Vous êtes sur la page 1sur 183

No dordre : 2357

THESE
presentee a
LUNIVERSITE DES SCIENCES ET TECHNOLOGIES DE LILLE

pour obtenir
LE TITRE DE DOCTEUR DE LUNIVERSITE
SPECIALITE : MATHEMATIQUES

par
Olivier GARET

MESURES DE GIBBS GAUSSIENNES ET


d
DYNAMIQUES ALEATOIRES ASSOCIEES SUR RZ

Soutenue le 19 Novembre 1998 devant la Commission dExamen :

President : R. MINLOS, Academie des Sciences de Russie, Moscou


Directeur de These : S. RLLY, CNRS, Universite de Lille I
Rapporteurs : P. CATTIAUX, Ecole Polytechnique
H.-O. GEORGII, Universitat Munchen
Examinateurs : M. DUFLO, Universite de Marne-la-Vallee
R. MOCHE, Universite de Lille I
H. QUEFFELEC, Universite de Lille I
H. ZESSIN, Universite de Lille I
2
Remerciements

Alors que les douleurs de lenfantement de la these commencent a se


calmer, il est temps de remercier les personnes si nombreuses qui mont tant
aide tant donne, en fait. Lexercice est difficile tant il est vrai que la sincerite
est toujours impudique.
En janvier 1996, alors quetudiant en DEA jetais en quete dun directeur
de memoire voire plus, si affinites je tombai sur Sylvie Rlly, a qui je
demandai avec gaucherie si jetais bien au laboratoire de Probabilites, ce
quun ecriteau bien place en evidence aurait du massurer. Elle me repondit
avec beaucoup de gentillesse et dattention, et, comme toujours pleine didees,
me sortit dinnombrables articles apres mavoir evoque la richesse du champ
de recherches quelle me proposait. Jai par la suite pu apprecier ses grandes
qualites scientifiques, use et abuse de sa disponibilite et de sa force de travail
peu communes. Cependant, je veux dans ces remerciements mettre en avant le
constant soutien moral quelle ma apporte a tous les instants vel secundas,
vel adversas.
Je tiens a remercier M. Cattiaux et M. Georgii davoir accepte detre
rapporteurs de ma these. Je mestime tres honore par linteret quils ont
bien voulu accorder a mon travail et leur sais gre de leurs remarques, qui
mont aide a voir les ponts qui pouvaient exister entre mon travail et dautres
perspectives mathematiques.
Cest pour moi un grand honneur que de compter M. Minlos au nombre
des membres de mon jury. Ma premiere lecture en mecanique statistique
fut un petit opuscule quil a ecrit a lusage detudiants debutants. Jespere
ici lui prouver que son meritoire souci de pedagogie naura pas ete vain.
De maniere generale, les thesards imaginent inaccessibles les auteurs de leur
ouvrages de chevet : la realite montre heureusement quil nen est rien et
jai grand plaisir a voir Mme Duflo parmi les membres de mon jury. La
presence de Hans Zessin et dHerve Queffelec me fait egalement tres plaisir :
les discussions generales que jai pu avoir avec chacun dentre eux sur leur
conception de la mathematique et leurs larges cultures dont ils ne sont pas
avares ont contribue a rendre plaisantes ces annees de these. Enfin, je suis

3
4

suis a la fois heureux et emu que M. Raymond Moche ait accepte de faire
partie de mon jury de these. Cest lui qui, en licence puis en matrise, minitia
a la theorie des Probabilites, et, par son enseignement impeccable, men fit
voir la rigueur et la beaute.
Je veux remercier egalement remercier lequipe du labo de Statistique et
Probabilites, pour la chaleur de laccueil qui me fut donne, bien sur, mais
surtout pour la spontaneite des echanges mathematiques qui sy deroulent.
En particulier, Myriam et Bruno mont toujours laisse tableau et telephone
ouverts, parfois jusqua des heures avancees jen demande donc pardon a
Xavier et Virginie ! Je tiens a ce quils sachent le plaisir que jai a parler
mathematique avec eux.
De la meme maniere, je veux remercier mes enseignants. A lheure ou
je maprete a soutenir ma these de doctorat diplome o combien charge
de symboles ! je mesure la lourde dette envers tous ces gens formidables
qui, conscients de la force emancipatrice de la connaissance, ont choisi de la
transmettre et mont ainsi appris a penser librement, ainsi que chantaient nos
grands-parents. Je pense en particulier a M. Bigo qui, en 5e me fit decouvrir
lanalyse combinatoire, a Pierre Scherpereel qui nous initia a la recherche
mathematique en preparant le Concours General, ainsi qua Bruno Arsac et
a Jean Voedts qui en hypotaupe et en taupe, singenierent a menseigner la
rigueur mathematique, car, comme dit Brassens, sans technique un don nest
rien quune sale manie ! Dans des moments mathematiques difficiles, Brigitte
Severin sut etre la et je len remercie.
Tout au long de ces annees de these, jai beneficie du soutien constant
de tous mes amis 1 qui mont pardonne, ici et la-bas, detre moins present,
meme si ca a pu retarder pour certains lobtention dun camembert marron.
Merci a ma famille et ma belle famille qui mont toujours offert affection
et comprehension.
Merci a mes parents qui mont donne un amour et une confiance indicibles.
Et merci a toi, Muriele, qui as paye un lourd tribut a une recherche
chronophage. Merci a toi, pour tout ce que tu es.

1
En particulier, de toute le bande (note de la Camif)
Summary :
The aim of this work is the study of random fields on the lattice Zd
associated to quadratic interactions.
Extending results of Dobrushin and Kunsch, we first state simple criteria
for the existence and uniqueness of Gibbs measures associated with a given
quadratic interaction and verifying some conditions of support. We study
some topological properties of the set of parameters of the systems for which
there is existence and uniqueness. For d = 1, we study in detail the set of
Gibbs measures in case there is a phase transition i.e. non-uniqueness of a
Gibbs measure.
We then return to systems of arbitrary dimension. After having studied
the influence of the phase transition on the spacial decrease of the correlation
of the Gaussian Gibbsian field and on central limit theorems, we introduce
a gradient stochastic differential system associated to the interaction. We
establish that each pure phase i.e. each extremal Gibbs measure can
be obtained as temporal limit from the solution of the stochastic differential
equation for a set of deterministic conditions of which we give a description.
Thus the absence of a phase transition corresponds to the ergodicity of the
system. Moreover, we study the influence of a phase transition on the speed
of convergence.
Finally, we present a stochastic algorithm discretizing the differential sys-
tem which allows us to obtain pure phases as limits of an inhomogenous
Markov chain in discrete time. To finish, we implement this algorithm on a
computer and obtain an illustration of some of the previously demonstrated
theorems.

Keywords : Gibbsian fields , Gaussian fields, phase transition , infinite


dimensional diffusion, ergodicity, simulation, stochastic algorithm.
6
Table des matieres

Table des matieres i

0 Introduction 1
0.1 Sur la mecanique statistique en general . . . . . . . . . . . . . 1
0.2 Promenade historique . . . . . . . . . . . . . . . . . . . . . . . 3
0.3 Philosophie generale . . . . . . . . . . . . . . . . . . . . . . . 5
0.4 Plan de la these . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1 Champs de Gibbs gaussiens sur RZ


d
9
1.1 Resultats dexistence et dunicite . . . . . . . . . . . . . . . . 12
1.1.1 Le hamiltonien quadratique . . . . . . . . . . . . . . . 12
1.1.2 Unicite sous certaines hypotheses de croissance . . . . . 15
1.1.3 Un calcul explicite de limite superieure . . . . . . . . . 25
1.1.4 Un ensemble connexe de parametres pour lesquels il y
a existence et unicite . . . . . . . . . . . . . . . . . . . 31
1.1.5 Transition de phase pour d = 1 . . . . . . . . . . . . . 36
1.2 Un modele exactement resoluble . . . . . . . . . . . . . . . . . 39
1.2.1 Existence dune mesure de Gibbs . . . . . . . . . . . . 39
1.2.2 Diagramme de phases . . . . . . . . . . . . . . . . . . . 41
1.3 Sur linstabilite de lunicite . . . . . . . . . . . . . . . . . . . . 46

2 Transition de phase, covariance et TLC 49


2.1 En labsence de transition de phase . . . . . . . . . . . . . . . 50
2.1.1 Decroissance de la covariance . . . . . . . . . . . . . . 50
2.1.2 Theoreme de limite centrale . . . . . . . . . . . . . . . 51
2.2 Influence de la transition de phase . . . . . . . . . . . . . . . 52
2.2.1 Un resultat danalyse . . . . . . . . . . . . . . . . . . . 53
2.2.2 Decroissance de la covariance . . . . . . . . . . . . . . 67
2.2.3 Application aux marches aleatoires aperiodiques sur Z3 68
2.2.4 Sur la generalite des resultats precedents . . . . . . . . 73
2.2.5 Theoreme de limite centrale . . . . . . . . . . . . . . . 74

i
ii TABLE DES MATIERES

2.3 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

3 Etude du processus de diffusion associe 79


3.1 Lequation differentielle stochastique . . . . . . . . . . . . . . 80
3.2 Existence et unicite de la solution . . . . . . . . . . . . . . . . 82
3.2.1 Un lemme danalyse . . . . . . . . . . . . . . . . . . . 82
3.2.2 Le theoreme dexistence et unicite . . . . . . . . . . . . 83
3.3 Covariance de la diffusion . . . . . . . . . . . . . . . . . . . . 84
3.4 Exemples despaces detat E convenables . . . . . . . . . . . . 89
3.4.1 Lespace Bp,0 . . . . . . . . . . . . . . . . . . . . . . . 89
3.4.2 Les espaces `p ponderes . . . . . . . . . . . . . . . . . . 95
3.5 Comportement asymptotique en temps . . . . . . . . . . . . . 97
3.5.1 Metrisation de la convergence en loi . . . . . . . . . . . 97
3.5.2 Comportement asymptotique a condition initiale nulle 99
3.5.3 La notion d-ergodicite . . . . . . . . . . . . . . . . . 100
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.5.4 Description des lois limites dans un cadre de transition
de phase . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.5.4.1 Exemples de supports spectraux . . . . . . . . . 107
3.5.4.2 La convergence en temps . . . . . . . . . . . . . 108
3.6 Vitesse de convergence de la dynamique . . . . . . . . . . . . 114
3.6.1 Vitesse en labsence de transition de phase . . . . . . . 114
3.6.2 Vitesse en presence de transition de phase . . . . . . . 117
3.6.3 Vitesse pour une condition initiale aleatoire . . . . . . 121
3.7 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

4 Discretisation de le.d.s. et simulation 125


4.1 Discretisation du systeme . . . . . . . . . . . . . . . . . . . . 126
4.2 Comportement a condition initiale nulle . . . . . . . . . . . . 127
4.2.1 Convergence du systeme . . . . . . . . . . . . . . . . . 127
4.2.2 Vitesse de convergence . . . . . . . . . . . . . . . . . . 134
En labsence de transition de phase . . . . . . . . . . . 134
En presence de transition de phase . . . . . . . . . . . 136
4.3 Influence de la condition initiale . . . . . . . . . . . . . . . . . 138
4.3.1 Comparaison des systemes discret et continu . . . . . . 140
4.3.2 Vitesse de convergence . . . . . . . . . . . . . . . . . . 142
Vitesse de convergence en labsence de transition de
phase . . . . . . . . . . . . . . . . . . . . . . 144
En presence de transition de phase . . . . . . . . . . . 145
4.4 Simulation informatique . . . . . . . . . . . . . . . . . . . . . 146
4.4.1 Choix de lenvironnement de developpement . . . . . . 146
TABLE DES MATIERES iii

4.4.2 Description du programme . . . . . . . . . . . . . . . . 146


4.4.3 Contraintes mathematiques et techniques . . . . . . . . 147
4.4.4 Description de lalgorithme . . . . . . . . . . . . . . . . 148
4.4.5 Evaluation du temps de calcul . . . . . . . . . . . . . . 149
4.4.6 Resultats obtenus . . . . . . . . . . . . . . . . . . . . . 150

A Code Source de lapplication 153


A.1 fichier principal Quadyn.dpr . . . . . . . . . . . . . . . . . . . 153
A.2 Unite Ahoui.pas . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.3 Fiche Ahoui.txt . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.4 Unite Dyna.pas . . . . . . . . . . . . . . . . . . . . . . . . . . 157
A.5 Fiche Dyna.txt . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Bibliographie 168

Index 172
iv TABLE DES MATIERES
Chapitre 0

Introduction

0.1 Sur la mecanique statistique en general


Lobjet de la mecanique statistique est letude de systemes constitues
dune infinite de composants en interaction. Plus precisement, il sagit de
mettre en lumiere un lien entre le comportement microscopique du systeme
i.e. la maniere dont letat de chaque particule est influence par celui des
autres, et son comportement macroscopique, autrement dit ses proprietes
globales.
Il est particulierement significatif detudier des systemes verifiant la loi
de Boltzmann-Gibbs : si lon se fixe un volume fini et que lon connat
parfaitement letat du systeme a lexterieur de , alors, la probabilite dun
etat dans le volume est proportionnelle a eH , ou H est une fonctionnelle
denergie appelee hamiltonien.
Un cadre mathematique rigoureux a ete developpe afin de formaliser cette
intuition physique qui sest revelee modeliser de nombreux systemes reels. Ce
travail pionnier, fondateur de la theorie mathematique, est essentiellement
loeuvre de Dobrushin, Landford et Ruelle, dont les noms restent attaches a
lecriture mathematique de la loi de Boltzmann-Gibbs : les equations D.L.R
sont une famille dequations que doivent verifier les lois conditionnelles dune
mesure de probabilite P pour que celle-ci puisse etre consideree comme solu-
tion du probleme induit par la famille des hamiltoniens H . Une telle mesure
est appelee mesure de Gibbs pour le hamiltonien (H ) . On devine aisement
quil ne suffit pas de se donner un hamiltonien (H ) pour obtenir une me-
sure de Gibbs associee : quand bien meme le systeme de lois conditionnelles
induit est compatible, cela ne suffit pas a assurer lexistence dune mesure de
Gibbs : ce sera donc le premier probleme a elucider, quel que soit le systeme
etudie.

1
2 CHAPITRE 0. INTRODUCTION

Physiquement, il est assez naturel de se representer une mesure de Gibbs


comme une mesure dequilibre dune certaine evolution temporelle. Notre ap-
proche reste ici heuristique et nous ne pretendons pas pour linstant construire
concretement cette dynamique. Afin de presenter les questions qui se posent
naturellement, introduisons un modele factice que lon ne pretend pas definir
rigoureusement, mais qui permet a limagination de se representer les phenomenes
que lon peut conjecturer. Imaginons une population qui ait, chaque matin,
a choisir la couleur de la chemise quelle va porter, rouge ou bleue. Le choix
est aleatoire, mais les probabilites de ce choix sont determines par
la force de lhabitude, qui pousse a conserver le meme vetement que la
veille : cest le terme dinteraction propre.
le conformisme (ou lanticonformisme) qui pousse a imiter (ou au contraire
a se demarquer) de ses voisins immediats : cest linteraction propre-
ment dite entre les individus.
le gout a priori dun individu pour le bleu ou le rouge
Ici, on suppose pour simplifier que ces parametres sont les memes pour tous
les individus et quils nont aucune preference a priori pour le rouge ou le
bleu.
Dans le cas dune population tres individualiste, i.e. lorsque le terme
dinteraction propre est tres grand devant les autres interactions, il est rai-
sonnable de penser quil ny aura quun seul etat dequilibre dans lequel la
correlation entre les couleurs choisies par deux individus decrot tres vite
on devine exponentiellement avec la distance les separant, et ou le choix se
fait indifferemment entre le rouge et le bleu.
A linverse, dans le cas dune population relativement influencable, ou
linteraction propre ne lemporte pas sur les valeurs exterieures, on imagine
aisement quil peut y avoir plusieurs etats dequilibre : un etat ou le rouge est
la couleur politiquement correcte largement majoritaire, et un autre ou les
zelateurs du bleu ont impose quasi-unanimement leur point de vue. Lorsquil
y a existence de plusieurs mesures de Gibbs, on dit quil y a transition de
phase. Pour de tels etats dequilibre dus au caractere influencable des indi-
vidus, il est probable que la decroissance de la correlation soit moins rapide
que dans le cas precedent.
On voit que pour se faire une idee de ce quest une mesure de Gibbs, il est
naturel de la considerer comme la mesure limite dune certaine dynamique.
On devine egalement quen cas de non-unicite de la mesure de Gibbs, la
mesure limite dependra de la condition initiale de la dynamique : dans notre
exemple, si le systeme est initialise dans un etat ou une couleur est largement
majoritaire, elle tendra a le rester si les comportements sont conformistes.
La reflexion qui precede est evidemment totalement heuristique. Elle nous
indique cependant quelques questions naturelles quel que soit le modele.
0.2. PROMENADE HISTORIQUE 3

1. Pour quelles valeurs des parametres du systeme y a-t-il existence dune


mesure de Gibbs ?
2. Pour quelles valeurs y a-t-il transition de phase ?
3. Comment la transition de phase influe-t-elle sur la vitesse de decroissance
de la covariance ?
4. Comment construire un systeme dynamique stochastique qui admette
des mesures de Gibbs associees au hamiltonien pour lois limites ?
5. Determiner les liens existant entre la condition initiale et la loi limite.
Lobjet principal de notre travail va etre de donner des reponses a ces ques-
tions pour des interactions quadratiques a portee finie ou non. Nous serons
amenes a exploiter alternativement les deux approches du probleme : langle
statique et langle dynamique. Linteraction etant quadratique, on aura essen-
tiellement a considerer des mesures gaussiennes. Nous renvoyons a louvrage
de Lifshits [31] pour donner un apercu de limmense litterature consacree
aux processus gaussiens. Quant a nous, nous faisons le choix delibere de nous
concentrer ici essentiellement sur laspect gibbsien des mesures gaussiennes.

0.2 Promenade historique


Letude des champs aleatoires sur un reseau soumis a des distributions
conditionnelles gaussiennes fut suggeree pour la premiere fois par Dobrushin
en 1966, alors que ce dernier etait en train de jeter les bases de la theorie des
mesures de Gibbs. Les champs gaussiens sur RZ sont dune grande impor-
d

tance dans la theorie des mesures de Gibbs pour plusieurs raisons : en premier
lieu, il est bien connu que les variables gaussiennes permettent des calculs
exacts, prometteurs de resultats fins, meme dans des cas de forte dependance.
En second lieu, les interactions quadratiques apparaissent comme le premier
pas naturel dans letude de systemes interactifs a espace detats continu. En
effet, si de nombreux resultats repondant aux questions formulees plus haut
ont dores et deja pu etre demontres pour des systemes de spins discrets
(voir par exemple [32] ou [26]), letat des connaissances pour des modeles
continus est loin detre aussi avance. Ainsi, il est important de remarquer
que les champs gaussiens fournissent le premier exemple de champ aleatoire
avec un espace detats non compact pour lequel lensemble des mesures de
Gibbs est decrit avec precision. Ce remarquable travail a ete mene de maniere
independante par Dobrushin et Kunsch en 1980. Rozanov [39], Chay [10],
Benfatto et al. [4] ont egalement fourni diverses contributions dans ce do-
maine. Pour un historique plus fourni, on pourra se reporter a louvrage de
reference de Georgii [18].
4 CHAPITRE 0. INTRODUCTION

A la lecture de ces lignes, on pourrait penser que les travaux de Dobru-


shin et Kunsch mettent un point final a letude des problemes dexistence
et dunicite des mesures de Gibbs associees a une interaction quadratique. Il
suffit de lire larticle de Dobrushin pour comprendre que telle netait pas son
opinion. En effet, les conditions necessaires et suffisantes quil obtient pour
lexistence et pour lunicite des mesures de Gibbs sont difficilement verifiables
et fournissent peu dinformation sur les proprietes des mesures obtenues,
puisquelles exhibent des mesures qui ne sont pas necessairement physique-
ment raisonnables. A la fin de son article, Dobrushin suggere dintegrer des
conditions supplementaires de moment ou de support et traite quelques cas
particuliers. Nous reprendrons ces idees et les developperons.
On peut associer a letude de mesures de Gibbs letude de systemes infinis
dequations differentielles stochastiques de type gradient dont elles sont les
mesures stationnaires. La forme generique de tels systeme est la suivante :
Z t X
d 1 0
i Z , t 0 Xti i
= + Wti [0i (Xsi ) + i,j (Xsi , Xsj )] ds (1)
2 0 j6=i

Schematiquement, letude dun systeme infini dequations differentielles


stochastiques peut se diviser en trois etapes :
choix de lespace dans lequel on veut que la solution evolue
preuve de lexistence et de lunicite dune solution dans cet espace pour
une condition initiale donnee
etude des proprietes qualitatives des solutions
Parmi les reponses donnees aux deux premieres questions, on peut ci-
ter par exemple larticle de Shiga et Shimizu [44], ou les articles de Royer
[40] et Doss et Royer [15], qui peuvent sappliquer a certaines interactions
quadratiques. Shiga et Shimizu choisissent de faire vivre leurs solutions dans
lespace des suites temperees, tandis que Doss et Royer choisissent un espace
`2 a poids. Lorsquune interaction particuliere nous est donnee, il nest pas
evident detudier des proprietes telles que le comportement asymptotique de
la solution lorsque le choix de lespace dans lequel vit la solution unique a
ete fait a priori de maniere generale. Cest pourtant ce a quoi parviennent
Roelly et Seu [38] dans un cadre assez general incluant certaines interactions
quadratiques, mais toujours sous des hypotheses ou linteraction propre est
beaucoup plus grande que les interactions par paires et ou il y a unicite de
la mesure de Gibbs.
Pour les interactions quadratiques qui nous interessent, il convient de
prendre
1
i (x) = J(0)x2 et i,j (x, y) = J(i j)xy,
2
0.3. PHILOSOPHIE GENERALE 5

ou J est une suite paire sommable definie sur Zd .


Les equations differentielles stochastiques lineaires (et semi-lineaires) infini-
dimensionelles sont etudiees en detail dans le traite de Da Prato et Zabczyk
[11], mais les resultats asymptotiques quils obtiennent supposent une hy-
pothese daccretivite dun operateur qui implique lunicite de la mesure de
Gibbs. Kondratiev et Sokol [29] ont suggere pour le modele quadratique qui
nous interesse de prendre comme espace detats lespace des suites temperees
appelees aussi suites a croissance lente . Lidee etait feconde, mais na
pas ete completement exploitee en cas de transition de phase. Nous repren-
drons cette idee et demontrerons des resultats valides sous des hypotheses
plus faibles sur la decroissance de linteraction J, quil y ait transition de
phase ou non. Citons egalement larticle de Deuschel [13] qui etudie dune
part la convergence en loi a condition initiale nulle pour certaines interac-
tions quadratiques, et surtout dautre part des theoremes de limite centrale
temporels .

