在上半平面上方的美元。 具体地说, 我们用指数瞬间将$N$与理想高斯域作比较。 原则上, 该方法也可以适用于来自其他点进程的随机字段, 前提是您可以解析某些混合的指数时刻。 对于单向性性性心肠, 我们展示了这些假设, 由微量值的公式, 和微量性变形体的公式 。

0
下载
关闭预览

相关内容

【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
专知会员服务
61+阅读 · 2020年3月4日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
6+阅读 · 2018年11月29日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员