0.3 Philosophie generale


La theorie des mesures de Gibbs est une theorie jeune, bien quaujourdhui
solidement etayee. Elle a des praticiens parmi les specialistes de la theorie
des systemes dynamiques, les probabilistes et les physiciens. Cette diversite
fait sa richesse, mais est cause que certains enonces, demontres dans cer-
taines situations, demeurent des conjectures dans dautres et il est difficile
de toujours avoir a lesprit ce qui est demontre et ce qui est encore seulement
une supposition. Des lors, il nous est apparu que lobjectif essentiel devait
etre de verifier soigneusement dans le cas des interactions quadratiques les
resultats que lon pouvait legitimement pressentir parce que leur validite
avait deja ete etablie dans dautres cadres, par exemple pour des modeles dis-
crets. Ainsi, on a parfois ete amene a introduire des precisions superflues dans
les modeles discrets. En particulier, il etait primordial de mettre en lumiere
comment se manifeste la presence de transition de phase : son influence sur
la covariance, sur les theoremes de type limite centrale, sur le comportement
asymptotique de systemes dynamiques.
Les quelques problemes que nous venons denoncer ne sont pas propres
aux seules interactions quadratiques et les questions posees sont des questions
completement naturelles en theorie des probabilites, qui sont generalement
enoncees sans quil soit fait mention dun contexte gibbsien. Lorsque lon est
en presence de comportements asymptotiques hors norme ou lon considere
quun comportement est normal sil est le meme que lorsquil y a independance
, lexplication classique est de type quantitatif : on dira par exemple que les
6 CHAPITRE 0. INTRODUCTION

coefficients de melange ne decroissent pas assez vite. Dans le cadre gaussien,


nous essayons de substituer a des explications quantitatives une explication
qualitative : la mesure consideree est une mesure de Gibbs dans un cadre de
transition de phase.
Nous savons bien quen mathematique comme en de nombreuses choses, il
est vain de vouloir determiner une cause premiere. Nous voulons simplement
ici, par lexemple des mesures gaussiennes, montrer que la theorie des mesures
de Gibbs propose une lecture de certains phenomenes probabilistes qui merite
de ne pas etre negligee.

0.4 Plan de la these


La these est divisee en quatre parties. Une fois connus les definitions et
quelques resultats du chapitre 1, les chapitres 2 et 3 peuvent se lire chacun
independamment. La bonne comprehension du chapitre 4 necessite la lecture
du chapitre 3, puisque ces deux chapitres ont des hypotheses communes et
des preuves liees.
Le chapitre 1 introduit les espaces et les resultats fondamentaux. On com-
mence par donner un resultat dans lesprit de ce que suggerait Dobrushin a
la fin de son article : si lon sinteresse exclusivement aux mesures de Gibbs
dont le support est inclus dans un espace de type ` a poids pour certains
poids , on montre quil y a unicite de la mesure de Gibbs si et seulement
si une fonction J, determinee par linteraction, ne sannule pas sur un cer-
tain ensemble. On peut ainsi demander que les suites (xn )nZd du support
soient a croissance sous-polynomiale ou le polynome est fixe, ce qui est
donc plus fin que la seule notion de suite temperee ou quelles soient a
croissance sous-exponentielle. On demontre quune interaction quadratique
dont les coefficients decroissent a vitesse exponentielle et pour laquelle il y
a existence et unicite dune mesure de Gibbs verifiant certaine condition de
support peut etre continument transformee en une interaction propre pure,
lunicite de la mesure de Gibbs associee etant preservee pendant la transfor-
mation. Pour d = 1, on decrit precisement lensemble des mesures de Gibbs
ayant un support convenable. Pour un exemple particulier mais significatif
etudie completement, on constate que les restrictions sur le support nont
pas fait perdre de mesure de Gibbs.
Au chapitre 2, on travaille a nouveau sur un reseau de dimension quel-
conque. Lobjet du chapitre est detudier la decroissance spatiale de la cova-
riance de la mesure de Gibbs gaussienne stationnaire associee a linteraction.
Avec les memes restrictions que precedemment, on montre quen labsence
de transition de phase, la decroissance de la covariance est exponentielle des
0.4. PLAN DE LA THESE 7

que les coefficients de linteraction decroissent a vitesse exponentielle. Dans


le cas ou J a un unique zero dordre fini -pas necessairement entier- sur le
tore U, on donne dans de nombreux cas un equivalent de la covariance a
linfini : on constate que la covariance decrot comme linverse dune fonction
puissance. On demontre en labsence de transition de phase un theoreme de
limite centrale avec un coefficient de renormalisation semblable a celui du
cas des variables independantes identiquement distribuees. Au rebours du
comportement classique, on montre pour certaines valeurs de lordre du zero
de J un theoreme de limite centrale avec une renormalisation differente.
Lobjet du chapitre 3 est detudier le systeme differentiel stochastique gra-
dient associe a une interaction quadratique : cest un systeme differentiel sto-
chastique lineaire infini-dimensionnel. On commence par donner un theoreme
dexistence et dunicite de la solution du systeme differentiel vivant dans cer-
tains espaces de Banach possedant une base de Schauder. Ensuite, afin detre
en mesure detudier les proprietes asymptotiques du systeme, on se place dans
les espaces de type c0 a poids associes aux espaces etudies au chapitre 1.
Pour des potentiels a decroissance exponentielle, on voit que lunicite de la
mesure de Gibbs nest pas suffisante pour assurer la convergence du systeme
en temps infini pour toute condition initiale dans lespace c0 associe : on met
en evidence un exposant critique de la vitesse de croissance exponentielle de
la suite formant la condition initiale permettant la convergence du systeme.
La convergence se fait alors a vitesse exponentielle.
Pour des potentiels a decroissance comme linverse dune fonction po-
lynomiale, on constate que lunicite de la mesure de Gibbs dans une classe
convenable entrane la convergence du systeme vers lunique mesure gaus-
sienne centree de densite spectrale J1 quelle que soit la condition initiale
dans lespace associe. La convergence est alors a vitesse exponentielle. En cas
de transition de phase, on exhibe pour chaque phase pure un ensemble de
conditions initiales pour lesquelles le systeme converge vers la phase. Pour
certaines conditions initiales deterministes ou aleatoires, on determine la vi-
tesse de convergence sous des hypotheses sur le zero de J analogues a celles
formulees au chapitre 2 .
Le chapitre 4 montre comment on peut discretiser le systeme differentiel
etudie au chapitre 3 afin de construire une chane de Markov inhomogene
a temps discret admettant les phases pures associees a linteraction comme
limites. Les parametres de linteraction etant fixes, il faut choisir le pas de
lalgorithme. Nous donnons quelques indications quant au choix visant a
lobtention de la vitesse de convergence la plus rapide possible on constate
la aussi que la convergence est plus rapide en labsence de transition de phase.
Enfin, nous mettons concretement en oeuvre cet algorithme sur machine afin
de simuler la convergence du systeme pour des interactions sur Z3 aux plus
8 CHAPITRE 0. INTRODUCTION

proches voisins : on constate, conformement a la theorie, que le comportement


asymptotique du systeme depend de la condition initiale en cas de transition
de phase, mais pas en cas dunicite.
Chapitre 1

Champs de Gibbs gaussiens sur


Zd
R

Introduction
Ainsi que nous lavons mentionne dans lintroduction, le point de depart
de ce travail est la question posee par Dobrushin en 1966 : comment decrire
les champs aleatoires sur un reseau soumis a des distributions conditionnelles
gaussiennes ? On peut la formuler de cette facon : quelle place donner aux
lois gaussiennes sur un reseau dans la theorie des mesures de Gibbs ? Alors
que les premiers elements de reponse, significatifs, sont donnes par Rosanov
en 1967, la resolution theorique ne fut achevee par Dobrushin et Kunsch
quen 1980. Ce theoreme, que nous allons enoncer dans quelques pages, est
un theoreme difficile qui, curieusement, a ete assez peu commente, si ce nest
dans le traite de Georgii deja mentionne. La difficulte de ce theoreme reside
essentiellement dans la comprehension de sa portee. En effet, le resultat de
structure etabli par Dobrushin et Kunsch est essentiellement abstrait, puis-
quil etablit un lien theorique entre lensemble des mesures de Gibbs et le
noyau dont le calcul explicite est pour le moins difficile dun certain
operateur defini sur une partie de RZ . Dobrushin nous livre dans son article
d

quelque clefs pour lapprehension du resultat : il suggere que des restrictions


(par exemple sur le support) sur lensemble des mesures de Gibbs considerees
permettraient dobtenir davantage dinformations. Il obtient lui-meme des
resultat fins pour des potentiels decroissant comme linverse dun polynome.
Ici, nous allons considerer une classe de mesures de Gibbs qui est plus large
que celle consideree par Dobrushin a la fin de son article, voir nos corollaires
1.3 et 1.4.
En section 1.1, nous allons commencer par introduire la notion de me-

9
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
10

sure de Gibbs, puis, apres avoir introduit les notations necessaires, nous ci-
tons les resultats de Dobrushin et Kunsch dont nous donnons quelques brefs
commentaires. Ensuite, sous lhypothese que linteraction est a decroissance
exponentielle, nous donnons une condition necessaire et suffisante pour luni-
cite dune mesure de Gibbs en termes dexistence dune racine dune certaine
fonction dans une couronne. Cest alors que nous introduisons les espaces de
suites et les familles de mesure qui nous serviront tout au long de notre tra-
vail. Nous montrons que lensemble des potentiels quadratiques symetriques
pour lesquels on a existence et unicite de la mesure de Gibbs avec les memes
restrictions est connexe par arcs.
Ensuite, en section 1.2, nous etudions lensemble des mesures de Gibbs
sur RZ associees a une interaction a decroissance exponentielle dependant de
certains parametres : nous trouvons pour quelles valeurs de ces parametres il y
a existence ou unicite dune mesure de Gibbs et nous decrivons completement
lensemble des mesures de Gibbs.
Enfin, en section 1.3, nous remarquons que sous les restrictions que nous
nous sommes imposees, nous recuperons la stabilite de la propriete dunicite
de la mesure de Gibbs lorsque le potentiel est soumis a de petites perturba-
tions . Cette stabilite, habituelle dans le cas dun systeme a ensemble detats
compact, est perdue dans le cas non compact si lon ne fait pas de restriction
sur lensemble des mesures de Gibbs.

Notations
Nous appelons champ aleatoire sur le reseau Zd une mesure de probabilite
sur = RZ , i.e. un element de P(). Comme dhabitude, pour i Zd , on
d

note Xi la variable aleatoire projection canonique sur la i-eme composante.


Introduisons le concept de mesure de Gibbs . Chaque peut etre
considere comme une application de Zd dans R. On notera sa restriction
a . Ainsi, si A et B sont deux parties disjointes de Zd et (, ) RA RB ,
represente la concatenation de et , cest a dire lelement z RAB
verifiant (
i si i A
zi =
i si i B

Pour toute partie finie de Zd , on definit () comme etant la tribu


engendree par la famille de variables aleatoires {Xi , i }.
Pour toute partie finie de Zd , soit une fonction ()-mesurable a
valeurs reelles. La famille ( ) , ou decrit lensemble des parties finies de
Zd , est appele un potentiel dinteraction, ou simplement un potentiel. Pour
11

une partie finie de Zd , la quantite


X
H = B
B: B6=

est appelee le hamiltonien sur le volume . Souvent, H ne peut etre defini


que sur une partie de RZ . Nous supposerons quil existe une partie de
d

telle que X
, |B ()| < +
B: B6=

La famille (H ) est appele le Hamiltonien.


On definit la portee de linteraction comme etant la borne superieure des
diametres des ensembles pour lesquels nest pas identiquement nulle.
Nous definissons a present la fonction de partition Z : en notant pour
la mesure de Lebesgue sur R, on pose
Z
Z () = exp(H ( c ))d ( )
R
Par convention, on pose exp(H ( c )) = 0 quand le Hamiltonien nest
pas defini.
On suppose que pour chaque de , on a 0 < Z () < +. Des lors,
on peut definir pour toute fonction mesurable bornee f et pour tout ,
R
exp(H ( c ))f ( c )d ( )
T f () = R .
Z ()

On remarque que T f () ne depend que de c . Loperateur T peut etre


considere comme un noyau de transition au sens large, Zd jouant le role que
joue le temps dans les processus markoviens classiques.
Si une mesure sur est telle que () = 1, on dit que est une mesure
de Gibbs si pour chaque fonction mesurable bornee f et pour chaque volume
fini de Zd , on a

E (f |(Xi )ic ) = T f (X) p.s.


CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
12

1.1 Resultats dexistence et dunicite pour des


interactions quadratiques generales
1.1.1 Le hamiltonien quadratique
Nous introduisons maintenant les trois parametres qui caracterisent un
potentiel quadratique . P
Il sagit de J : Zd R une suite paire verifiant iZd |J(i)| < +, h R
et un reel strictement positif, interprete physiquement comme linverse de
la temperature absolue.
Ces trois parametres etant fixes, notre objet est letude des champs aleatoires
gibbsiens associes au potentiel J,h, defini sur par

1 2

( 2 J(0)i + hi ) si = {i}
J,h,
() = J(i j)i j if = {i, j}, i 6= j (1.1)


0 sinon

Ainsi, le hamiltonien correspondant est egal a


X X X
H () = i [h + J(i j)j ] + J(i j)i j . (1.2)
2 i j i,jc

On peut definir
X
= { RZ ,
d
i Zd |J(i j)j | < +}.
j Zd
Sur , H est bien defini. Comme il est manifeste quil ne serait pas possible
de choisir un plus grand, ce choix apparat canonique.
A (J, h, ) fixe, on note GJ,h lensemble des mesures de Gibbs sur RZ
d

associees au hamiltonien defini en (1.2). Si GJ,h contient plus dun point,


on dit quil y a transition de phase . GJ,h est un ensemble convexe. On
appelle phases pures ses points extremaux. (Pour des resultats generaux sur
les mesures de Gibbs , on pourra se rapporter a Georgii [18].)

Remarques Il est dusage, en physique theorique, dadopter lecriture eH ,


montrant bien le role particulier de , qui est linverse de la temperature ab-
solue et est donc un parametre exterieur au systeme en interaction etudie,
mais a une influence determinante sur celui-ci : lexemple le plus celebre en
est le modele dIsing en dimension superieure ou egale a 2 d = 2 modelise
des films adsorbes, tandis que d = 3 modelise un aimant uni-axial. Dans ce
1.1. RESULTATS DEXISTENCE ET DUNICITE 13

modele, on a demontre quil y avait transition de phase a basse temperature


tandis quil y une phase unique a haute temperature. A contrario, dans le
cadre quadratique qui nous interesse, nous allons voir que le parametre est
sans influence sur lexistence de transition de phase, ce qui nous incite a ne
pas lui faire jouer un role particulier.
Le parametre h doit etre considere comme un champ par exemple magnetique
ambiant qui determine le comportement moyen du systeme. Dans le modele
dIsing, ainsi que, comme nous le verrons, dans le cas present, la connaissance
du cas h = 0 est essentielle et delicate, et il est parfois possible den deduire
des resultats pour h non nul.
Ainsi, cest J qui est reellement le parametre determinant et qui nous indique
de quelle maniere les differents sites interagissent, nonobstant la valeur des
parametres exterieurs. Nous serons donc souvent appele, par commodite de
langage, a employer le mot de potentiel pour designer le seul element J.
Quelques notations supplementaires sont necessaires pour introduire les
propositions 1 et 2 simultanement obtenues par Dobrushin[1] et Kunsch[28],
et qui sont les bases de notre travail .
Pour z = (z1 , ..., zd ) Cd et n = (n1 , ..., nd ) Zd , on pose
n
Y d
X
n
z = zini et |n| = |ni |
i=1 i=1

On definit le tore U par

U = {z Cd , i [1..d] |zi | = 1}
la transformee de Fourier de J, definie sur une
Il convient dintroduire J,
d
partie de C par X
=
J(z) J(n)z n (1.3)
n Zd
chaque fois que la serie consideree est absolument convergente. Comme J est
sommable, il est clair que J definit toujours une fonction continue sur U.
Proposition 1.1. Les parametres (J, h, ) etant fixes, lensemble GJ,h des
mesures de Gibbs est non vide si et seulement si les trois conditions suivantes
sont verifiees :

1. J(U) R+
R 1
2. U J(z) dz < , ou dz est la mesure de Haar normalisee sur le tore U.
X
3. MhJ = {(un )nZd RZ : k Zd ,
d
J(n)uk+n = h} 6= .
n Zd
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
14

Remarques
1. Lors de la preuve de la proposition 1.1, il apparat que la premiere
condition implique que 0 < Z () < + pour .
2. Dautre part, meme si nous allons immediatement exhiber des mesures
de Gibbs pour cet halmitonien, la demarche pour prouver lexistence
dune mesure de Gibbs nest pas tellement differente de ce que
R lon voit
habituellement. En effet, on peut montrer que la condition U J1(z)dz <
est equivalente a la tension de la famille des mesures de Gibbs a
condition nulle fixee a lexterieur dune suite croissante de volumes
(n )n1 remplissant lespace. Classiquement, toute mesure limite est
alors une mesure de Gibbs.
Proposition 1.2. Sous les hypotheses le la proposition 1.1, les phases
R ij pures
sont les mesures gaussiennes sur RZ de covariance (i, j) 7 U zJ(z)
d
dz et
dont le vecteur esperance (E (Xn ))nZd appartient a MhJ .
1
(On dit alors que J
est la densite spectrale de la phase pure.)

Remarques
1. La theorie generale des champs gibbsiens nous enseigne que GJ,h est
un simplexe de Choquet, ce qui veut dire que chaque GJ,h peut
etre represente comme un melange de phases pures. La proposition 1.2
implique alors quen cas dexistence, les mesures de Gibbs associees
a cette interaction sont exactement les mesures qui peuvent secrire
comme la convolution de la mesure gaussienne centree dont la cova-
riance est donnee dans la proposition 2 avec nimporte quelle mesure
dont le support est inclus dans MhJ . Ainsi, labsence de transition de
phase est equivalent au fait que MhJ soit un singleton, ou par linearite,
que M0J soit reduit a {0} comme M0J est un espace vectoriel, on note
0 la suite nulle.
2. Comme souvent dans la theorie des mesures de Gibbs, les symetries
du systeme favorisent la transition de phase. Soit G = M0J : G est un
groupe additif qui opere sur et laisse stable a la fois la mesure de
reference Z et le hamiltonien : pour tout g G, pour tout fini et
d

tout , on a
H (g.) = H () + constante,
de sorte que G opere sur GJ,h . Comme aucune probabilite sur nest
stable par translation non nulle, on pouvait voir des le depart que des
que G nest pas reduit a {0} et que GJ,h est non vide, il y a transition
de phase.
1.1. RESULTATS DEXISTENCE ET DUNICITE 15

3. La proposition 1.2 montre quil y a une bijection entre GJ,h et G1J,h .

1.1.2 Unicite sous certaines hypotheses de croissance


Mis a part le cas dune interaction a portee finie elucide par Kunsch (voir
[28] ) quand le reseau est Z, il est tres difficile de donner une description
complete de M0J . Nous le ferons cependant un peu plus loin la description
complete de M0J pour un potentiel particulier a decroissance exponentielle,
mais il faut garder a lesprit quune telle description nest pas possible en
toute generalite.
Nous considererons et cela a un sens physique uniquement les suites de
M0J qui ne croissent pas trop vite. Par exemple, Dobrushin considere dans [1]
la classe des suites a croissance lente. En supposant que le potentiel decrot
exponentiellement, nous considerons ici un grand sous-ensemble de M0J : les
suites qui ne croissent pas plus vite quune suite exponentielle de reference.
Comme nos methodes sont generales, nous allons dabord etablir un resultat
pour des classes generales de potentiels a croissance sous-exponentielle,
appelees classes de type E. Notre resultat contient celui de Dobrushin men-
tionne plus haut (voir le corollaire 1.3) et le cas des potentiels a decroissance
exponentielle (voir corollaires 1.4 et 1.5).
Introduisons quelques definitions.
On dit quune suite a =: (an )nN (R+ N
) est de type E si elle verifie
a0 = 1
(an )n est croissante au sens large.
(an ) est sous-multiplicative, i.e. n, p N an+p an ap
Definissons maintenant lexposant caracteristique ra dune suite a de type E
par
ra = inf a1/n
n .
n1

Il est clair que 0 ra < +. On verra ulterieurement que lon a en fait


1 ra < +.

Exemple fondamental : Etant donne un reel 1, la suite

a = (an ) = (n ) (1.4)

est de type E et son exposant caracteristique est . On lappellera suite de


reference dexposant .

On pose, pour a de type E


CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
16

1. X
Aa = {(un )nZd CZ , kukAa =
d
|un |a|n| < +} (1.5)
n Z
d

Aa sera lespace ou vit le potentiel.


2.
|un |
Ba = {(un )nZd CZ , kukBa = sup
d
< +} (1.6)
nZd a|n|

On va considerer lintersection de M0J et Ba .


3. On a besoin dintroduire la couronne
1
Ur = {z Cd , i [1..d], |zi | r} avec r 1.
r
(Remarquons que U1 = U.)

definie par (1.3),


Remarque : Pour un potentiel J Aa , la fonction J,
est bien definie sur Ura .
Preuve : Pour tout z Ura , on a

k [1..d], n Zd , |zini | ra|ni | , dou |z n | ra|n|

donc
n Zd |J(n)z n | |J(n)ra|n| | |J(n)a|n| |,
dou X
|J(n)z n | kJkAa (1.7)
n Zd
La serie est donc absolument convergente.

Rappelons la definition du produit de convolution de deux suites.
Pour deux suites u = (un )nZd , v = (vn )nZd telles que
X
n Zd |uk vnk | < +,
k Zd
le produit de convolution u v de u par v est defini par
X
n Zd , (u v)n = uk vnk .
kZd
Lemme 1. (Aa , k.kAa , ) est une algebre de Banach unitaire.
1.1. RESULTATS DEXISTENCE ET DUNICITE 17

Preuve : Nous laissons de cote la preuve de la completude de lespace,


qui est bien connue, pour ne nous interesser qua la structure dalgebre.
Soient (u, v, w) A3a . Montrons tout dabord que la famille (an uk vl wnkl )(n,k,l)(Zd )3
est sommable. Linegalite
an ak al ankl
implique
|an uk vl wnkl | |ak uk | |al vk | |ankl wnkl |
X
dou |an uk vl wnkl | kukAa kvkAa kwkAa < +
(n,k,l)( Zd )3
On note n la suite dont toutes les coordonnees sont nulles, sauf la n-ieme,
qui vaut 1.
X XX
|(u w)n |an |uk wnk |an kukAa kwkAa
nZd n k

en utilisant linegalite precedente avec v = 0 . Ceci montre tout a la fois que


u w est bien defini (puisque n an > 0), que u w Aa , avec

ku wkAa kukAa kwkAa .

La commutativite ne pose aucun probleme. On verifie aisement que 0 est


element neutre, avec k0 kAa = a0 = 1. La seule propriete non evidente a
verifier est lassociativite.
On a vu que X X
an |uk vl wnkl | < +
n k,l

Comme an > 0, cela implique que, pour tout n, la famille uk vl wnkl est
sommable. On est donc en droit decrire
X X X X
(u (v w))n = uk (v w)nk = uk vl w(nk)l = uk vl wnkl
k k l k,l

On pose alors p = k + l (sommation par paquets). Dou


X XX X
(u(vw))n = upl vl wnp = [ upl vl ]wnp = (uv)p wnp = ((uv)w)n
p,l p l p

Lemme 2.
u, v Aa z Ura u[
v(z) = u(z)v(z) (1.8)
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
18

Preuve : Dapres (1.7), on a pour z Ura



|J(z)| kJkAa ,
est une forme lineaire continue sur Aa ; ainsi les deux
donc a z fixe J 7 J(z)
membres de (1.8) sont des formes bilineaires continues sur Aa : il suffit donc
de verifier quelles concident sur une famille engendrant un espace vectoriel
dense dans Aa ; or lidentite est verifiee pour u = n et v = p , ce qui est
immediat.

Nous allons rappeler quelques resultats de la theorie des algebres de Ba-
nach utiles pour la suite (pour un expose clair et rapide, on peut par exemple
se rapporter a Pedersen [34], chapitre 4.)
Soit B une algebre de Banach dont lunite est notee e : on note G(B)
lensemble des elements inversibles de B. Il est facile de voir que G(B) est
ouvert. Quand x est un element de B, le spectre de x est, par definition, la
partie de C :
Spec(x) = { C, x e / G(B)}.
Cest un compact de C. On note (x) le rayon spectral de x, i.e le module
maximal des elements du spectre de x. Rappelons la formule du rayon spec-
tral :
1
(x) = inf kxn k n .
n1

Soit lensemble des morphismes dalgebre continus de B dans C non iden-


tiquement nuls : de tels morphismes sont appeles caracteres. Le resultat qui
suit est un resultat puissant de la theorie de Gelfand :

Spec(x) = {(x); }.

Le lemme 2 montre que pour tout element z de Ura , on peut definir un


caractere z par
c 7 z (c) = c(z). (1.9)
Enoncons a present le theoreme principal de cette sous-section.
1.1. RESULTATS DEXISTENCE ET DUNICITE 19

Theoreme 1.1. Soit J Aa ou a est une suite de type E. On a equivalence


entre
1. M0J Ba = {0}
2. J G(Aa )
3. J ne sannule pas sur Ura .

= 0. On a
Preuve de 1 3 Soit z ra verifiant J(z)
X
k Zd J(n)z n+k = 0
Zd
n

En prenant parties reelles et imaginaires, on voit que les suites un = Re (z n )


et vn = Im (z n ) sont dans M0J . Comme z 6= 0, lune des deux suites nest pas
identiquement nulle, par exemple u. Il reste a voir que u Ba . On a, dune
part
|un | |z n | ra|n|
|n|
Dautre part, par definition de ra , an ra . Dou u Ba .

Preuve de 2 1 Prouvons dabord le lemme


Lemme 3. 1. c Aa , d Ba c d Ba , avec kc dkBa kckAa kdkBa
2. c, c0 Aa , d Ba c (c0 d) = (c c0 ) d
Preuve :
X X X
|(cd)n | |ck | |dnk | |ck |kdkBa ank |ck |kdkBa a|n| a|k| a|n| kckAa kdkBa
k k k

Alors c d Ba , avec k(c d)kBa kckAa kdkBa .


Tout dabord, montrons que la suite double (c0k cl dnkl )k,l est sommable.
X X X X
|c0k cl dnkl | = |c0k | |cl dnkl | |c0k |ank kckAa kdkBa a|n| kc0 kAa kckAa kdkBa
k,l k l k

Ensuite, comme precedemment, on peut ecrire


X X X X
(c (c0 d))n = ck (c0 d)nk = ck c0l d(nk)l = ck c0l dnkl
k k l k,l

Alors, on pose p = k + l (sommation par paquets). Dou


X XX X
(c(c0 d))n = cpl c0l dnp = [ cpl c0l ]dnp = (cc0 )p dnp = ((cc0 )d)n
p,l p l p
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
20


On peut maintenant demontrer limplication 2 1 :
Soit u M0J Ba et J G(Aa ) : comme J est paire, on peut ecrire J u = 0.
Mais ceci implique que
u = (J 1 J) u = J 1 (J u) = J 1 0 = 0.

Preuve de 3 2 Cela va decouler du lemme 4 et des resultats de theorie


spectrale mentionnes plus haut.
Lemme 4.
= {z ; z Ura }
Preuve : On a deja montre que les z definis en (1.9) etaient des ca-
racteres. Montrons la reciproque : soient donc et c Aa . On note
(e1 , ..., ed ) la base canonique de Cd . Pour n Zd , on rappelle que n est la
suite indexee par Zd dont toutes les coordonnees sont nulles, exceptee la neme
qui vaut 1.
On peut representer c sous forme dune serie fortement convergente :
X X
c= cn n = cn en1 1 ... end d ,
nZd n Zd
la seconde egalite provenant de lidentite n p = n+p .
Si lon pose z = ((e1 ), .., (ed )), la continuite de nous permet decrire
X
(c) = cn z n = c(z)
nZd
Il ne reste plus qua prouver que z Ura . On a, pour 1 k d,
1/j 1/j 1/j
|(ek )| (ek ) = inf kejk kAa = inf kjek kAa = inf aj = ra
j1 j1 j1

(Ici le rayon spectral est calcule au moyen de la formule du meme nom.)


De meme, |(ek )| ra . Donc (ek ) = (e1
k
) = (ek )1 . Ainsi, on a
1
|(ek )| ra (1.10)
ra
Qui plus est, cette derniere inegalite montre au passage que ra 1, ainsi que
nous lavions annonce au debut de cette sous-section.
Il est maintenant clair que = z , pour un certain z de Ura . Ainsi le lemme
est demontre.

1.1. RESULTATS DEXISTENCE ET DUNICITE 21

Remarque : La formule
Z
c(z)
cn = dz
U zn
montre que lapplication c 7 c est injective. Le lemme 4 nous permet diden-
tifier c avec lapplication 7 (c). La transformation de Gelfand, ainsi
quon la nomme, est donc ici un isomorphisme algebrique : on dit alors que
Aa est une algebre semi-simple. Ceci sera tres important plus tard, puisque
cela nous permettra de travailler avec des fonctions plutot quavec des suites.
On peut a present prouver la derniere implication : J ne sannule pas sur
Ura signifie que pour tout z Ura z (J) 6= 0. Mais dapres le lemme 4, cela
signifie que pour tout de , (J) 6= 0 : ainsi 0 nappartient pas au spectre
de J et J est inversible.

Corollaire 1.1. 0 est la seule suite bornee de M0J si et seulement si J ne
sannule pas sur U.
Preuve : Il suffit dappliquer le theoreme 1.1 a la suite constante an = 1.

Ce resultat a deja ete montre par Georgii ([18], chapitre 13), qui utilise
a cet effet un celebre theoreme de Wiener sur les fonctions de classe A.( Ce
theoreme peut lui-meme se deduire facilement du lemme 4.)
P
Corollaire 1.2. Soit J un potentiel et > 0 tel que nZd |J(n)||n| < +
Alors on a equivalence entre
|un |
1. M0J {(un )nZd : supnZd 1+|n|
< +} = {0}
2. J ne sannule pas sur U
Preuve : On verifie que la suite an = 1 + 2 |n| est de type E avec ra = 1
et on lui applique le theoreme 1.2.


Definition On dit quune suite (un )nZd est a decroissance rapide, lorsque
pour chaque polynome P , la suite (un P (n))nZd est bornee. Cela est verifie
si et seulement si lapplication 7 u(ei ) est de classe C . On dit quune
suite (un )nZd est a croissance lente sil existe un polynome P telle que pour
tout n Zd , |un | P (n).
Corollaire 1.3. Si J est un potentiel a decroissance rapide et que J ne
sannule pas sur U, alors lintersection de M0J et de lensemble des suites a
croissance lente est reduite a 0.
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
22

Preuve : Cest une consequence du corollaire ci-dessus.



Ce resultat a deja ete montre par Dobrushin[1] en utilisant la theorie des
distributions.

Definitions Pour simplifier les notations, pour > 1, on notera desormais


A (resp. B ) lensemble Aa (resp.Ba ), ou a est la suite de reference dexpo-
sant > 1 definie par la formule

a = (an ) = (n ). (1.11)

On dit quun potentiel J est a decroissance exponentielle sil verifie lune


des conditions equivalentes suivantes :
1. J Aa pour une certaine suite a de type E verifiant ra > 1.
2. J A pour un certain reel > 1.
3. Il existe K > 0 et 0 c < 1 tels que n Zd , |J(n)| Kc|n| .
(On etudiera en section 1.2 le potentiel geometrique sur Z verifiant K, c
R n 6= 0 J(n) = Kcn .)

Corollaire 1.4. Soit J a decroissance exponentielle tel que J est strictement


positive sur U. Alors il existe a > 1 tel que M0J Ba = {0}.

Preuve : Soit r > 1 tel que J Ar . On veut montrer quil existe a > 1
tel que J ne sannule pas sur a . On raisonne par labsurde et on suppose
donc que
n ) = 0.
n n0 zn 1+1/n J(z
La suite (zn )nn0 est bornee, donc admet une valeur dadherence z : on a
clairement z U et comme J est continue, J(z)
= 0 : contradiction.
Il existe donc , verifiant 1 < < r est tel que J ne sannule pas sur .
Comme J Ar , a fortiori J A . Le theoreme 1.1 donne alors le resultat
desire.


Corollaire 1.5. Soit J un potentiel a decroissance exponentielle tel que J


est strictement positive sur U. Alors M0J H = {0}, ou

H = >1 B .
1.1. RESULTATS DEXISTENCE ET DUNICITE 23

Preuve : Cest une consequence immediate du corollaire 1.4.



Ce nouveau resultat doit etre compare avec le corollaire 1.3, dont les hy-
potheses sont plus faibles, mais les conclusions aussi. Puisque la condition de
decroissance exponentielle est physiquement raisonnable, nous avons prouve
un critere simple pour lunicite de la mesure de Gibbs au sein dune tres
grande classe de champs. La restriction est moins forte que dans le corollaire
1.3, puisque H est beaucoup plus large que la classe p des suites a croissance
lente considerer par exemple la suite un = exp( |n|). Les suites de H sont
parfois appelees hyper-distributions et sont liees aux fonctions periodiques
dont la serie de Fourier est absolument convergente.(Voir par exemple [25].)
Nous voulons utiliser les resultats precedents pour emettre des conditions
sur . Etant donnee une suite (an )n de type E, on definit
Pa () = { P() | (Ba ) = 1};
et pour 1,
P () = { P() | (B ) = 1}.
Theoreme 1.2. Soit J Aa ou a est une suite de type E verifiant

K > 0, n 2 an K ln n (1.12)

On suppose que J(U) R+ .
Alors, on a equivalence entre
1. M0J Ba = {0}
2. J G(Aa )
3. J ne sannule pas sur Ura .
4. |GJ,h Pa ()| = 1.

Preuve : Supposons que 1. , 2. et 3. qui sont equivalentes sont verifiees.


Comme J ne sannule pas sur U, qui est compact, on voit que J1 est bornee, et
donc integrable. Les propositions 1 et 2 impliquent que la mesure stationnaire
gaussienne de moyenne J(1)
h
et de densite spectrale J1 est dans GJ,h . Soit
(Yi )iZd une variable aleatoire dont la loi sous P est cette mesure gaussienne.
On a
L2 a2

|i|
P (|Yi | La|i| ) e 22
2La|i|
2 2 L2 a2|i|
Si lon choisit L tel que L2K2 d + 1, on a, pour |i| 2 2 2
(d + 1) ln |i|,
dou
1
P (|Yi | La|i| )
2La|i| |i|d+1
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
24

Le lemme de Borel-Cantelli implique alors que

P (|Yi | La|i| i.s.) = 0.

Donc (Yi )iZd Ba presque surement.


Nous venons de prouver que |GJ,h Pa ()| 1. Considerons maintenant
GJ,h Pa (). Dapres la proposition 1.2, on peut trouver des variables
aleatoires (Zi ), (Yi ) avec Z et Y independantes telles que (Zi )iZd M0J
presque surement, (Yi ) comme precedemment, et la loi de (Yi + Zi )iZd est .
Z + Y Ba p.s et Y Ba p.s. , donc Z Ba p.s. On a Z M0J Ba p.s, et
M0J Ba = {0}. Alors, Z = 0 p.s. Ceci prouve que |GJ,h Pa ()| = 1.
Supposons maintenant que |GJ,h Pa ()| = 1. Soit (Xi )iZd une realisation
de cette mesure. Soit x M0J Ba . A laide de la proposition 1.2, on peut voir
que la loi de (Xi + xi )iZd appartient a GJ,h Pa (). Mais |GJ,h Pa ()| = 1,
donc on obtient x = 0. Ainsi nous avons prouve que MhJ Ba = {0}.


Remarques importantes

1. Dapres la proposition 1.1, la condition 4. implique J(U) R+ . Ainsi,
pour une suite a verifiant (1.12), un potentiel J Aa est tel que

|GJ,h Pa ()| = 1

si et seulement si J ne sannule pas sur Ura et J(U)


R+ .
p
2. On peut prendre par exemple an = 1 + ln(1 + n). Il est clair que
cette suite verifie (1.12). Voyons quelle est de type E. A n fixe, posons

f (x) = (1 + ln(1 + n))(1 + ln(1 + x)) (1 + ln(1 + n + x))

On a f (0) = 0 et

1 + ln(1 + n) 1 1 1
f 0 (x) = .
1+x 1+n+x 1+x 1+n+x
Donc f est positive, dou lon deduit que n 7 (1 + ln(1 + n)) est
sous-multiplicative, et par suite (an )n1 lest aussi.
Le theoreme qui suit montre que lhypothese (1.12) est en un certain
sens
optimale : si lon imposait a la suite (an )n0 de crotre moins vite que ln,
alors la mesure gaussienne centree de densite spectrale J1 aurait son support
disjoint de Ba . (Rappelons que pour une mesure gaussienne et un espace
vectoriel V , (V ) ne peut valoir que 0 ou 1 voir par exemple [6].)
1.1. RESULTATS DEXISTENCE ET DUNICITE 25

1.1.3 Un calcul explicite de limite superieure


Theoreme 1.3. Soit (Xn )nZd un processus gaussien stationnaire centre ad-
mettant une densite spectrale. Alors, si 2 > 0 designe la variance du pro-
cessus, on a pour toute suite (an )nZd a termes strictement positifs de limite
nulle
X 2
lim|n| an Xn = inf{ 0, an exp( ) < +}. p.s. (1.13)
2 2 a2n
n Z
d

En particulier
Xn
lim|n| p = 2d p.s. (1.14)
ln |n|
Preuve : Remarque preliminaire : Quelques integrations par parties
montrent que
Z +
1 1 1 a2 1 t2 1 1 a2
( 3 ) exp( ) exp( ) dt exp( )
2 a a 2 2 a 2 2 a 2

Donc si lon pose Z +


1 t2
(a) = exp( ) dt,
2 a 2
On a lequivalent en + :

1 1 a2
(a) exp( ),
2 a 2

ce qui fait que la serie consideree en 1.13 est de meme nature que
X
( ).
an
n Zd
Posons
X 2
K = inf{ 0, an exp( ) < +},
2 2 a2n
Zd
n

aval la convention inf = +.


Si X est un processus defini sur un espace (, A, P ), il est facile de voir
que lensemble
{ , lim|n| an Xn () = K}
est (X)-mesurable. Des lors, le resultat souhaite est une propriete de la
mesure PX , sans relation avec lespace probabilise utilise : nous pouvons
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
26

donc choisir et X a notre guise, du moment que PX respecte les conditions


imposees. Soit f la densite spectrale consideree. Nous allons directement
travailler sur lespace des trajectoires : on pose donc = RZ . On note n la
d

projection canonique sur la n ieme coordonnee. On pose P = N (0, 1)Z , de


d

sorte que sous la loi P , (n )nZd est un bruit blanc. On note H1 le sous-espace
vectoriel ferme de L2R (, B(), P ) engendre par les n .
On note H2 lensemble des elements g de L2C (U, B(U), dz) dz est la mesure
de Haar normalisee sur U qui verifient g(z) = g(z). On constate aisement
que H2 est un R-espace vectoriel. Linvariance de la mesure de Haar par
z 7 z permet de voir que la restriction du produit scalaire a H2 H2 :
Z
hf, giH2 = f g dz
U
est a valeurs reelles. Ainsi, on a pu munir H2 dune structure despace de
Hilbert reel. On constate aisement quun element g de L2C (U) est dans H2 si
et seulement si ses coefficients de Fourier

cn (g) = hn , giL2

sont tous reels. ( On rappelle que lon a defini n (z) = z n .) Comme les
(n )nZd forment une base hilbertienne de H1 et les (n )nZd une base hil-
bertienne de H2 , il existe un unique isomorphisme de H2 dans H1 verifiant

n Zd (n ) = n .

Comme f L1 , on a g = f L2 . f est a valeurs reelles positives et verifie
f (z) = f (z), donc g aussi ; ce qui implique g H2 . On pose alors

Xn = (n g).

Comme toute famille de H1 , la famille (Xn )nZd est gaussienne centree.


Dautre part, pour n, p Zd

EP Xn Xp = hXn , Xp iH1
= h(n g), (p g)iH1
= hn g, p giH2
Z
= np g 2 dz
ZU
= np f dz
U
1.1. RESULTATS DEXISTENCE ET DUNICITE 27

Ce qui montre que la loi de X sous P est bien la loi cherchee : elle est
gaussienne, centree, et a la covariance attendue.
Soit un reel strictement compris entre 0 et K. (On etudiera a part le
K
cas ou K = 0). On peut trouver un reel > 0 tel que < (1+) 2.

Si lon note simplement ck pour ck (g), on a dans H2 , la decomposition


X
g= ck k ,
k

dou X
n g = ck n+k ,
k

et par continuite de X
Xn = ck n+k .
k

Pour n N, on pose
X (1 + )2 1
`(n) = ( ( )) 2d ,
kn
ak

avec n = [n, n]d . Comme (1 + )2 < K, `(n) est une suite croissante de
limite +. On pose ensuite
X
Xn = ck n+k ,
|k|<`(|n|)

et enfin
Rn = Xn Xn .
On a alors X
kXn k2H1 = c2k
|k|<`(|n|)

ainsi que X
kRn k2H1 = c2k .
|k|`(|n|)

On a donc
lim kXn k2H1 = 2
|n|

et
lim kRn k2H1 = 0.
|n|
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
28

On a

P (Rn ) = ( )
an an kRn kH1
K
Comme kRn k2H1 tend vers 0, on a pour |n| assez grand kRn k2H
>
: il sensuit
1
que la serie de terme general


P (Rn )
an

converge. Dapres le lemme de Borel-Cantelli, si lon pose


1 = { , n0 (), |n| n0 () = Rn > },
an

on a P (1 ) = 1.
On pose maintenant, pour n N

(1 + )
An = {Xn },
an
puis X
Nn = 11Ak ,
kn

et X
N= 11Ak .
kZd
On pose aussi X
sn = P (Ak ).
kn

Admettons pour linstant que lim sn = +. Soit x R. Pour n assez grand,


on a x < sn . Alors

P (N x) P (Nn x)
= P (sn Nn sn x)
= P (EP Nn Nn sn x)
P (|EP Nn Nn | sn x)
Var Nn
(sn x)2

On a X X
Var Nn = 1Ak ,11Al )
Covar (1
kn ln
1.1. RESULTATS DEXISTENCE ET DUNICITE 29

Mais des que |k l| > `(|k|) + `(|l|), Xk et Xl sont independantes, ce qui


implique Covar (11Ak ,11Al ) = 0. On a donc
X X
Var Nn = |Covar (1
1Ak ,11Al )|
kn |kl|2`(n)

Mais
|Covar (1
1Ak ,11Al )| = |P (Ak Al ) P (Ak )P (Al )| P (Ak )
On en deduit
X
Var Nn (4`(n) + 1)d P (Ak ) = (4`(n) + 1)d sn .
kn

On a donc
(4`(n) + 1)d
n 1 P (N x) sn
(sn x)2
Admettons un instant avoir demontre que

(4`(n) + 1)d
lim = 0. (1.15)
n sn
Il sensuit que pour tout x reel, on a P (N x) = 0, ce qui implique

P (N = +) = 1.

Cela signifie exactement que si lon pose


(1 + )
2 = { , n0 N, n1 (), |n1 ()| n0 , Xn1 () },
an1 ()

on a P (2 ) = 1. Maintenant il est facile de voir que pour = 1 2 ,


on a
lim|n| an Xn ()
et que P ( ) = 1. Maintenant si lon pose
1
0 = n1 K n ,

lorsque K < (et 0 = n>K n lorsque K = +), on a

0 lim|n| an Xn () K

et P (0 ) = 1. Autrement dit

lim|n| an Xn K p.s.
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
30

Il faut a present que nous demontrions (1.15) ainsi que limn sn = +.


Il sagit dencadrer P (Ak ). On a

(1 + )
P (Ak ) = ( )
ak kXk kH1

Pour |k| suffisamment grand, on a


1
kXk kH1 ,
1+
On en deduit quil existe une constante L telle que pour tout n
X (1 + )2
sn L ( ),
kn
ak

2
ce qui entrane lim sn = + car la serie de terme general ( (1+)
an

) diverge.
Mais, en se reportant a la definition de `(n), on voit alors que

(4`(n) + 1)d 1
= O( 1/2 ).
sn sn
Ainsi (1.15) est verifie.
Linegalite inverse est beaucoup plus simple a demontrer : soit > K :
On a X
P (an Xn ) < +.
n Zd
Donc dapres le lemme de Borel-Cantelli

P (an Xn i. s.) = 0,

ce qui implique
lim|n| an Xn p. s.
En procedant comme precedemment par intersection denombrable, on constate
que
P (an Xn K i. s.) = 0,
ce qui implique
lim|n| an Xn K p. s.
Si K = 0, comme X et X ont la meme loi, on a aussi

lim|n| an Xn 0 p. s.,
1.1. RESULTATS DEXISTENCE ET DUNICITE 31

dou
lim an Xn = 0 p. s.,
|n|

Ce qui acheve la preuve.


Le calcul de K lorsque an = 1 est une consequence facile du fait que la
ln |n|
P 1
serie nZd |n| converge si et seulement si > d.


Remarque Pour d = 1, Pickands a montre en [36] que pour X gaussien


stationnaire centre de variance 1 et dont la covariance tend vers zero, on a

max(X1 , . . . , Xn )
lim 1 p.s.
n 2 ln n
Ce resultat implique facilement

Xn
limn 1 p.s.
2 ln n
Mais, comme precedemment, le lemme de Borel-Cantelli montre que

Xn
limn 1 p.s.
2 ln n
Dapres le lemme de Riemann, lexistence dune densite spectrale entrane que
la covariance a une limite nulle. Ainsi, pour d = 1 et an = 1 , le resultat de
ln |n|
Pickands implique celui que nous presentons ici. Linteret de notre theoreme
est de donner une formule explicite de la limite en toute dimension d et pour
quelque suite an de limite nulle que ce soit. Cette formule est mentionnee par
Lifshits dans [31] dans le cas de variables gaussiennes centrees independantes.

1.1.4 Un ensemble connexe de parametres pour les-


quels il y a existence et unicite
Lobjet de cette sous-section est dobtenir des informations sur la struc-
ture de lensemble des potentiels pour lesquels il existe une unique mesure de
Gibbs associee (a linterieur dune certaine classe de mesures de probabilite).
Nous allons prouver que, sous des hypotheses convenables de symetrie, un
potentiel J pour lequel il y a unicite peut etre continument perturbe jusqua
ce quil y ait disparition de toute interaction par paire (i.e jusqua ce que
J(k) = 0 pour tout k 6= 0) et de maniere telle que durant cette perturbation
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
32

lunicite de la mesure de Gibbs correspondante soit preservee.

Soit le groupe engendre par les symetries orthogonales daxes les vec-
teurs de base ei , 1 i d. Ce groupe est isomorphe a (Z/2Z)d . On dit
quun potentiel J est -invariant sil verifie
J = J (1.16)
Rappelons quun potentiel est necessairement pair. Ainsi, il est aise de consta-
ter que pour d = 1, tout potentiel est -invariant. Dans la plupart des cas,
le potentiel a une symetrie naturelle qui le rend -invariant. (Par exemple,
si J(n) depend uniquement dune norme `p de n.)
Soit > 1. On note S lensemble des potentiels J qui appartiennent a
A et sont -invariant, soit
S = {J A , J = J}.
On pose
S+ = {J S ,
J(U) R+ et 0 )}.
/ J(U
Dapres le theoreme 1.2, pour tout > 0 et h R, on a
S+ = {J S | |GJ,h P ()| = 1}.
On munit cet ensemble de la topologie induite par A . Nous allons demontrer
le theoreme suivant :

Theoreme 1.4. S+ est un ouvert connexe de S .

Preuve : Nous allons avoir besoin de quelques lemmes. Deux dentre


eux sont seulement enonces, puisque leurs preuves peuvent etre trouvees
dans louvrage de Kahane [25] (elles y sont donnees pour d = 1, mais la
generalisation est facile.)
On note
Aa = {x; x Aa }
Soit J S+ . Notre methode consiste a exhiber un element bien choisi
B A tel que exp(B) = J et considerer sur [0, 1] lapplication : t 7
exp(tB). Rappelons que A est une algebre de Banach avec la convolution
des suites comme multiplication. Ainsi exp(B) est correctement defini par la
serie absolument convergente :
+
X B k
exp(B) = .
k=0
k!
1.1. RESULTATS DEXISTENCE ET DUNICITE 33

Lemme 5.
B Aa \ sur Ur .
exp(B) = exp(B) a

X X2 Xn
Preuve : Soit Qn (X) = 1 + 1!
+ 2!
+ ... + n!
. Comme B 7 B est un
morphisme dalgebres, on a

B Aa \
Qn (B) = Q n (B)

\
Pour tout z Ura , cela signifie Qn (B(z)) = Q n (B)(z). Par definition de
exp (dans Aa comme dans C) et dapres la continuite de B 7 B(z), nous
obtenons le resultat desire.


Lemme 6. Soit f : U C telle que


1. f est continue sur U .
2. f est holomorphe sur linterieur de U .
3. Lapplication g(z) = f (z) appartient a A1 .
4. z U , (1 , . . . , d ) {1, +1}d f (z11 , . . . , zdd ) = f (z)
5. f (U) R
Alors il existe une suite b S f = b

Preuve : Dapres 2., il existe une unique suite (bn )nZd telle que pour
tout z dans linterieur de U
X
f (z) = bn z n .
n Zd
Lunicite de ce developpement implique ( en utilisant lhypothese 4) que b est
-invariant et (en utilisant lhypothese 5), que b est a valeurs reelles. Pour
tout n Zd et 1 < r < , on a
Z
s(n) 1
r bn = f (rei1 , . . . , reid )ei(1 n1 +...+d nd ) d1 . . . dd , (1.17)
(2)d [,+]d

P
ou s(n) = 1id ni . Comme f est uniformement continue sur U , on peut
faire tendre r vers et la formule (1.17) demeure vraie pour r = . On a
trouve le developpement de g en serie de Fourier . Dapres 3. , on obtient
X
s(n) |bn | < +.
nZd
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
34

De plus, on a X
|bn ||n| |bp |s(p) ,
p(n)

ou (n) = {(n); }. Alors


X X
|bn ||n| 2d s(n) |bn | < +.
nZd nZd
Nous avons prouve que b S et f = b.

Lemme 7. Soit f une application definie sur U et telle que, pour tout z U,
il existe un voisinage W de z et g A1 verifiant f = g sur W .
Alors f A1 .
Preuve : Voir [25]. Notons que la premiere preuve de ce resultat a ete
donne par Wiener.

Lemme 8. Pour tous f A1 , > 0 et z U il existe un voisinage W de z
et b A1 tels que kbkA1 < et b = f sur W .
Preuve : Voir louvrage de Kahane[25].

Lemme 9. Soit f une application continue sur U et g A1 telle que
exp(f ) = g.
Alors f A1 .
Preuve : Soit z0 U. Soit > 0 tel que pour tout z B(z0 , )

|g(z) g(z0 )| < |g(z0 )|/2.

Soit ln une determination du logarithme dans B(g(z0 ), |g(z20 )| ) telle que ln(g(z0 )) =
f (z0 ). Comme f est continue, on a pour tout z B(z0 , ), f (z) = ln(g(z)).
Dapres le lemme 8, il existe < et b A1 avec
|g(z0 )|
kb g(z0 )ekA1 <
2
et g = b sur B(z0 , ). Il existe une suite (ln )n0 telle que
X |g(z0 )|
ln z = ln (z g(z0 ))n pour z B(g(z0 ), ).
n0
2
1.1. RESULTATS DEXISTENCE ET DUNICITE 35

Alors , pour tout z B(z0 , )


X
f (z) = ln(g(z)) = ln(b(z)) = ln (b(z) g(z0 ))n
n0
P
Comme le rayon de convergence de la serie entiere ln xn est strictement
plus grand que kb g(z0 )ekA1 , on peut definir
X
l= ln (b g(z0 )e)n .
n0

On a f (z) = l(z) pour z B(z0 , ). Alors, dapres le lemme 7, f A1 .



Expliquons a present les differentes etapes de la preuve du theoreme. Le
lemme 5 nous permet de manier des fonctions plutot que des suites. Ainsi,
une fois que lon aura trouve un logarithme de J, on pourra utiliser le lemme
6 pour verifier que celui-ci est bien dans le bon espace. Cependant, comme U
nest pas simplement connexe, nous devrons utiliser une astuce pour definir
un logarithme de J. En fait, nous allons decomposer J pour remplacer U
par un ensemble convexe.
On note E limage de la couronne {z C, 1 |z| } par lapplica-
tion z 7 z + z1 . Un calcul simple montre que E est une ellipse remplie :

x2 y2
E = {z = x + iy; (x, y) R2 , + 1}.
( + 1 )2 ( 1 )2

Comme J est -invariant, on peut definir une application sur (E )d par


1 1
(z1 + , . . . , zd + ) = J(z).
z1 zd
Comme U est compact, en utilisant le critere sequentiel de continuite, on
voit que est continue. Dapres le theoreme 2, J ne sannule pas et donc non
plus. Comme Ed est convexe, il existe une application continue : Ed C
telle que = exp(). ( pour une version generale du theoreme de relevement,
voir par exemple [9], ex. 3.8.). On definit sur U par
1 1
(z) = (z1 + , . . . , zd + ). (1.18)
z1 zd

Ainsi, on a J = exp(). Dapres le theoreme 1.2, J(1,


. . . , 1) R+ . Quitte a

ajouter une constante a , on peut supposer que (1, . . . , 1) R. Comme

J(U) R+ , on a (U) R + 2iZ. Mais U est connexe et est continue,


CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
36

donc (U) R.
Comme est localement un logarithme de J, est holomorphe dans linterieur
de U .
Le lemme 9 implique que z 7 (z) appartient a A1 .
(1.18) implique que verifie la condition 4. du lemme 6. Alors, on peut ap-
pliquer le lemme 6 et lon obtient B S tel que = B.
Maintenant, on pose, pour t [0, 1], (t) = exp(tB). est continu, avec
(0) = e.
Dapres le lemme 5

d = exp(B)
(1) \ = exp(B) = exp() = J.

Comme A est semi-simple, ceci implique (1) = J. Il reste a prouver que


([0, 1]) S+ . Pour t [0, 1], comme S est une sous-algebre fermee de A ,
\
on a exp(tB) S . De plus exp(tB) est toujours inversible, et exp(tB)(U) =
+
exp(t(U)) R , puisque (U) R. Alors, dapres le theoreme 1.2, il
sensuit que (t) S+ .
Comme chaque point peut etre relie a e, on a montre que S+ est connexe par
arcs.

Il est facile de voir que J 7 m(J) = inf{J(z); z U} est continue.
+ 1
Ainsi S = S (G(A ) m (]0, +[)) est un ouvert de S .


Remarque En utilisant la proposition 1.2, il serait facile de prouver qua


cet arc t 7 (t) trace dans S+ , correspond un flot continu a valeurs dans
GJ,h P ().


1.1.5 Transition de phase pour d = 1


Pour de nombreuses interactions quadratiques en dimension d = 1, nous
allons montrer que nous pouvons obtenir des resultats tres precis sur la transi-
tion de phase, a savoir que nous pouvons determiner la taille de lensemble des
mesures de Gibbs verifiant les conditions de support que nous nous sommes
imposees. Dans un contexte discret, il peut etre interessant de denombrer
les phases pures : on sait par exemple que le modele dIsing en dimension
d = 2 possede exactement 2 phases pures. Ici, un tel denombrement nest
pas pertinent : les phases pures etant en bijection avec lespace affine MhJ ,
lensemble des phases pures est vide ou a la puissance du continu. Il est tout a
fait exceptionnel de pouvoir obtenir un resultat aussi precis : dans la plupart
des cas, on est juste capable dexhiber deux phases distinctes.
1.1. RESULTATS DEXISTENCE ET DUNICITE 37

Dans toute cette section 1.1.5, on a d = 1.

Theoreme 1.5. Soit J une interaction non degeneree sur Z i.e. k 6=


0 J(k) 6= 0. On suppose que J A , pour > 1. Si de plus, J ne san-
nule pas sur le cercle |z| = , ou, ce qui est equivalent, sur le cercle |z| = 1 ,
alors M0J B est un espace vectoriel de dimension finie, dont la dimension
est exactement le nombre de racines de J dans comptees avec leur ordre
de multiplicite.

On aura besoin du lemme suivant :

Lemme 10. On suppose ici que d = 1 et que u A . Alors, si z est un


point interieur a U ( i.e. tel que 1 < |z| < ) verifiant u(z) = 0, il existe
y A tel que u = (e1 z0 ) y.

Preuve : Definissons la suite (xn )nZ par


n
1 X
xn = n uk z k
z k=

Lhypothese u(z) = 0 permet davoir egalement la representation


+
1 X
xn = n uk z k
z k=n+1
P
Nous voulons montrer x A . Nous allons montrer k0 |xk |k < +
1
en
P utilisantk la premiere representation et |z| > . On montrerait de meme
k0 |xk | < + en utilisantP la premiere representation et |z| < .
n k
Montrons que la suite Sn = k=0 |xk | est bornee. On va a cet effet
employer une transformation dAbel : on a

|xk |k = xk z k k (z)k

ou k vaut +1 si xk > 0 et 1 sinon. On pose alors


n
X
Tn = k (z)k et T1 = 0
k=0

On a donc
n
X n1
X
Sn = xk z k (Tk Tk1 ) = xn z n Tn [xk z k x(k+1) z (k+1) ]Tk
k=0 k=0
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
38

Utilisant la definition de (xn )nZ , on obtient


n
X n1
X
S n = Tn uk z k uk z k Tk
k= k=0

On verifie facilement que


|z|
n 0 |Tn | (|z|)n
|z| 1
On en deduit
n
X n1
X
|z| n n+k
Sn [ |z| + |uk |k ]
|z| 1 k= k=0

Comme |z| > 1 , n + k 0 implique |z|n+k (n+k) , on a finalement


0
|z| X
n 0 Sn |uk |k
|z| 1 k=

On a donc x A . On pose alors y = z1 x et lon verifie aisement que y


convient.

Preuve : du theoreme : Lequivalence entre labsence de zeros sur |z| =
= J(
et sur |z| = 1 provient de lidentite J(z) 1 ).
z

Comme J est holomorphe sur linterieur de , le theoreme des zeros isoles
implique alors que J ne peut posseder quun nombre fini de zeros, necessairement
dordres finis. Notons-les zi , de multiplicite mi .
En appliquant plusieurs fois le lemme precedent, on trouve Y A , tel que
Y
J= (e1 zi 0 )mi Y
i

Comme u[ v = uv, on voit que Y ne sannule pas sur , et donc dapres le


lemme 4, que Y est inversible. Donc J u = 0 est equivalent a
Y
(e1 zi 0 )mi u = 0
i

Les solutions complexes de cette equation de recurrence


P lineaire sont bien
connues : cest un C-espacePvectoriel de dimension mi (voir par exemple
n
[3]). Elles secrivent un = i Pi (n)zi ou Pi est un polynome a coefficients
1.2. UN MODELE EXACTEMENT RESOLUBLE 39

complexes de degre strictement inferieur a mi .


Cependant nous cherchons les solutions reelles : comme J est a valeurs reelles,
si z est racine dordre m de J, alors z aussi. On en deduit que les suites
cherchees sont de la forme
X X
un = Pi (n)zin + |zi |n [cos(n arg(zi ))Qi (n) + sin(n arg(zi ))Ri (n)]
zi R Im (zi )>0

ou Pi , Qi , Ri sont des polynomes a coefficients reels de degre strictement


inferieur a mi . P
Elles forment un espace vectoriel reel de dimension i mi .


1.2 Un modele exactement resoluble


Dans toute cette section, d = 1. On etudie ici avec plus de details un
cas particulier des mesures de Gibbs introduites dans la section 1.1, i.e les
mesures de Gibbs sur RZ associees au potentiel defini par

K 2

( 2 i + hi ) si = {i}
() = c|ij| i j if = {i, j}, i 6= j (1.19)


0 sinon
ou , K > 0, h R, {+1, 1} et 0 < |c| < 1.
Suivant la definition donnee en 1.1, les coefficients dinteraction J sont alors
definis par 
J(0) = K
J(k) = c|k| pour k Z
Pour ce potentiel, on va noter G(, K, , c, h) lensemble GJ,h . Dans cette
section, on va tracer le diagramme de phase , i.e. on va determiner pour
quelles valeurs des parametres , K, , c, h on a existence dune mesure de
Gibbs ou transition de phase.

1.2.1 Existence dune mesure de Gibbs


Valeurs pour lesquelles J est positive Dapres la proposition 1.1, une
condition necessaire a lexistence dune mesure de Gibbs est la positivite de
Calculons donc J.
J.
X z z 1
=K +
J(z) c|k| z k = K + c( + )
k Z 1 cz 1 cz 1
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
40

Ou encore
i ) = K + 2c cos c
J(e .
2c cos + 1 + c2
Une condition necessaire et suffisante pour avoir J 0 est donc

cos c
K Kc = sup 2c
[0,2] 2c cos + 1 + c2

tc
Comme t 7 2ct+1+c2
est croissante (1 c2 > 0), on a

1 cos c 1
;
1c 2c cos + 1 + c2 1+c

la premiere (resp. la seconde) inegalite est une egalite si et seulement si = 0


(resp. = ).
En distinguant les cas suivant les signes de et c, on obtient finalement

2|c|
Kc = .
1 + |c|

Integrabilite de J1 Une autre condition necessaire a lexistence dune


mesure de Gibbs enoncee lors de la proposition 1.1 est lintegrabilite de J1
par rapport a la mesure de Haar (condition 2).
Si K > Kc , on a pour tout z U J(z) > 0, et alors z 7 J(z)
1 est une
fonction continue , donc integrable.
Si K = Kc , J1 nest pas integrable : nous allons le montrer pour = +1
et > 0, les autres cas se traitant de maniere analogue.
Ici, on a

i ) = 2c( 1 +
J(e
cos c
)
1 + c 2c cos + 1 + c2
Dou
i )1 = 1 1 + c2 2c cos
J(e
(1 c)2c 1 + cos
et Z Z 2
1 dz = 1 1 + c2 2c cos
J(z) d = +
U 0 (1 c)4c 1 + cos
1+c2 2c cos 2(1+c)2
puisque 1+cos
()2
.
1.2. UN MODELE EXACTEMENT RESOLUBLE 41

Domaine dexistence dune mesure de Gibbs


Theoreme 1.6. Soit J le potentiel quadratique de type geometrique defini par
(1.19). Il existe une mesure de Gibbs associee (appartenant a G(, K, , c, h))
si et seulement si le potentiel propre est suffisamment grand, plus precisement
2|c|
K > Kc = .
1 + |c|
Preuve : Les deux premieres conditions de la proposition 1.1 sont verifiees
si et seulement si K > Kc . Dans ce cas, la condition 3 de la proposition 1.1
est automatiquement vraie, puisque lon obtient J(1) > 0 et lon peut exhi-
h
ber la suite constante egale a J(1)
comme element de MhJ .


1.2.2 Diagramme de phases


Quand les hypotheses dexistence sont verifiees, il y a transition de phase
si et seulement si lensemble MhJ contient plus dun point, ou, par linearite,
si et seulement si M0J 6= {0}.
Nous allons donc decrire M0J .
Lemme 11. Tout element (un )nZ de M0J verifie la relation de recurrence :
1
(K )un+1 + (K(c + ) + 2c)un + (K )un1 = 0
c
Preuve : Par definition de M0J , on a, eventuellement apres reindexation
P+ P+
J(0)un + P i=1 J(i)un+i +
P+i=1
J(i)uni = 0
+
J(0)un+1 + J(i 1)u n+i + J(i + 1)u ni = 0
Pi=2
+ P+i=0
J(0)un1 + i=0 J(i + 1)un+i + i=2 J(i 1)uni = 0

On multiplie ces trois lignes respectivement par c + 1c , 1, 1 et on fait la


somme. Comme
1
i 2, (c + )J(i) J(i + 1) J(i 1) = 0
c
on a
1 1
J(0)[(c + )un un+1 un1 ] + (un+1 + un1 )J(1)(c + )
c c
[J(1)un + J(2)un1 ] [J(1)un + J(2)un+1 ] = 0
En calculant J(0), J(1), J(2), on obtient le resultat desire.

CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
42

Lemme 12. Soit S R verifiant |S| > 2. Soit c le parametre exponentiel


defini en (1.19). On pose
X
Ec = {u = (un )nZ RZ : |c|n| un | < +}
n Z
RS = {u = (un )nZ RZ : n Z, un+1 Sun + un1 = 0}
1. Il y a equivalence entre
(a) Ec RS 6= {0}
(b) v Ec RS ou vn = n et est une racine (reelle) de lequation

x2 Sx + 1 = 0

(c) RS Ec
(d) |S| < |c + 1c |
2. Lorsque ces hypotheses sont verifiees, on a
X S 2c
u RS , k Z, c|n| uk+n = uk
nZ S + c + c1

Preuve :
(a) (b) Toute suite non identiquement nulle de E RS secrit

un = A n + B n ,

ou (A, B) 6= (0, 0).


Si A = 0 ou B = 0, le resultat est immediat. Sinon, en supposant par
exemple > 1, on a un + A n et un B n .
Le resultat sen deduit par le theoreme sur les equivalents de series
absolument convergentes.
(b) (c) Immediat, car toute suite de RS secrit un = A n + B n .
(c) (a) Immediat, car RS 6= {0}.
P
(b) (d) (b) implique n1 [||n + ||n ]|c|n < +
X X c
|c|n + | |n < +.
n1 n1

1
Donc (b) |c| < || < |c| . Une etude rapide de la fonction x 7 x + x1
1
permet de voir que |c| < || < |c| est equivalent a | + 1 | < |c + c1 |.
But + 1 = S, donc (b) |S| < |c + 1c |
1.2. UN MODELE EXACTEMENT RESOLUBLE 43

Pour montrer la deuxieme partie du lemme, il suffit, par linearite, de la


montrer pour vn = n , ou est une racine de x2 Sx + 1 = 0.
X X c
cn [ k+n + kn ] = k (c)n + ( )n
n1 n1

c c/
= k[ + ]
1 c 1 c/
S 2c
= k[ ]
S + c + c1
(On utilise bien sur que + 1 = S.)

Revenons maintenant au probleme initial de transition de phase. Soit
K > Kc .
On applique les resultats du lemme 11 : lorsque K = 1 et = 1, on a
M0J = {0}.
Sinon, K 6= 0. Alors, on pose

K(c + 1c ) 2c
S=
K
Admettons pour linstant que |S| > 2.
On a alors M0J RS , ou M0J = M0J Ec RS Ec .
Dapres la premiere partie du lemme 12, on a M0J 6= {0} |S| < |c + 1c |.
Reciproquement, si |S| < |c + 1c |, comme

K(c + 1c ) 2c S 2c
S= K = ,
K S + c + c1
la seconde partie du lemme 7 implique
1
|S| < |c + | RS M0J .
c
Ce qui implique M0J 6= {0}.
Il sagit donc de determiner quand on a |S| < |c + 1c | et de verifier que
K > Kc implique |S| > 2. A cet effet, etudions lapplication f (K)

K(c + 1c ) 2c
K 7
K
Cest une fraction rationnelle de discriminant c (1c2 ). On distingue quatre
cas.
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
44

1. = +1 c > 0
2c 3c +1 2
K 0 Kc = 1+c 2(1+c2 )
1 +
f 2c & 2 & (c + c ) & k + & c + 1c
1

2. = +1 c < 0
2c 3c2 +1
K 0 Kc = 1c 2(1+c2 )
1 +
f 2c % 2 % (c + 1c ) % + k % c + 1c

3. = 1 c > 0
2c
K 0 Kc = 1c
+
f 2c % 2 % (c + 1c )

4. = 1 c < 0
K 0 Kc = 2c
1+c
+
f 2c & 2 & (c + 1c )

Il est alors clair que pour K > Kc , |S| > 2.


Pour = 1, on a |S| < |c + 1c | pour tout K > Kc .
3c2 +1
Pour = +1, on a |S| < |c + 1c | si et seulement si K < 2(1+c2 )
.
On peut donc enoncer
Theoreme 1.7. 1. Pour = 1, lensemble G(, K, , c, h) est non vide
2|c|
si et seulement si K > Kc,1 = 1|c| . Alors, il y a transition de phase et
lensemble des mesures de Gibbs extremales est en bijection avec M0J ,
espace vectoriel de dimension 2.
2. Pour = +1, lensemble G(, K, , c, h) est non vide si et seulement si
2|c| 3c2 +1
K > Kc1 = 1+|c| . Alors, soit K 2(1+c 2 ) , auquel cas il y a une seule

mesure de Gibbs, sinon il y a transition de phase et M0J est un espace


vectoriel de dimension 2.

Remarque Nous avons annonce que cet exemple mettait en evidence que
les classes de potentiels considerees en section 1.1 etaient suffisamment grandes
pour que dans certains cas, on ne perde pas de mesure de Gibbs. Eclairons ce
point. Pour < 1c , on a J A , donc le theoreme 1.5 donne une description
de M0J B . Or, dapres le lemme 12, tout element de MJ0 appartient a B ,
ou est la plus grande racine de x2 Sx + 1 = 0. Mais, dapres le lemme 12
|S| < c + 1c , donc || < 1c . Ainsi, on a

M0J = < 1 (M0J B ).


c
1.2. UN MODELE EXACTEMENT RESOLUBLE 45

Cet exemple montre que, parfois, le fait de se restreindre a letude de sous-


ensembles M0J B nest en rien une contrainte.
Dans cet exemple precis, on peut remarquer que non seulement le diagramme
de phase ne depend pas de ce qui est general, nous lavions deja mentionne
dans les remarques suivant la proposition 1.2 , mais en plus il ne depend
pas non plus de h.
 K
1

2c
0.8 Unicite 1+c

3c2 +1
0.6 2(1+c2 )

0.4
Transition de phase Pas de mesure de Gibbs

0.2

0 c
0 0.2 0.4 0.6 0.8 1
Diagramme de phase pour = 1 et c ]0, 1[.
K
50
2c
45 1c

40
35
30
25
20
Transition de phase
15
10
5
Pas de mesure de Gibbs c
0
0 0.2 0.4 0.6 0.8 1
Diagramme de phase pour = 1 et c ]0, 1[.
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
46

1.3 Remarques conclusives sur linstabilite de


lunicite dune mesure de Gibbs
Linstabilite de lunicite de phase lorsque lon soumet le potentiel a de pe-
tites perturbations est une des difficultes de letude de potentiels non bornes
ou a portee infinie. Donnons-en un exemple simple dans le cadre de notre
etude.
Letude approfondie menee en section 1.2 nous a permis dexhiber des cas
non-triviaux dunicite de phase a portee infinie. La decroissance des coeffi-
cients etant exponentielle, on pourrait sattendre a ce que le potentiel tronque
a une portee suffisamment grande possedat la meme propriete dunicite. Or,
il nen est rien, ce que lon peut voir par exemple en appliquant le theoreme
1.2 : si lon note J R le potentiel tronque a lordre R, z R JcR est un polynome
non constant , donc JcR possede une racine qui appartient a la couronne cri-
tique Ura pour ra assez grand, puisque J etant de portee finie, il est dans
tous les Aa . Le probleme vient de ce que les racines de JcR partent a linfini
lorsque R tend vers linfini et ne restent pas dans la couronne Ura .
Comment expliquer et resoudre ce phenomene irritant ? Une premiere
solution drastique consiste a eliminer de lensemble des mesures de Gibbs
une classe de mesures reputee ne pas avoir de sens physique. Cest lidee
sous-jacente aux corollaires 1.3 et 1.5 ; dans cette acception plus restrictive
du terme de mesures de Gibbs, on retrouve la stabilite de lunicite de phase.
Une explication mathematique de ce phenomene de discontinuite est que
lensemble
X
{(un )nZd : k Zd |J(n)uk+n | < +}
nZ d

dans lequel nous cherchons a priori les fonctions harmoniques nest pas
un espace norme : cela rend sa topologie plus compliquee a decrire.
Neanmoins, nous voulons enoncer un resultat qui montre la stabilite de
lunicite dans un sens plus faible que le sens general.

Theoreme 1.8. Soit J Aa tel que M0J Ba = {0}.


Alors, il existe > 0 tel que

K Aa , kJ KkAa < = M0K Ba = {0}.

Preuve : Cest une consequence simple du theoreme 1.1 et du fait que


G(Aa ) est ouvert.

1.3. SUR LINSTABILITE DE LUNICITE 47

Ainsi, nous avons propose certaines restrictions sur le support des mesures
de Gibbs qui permettent de preserver la propriete de stabilite du caractere
dunicite. Le terme de restriction est dailleurs un peu exagere : meme si les
conditions D.L.R. ont pu etre definies sans imposer de condition de support
ni de moment aux mesures cherchees et meme si Dobrushin et Kunsch ont pu
etablir une description abstraite generale des solutions, il nen reste pas moins
necessaire demettre des restrictions sur les mesures considerees : cela permet,
dune part au mathematicien de ne pas manier des objets trop pathologiques,
mais surtout au physicien de considerer uniquement des objets susceptibles
de modeliser le monde reel.1

1
Meme si cette notion est un sujet de controverse au sein de la communaute physi-
cienne...
CHAPITRE 1. CHAMPS DE GIBBS GAUSSIENS SUR RZ
D
48
Chapitre 2

Influence de la transition de
phase
sur la covariance
et le theoreme de limite
centrale

Nous avons jusquici etabli des liens etroits entre lexistence de zeros de J
et lexistence de transition de phase au sein dune certaine classe de mesures,
ainsi que des resultats plus precis pour d = 1. Revenant au cas general ou
d est quelconque, il nous parat alors interessant de considerer linfluence
de lannulation de J sur les proprietes de dependance entre les coordonnees
des dites mesures. De maniere concrete, nous allons etudier linfluence des
parametres du systeme sur la covariance commune aux mesures extremales
de GJ,h des mesures de Gibbs de parametres J, h, , qui vaut
Z
1 ij
E Xi Xj = cij = z dz.

U J(z)
Le lemme de Riemann-Lebesgue implique lim|n| cn = 0, ce qui deja suffit
pour affirmer que la mesure de Gibbs stationnaire gaussienne centree est
melangeante. Nous voulons cependant davantage de precision.
Nous allons dabord etudier le cas le plus simple ou J ne sannule pas
sur U, voire mieux , ce qui correspond a lunicite de la mesure de Gibbs
au sein dune certaine classe de mesures. Dans ce cas la, nous allons voir
que, dans un sens qui reste a preciser, la decroissance de la covariance est
liee directement a la decroissance de linteraction. Par exemple, si J decrot
exponentiellement, il en sera de meme pour la covariance.

49
50 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

Le cas ou J sannule sur U est nettement plus complexe. Il correspond


a la presence dune transition de phase. On verra que sous des hypotheses
relativement faibles, la covariance xn ne peut decrotre plus vite quen 1d+1 ,
|n| 2

ce qui, nous le verrons, est une decroissance assez lente pour que le coefficient
de renormalisation dans le theoreme de limite centrale differe de celui du cas
independant. A cet effet, nous allons commencer par demontrer un theoreme
general danalyse harmonique, qui trouvera une application directe dans le
controle de la covariance, ainsi quune application a la theorie des marches
aleatoires sur Z3 .

2.1 En labsence de transition de phase


2.1.1 Decroissance de la covariance
Theoreme 2.1. Soit J un potentiel appartenant a Aa (defini en (1.5)), ou
a est une suite de type E tel que J ne sannule pas sur Ura . Alors, si
est lunique mesure gaussienne centree element de GJ,0 , alors sa covariance
c = (cn )nZd = (E Xi Xj )n=ij satisfait

c Aa .

Preuve : Comme J ne sannule pas sur Ura , dapres le theoreme 1.1, J


est inversible dans Aa . Mais, comme J 7 J est un morphisme dalgebres, on
a Jd1 = J1 , et donc dapres la definition de c, on a c = J 1 , donc c A .
a


Remarque : ce resultat se decline suivant les differents choix possibles pour


a : exponentielle, puissance,... En particulier, on a les resultats suivants :
Corollaire 2.1. Soit J un potentiel a decroissance rapide tel que J ne san-
nule pas sur U. Alors c est a decroissance rapide.
Preuve : une suite u est a decroissance rapide si et seulement si elle est
dans Aa pour tout a de la forme an = (1 + |n|)k , k 0. Le resultat decoule
alors du theoreme 2.1.

Corollaire 2.2. Soit J un potentiel a portee finie tel que J ne sannule pas
sur U. Alors c est a decroissance exponentielle.
Preuve : Comme J est de portee finie, il est dans A pour tout > 1.
Comme J ne sannule pas sur U, par continuite il existe > 1 tel que J ne
2.1. EN LABSENCE DE TRANSITION DE PHASE 51

sannule pas sur U . On applique alors le theoreme 2.1 et lon a c A .



Ainsi que nous lavions annonce, nous voyons quen labsence de tran-
sition de phase, la decroissance de la covariance est directement liee a la
decroissance de linteraction. Dans les cas les plus frequents, elle est tres ra-
pide. De toutes manieres, labsence de transition de phase est suffisante pour
quon puisse avoir un theoreme central limite avec une renormalisation stan-
dard standard devant etre compris au sens de identique a celle du cas de
variables independantes.

2.1.2 Theoreme de limite centrale


Theoreme 2.2. Soit J un potentiel tel que J ne sannule pas sur U. Alors,
si lon pose n = {0, . . . , n 1}d et
X
S = ( Xi ) ||E X0
i

ou la loi de X = (Xi )iZd est , lunique loi gaussienne stationnaire de GJ,h ,


on a
Sn 2
1 = N (0, ),
|n | 2

avec
1
2 = .

J(1)
h
Preuve : Comme X est gaussien stationnaire (de moyenne m = J(1) ),
Sn est une variable gaussienne centree. Pour montrer la convergence en loi
E S 2
annoncee, il suffit donc de montrer que |n|n 2 . On a la convergence en
loi suivante :
X
E S2 n = ckl
k,ln
X
= Npn cp ,
p{n,...,n}d

avec
Npn = |{k, l n ; k l = p}|.
Un denombrement simple montre que
d
Y
Npn = (n |pi |).
i=1
52 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

On a donc X
1
E S2 n = xnp cp ,
|n | d p Z
Qd
avec xnp = i=1 (1 |pni | ) si p {n, . . . , n}d et 0 sinon.
On a pour tous n, p |xnp cp | |cp | et pour tout p limn xnp cp = cp . J est dans
A1 et J ne sannule pas sur U, donc dapres le theoreme 2.1, c A1 , cest a
dire que c est sommable. Dapres le theoreme de convergence dominee, on a
donc X
1
lim E S2 n = cp .
n |n |
d Z
p

Mais X

cp = c(1) = (J(1))1
.
p Zd
Dou
1
2 = .

J(1)

2.2 Influence de la transition de phase


Nous allons a present evaluer la taille des coefficients (cn )nZd lorsque J
sannule sur U. Letude qui suit ne pretend pas a lexhaustivite : il pourra
apparatre dans certains cas que nos hypotheses ne sont pas minimales.
Cependant, nous pensons etre capable de mettre en lumiere la nature des
phenomenes induits par la presence de transition de phase.
Il va de soi quon ne peut se contenter de dire que J sannule. Nous
allons supposer que J ne sannule quen un unique point de U on peut
toujours sans restriction supposer que ce point est z0 = 1, quitte a remplacer

J(z)
par J(z/z 0 ). (Nous verrons que, souvent, lhypothese que le zero est
unique apparat de maniere naturelle et nest nullement restrictive.) Nous
introduirons des hypotheses sur lordre de ce zero. Afin de pouvoir utiliser
des techniques danalyse reelle, on va utiliser la carte sur U
i1 , . . . , eid ).
f (1 , . . . , d ) = J(e

Des lors, avec les notations introduites plus haut, on a


Z
1 ihn,xi 1
cn = e dx1 . . . dxn .
(2)d [,]d f (x)
2.2. INFLUENCE DE LA TRANSITION DE PHASE 53

2.2.1 Un resultat danalyse


A cet effet, nous allons demontrer un theoreme danalyse permettant des-
timer, et parfois de donner un equivalent a linfini pour les coefficients de
Fourier de certaines fonctions integrables assez regulieres partout, sauf en
zero ou elles possedent une singularite.

Notation Si f est une fonction de classe C N sur Rd et x un point regulier,


on note DxN f la differentielle N -ieme de la fonction f au point x : cest une
N
application lineaire de (Rd ) dans R.

Theoreme 2.3. Soit f : Rd R+ dont (2Z)d est un groupe de periodes et


verifiant les hypotheses suivantes :
f ne sannule quen les points du reseau (2Z)d .
il existe N N, d0 R verifiant 0 < d0 < min(d, N ) ainsi quune
matrice A Gld (R) et une fonction R de classe C N telle que

f (x) = kAxkd0 + R(x),


avec pour tout k verifiant 0 k N 1 :
D0k R = 0.
Soit Z
1 1
cn = eihn,xi dx1 . . . dxn .
(2)d [,]d f (x)
On pose alors = d d0 , = d0 , = N (NN+d2d
d
2 +d
0)
= N 2d0 + 2d0 d
N +d
et
Z x
d
Id,d0 (x) = J d2 (t)td0 + 2 dt,
2
0

ou J designe la fonction de Bessel de premiere espece :


Z 2 Z +1
1 (x/2) 1
J (x) = exp(i(x sin ))d = 1 (1t2 ) 2 eitx dt.
2 0 ( + 2 ) 1
Si d = 1 et N 2, on a lequivalent :
11 1
cn () cos( ) 1 ,
A 2 |A n|
Tandis que si d 2, on a alors le developpement asymptotique :
1 1
cn = Kd 1 dd0 Id,d0 (kA1 nk) + O(knk ),
det A kA nk
qui se precise comme suit :
54 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

d1
Si d0 > 2
et N d + 1, on a lequivalent, quand knk tend vers + :

Kd d0 1 ( d1
2
)( dd
2
0
) 1
cn 2 d
.
det A ( 20 ) kA1 nkdd0
d1
Si d0 2
(ce qui implique d 2), on a
r
1 2 1 1 (d + 1) d+3
cn = Kd d+1 cos(kA nk )+O(knk min(,, 2 ) ),
det A kA1 nk 2 4
p
Soit, si N > 41 ( (d 4d0 1)2 + 8d(1 + d) (d 4d0 1))
d+1
limknk+ |cn |kA1 nk 2 >0

Si lon suppose en plus d0 < d1


2
, lensemble des valeurs dadherence de
d+1
la suite (cn kA1 nk 2 )nZd est exactement le segment
r r
1 2 1 2
[ Kd , Kd ].
det A det A
Preuve :
Dapres le theoreme de separation, on peut trouver une fonction h de classe
C valant 0 sur le ferme {x [, ]d , kAxk 1} et 1 sur le ferme
{x [, ]d , kAxk 21 }. On a alors f1 = fh + 1h
f
, dou
Z Z
1 ihn,xi h(x) 1 1 h(x)
cn = e dx1 . . . dxn + eihn,xi dx1 . . . dxn
(2)d [,]d f (x) (2)d [,]d f (x)
(2.1)
La fonction
1h
f
se laisse periodiser en une fonction de classe C N , puisquelle concide avec
la fonction periodique f1 sur les bords du pave [, ]d . Ses coefficients de
Fourier, qui representent la deuxieme partie de la somme en (2.1) sont donc
en O(knkN ).
Etudions maintenant la premiere partie de la somme. Tirant partie du
fait que le support de h est inclus dans A1 B(0, 1), on fait le changement de
variables y = Ax, il se transforme en
Z
1 1 1 h1 (y)
d
eihA n,yi dy1 . . . dyn ,
(2) det A B(0,1) f1 (y)
2.2. INFLUENCE DE LA TRANSITION DE PHASE 55

ou lon a pose h1 (y) = h(A1 y) et f1 (y) = f (A1 y). Ainsi h1 est C , vaut 1
sur B(0, 21 ), tandis que f1 ne sannule quen 0 et verifie lidentite

f1 (x) = kxkd0 + R1 (x), (2.2)

ou R1 verifie les memes hypotheses que R.


On pose
h1 (x) 1
s(x) =
f1 (x) kxkd0
ainsi que Z
1 1
C(u) = eihu,xi dx1 . . . dxn ,
(2)d B(0,1) kxkd0
de sorte que lon a
Z
1 1 1 h1 (y)
d
eihA n,yi dy1 . . . dyn =
(2) det A B(0,1) f1 (y)
1
C(A1 n)
det A Z
1 1 1
+ d
eihA n,xi s(x) dx1 . . . dxn .
(2) det A B(0,1)

Si d = 1, on a
Z 1 iux
1 e
C(u) = dx
2 1 |x|d0
Z
1 1 cos ux
= dx
0 |x|d0
Z
1 d0 1 u cos t
= u dt.
0 td0

Or on sait (cf. par exemple [14]) que


Z +
cos t
dt = (1 d0 ) sin( d0 ) = () cos( ).
0 td0 2 2

Dou
1 11 1
C(A1 n) () cos( ) 1 ,
A A 2 |A n|
ce qui est lestimation cherchee pour la partie principale.
Supposons maintenant d 2. Si O On (R), comme la mesure de Le-
besgue est invariante sous laction du groupe orthogonal, un changement de
56 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

variable montre aisement que C(Ou) = C(u), de sorte que C(u) ne depend
que de kuk.
Evaluons donc C(e1 ), ou e1 est le premier vecteur de la base canonique.
Comme on integre sur une boule, il est naturel de faire le changement de
variable polaire

x1 = r cos 1



x2 = r sin 1 cos 2
...



x = r sin 1 sin 2 . . . sin d2 cos d1
d1
xd = r sin 1 sin 2 . . . sin d2 sin d1

On choisit dimposer comme condition r [0, 1], (1 , . . . , d2 ) [0, [d2


et d1 [, [. Calculons le Jacobien de ce changement de variable :
D(x1 ,...,xd )
D(r,1 ,...,d1 )
. On definit le vecteur ligne Ld par


Ld (1 , . . . , d1 ) = (x1 , . . . , xd )
r
et la matrice (d 1) d : Qd par
xj
(Qd )i,j (r, 1 , . . . , d1 ) = .
i
Le Jacobien dordre d est donc
Ld (1 , . . . , d1 )
Dd (r, 1 , . . . , d1 ) =
Qd (r, 1 , . . . , d1 )
Dautre part, on a
cos 1 sin 1 Ld1 (2 , . . . , d1 )
Dd (r, 1 , . . . , d1 ) = r sin 1 r cos 1 Ld1 (2 , . . . , d1 )
0 sin 1 Qd1 (r, 2 , . . . , d1 )
En developpant par rapport a la premiere ligne, on a

Dd (r, 1 , . . . , d1 ) = r cos2 1 (sin 1 )d2 Dd1 (r, 2 , . . . , d1 )


+ r sin2 1 (sin 1 )d2 Dd1 (r, 2 , . . . , d1 )
= r(sin 1 )d2 Dd1 (r, 2 , . . . , d1 )

Comme D2 (r, ) = r, on a
d2
Y
Dd (r, 1 , . . . , d1 ) = rd1 (sin k )d1k .
k=1
2.2. INFLUENCE DE LA TRANSITION DE PHASE 57

On a donc
Z 1Z d2
1 eir cos 1 d1 Y
C(e1 ) = r (sin k )d1k d1 . . . dd1 dr
(2)d 0 [0,[d2 [,[ rd0 k=1
Z 1Z
= Kd eir cos (sin )d2 d r1+ dr
0 0
Z Z

= Kd eir cos (sin )d2 d r1+ dr
0 0
Z Z 1
d3
= Kd eirx (1 x2 ) 2 dx r1+ dr
0 1
Z
d 1
d2 d2
= Kd 2 ( 2 ) J d2 (r)r 2 r1+ dr
2 0
2
Z
d2 d 1 d
= Kd 2 2 ( ) J d2 (r)r 2 d0 dr,
2 0
2

ou lon a pose
d3 d2
2 Y 1 Y
Kd = 2Wk = d Wk ,
(2)d k=0 2 k=0
ou Wk est lintegrale de Wallis
Z
2
Wk = (sin )k d.
0
Il est bien connu que lon a
(2p)! p!2 22p
W2p = et W 2p+1 = .
2 p!2 22p (2p + 1)!
On a donc
2k1
Y k1
Y
Wi = W2p W2p+1
i=0 p=0
k1
Y 1
=
p=0
2 2p + 1
1
= ( )k
2 1 3 (2k 1)
k!2k
= ( )k
2 (2k)!
k!
= k .
(2k)!
58 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

Ceci permet de calculer


1 k!
K2k+2 = k+2
(2.3)
2 (2k)!
1
K2k+1 = 2k k , (2.4)
2 (k 1)!

ce qui peut se condenser en


d+1 d 1 1
Kd = ( 2 2d1 ( )) .
2

Remarque Nous ouvrons ici une parenthese pour donner quelques indica-
tions sur une preuve alternative de lexpression de C(e1 ). Elle est basee sur
les formules dintegrations par tranche suivantes : pour f integrable sur Rd ,
g integrable sur Rk et P la projection canonique de Rd sur Rk , avec k < d
on a Z Z + Z
d1
f (x) dx = r f (ru)d(u) dr
Rd 0 Sd1

et Z Z
dk
(g P )(u) d(u) = c(d, k) (1 kxk2 ) 2
1
g(x) dx,
Sd1 Bk (0,1)

ou c(d, k) est une constante dependant exclusivement des dimensions d et


k. La premiere formule est classique. Pour la deuxieme formule, on pourra
se rapporter a Rudin [42], qui en donne lanalogue pour des fonctions sur
Cd la preuve est la meme, mis a part que le volume dune boule de rayon
r est proportionnel a r2d dans Cd et a rd dans Rd . En combinant ces deux
formules, on obtient pour g k.k integrable :
Z Z + Z +1
d1
ix1 d1
e g(kxk) dx = Gd r g(r) (1 t2 ) 2 1 eirt dt dr
Rd 0 1

Il sagit de determiner Gd . Mais dans la theorie des fonctions de Bessel, on


montre que pour Re + 12 > 0 et x reel, on a
+
X Z +1
(1)k x 1 1
( )2k = (1 t2 ) 2 eitx dt,
k=0
k! (k + + 1) 2 ( + 12 ) 1

dou pour x = 0
Z +1
1 1 1
= (1 t2 ) 2 dt.
( + 1) ( + 12 ) 1
2.2. INFLUENCE DE LA TRANSITION DE PHASE 59

2
En prenant = 0, puis par exemple g(r) = exp( r2 ), on peut facilement
determiner la constante Gd . Le calcul de C(e1 ) sen deduit alors, en prenant
g(r) = rd10 11[0,1] (r) et en utilisant la representation integrale des fonctions de
Bessel .

Il reste a controler Z
1
eihA n,xi dx
B(0,1)

Nous allons utiliser la formule de Green, que lon peut considerer ici comme
une integration par parties multidimensionnelle. On sait que si V est un
volume dont la frontiere est une variete C orientable, que u et sont des
applications respectivement C 2 et C 1 de V dans R, on a
Z Z Z
u dx = ~ (x)i d(x) hgrad u, grad idx,
hgrad u, N
V V V

~ (x) designe le vecteur unitaire normal a V oriente vers lexterieur de V


ou N
et designe la mesure superficielle sur la surface V . La formule reste valide
si d = 1 et V = [a, b] avec a < b : on a alors = a + b , ou x designe la
mesure de Dirac au point x, ainsi que lon a N ~ (a) = 1 et N ~ (b) = 1 : cest
1 ihn,xi
alors une integration par parties classique. Si lon prend u(x) = knk 2e ,
in ihn,xi
on a grad u = knk 2e et u = eihn,xi , dou
Z Z Z
ihn,xi i ~ ihn,xi i
e dx = hv, N (x)ie d(x) + Dx1 (v)eihn,xi dx,
V knk V knk V
(2.5)
n
ou lon a pose v = knk . En iterant le procede, on obtient, pour de classe
CN :
Z N
X 1 Z
ihn,xi ik1 ~ (x)ieihn,xi d(x)
e dx = k+1
Dxk (v k )hv, N
V k=0
knk V
N Z
i ~ (x)ieihn,xi dx
+ N
DxN (v N )hv, N
knk V
Ici, on va prendre V = Vrn = {x Rd rn kxk 1}, ou rn est une
suite de limite nulle a determiner et = s. Afin de controler la taille des
differentielles, nous aurons besoin du lemme suivant :
Lemme 13. Il existe une constante K telle que
1
0 < kxk < k N sup |Dxk s(hk )| KkxkN 2d0 k (2.6)
2 khk=1
60 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

Pour ne pas nuire a la lisibilite de la preuve en cours, nous admettons


pour linstant ce lemme technique. On a alors
Z N 2d0 N
X 1
ihn,xi d1 rn
| s(x)e dx | K Sd rn (knkrn )k
Vrn knk k=0
K Bd 2d0
+ r
knkN n
ou Sd designe laire de la sphere d-dimensionnelle et Bd le volume de la boule
d-dimensionnelle. Dautre part, en integrant linegalite (13) avec k = 0, on
obtient Z
K
|s(x) dx| rnd+N 2d0
B(0,rn ) d + N 2d0

Puis, en combinant les deux inegalites, on a


Z N 2d0 N
X 1
ihn,xi d1 rn
| s(x)e dx | K S d rn (knkrn )k
B(0,1) knk k=0
K Bd 2d0
+ r
knkN n
K
+ rd+N 2d0
d + N 2d0 n
On choisit alors rn de maniere a ce que les deux derniers termes de la somme
que lon suppose etre les plus importants soient du meme ordre, soit
1
rn = N
knk N +d
et lon obtient finalement
Z
1
| s(x)eihn,xi dx| = O( N (N +d2d0 )
) (2.7)
B(0,1) knk N +d

Il nous faut a present etudier le comportement de I (x). Pour < 12 ,


lintegrale Z +
J d2 (t)t dt (2.8)
2
0
est semi-convergente et lon sait calculer sa valeur. De maniere generale, si
et sont des nombres complexes verifiant
3
0 < Re < Re + ,
2
2.2. INFLUENCE DE LA TRANSITION DE PHASE 61

on a Z +
J (t) ( 2 )
dt = +1 .
0 t+1 2 ( 12 + 1)
Cette integrale est parfois appelee integrale de Weber, du nom du premier
mathematicien a donner les valeurs de lintegrale pour entier. Pour une
preuve et un historique des resultats, on pourra se reporter a [49], 13.24,
page 391.
Ici, on a = d2
2
et = d d0 = , soit
Z +
( dd
2
0
)
J d2 (t)t dt = d .
0
2
2 2 d0

Comme N > d implique > = d d0 , on en deduit lequivalent souhaite.

Passons au cas ou 21 . Dans ce cas, lintegrale consideree en (2.8) est


divergente, mais lon peut neanmoins evaluer la taille de I (x) en utilisant un
developpement asymptotique des fonctions de Bessel. Les fonctions de Bessel
sont liees aux fonctions de Hankel H1 et H2 par la relation

1
J = (H1 + H2 ).
2

Or, sur C\R , on a des developpements asymptotiques a une precision arbi-


traire :
q
H 1 (z) = 2 z 12 ei(z 4 2 ) (1 + a1 + + ann + O( n+11
))

q z z |z|
H 2 (z) = 2 z 2 ei(z 4 2 ) (1 + b1 + + bnn + O( n+1
1 1
))
z z |z|

Pour un expose des resultats evoques, on peut se referer a [14], chap. XV.
On a alors
Z x Z 1
1
H d2 (t)t dt = H 1d2 (t)t dt
2 2
0
r0 Z x
2 1
+ t 2 ei(t(d1) 4 ) dt
1
r Z x
2 3
+ a1 t 2 ei(t(d1) 4 ) dt
1
Z x
1
+ t 2 ei(t(d1) 4 ) (t) dt,
1
62 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

avec (t) = O( t12 ). On en tire immediatement


Z x r Z x
1 2 1
H d2 (t)t dt = t 2 ei(t(d1) 4 ) dt
0 2 1
r Z x
2 3
+ a1 t 2 ei(t(d1) 4 ) dt
1
3
+ O(xmax( 2 ,0) ).

Une integration par parties donne


Z x Z x
32 i(t(d1) 4 )
(d+1)
32 i(t 4 ) x 3 5
t e dt = [t e ]1 ( )t 2 ei(t(d1) 4 ) dt,
1 1 2
Dou Z x
3 3
t 2 ei(t(d1) 4 ) dt = O(xmax( 2 ,0) ).
1
De la meme maniere
Z x Z x
21 i(t(d1) 4 )
(d+1)
12 i(t 4 ) x 1 3
t e dt = [t e ]1 ( )t 2 ei(t(d1) 4 ) dt,
1 1 2
La valeur absolue de lintegrale dans le second membre se majore comme
precedemment, et lon a enfin
Z x r
1 2 1 i(x (d+1) ) 3
H d2 (t)t = x 2e 4 + O(xmax( 2 ,0) ).
0 2
De meme
Z x
r
2 2 1 i(x (d+1) ) 3
H d2 (t)t = x 2e 4 + O(xmax( 2 ,0) ).
0 2
Par suite
Z x
r
2 1 (d + 1) 3
J d2 (t)t = x 2 cos (x ) + O(xmax( 2 ,0) ).
0
2 4
Il sensuit
r
1 2 1 1 1 (d + 1) d+3
cn = Kd d1 d+1 cos(kA nk )+O(knk min(,, 2 ) ).
det A 2 kA1 nk 2 4
p
Supposons maintenant > 12 et N > 14 ( (d 4d0 1)2 + 8d(1 + d) (d 4d0 1)),
ce qui est equivalent a > d+1
2
. Des lors, on a min(, , d+3
2
) > d+1
2
. Pour
2.2. INFLUENCE DE LA TRANSITION DE PHASE 63

montrer les egalites concernant lamplitude de loscillation de (cn ), il suffit


de montrer que lensemble des valeurs dadherence de la suite (cos(kA1 nk
(d+1)
4
))nZd est le segment [1, 1]. Or il est bien connu, que si / Q, len-
semble des valeurs dadherence de la suite (eip )p0 est le cercle unite. Donc
si lon trouve n0 Zd tel que kA1 n0 k / Q, il suffira de considerer la
sous-suite cpn0 .
Pour trouver un tel element, on va sappuyer sur le lemme suivant :

Lemme 14. Soit M un sous-module de Rd dont tous les elements ont une
norme euclidienne rationnelle.
Alors dim M 1.

Preuve : Si M nest pas reduit a {0}, il contient un element u de norme


rationnelle non nulle que, par homothetie, on peut supposer entiere : on peut
donc trouver e1 Rd unitaire et p N avec u = pe1 M . Si dim M 2, on
peut trouver v M independant de u. On peut egalement trouver e2 Rd tel
que (e1 , e2 ) forme une base orthonormale de Vect(u, v). Notons v = xe1 +ye2 .
Comme u et v sont independants, on a y 6= 0. Comme u, v, u + v M , on a

2hu, vi = ku + vk2 kuk2 Q.

Or 2hu, vi = 2px : on a donc x Q, puis y 2 = kvk2 x2 Q. Soit Z


tel que x Z et 2 y 2 Z. Posons z = (p)v (x)u : on a z M et
z = pye2 . Pour a Z , posons t = au + z : on a

ktk2 = a2 p2 + p2 (y)2 Z

Or t M : ktk2 est donc a la fois un entier et le carre dun rationnel :


comme Z est factoriel, ktk2 est le carre dun entier. Comme yp 6= 0, on a
ktk2 > |ap|2 , dou ktk2 (|ap| + 1)2 , dou

|y 2 (p)2 | 2|ap| + 1,

ce qui est evidemment faux des que lon choisit a suffisamment grand. Contra-
diction.

Pour montrer lexistence de n0 , il suffit alors dappliquer le lemme qui
precede au module M = 1 A1 Zd , puisque lon a dim M = d 2.
Pour = 12 , il convient detre un peu plus precis dans le developpement :
on a
r r
2 2 i(t(d1) ) a1 1
H 1d2 (t)t = ei(t(d1) 4 ) + e 4 ( + O( 2 ))
2 t t
64 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

De sorte que, par les memes techniques que plus haut, on montre que
Z r
2 i(t(d1) )
H 1d2 (t)t e 4 dt
0 2
1
est semi-convergente. En faisant le meme travail sur H02 t 2 , on trouve le
developpement
r
2 (d + 1)
I d+1 ,d (x) = cos(x ) + B + o(1),
2 4
avec Z r
+
1 2
B= J d2 (t)t
2 cos(t (d 1) ) dt.
0
2 4
Ceci suffit pour affirmer
d+1
limknk+ |cn |kA1 nk 2 >0

puisque le meme raisonnement que precedemment montre que, lensemble


d+1
des valeurs dadherence de la suite cn kA1 nk 2 est exactement le segment
r r
Kd 2 Kd 2
[ ( + B), ( + B)].
det A det A
Il est temps a present de demontrer le lemme 13.
Preuve du lemme 13 : Pour calculer et majorer les differentielles
successives au point x, nous allons effectuer un developpement limite de d au
voisinage de x, puisque lon sait que lon a

XN
1 k k
s(x + h) = Dx s(h ) + o(khkN ).
k=0
k!

Comme sur B(0, 21 ), on a h1 = 1, il vient

s(x + h) = Fkxkd0 ,R1 (x) (ux (h), vx (h)),

ou lon a pose

FA,B (h1 , h2 ) = (A + B + h1 + h2 )1 (A + h1 )1

ux (h) = kx + hkd0 kxkd0


vx (h) = R1 (x + h) R1 (x)
2.2. INFLUENCE DE LA TRANSITION DE PHASE 65

On a

FA,B (h1 , h2 ) = (B + h2 )(A + h1 )1 ((A + B) + (h1 + h2 ))1

On a, dans R[[h1 , h2 ]] les egalites


1 X 1
= k+1
(1)k hk1
A + h1 k0
A

1 X 1
= k+1
(1)k (h1 + h2 )k
A + B + h1 + h2 k0
(A + B)
X 1 X a + b
k
= k+1
(1) ha1 hb2
k0
(A + B) a+b=k
a
X a + b  1
= a+b+1
(1)a+b ha1 hb2
a,b0
a (A + B)

Dou, en faisant le produit


X a + b
FA,B (h1 , h2 ) = (1)a+b+k+1
a,b,k0
a
B 1
( ha+k
1 hb2 + k+1 ha+k hb+1
2 )
Ak+1 (A + B)a+b+1 A (A + B)a+b+1 1
Developpons a present ux (h) :on a
hx, hi hh, hi d0
kx + hkd0 = kxkd0 (1 + 2 + )2
kxk2 kxk2
Or on a dans R[[x]]
d0 X  d0 
(1 + x) 2 = 2 xi
i0
i
Tandis que
i  
hx, hi hh, hi i X i 1
(2 2
+ 2
) = 2i
(2hx, hi)il hh, hil
kxk kxk l=0
l kxk

On en deduit, pour tout n 1


  
D0n ux (hn ) X d20 i 1
= 2i
(2hx, hi)2in hh, hini kxkd0
n! n i n i kxk
i 2
66 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

Et alors, en appliquant linegalite de Cauchy-Schwarz, on a

D0n ux (hn ) X  d0   i 
| | | 2 | 22in kxkd0 n khkn
n! n i ni
i 2

Donc on peut trouver Ku tel que pour k N

D0n ux (hn )
| | Ku kxkd0 n khkn (2.9)
n!
Dautre part, comme R1 (0) = D01 R1 = . . . D0N 1 R1 = 0, la formule de Taylor
donne
k N kDxk R1 k = O(kxkN k ),
ou de maniere equivalente, il existe une constante K telle que

1 D0k vx k
x kxk < k N | (h )| Kv kxkN k khkk . (2.10)
2 k!
La composante homogene de degre n en h dans ux (h)a+k vx (h)b est

X a+k
Y b
D0p ux (hip ) Y D0p vx (hjp )
i j
na,b,k (h) =
p=1
ip ! p=1
jp !

ou la somme a lieu sur les entiers non nuls verifiant


a+k
X b
X
ip + jp = n.
p=1 p=1

Pour que cette somme soit non nulle, il est necessaire davoir n a + k + b.
Dans cette situation, les majorations (2.9) et (2.10) montrent quon peut
trouver K tel que pour |x| < 12 , on ait la majoration

|na,b,k (h)| Kkxk(a+k)d0 +bN n khkn . (2.11)

En composant les deux developpements, on a

X 

Dxn (hn ) a+b R1 (x)na,b,k (h)
= (1)a+b+k+1
n! a,b,k0,a+b+k=n
a kxk(k+1)d0 (kxkd0 + R1 (x))a+b+1
X  
a+b na,b+1,k (h)
+ (1)a+b+k+1
a,b,k0,a+b+k+1=n
a kxk(k+1)d0 (kxkd0 + R1 (x))a+b+1
2.2. INFLUENCE DE LA TRANSITION DE PHASE 67

En appliquant les majorations trouvees en (2.11) et le fait que R1 (x) est


negligeable devant kxkd0 , on trouve que chaque terme de la somme est majore
par
K 0 kxkN 2d0 +b(N d0 )n K 00 kxkN 2d0 n ,
ce qui donne manifestement ce que lon voulait demontrer.


2.2.2 Decroissance de la covariance


Le theoreme qui suit est une relecture du resultat danalyse que nous
venons detablir en termes de decroissance de la covariance de la mesure de
Gibbs gaussienne centree associee a un potentiel.
Theoreme 2.4. Soit J un potentiel. On pose, pour (1 , . . . , d )
i1 , . . . , eid )
f (1 , . . . , d ) = J(e

On suppose que f verifie les hypotheses suivantes :


f ne sannule quen les points du reseau (2Z)d .
il existe un entier N , un reel d0 verifiant 0 < d0 < min(d, N ), une
matrice A Gld (R) et une fonction R de classe C N telle que

f (x) = kAxkd0 + R(x),


avec pour tout k verifiant 0 k N 1 :

D0k R = 0.

Alors, on dispose des resultats suivants sur la covariance E X0 Xn

ordre du zero valeur de N vitesse de decroissance signe a linfini


d1 1
p d+1
d0 < 2 N > 2 d(1 + d) 1/(|n| 2 ) + et
p d+1
d0 = d1
2
N > 12 d(1 + d) 1/(|n| 2 ) ?
d1 dd0
d0 > 2 N d+1 1/(|n| ) +

Remarques
1. Le theoreme enonce ci-dessus nest pas exhaustif : il est probable que les
valeurs minimales de N annoncees ici pour pouvoir donner les conclu-
sions du theoreme 2.4 ne soient pas optimales. Notre but est, dans un
premier temps, de mettre en lumiere les differentes sortes de pathologies
quinduit la presence dune transition de phase.
68 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

2. Avant de donner des applications de ce theoreme a la theorie des pro-


babilites, il nous parait important de le situer un peu dans un contexte
mathematique plus general. Ce theoreme fait partie de la grande famille
des resultats sur les integrales oscillantes,de la forme
Z
ei .

Cette expression un peu magique en evoque immediatement dautres :


coefficients de Fourier, methode de la phase stationnaire, methode du
col ou de la plus grande pente... Autant de techniques parmi lesquelles
il peut etre difficile de choisir dautant que les terminologies peuvent
varier selon les auteurs et les langues. Malgre la profonde unite quil
y a entre les differents resultats, il y a une reelle difficulte a choisir
les outils les plus adaptes au cas precis qui nous interesse. A cet effet,
la lecture du chapitre II dErdelyi [17] est une aide tres precieuse. En
dimension d = 1, les resultats analogues a celui demontre ci-dessus
sont plethoriques et lon trouve beaucoup mieux quici tant sur le plan
de la faiblesse des hypotheses (voir par exemple Zygmund [50] t. I
p. 190) que sur celui de la precision du developpement asymptotique
(cf. [17]). Lenonce et la preuve de Dieudonne [14] IV.4 permettent
de voir comment se combinent les hypotheses de singularite de et
de stationnarite de . En dimension plus grande, la litterature se fait
beaucoup plus rare : outre meme sil est formule differemment le
resultat de Spitzer [45], sur lequel nous reviendrons, il convient de citer
Stein [47] chap. VIII, 2 et Harthong [21] partie I, qui travaillent tous
deux avec C a support compact mais usent de methodes assez
differentes.

2.2.3 Application aux marches aleatoires aperiodiques


sur Z3
Nous voulons ici mettre en evidence les liens existant entre des marches
aleatoires symetriques aperiodiques et certains systemes gaussiens en inter-
action. En particulier, des estimations de la fonction de Green de la marche
aleatoire donnent des renseignements sur la covariance du systeme gaussien,
et reciproquement. Certaines des remarques faites ici ont deja ete faites par
Spitzer [46].

Proposition 2.1. Soit la loi de chaque pas dune marche aleatoire symetrique
aperiodique sur Z3 possedant un moment dordre 4.
2.2. INFLUENCE DE LA TRANSITION DE PHASE 69

On definit la fonction de Green de cette marche aleatoire par


X
G(n) = k (n), n Z3 .
k0

(G(n) est lesperance du nombre de passages au point n de la marche aleatoire


partant de zero et dont chaque pas suit la loi )
On introduit la forme quadratique Q sur R3 suivante :
X
Q() = (n)hn, i2 , R3 .
nZ3
Alors on a lequivalent en linfini :

1 1
G(n)
2 (det Q hn, Q1 ni) 12

Preuve : On va montrer que N = 4. On introduit la fonction ca-


racteristique de la marche aleatoire :
X
() = (n)eihn,i , R3
n Z3
Posons en = eihn,i On a

Dk en (hk ) = eihn,i (ihn, hi)k

Comme possede un moment dordre 4, la serie des differentielles dordre


inferieur ou egal a 4 converge uniformement (en norme doperateur) sur tout
compact de Rd . Par suite, est C 4 et ses differentielles dordre k 4 sont
donnees par X
Dk (hk ) = (n)eihn,i (ihn, hi)k
n Z3
Comme est paire on en deduit que D01 = 0 et D03 = 0 tandis que
D02 = Q. Dautre part, comme est une mesure de probabilites, on a
(0) = 1. Si lon pose f () = 1 (), on a f C 4 , avec

1
f () = Q() + R(),
2
ou pour 0 k < N = 4
D0k R = 0.
70 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

Or c
k = k = k , donc

m
X m
X Z Z m
X
k 1 ihn,i k 1 ihn,i
( )(n) = e () d = e ()k d
k=0 k=0
(2)3 [,]3 (2)3 [,]3 k=0

Linegalite triangulaire montre que () = 1 si et seulement si les nombres


complexes (n)eihn,i ont meme sens et meme direction que 1. Donc si () =
1 , les reels de B = {hn, i, (n) 6= 0} sont tous congrus a zero modulo 2.
Mais
Mod(B) = Mod(hn, i, n M ),
ou
M = Mod(n, (n) 6= 0).
Comme la marche aleatoire est irreductible, M = Zd , dou

Mod(B) = Mod(1 , . . . , d ).

Donc 1 , . . . , d 2Z, ce qui montre que ne vaut 1 quen les points du


reseau (2Z)d . De meme, il est facile de voir que Q est positive. Si Q() = 0,
on a
hn, i = 0
des que (n) 6= 0. Mais

Vect(n, (n) 6= 0) = Vect(M ) = Rd .

est orthogonal a Rd , donc = 0 et Q est definie positive. Par suite, comme


m
X 2
|eihn,i ()k | ,
k=0
|1 ()|

le theoreme de convergence dominee sapplique et


Z
1 1
G(n) = 3
eihn,i d
(2) [,]3 f ()

Ainsi, G sinterprete comme la covariance dun systeme gaussien dont


linteraction J satisfait
J = f = 1 () (2.12)
Si Q est la matrice de Q, on peut trouver A symetrique definie positive
telle que
Q
A2 = .
2
2.2. INFLUENCE DE LA TRANSITION DE PHASE 71

Des lors, on a
Q(x)
= kAxk2
2
et lon applique le theoreme precedent avec d0 = 2 et N = 4. (Comme le
theoreme que nous appliquons ne permet pas de prendre d > 3, nous nous
sommes fixes des le depart d = 3, mais les raisonnements faits jusquici ne
dependent en rien de la dimension.)
1 d 1
Comme kA1 nk = 2hQ1 n, ni 2 et det A = 2 2 (det Q) 2 , on obtient les
resultats desires.


Remarque : Il faut signaler que les hypotheses de la proposition 2.1 presentee


ici comme consequence du theoreme 2.3 ne sont pas minimales : Spitzer
montre en effet en [45] que la meme conclusion demeure valide si lon suppose
seulement que la marche aleatoire est aperiodique, desperance nulle, et ad-
met un moment dordre deux. Il laisse en exercice au lecteur la generalisation
de ce resultat en dimension d 3 pour les marches aleatoires qui verifient
en plus
lim |n|d2 k (n) = 0, (2.13)
|n|+

ce qui est evidemment verifie si le support de est fini : il obtient

1 1
G(n) md 1 d ,
det Q 2 hn, Q1 ni 2 1

ou md est une constante positive ne dependant que de la dimension. Lequivalent


donne est conforme a ce que laisse prevoir le theoreme 2.3 avec d0 = 2 si lon
neglige de verifier lhypothese sur N necessaire pour que son application soit
licite.

Exemple : La proposition 2.1 sapplique a la marche aleatoire classique


sur Z3 , appelee parfois marche de livrogne ; plus precisement charge uni-
quement et de maniere equiprobable les deplacements de norme 1. Dans ce
cas Q() = 13 kk2 , i.e. Q = 13 Id et det Q = 27
1
. Lequation (2.12) permet de
lui associer un systeme gaussien en interaction : chaque site interagit avec
ses plus proches voisins, de telle sorte que

{i} () = 12 i2
{
{i,j} () = 61 i j si |i j| = 1, et 0 sinon
72 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

Ce potentiel est appele potentiel harmonique. On a


3 X
i1 , ei2 , ei3 ) = 1
J(e
1
(1 cos k ) kk2
3 k=1 6

et
3 1
G(n) = cn .
2 knk

Remarques :
1. Si lon revient a une interpretation en termes de covariance de systeme
en interaction quadratique, on a etabli une correspondance bijective
entre les marches aleatoires symetriques et aperiodiques verifiant
Z
1
dz < + (2.14)
U 1 (z)
correspondent aux potentiels J verifiant


J(0) = 1
J(k) < 0 pour k 6= 0
P (2.15)
d J(k) = 0
R k1Z dz < +.



U J(z)

Lhypothese selon laquelle J ne sannule quen 1 ou autrement dit,


ne vaut 1 quen les points du reseau (2Z)d est equivalente a
laperiodicite de la marche aleatoire (cf. [45]), ce qui signifie que le
module M = Mod(n, (n) 6= 0) est Zd tout entier. Si lon y reflechit
bien, cette hypothese est toute naturelle : si M est un sous-module
propre, des sites qui sont dans des classes distinctes de Zd /M ninter-
agissent pas. Le systeme est alors compose de [Zd : M ] sous-systemes
independants. Il convient alors detudier un des sous-systemes en ef-
fectuant un nouveau parametrage, puisque ces sous-systemes induisent
chacun la meme famille de mesures de Gibbs.
2. Dautre part, pour une marche aleatoire symetrique aperiodique, la
condition (2.14) est equivalente a la transience de la marche aleatoire.
En effet, on sait (voir par exemple [45], II.8) quune marche aleatoire
aperiodique sur Zd est transiente si et seulement si
Z
1
Re dz < + (2.16)
U 1 (z)
Cest toujours le cas pour d 3.
2.2. INFLUENCE DE LA TRANSITION DE PHASE 73

3. Les correspondances que nous avons etablies entre marches aleatoires


symetriques aperiodiques transientes et certaines interactions gaussiennes
demeurent vraies quelle que soit la dimension. Ainsi, pour des potentiels
verifiant (2.15) et correctement parametres, on peut obtenir deduire le
comportement asymptotique de la fonction de covariance si lon connat
celui de la fonction de Green de la marche aleatoire correspondante, par
exemple si cette derniere verifie (2.13) (cette derniere condition est, elle,
verifiee par les potentiels a portee finie, en particulier par le potentiel
harmonique).

2.2.4 Sur la generalite des resultats precedents


Le theoreme qui suit montre que les hypotheses du theoreme 2.4 sont
effectivement realisables, au sens quon peut toujours trouver un potentiel
qui en verifie les hypotheses, des parametres convenables ayant ete imposes.

Theoreme 2.5. Soit d un entier naturel non nul, d0 < d et A Gld (R).
On peut construire un potentiel J d-dimensionnel tel que
i1 , . . . , eid ).
f (1 , . . . , d ) = J(e

verifie :
f ne sannule quen les points du reseau (2Z)d ,
il existe une fonction R de classe C telle que

f (x) = kAxkd0 + R(x),


avec R identiquement nul sur un voisinage de zero
ce qui implique que f verifie les hypotheses du Theoreme 2.4 avec d, d0 et A
determines tels quon les a choisis.
1
Preuve : Soit C ([0, +[, [0, 1]) verifiant (x) = 1 pour x 2
et
(x) = 0 pour x 1. On definit alors f : [, ]d R par

f (x) = (x)kAxkd0 + (1 (x))

Si f (x) = 0, comme (x) [0, 1] , on a (x)kAxkd0 = 0 et 1 (x) = 0 soit


(x) = 1 et kAxk = 0 dou x = 0. Dautre part,

R(x) = f (x) kAxkd0 = (1 (x))(1 kAxkd0 )

est une fonction C nulle sur un voisinage de 0, donc dont toutes les differentielles
sont nulles en zero. Comme f vaut identiquement 1 sur un voisinage de la
74 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

frontiere du cube elle admet un prolongement C (Rd \(2Z)d ) dont (2Z)d


est un groupe de periode. Cest ce prolongement que nous noterons f desormais.
Il est clair que f verifie les hypotheses du theoreme 2.3. On definit naturel-
lement J par Z
1
J(n) = eihn,i f () d
(2)d [,]d
Comme f est paire a valeurs reelles, J lest egalement. Reste a voir que
J A1 . En appliquant les memes raisonnements que lors de la preuve du
theoreme 2.3, on voit que
1
J(n) = O( ),
knkd+d0

ce qui prouve que X


|J(n)| < +.
n Z d

2.2.5 Theoreme de limite centrale


Nous allons maintenant etudier linfluence de la transition de phase sur
le theoreme de type limite centrale. En effet, le comportement asympto-
tiques en loi de sommes normalisees de maniere convenable est un resultat
extremement significatif en theorie des probabilites, plus evocateur que la
seule vitesse de decroissance de la covariance.

Theoreme 2.6. Soit d un entier naturel non nul, d0 un reel verifiant


d1
2
< d0 < d et A Gld (R).
Soit J un potentiel d-dimensionnel. On definit

i1 , . . . , eid ).
f (1 , . . . , d ) = J(e

On suppose que les hypotheses suivantes sont verifiees :


f ne sannule quen les points du reseau (2Z)d .
il existe une fonction R de classe C d+1 telle que

f (x) = kAxkd0 + R(x),


avec pour tout k verifiant 0 k d :

D0k R = 0.
2.2. INFLUENCE DE LA TRANSITION DE PHASE 75

Alors, si lon pose n = {0, . . . , n 1}d et


X
S = Xi
i

ou la loi de X = (Xi )iZd est , lunique loi gaussienne centree de GJ,0 , il


existe > 0 tel que lon a la convergence en loi suivante :
Sn
1 d0
= N (0, 2 ).
+ 2d
|n | 2

Preuve : Comme X est gaussien stationnaire centre, Sn est une variable


gaussienne centree. Pour montrer la convergence en loi annoncee, il suffit donc
de montrer que
S2 n
E d+d
n 0
a une limite non nulle. Comme dans la preuve du theoreme 2.2, on a
X
E S2 n = ckl
k,ln
X
= Npn cp ,
p{n,...,n}d
avec
d
Y
Npn = |{k, l n ; k l = p}| = (n |pi |).
i=1
Dapres le theoreme 2.3, il existe une constante K que lon a calcule expli-
citement et un reel tels que
cn = KkA1 nk + O(kA1 nk ),
avec = d d0 et > . On peut supposer < d. Si lon pose V =] 1, 1[d ,
on a
X X Y d
n 1
Np kA pk = (n |pi |)kA1 pk
p{n,...,n}d pnV Zd i=1
X d
Y
d pi p
= n (1 | |)kA1 k
n n
p
n
V 1
n Z
d i=1

X d
Y
d
= n (1 |xi |)kA1 kk
1
xV n Zd i=1
X
= nd (x),
xV 1
n Zd
76 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC

ou lon a pose
d
Y
(x) = kA1 xk (1 xi ).
i=1

On reconnat ainsi une somme de Riemann, soit


X Z
(x) ( (x) dx)nd
1
xV n Zd V

On fait de meme pour , et on a ainsi


Z
E Sn = K( (x) dx)n2d + O(n2d ),
2
V

dou Z
E S2 n K( (x) dx)nd+d0 ,
V
puis Z
S2 n
E d+d0 = K( (x) dx)nd+d0 .
2
n V

2.3 Commentaires
Sous des hypotheses peu contraignantes, nous venons detablir des resultats
assez precis sur la vitesse de decroissance de la covariance, qui montrent
quen cas de transition de phase, on a une decroissance de la covariance en
1
inf(, d+1 )
, ou = d d0 , d0 mesurant le degre de degenerescence de la
knk 2

transition de phase. Cette vitesse contraste fortement avec la decroissance


exponentielle usuelle en cas dabsence de transition de phase. Ce resultat
nest pas surprenant : en effet, Laroche a demontre que pour des interac-
tions bornees sommables avec espace detats fini, la covariance ne peut pas
decrotre plus vite quen |n|2d (voir [30]) lorsquil y a transition de phase.
Dans le cas ou d0 > d1 2
, on a alors etabli que la decroissance de la co-
variance etait si lente que la dimension de la renormalisation necessaire a
letablissement dun theoreme central limite est differente de celle du cas de
variables independantes, alors que dans le cas ou il ny avait pas de transition
de phase, la renormalisation etait classiquement la racine carree du volume.
Nous postulons que la valeur de d0 est un parametre important dans letude
du systeme que nous etudions. Ce postulat sera etaye ulterieurement par
2.3. COMMENTAIRES 77

letude du systeme dynamique se dirigeant vers letat dequilibre qui nest


autre quune mesure de Gibbs.
Dans cette optique, on doit alors conclure que la vitesse de decroissance de la
covariance, bien quelle soit un excellent indice de lexistence de transition de
phase, ne donne pas une information suffisamment precise sur la nature de
la transition de phase puisque des que d0 d1 2
, elle ne permet pas destimer
d0 .
Si lon ne sinteresse plus seulement a lordre de grandeur de la covariance,
mais aussi a son signe,il est interessant de remarquer que la position de d0
par rapport a d1 2
determine la presence ou labsence de polarisation du
systeme : si d0 > d1 2
, alors E X0 Xn est positif pour |n| assez grand, tandis
d1
que si d0 < 2 , les covariances sont a linfini alternativement positives et
negatives.
78 CHAPITRE 2. TRANSITION DE PHASE, COVARIANCE ET TLC
Chapitre 3

Processus de diffusion
infini-dimensionnel associe a
une interaction quadratique

Jusqua present, nous avons considere les mesures de Gibbs gaussiennes


comme definies par un systeme de caracteristiques locales les equations
D.L.R. determinant les probabilites des differents etats dun sous-volume
fini a condition exterieure du systeme fixee. On parle alors dun systeme de
specifications locales.
Il existe une autre approche des mesures de Gibbs, elle aussi conforme
a lintuition physique : il sagit de considerer ces mesures comme les etats
dequilibres i.e. les limites en temps dun systeme differentiel stochastique
dans lequel intervient le gradient de linteraction. Comme linteraction est
quadratique, lequation differentielle stochastique est lineaire.
Apres avoir demontre lexistence et lunicite de la solution du systeme
differentiel adequat dans un cadre que nous preciserons, nous nous attache-
rons particulierement a etudier la facon dont la limite asymptotique depend
de la condition initiale et montrerons que toutes les mesures de Gibbs peuvent
etre ainsi obtenues comme mesures dequilibre.
Nous comparerons nos resultats avec ceux qui existent deja pour des
interactions sous-quadratiques ou quadratiques perturbees : il convient de
mentionner le remarquable article pionnier de Doss et Royer (cf. [15]) et
les recents travaux dans un cadre general de Da Prato et Zabczyk sur les
equations differentielles stochastiques en dimension infinie (cf. [11],[12]). Mal-
heureusement, si lon veut appliquer ces resultats a des interactions purement
quadratiques, il convient de supposer quun certain operateur est accretif, ce
qui nous place automatiquement dans un cadre dunicite de la mesure de
Gibbs dont nous voulons nous liberer.

79
80 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

3.1 Lequation differentielle stochastique


On designe par Wt une famille (Wti )iZd de mouvements browniens reels
independants definis sur un espace probabilise complet (, F, P ). On munira
de la filtration (Ft )t0 ou Ft est la tribu complete engendree par les Wsi
pour i Zd et 0 s t. On etudie ici le systeme differentiel stochastique
Z
i i i 1 tX
Xt = + Wt J(i, k)Xsk ds i Zd , t R+ (3.1)
2 0
k d Z
ou est un vecteur aleatoire independant du brownien Wt . On souhaite
lecrire sous la forme vectorielle
Z
1 t
Xt = + Wt JXs ds, t R+ , (3.2)
2 0

Pour etudier de maniere rigoureuse un systeme infini dequations differentielles


stochastiques, il est commode de se placer dans un sous-espace de RZ dans
d

lequel la serie figurant au second membre de (3.1) a un sens. On retrouve ici


un probleme analogue a celui rencontre lors de letude de MhJ : il y a un choix
de sous-espace a faire qui nest pas canonique. Nous ferons quant a nous des
choix lies aux espaces etudies lors du chapitre 1, ce qui ne signifie pas que
dautres options ne sauraient etre pertinentes.
Pour resoudre cette equation, on supposera donne un espace de Banach
E inclus dans RZ et verifiant
d

Hypotheses sur lespace detatE RZ dans lequel la diffusion vit


d

1. t 7 Wt C(R+ , E) P-presque surement.


2. Les suites finies sont dans E
On note ei la suite dont toutes les coordonnees sont nulles excepte la i
ieme qui vaut 1.
(H0 ) 3. La forme lineaire i qui a chaque vecteur de E associe sa i-eme com-
posante est continue.
4. Le systeme (ei )iZd est une base faible de Schauder de E, cest a dire
que X
x E, E 0 lim i (x)(ei ) = (x) (3.3)
Zd i

Hypothese sur les coefficients de la diffusion J est un operateur


continu sur E, avec j (Jei ) = J(j, i).
3.1. LEQUATION DIFFERENTIELLE STOCHASTIQUE 81

Definition : On dit que le processus (Xt )t0 est solution de lequation


differentielle stochastique (3.1) si t 7 Xt C(R+ , E) P-presque surement et
si presque toute trajectoire de X verifie le systeme integral (3.1).

Remarque : Lhypothese (3.3) implique que lespace vectoriel engendre


par les operateurs de projection (i )iZd est dense dans E 0 pour la topologie
-faible, puisque cette equation signifie que
X
= lim (ei )i
Zd i

au sens de la topologie -faible.

Lemme 15. Lorsque, comme nous lavons suppose, E admet (ei )iZd comme
base faible de Schauder, les solutions de lequation (3.2) et du systeme (3.1)
concident.

Preuve : Comme, par hypothese, i est continu, on a


Z t Z t
i ( JXs ds) = i (JXs ) ds.
0 0

(Pour un expose des proprietes elementaires des integrales a valeurs vecto-


rielles banachiques, on pourra se reporter a [48], ch. VI 3.)
Maintenant, si lon definit E 0 par (x) = j (Jx), en appliquant (3.3),
on a X X
j (JXs ) = i (Xs )j (Jei ) = J(j, i)Xsi
Zd
i Zd
i

Les deux notions sont alors bien equivalentes, puisque lon a alors

j Zd , t R+
Z t Z tX
1 1
j (Xt + + Wt JXs ds t R ) = +
Xtj j
+ + Wtj J(j, i)Xsi ds.
2 2
0 0
Zd
i


82 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

3.2 Existence et unicite de la solution


3.2.1 Un lemme danalyse
Lemme 16. Soit E un espace de Banach. On se donne C(R+ , E), une
application lineaire J continue de E dans lui-meme et E. Lequation
integrale Z t
J
x(t) = + (t) x(s) ds
0 2

admet une unique solution x C(R+ , E) : elle est donnee par


Z
J J t J
x(t) = exp(t ) + (t) exp((t s) )(s) ds
2 2 0 2

Preuve : Soit T > 0. On definit un operateur A de C([0, T ], E) dans


lui-meme par
Z t
J
t [0, T ] (Ax)(t) = + (t) x(s) ds
0 2

On montre par recurrence sur n 1.

(k J2 kt)n
t [0, T ] x, y C([0, T ], E) kAn x(t) An y(t)k kx ykT ,
n!
ou lon a pose pour x C([0, T ], E) kxkT = supt[0,T ] kx(t)k. On en deduit

(k J2 kT )n
x, y C([0, T ], E) kAn x An ykT kx ykT
n!
(k J kT )n
Pour n assez grand, 2n! < 1 : une des iterees de A est donc contractante :
dapres le theoreme du point fixe, A admet un unique point fixe :
Z t
J
!x C([0, T ], E)t [0, T ] x(t) = + (t) x(s) ds
0 2

Dou
Z t
+ + J
!x C(R , E) t R x(t) = + (t) x(s) ds
0 2
Il reste a verifier que la solution proposee convient.
Z t Z t Z t Z t Z s
J J J J
x(s)ds = exp(s )ds+ (s)ds exp(s ) exp(u )(u)du ds
0 0 2 0 0 2 2 0 2
3.2. EXISTENCE ET UNICITE DE LA SOLUTION 83

Le dernier terme se transforme a laide du theoreme de Fubini :


Z t Z s Z Z
J J J J J J
exp(s ) exp(u )(u)du ds = exp(s ) exp(u )(u)du ds
0 2 2 0 2 0ust 2 2 2
Z tZ t
J J J
= [ exp(s )ds] exp(u )(u)du
2 2 2
Z0 t u
J J J
= (exp(u ) exp(t )) exp(u )(u)du
2 2 2
Z0 t Z t
J
= (u)du exp((t u) )(u)du
0 0 2

Dou
Z t Z t Z
J J J J t J
x(s)ds = [ exp(s ) ds] + exp((t u) )(u)du
2 0 0 2 2 2 2
Z t 0
J J J
= [I exp(t )] + exp((t u) )(u)du
2 2 0 2

On voit alors aisement que x verifie bien lequation proposee.




3.2.2 Le theoreme dexistence et unicite


Le lemme 16 va alors nous permettre de trouver les solutions du systeme
differentiel stochastique (3.1) vivant dans un espace de Banach E RZ
d

convenablement choisi.

Theoreme 3.1. Supposons que nous sont donnes un espace probabilise (, F, P ),


une famille (W i )iZd de mouvements browniens independants sous la proba-
bilite P , ainsi quun espace de Banach E verifiant lhypothese H0 . Alors, si
J est un operateur continu sur E et une variable aleatoire a valeurs dans
E independante des mouvements browniens (W i )iZd , on a le resultat sui-
vant : Il existe un processus Xt a trajectoires continues dans E une solution
de lequation de diffusion (3.2) . Ce processus est unique a lindistinguabilite
pres.
Il secrit
Z
t J2 J t (ts) J
Xt () = e () + Wt () e 2 W () ds
s
2 0

Xt est un processus de Markov (Ft )-adapte .


84 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Preuve : Notons 1 = { : t 7 Wt () C(R+ , E)} Si lon pose, pour


1 Z
t J2 J t (ts) J
Xt () = e () + Wt () e 2 W () ds
s
2 0
et Xt () = 0 pour \1 , le processus (Xt ) est bien defini et le lemme
16 montre que Xt verifie bien (sur 1 , donc presque surement) les conditions
de continuite et lequation integrale demandees. Soit (X 0 ) une autre solution
du probleme : posons
Z t
J
1 = { : t 7 Xt0 () +
C(R , E)et Xt = + Wt Xs ds t R+ }.
0 2

Dapres lunicite du lemme 16, t 7 Xt () et t 7 X 0 () concident pour


1 2 . Comme P (1 2 ) = 1, les deux processus sont indistinguables.


Remarque : Notre approche des donnees du probleme est sensiblement


differente de celle adoptee par Doss et Royer dans [15] : ces derniers ont
fait le choix, un potentiel leur etant donne, de construire un espace E =
l2 () dans lequel leur solution va evoluer. Nous avons fait le choix, quant a
nous, de nous fixer un espace E decrit explicitement, ce qui impose alors des
conditions sur J. Si lon applique les resultats de Doss et Royer a un potentiel
quadratique ils etudient, eux, une classe plus generale de potentiels , il
convient de supposer que J est de portee finie ou secrit J(n) = (|n|), ou
est une fonction decroissante. Notons que leur article ne soccupe pas du
comportement asymptotique du systeme, mais etudie avec soin les liens entre
mesures de Gibbs et solutions reversibles du systeme sous des hypotheses
supplementaires qui secrivent, dans le cas lineaire qui nous interesse,
X
J(0) > max(0, J(k)).
Zd
k

Il pourra etre interessant detudier ulterieurement comment on peut saffran-


chir de cette hypothese qui ecarte par exemple le modele harmonique.

3.3 Covariance de la diffusion


Nous avons pu montrer lexistence et lunicite dune solution a lequation
differentielle (3.1) sans faire aucune hypothese de moment. Cependant dans
ce qui suit, afin detudier les proprietes asymptotiques du systeme, il sera
3.3. COVARIANCE DE LA DIFFUSION 85

commode de pouvoir definir des operateurs de covariance associes au proces-


sus sans quil y ait a debattre de leur domaine de definition. Dans toute cette
section, on supposera donc verifiee lhypothese
E(kW1 k2E ) < +. (3.4)
Cette hypothese nest pas tres contraignante et nous epargne des discussions.

Definition : Si X et Y sont deux variables aleatoires sur E dont la norme


admet un moment dordre 2, alors on peut definir une forme quadratique
continue sur E 0 E 0 , ou E 0 est muni de la topologie -faible.
(, ) E 0 E 0 7 CX,Y (, ) = E(X)(Y ).
On lappelle la covariance de X et Y .
Preuve :
|(X)(Y )| kk kk kXk kY k (3.5)
1 2
Or kXk kY k L , puisque kXk, kY k L , donc CX,Y est bien definie. Si
(n ) et (n ) tendent faiblement vers et , alors (kn k)n et (kn k)n sont
bornees. et lon a n (X)n (X) (X)(X) p.s. . En appliquant linegalite
(3.5) et le theoreme de convergence dominee, on obtient la continuite de
(, ) E 0 E 0 7 CX,Y (, ) = E(X)(Y )
pour la topologie -faible.

Dans toute cette section, on notera
h., .i = CW1 ,W1 .
On a
hi , j i = EW1i W1j = ji = i (ej ) = j (ei )
Comme lespace vectoriel engendre par les j est dense dans E 0 pour la
topologie -faible, on en deduit par continuite
i Zd E 0 hi , i = (ei )
De meme, il est alors facile de voir que
s, t 0 CWs ,Wt = inf(s, t)h., .i.
Si J L(E, E) et E 0 , on definit J. E 0 par
x E (J.)(x) = (Jx).
On dit que J est auto-adjoint lorsque
, E 0 hJ., i = h, J.i.
86 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Proposition 3.1. Si J est auto-adjoint et que (Xt )t0 est la solution de


le.d.s. (3.1) a condition initiale nulle, alors pour tout t 0, on a
, E 0 CXt ,Xt (, ) = hVt ., i,
ou a linstant t, loperateur de covariance Vt vaut
Z t
Vt = exp(sJ)ds.
0

Preuve : On a
Z t
J (ts) J
Xt = Wt e 2 W ds
s
0 2
Soit , E 0 : la linearite et la continuite donnent
Z t
J J
(Xt ) = (Wt ) ( e(ts) 2 Ws ) ds
0 2
ou encore Z t
J J
(Xt ) = (Wt ) ( e(ts) 2 .)(Ws ) ds.
0 2
De meme Z t
J J
(Xt ) = (Wt ) ( e(tu) 2 .)(Wu ) ds.
0 2
On en deduit
E(Xt )(Xt ) = E(Wt )(Wt )
Z t
J J
E ( e(ts) 2 .)(Ws )(Wt ) ds
2
Z0 t
J J
E ( e(tu) 2 .)(Wu )(Wt ) du
2
Z0 t Z t
J (ts) J J J
+ E ( e 2 .)(Ws ) ds ( e(tu) 2 .)(Wu ) du
0 2 0 2

En appliquant le theoreme de Fubini, on a


E(Xt )(Xt ) = E(Wt )(Wt )
Z t
J J
E( e(ts) 2 .)(Ws )(Wt ) ds
2
Z0 t
J J
E( e(tu) 2 .)(Wu )(Wt ) du
2
Z0
J J J J
+ E( e(ts) 2 .)(Ws )( e(tu) 2 .)(Wu ) du ds
[0,t][0,t] 2 2
3.3. COVARIANCE DE LA DIFFUSION 87

Dou

E(Xt )(Xt ) = th, i


Z t
J J
sh e(ts) 2 ., i ds
2
Z0 t
J J
uh e(tu) 2 ., i du
2
Z0
J J J J
+ inf(s, u)h e(ts) 2 ., e(tu) 2 .i du ds
[0,t][0,t] 2 2

Comme J est auto-adjoint, lexpression se simplifie en

E(Xt )(Xt ) = th, i


Z t
J J
2 sh e(ts) 2 ., i ds
2
Z 0
J 2 J
+ inf(s, u)h( ) e((ts)+(tu)) 2 ., i du ds
[0,t][0,t] 2

En utilisant la linearite de lintegrale, on a alors

CXt ,Xt (, ) = hVt ., i,

avec
Z t Z
J J J 2 J
Vt = tI 2 s e(ts) 2 ds + inf(s, u)( ) e((ts)+(tu)) 2 du ds.
0 2 [0,t][0,t] 2

Un changement de variable, puis une integration par parties donnent


Z t Z t Z t
J (ts) J J s J J
s e 2 ds = (t s) e 2 ds = tI es 2 ds. (3.6)
0 2 0 2 0

Par symetrie, on a
Z Z
J 2 ((ts)+(tu)) J J 2 J
inf(s, u)( ) e 2 du ds = 2 u( ) e((ts)+(tu)) 2 du ds.
[0,t][0,t] 2 0ust 2

On ecrit
J 2 ((ts)+(tu)) J J (ts)J J (su) J
u( ) e 2 = e u e 2
2 2 2
Si on integre en u de 0 a s, on trouve, dapres le calcul fait en (3.6)
Z s
J 2(ts) J J J J J J
e 2 (sI eu 2 du) = s e2(ts) 2 e2(ts) 2 (I es 2 )
2 0 2
88 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

On integre maintenant en s de 0 a t en remplacant s par t s : le resultat


de lintegration est, en appliquant (3.6) a 2 J2 :
Z t Z t Z t
1 sJ sJ t J2 J
(tI e ) e ds e e(ts) 2 ds
2 0 0 0

Il reste a calculer
Z t Z t
t J2 (ts) J2 t J2 J
e e ds = e es 2 ds
0 0
Rt s J2
Rt
Posons Z(t) = 0
e ds et calculons 0
esJ ds par une integration par
parties :
Z t Z t
sJ s J2 J
e ds = [e Z(s)]t0 + Z(s)Jes 2 ds
0 0
Z t
J J J
= et 2 Z(t) +(I es 2 )es 2 ds
0
Z t
J
t 2
= e Z(t) + Z(t) esJ ds
0

On a donc Z t
t J2
e Z(t) = Z(t) + 2 esJ ds,
0
soit Z t Z t Z t
t J2 s J2 s J2
e e ds = e ds + 2 esJ ds.
0 0 0
On recolle les morceaux :
Z Z t Z t
J 2 ((ts)+(tu)) J sJ J
inf(s, u)( ) e 2 du ds = tI e ds 2 es 2 ds,
[0,t][0,t] 2 0 0

et finalement Z t
Vt = exp(sJ) ds.
0

Corollaire 3.1. Soit
TE = {J L(E), J A1 j) = J(i j)}
J paire et i, j Zd J(i,
On suppose que TE sinjecte continument dans A1 . Alors, pour J TE , et
pour tout t 0, Xt admet
Z t
ds
exp(sJ) (3.7)
0

comme densite spectrale.


3.4. EXEMPLES DESPACES DETAT E CONVENABLES 89

Preuve : On commence par remarquer que si CY,Y (, ) = hW., i avec


B TE , on a
EYi Yj = CY,Y (i , j ) = hB.i , j i = (B.i )(ej )
= i (Bej ) = B(i, j) = b(i j)
Z
= b(z)dz
U
Comme linjection de TE dans A1 est un morphisme dalgebres continu, le
resultat sensuit. 

3.4 Exemples despaces detat E convenables


3.4.1 Lespace Bp,0
Soit Bp = {x RZ , kxkBp = supiZd |xpii | < +} , ou p est une suite a
d

termes strictement positifs verifiant lhypothese suivante :


p
pn  ln |n|. (3.8)

Remarque : La condition (3.8) implique


X
c > 0 exp(cp2n ) < +. (3.9)
n Z
d

En effet, dapres (3.8), pour |n| assez grand, on a cp2n (d + 1) ln |n|, soit
exp(cp2n ) |n|1d+1 , qui est le terme general dune serie convergente.
En fait (3.8) et (3.9) sont presque equivalentes :
Lemme 17. Si il existe une fonction croissante telle que pn = (|n|), alors
(3.9) entrane (3.8).
Preuve : Soit c > 0. Posons
X
Sc = exp(cp2n ).
n Zd
On a X
Sc = Cn exp(c(n)2 ),
n0

ou Cn = Card{k Zd , |k| = n}. Comme n 0 Cn 1, on a


X
exp(c(n)2 ) Sc
n0
90 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Mais la croissance de implique


n
X
n
exp(c(n)2 ) exp(c(k)2 ) Sc
2 n
k=E[ 2 ]

On a donc pour tout n 2


(n)2 1 ln 2Sc

ln n c c ln n
Dou
(n)2 1
limn
ln n c
Comme cette inegalite est vraie pour tout c > 0, ceci entrane
(n)2
limn +,
ln n
dou (3.8).

On note
|xi |
Bp,0 = {x Bp , lim = 0}.
|i|+ pi

Bp est un espace de Banach dont Bp,0 est un sous-espace ferme. On a, pour


tout x Bp,0 , T x x quand Zd , ou
X
T x = k (x)ek . (3.10)
k

Ce qui est evidemment plus fort que (3.3). De plus, (3.10) implique que Bp,0
est separable.
Nous allons maintenant montrer quelques proprietes de lespace Bp,0 :
nous allons dabord montrer que Bp,0 verifie les hypotheses H0 et lhypothese
dintegrabilite (3.4).
Lemme 18. On a t 7 Wt C(R+ , Bp,0 ) P-presque surement.
Preuve : Soit n une suite croissante de parties de Zd telle que

lim n = Zd .
n

On note n B le processus defini par n W i = W i si i n , 0 sinon. n Wt est un


processus a valeurs dans un espace vectoriel de dimension finie et ses coor-
donnees sont presque surement continues, puisque ce sont des mouvements
3.4. EXEMPLES DESPACES DETAT E CONVENABLES 91

browniens. Donc pour tout n, t 7n Wt C(R+ , Bp,0 ) P presque surement.


Si lon montre que pour P presque tout , n Wt () tend uniformement sur
tout compact vers Wt (), le resultat sera demontre. Il suffit donc de montrer
que P (pN,qQ+ Rs,q ) = 1, ou

Rs,q = { : limn sup kn Wt Wt k q}.


t[0,s]

Or
|Wti | Si
sup kn Wt Wt k = sup sup = sup s ,
t[0,s] t[0,s] i
/ n pi / n pi
i

ou Ssi = supt[0,s] |Wti |. On en deduit que le complementaire de Rs,q est

Cp,q = { : Ssi > qpi pour une infinite de i}.

Mais, dapres la classique inegalite exponentielle du mouvement brownien


(cf. par exemple [37], p. 52), on a
(qpi )2
P (Ssi > qpi ) 2 exp( ),
2p
qui, commeP on la vu en (3.9), est le terme general dune serie convergente :
i
on a donc i P (Ss > qpi ) < + et dapres le lemme de Borel-Cantelli
P (Cp,q ) = 0. Le resultat sensuit.

Lemme 19. Soit q 1 : il existe une constante Mq , telle que, pour tout
0 et pour toute famille X = (Xn )nZd de variables aleatoires gaussiennes
centrees verifiant n Zd EXn2 2 , on ait

EkXkqBp < Mq q . (3.11)

Preuve : On a
Z +
EkXkqBp = q tq1 P (kXkBp > t) dt.
0

En coupant lintegrale a t = , on en deduit :


Z +
q q
EkXkBp + q tq1 P (kXkBp > t) dt.

Et, apres un changement de variables


Z +
q q
EkXkBp (1 + q tq1 P (kXkBp > t) dt).
1
92 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

On a
X
P (kXkBp > t) = P (nZd {|Xn | > tpn }) P (|Xn | > tpn ).
n Z
d

2
Or P (|Xn | > tpn ) 2
2tpn
exp( (tp2n ) ). Il suffit donc de montrer que
X 1 Z + (tpn )2
tq2 exp( ) dt < +.
pn 1 2
kZ
d

Mais si lon pose m = minnZd pn , on a


Z + Z +
q2 (tpn )2 (tm)2 (tpn )2
t exp( ) dt ( tq2 exp( ) dt) exp( )
1 2 1 4 4
Comme lhypothese (3.9) entrane la convergence de la serie
X 1 (tpn )2
exp( ),
pn 4
d
n Z
la preuve est achevee.

Lemme 20. EkW1 k2Bp < +
Preuve : Il suffit dappliquer le lemme 19 avec = 1 et q = 2.

Nous allons a present etablir un critere de tension dans P(Bp ) pour des
variables gaussiennes.
Lemme 21. On pose, pour 0 > 0 :

P0 = { P(Bp )|n Zd n N (0, a2n )et a2n 02 }.

P0 est lensemble des probabilites sur Bp dont chaque coordonnee suit une loi
gaussienne de variance bornee par 0 . Alors, P0 est tendu dans lensemble
des probabilites sur Bp .
Preuve : On note n une suite reelle verifiant pour n assez grand
p
ln |n| = n pn .

Soit : R R definie par


(
0 si |x| < 1
(x) =
|x| sinon
3.4. EXEMPLES DESPACES DETAT E CONVENABLES 93

On introduit la fonction de controle : RZ R+ definie par


d

X xn
(x) = ( 1/2
).
nZd p n n

On va montrer successivement
1. Pour tout M > 0 1 ([0, M ]) est relativement compact dans Bp .
R
2. Il existe K0 > 0 tel que pour tout P0 d K0 .
Demontrons le premier point. Comme la somme de nombres positifs majore
tous les termes, il est clair que 1 ([0, M ]) est inclus dans
xn
{x RZ n Zd (
d

1/2
) M}
p n n
Par definition de , cet ensemble est lui-meme inclus dans
xn
{x RZ n Zd
d

1/2
max(1, M )}
p n n
1/2
Ce dernier ensemble est un compact de Bp , car lim|n| n = 0.
Passons au second point. Si lon note N la mesure sur R gaussienne
centree et de variance 2 , on verifie aisement que
Z
2 1
dN = e 22 .
R 2
Soit maintenant P0 :dapres le calcul qui precede
Z
2 X an p2n n
d exp( )
2 nZd pn 1/2
n 2a2n

Et donc Z
2 X 0 p2n n
d exp( ) = K 0 .
2 nZd pn 1/2
n 202
1/2 1
(En effet la serie est convergente car pn n tend vers + donc 1/2 est
pn n
p2n n
bornee et pour |n| assez grand est plus grand que (d + 1) ln |n|.)
202
La fin de la preuve est classique : soit > 0. On choisit M > 0 tel que
K0
M
< . 1 ([0, M ]) est relativement compact dans Bp et, dapres linegalite
de Markov
R
1 d K0
P0 ( ([0, M ])) 1 1 1 .
M M
94 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

P0 est donc tendu.


Lespace Bp,0 est un sous-espace ferme de Bp : cest donc un espace de
Banach. On a vu que Bp,0 verifiait les hypotheses H0 et (3.4).
Nous allons maintenant voir que si lon choisit convenablement le poids
p, il est possible de calculer de maniere explicite la norme doperateur de J.
Lemme 22. Si p est un poids de classe E et que J Ap est une suite paire,
alors J induit un operateur J sur Bp defini par J(i,
j) = J(i j).
J laisse Bp,0 stable et
L(Bp ) = kJk
kJk L(B ) = kJkAp .
p,0

Preuve : Pour x Bp
X X
n=
(Jx) k)xk =
J(n, J(n k)xk
k n

Donc
X X
n | kxkBp
|(Jx) |J(kn)|pk kxkBp |J(kn)|pkn pn kxkBp kJkAp pn
k k

Dou
L(Bp ) kJkAp
kJk
Montrons que Bp,0 est stable par A : soit x Bp,0 et > 0
n|
|(Jx) X xk X xk
|J(k n)|pkn kxk |J(k n)|pkn + kJkAa sup
pn pk |k|M pk
d kZ |k|M

On choisit M > 0 tel que kJkAp sup|k|M xpkk < 2 , puis ensuite il ne reste

quune somme finie qui est inferieure a 2 pour |n| assez grand. Donc Jx
Bp,0 . P
Soit > 0 : il existe M tel que |k|M pk |J(k)| kJkAp Posons
(
J(n)
pn |J(n)| si |n| M et J(n) 6= 0
xn =
0 sinon

On a x Bp,0 et kxkBp 1, donc



kJk Bp (Jx)0 = (Jx)
L(B ) kJxk 0 kJkAp
p,0
p0
On en deduit kJkL(Bp,0 ) kJkAp , dou legalite desiree. 
3.4. EXEMPLES DESPACES DETAT E CONVENABLES 95

3.4.2 Les espaces `p ponderes


P
Soit `p () = {x RZ , kxkp`p () = iZd i |xi |p < +}, ou est une
d

suite sommable a termes strictement positifs. `p () est un espace de Banach.


On a, pour tout x `p (), T x x quand Zd , ou
X
T x = k (x)ek . (3.12)
k

Ce qui est evidemment plus fort que (3.3).


Lemme 23. On a t Wt C(R+ , `p ()) P-presque surement.
Preuve : Soit n une suite croissante de parties de Zd telle que

lim n = Zd .
n
P
Si lon pose rn = nZd \n n , on sait que rn tend vers zero car est som-
mable. On peut alorsPen extraire une sous-suite rnk telle que rnk+1 12 rnk ,
ce qui implique que n0 rnk < +. Quitte a remplacer n par nk , nous
pouvons donc supposer que
X
rn < +.
n0

On repete alors la preuve donnee au lemme 18 : avec les memes notations, le


complementaire de Rs,q est levenement

limn { sup kn Wt Wt k > q}.


t[0,s]

On a

( sup kn Wt Wt k)p = sup kn Wt Wt kp


t[0,s] t[0,s]
X
= sup i |Wi |p
t[0,s]
i
/ n
X
i (Ssi )p
i
/ n

Dapres linegalite Lp de Doob (cf. par exemple [37], p.52), on a


1
E(Ssi )p (1 )p sup E|Wti |p
p t[0,s]
96 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Mais
E|Wti |p = p tp ,
dou
E( sup kn Wt Wt k)p 0p sp rn
t[0,s]

Dou, dapres linegalite de Markov :


s
P ({ sup kn Wt Wt k > q}) 0p ( )p rn
t[0,s] q

Dapres le lemme de Borel-Cantelli,

P (limn { sup kn Wt Wt k > q}) = 0,


t[0,s]

ce qui acheve la preuve.



Lemme 24. Dans lespace `p (),lhypothese dintegrabilite

EkW1 k2`p () < +

est verifiee.
Preuve : On va en fait montrer le resultat plus fort suivant : si (Xi )iZd
est une suite de variables aleatoires de meme loi possedant un moment dordre
max(p, q), alors kXk`p () Lq . P
On peut supposer sans perte de generalite que iZd i = 1. Posons
X 1
Zp = kXk`p () = ( i |Xi |p ) p .

Il est facile de voir que


X
E(Zp )p = E i |Xi |p = E|X0 |p < +
i Zd
Donc Zp Lp , et de meme Zq Lq . Mais, dapres linegalite de Holder, on a

p q = Zp Zq .

Donc si p q, par domination Zp Lq puisque lon sait que Zq Lq . Dun


autre cote, si p q, on sait que Z p Lp , ce qui implique Z p Lq .
Comme les coordonnees de W1 suivent des lois normales centrees reduites,
et donc admettent des moments de tous ordres, le resultat sensuit.

3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 97

3.5 Comportement asymptotique en temps


Les equations differentielles stochastiques lineaires infini-dimensionelles
sont etudiees en detail dans le traite de Da Prato et Zabczyk [11], mais les
resultats asymptotiques quils obtiennent supposent une hypothese daccretivite
dun operateur qui implique lunicite de la mesure de Gibbs. Lobtention de
resultats fins en presence de transition de phase demande une bonne connais-
sance de loperateur associe a lequation differentielle stochastique en par-
ticulier la connaissance de son spectre ce qui suppose un choix judicieux
de lespace dans lequel on veut que les solutions vivent, ce qui disqualifie
automatiquement les espaces `2 a poids : en effet, dans de tels espace, la
symetrie de loperateur est perdue, ce qui aneantit nos espoirs de determiner
son spectre. En effet, les interactions quadratiques considerees sont associees
a un operateur de Toeplitz symetrique sur `2 sans poids, cette fois , mais
`2 nest pas un espace assez gros pour que lon puisse y faire vivre la solution
en particulier un produit de mouvement browniens ny est presque jamais.
Les arguments que nous venons de developper semblent indiquer que le choix
des espaces Bp est judicieux. Kondratiev et Sokol ont fait quant a eux le choix
de lespace des suites temperees et y donnent les premiers resultats en cas de
transition de phase. Nous reviendrons sur leurs travaux dans une remarque
ulterieure.
Nous allons maintenant etablir quelques lemmes techniques qui nous se-
ront utiles dans letude du comportement asymptotique.

3.5.1 Metrisation de la convergence en loi


On appelle R2 lensemble des fonctions f : Bp R verifiant

f C 2 (Bp , R)
supxBp |f (x)| + supxBp kDx f k + supxBp kDx2 f k 1
ou lon a pose
kDxk k = sup{|Dxk (h1 hk ); khi kBp 1, i [1, . . . , k]}
Enfin, pour deux mesures et sur Bp , on pose
Z Z
d(, ) = sup | f d f d| (3.13)
f R2

Comme lespace Bp,0 est separable, on sait que la distance d y metrise la


convergence en loi.
Comme pour tout x Bp,0 la famille R2 est stable par f 7 f (. x), on
a le resultat suivant
98 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Lemme 25.

1 , 2 , 1 , 2 P(Bp,0 ) d(1 2 , 1 2 ) d(1 , 1 ) + d(2 , 2 ) (3.14)

Preuve : Voir [2], page 37.



Lemme 26. Soient 1 , 2 deux mesures gaussiennes centrees sur Bp admet-
tant 1 et 2 comme densites spectrales.
Alors
d(1 , 2 ) M2 k1 2 k1 ,
ou lon a pose Z
k1 2 k1 = |1 (z) 2 (z)| dz
U
et ou M2 est la constante determinee en (3.11).
Preuve : Soit (, F, P ) un espace probabilise supportant des variables
aleatoires gaussiennes centrees independantes X, Y, Z, T telles que PX = 1 ,
PY = 2 et que la loi de Z (resp. de T ) sous P soit la loi gaussienne centree
admettant (1 2 ) R(resp. (1 +
R 2 ) comme densite spectrale.
Soit f R2 . On a f d1 f d2 = Ef (X) Ef (Y ). On peut ecrire

Ef (X)Ef (Y ) = (Ef (X)Ef (X+Z))+(Ef (X+Z)Ef (T +Y ))+(Ef (T +Y )Ef (Y ))

Mais X+Z et T +Y sont gaussiennes (sommes de deux gaussiennes independantes),


centrees, et ont meme densite spectrale 1 + (1 2 ) = (1 2 )+ + 2 :
elles ont donc meme loi, dou Ef (X + Z) = Ef (T + Y ), puis

Ef (X) Ef (Y ) = (Ef (X) Ef (X + Z)) + (Ef (T + Y ) Ef (Y ))

Dapres la formule de Taylor avec reste integral (licite dans les espaces de
Banach, cf. par exemple [7], p. 77), on a
Z 1
f (T + Y ) f (Y ) = DfY (T ) + (1 t)D2 fY +tT (T T ) dt
0

Dou
Z 1
Ef (Y + T ) Ef (Y ) = EDfY (T ) + E (1 t)D2 fY +tT (T T ) dt
0

Comme Df est bornee et que Y et T sont independantes, on a

EDfY (T ) = EDfY (ET ) = EDfY (0) = 0.


3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 99

Comme, de plus kD2 f k 1, on a

|D2 fY +tT (T T )| kT k2

et on obtient
1
|Ef (T + Y ) Ef (Y )| EkT k2 .
2
1 2
De meme |Ef (X + Z) Ef (X)| 2 EkZk .
Dapres le lemme 19, on a alors E(kZk2Bp ) M2 k(1 2 ) k1
et E(kT k2Bp ) M2 k(1 2 )+ k1 .
On a donc

|Ef (X) Ef (Y )| M2 k(1 2 ) k1 + M2 k(1 2 )+ k1 = M2 k1 2 k1

On en deduit d(1 , 2 ) M2 k1 2 k1 .


3.5.2 Comportement asymptotique a condition initiale


nulle
On suppose desormais que J est un potentiel qui est dans Ap et pour
lequel il y a existence dau moins une mesure de Gibbs. On rappelle que
pour cela il est necessaire et suffisant que soient realisees les deux conditions
suivantes :

J(U) R+
Z
1
(z) dz < +
U J
Theoreme 3.2. Si (Xt ) est la solution dans Bp,0 de le.d.s (3.1) a condition
initiale nulle, i.e. Z
J t (ts) J
Xt = Wt e 2 W ds
s
2 0
alors
PXt ,
ou est la mesure gaussienne centree de densite spectrale J1.
(Il sagit ici de convergence dans P(Bp,0 ), ce qui est evidemment plus fort
que la convergence dans P(RZ ).)
d

Preuve : Dapres le corollaire 1, Xt admet pour densite spectrale


Z t
exp(sJ) ds = 1 (1 exp(tJ))

0 J
100 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE
R
Si lon applique le lemme 21 a 02 = J1(z) dz, on voit que la famille de
lois (PXt )t0 est tendue. Dapres le theoreme de convergence dominee, tout
point daccumulation de (PXt ) quand t tend vers + admet comme densite
spectrale J1. Comme Xt est gaussien centre, la seule mesure limite possible de
(PXt )t0 est la mesure gaussienne centree de densite spectrale J1. Comme la
famille est tendue, on en deduit que (Xt )t0 converge en loi pour la topologie
de Bp,0 vers la mesure desiree.


3.5.3 La notion d-ergodicite


Nous nous placons ici sous lhypothese que le potentiel etudie est a decroissance
exponentielle. Nous voulons alors donner des criteres dergodicite du systeme
en sautorisant un grand nombre de conditions initiales : certaines suites a
croissance exponentielle pourront meme etre prises comme condition initiale !
De fait, nous allons nous placer dans un cadre de travail similaire a celui du
chapitre 1.
Lobjet de ce paragraphe est dobtenir des resultats dergodicite pour un
potentiel J S+ , avec > 1. (Rappelons que de tels potentiels possedent
une symetrie naturelle, decroissent exponentiellement et sont tels quon peut
leur associer une unique mesure de Gibbs a support dans B .)

Definition : On dit que le systeme stochastique gradient (3.1) associe au


potentiel J est -ergodique si pour tout x B,0 , la solution de le.d.s. a
condition initiale deterministe x converge en loi dans B,0 vers la mesure
gaussienne centree de densite spectrale J1.

Remarque : Il faut souligner que la notion de convergence en loi evoquee


ci-dessus depend de la valeur de puisque les fonctions sur lesquelles on teste
la convergence sont les applications continues de B,0 dans R. Si > , B
sinjecte continument dans B . Donc tout application continue de B dans
R induit en restriction une application continue de B dans R. On a alors un
paradoxe dans la notion d-ergodicite, puisque en augmentant , on agrandit
lensemble des conditions initiales possibles, mais la notion de convergence
en loi est plus faible, ce qui ne permet pas de comparer trivialement les
notions d-ergodicite et de -ergodicite. Heureusement, le theoreme suivant
aura pour corollaire immediat que pour > , la -ergodicite implique l-
ergodicite.
3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 101

Theoreme 3.3. ne sannule pas sur la couronne U , alors


1. Si Re (J)
J est -ergodique.
sannule sur linterieur de la couronne U , alors J nest pas
2. Si Re (J)
-ergodique.

Preuve : On va avoir besoin de quelques lemmes.

Lemme 27. On definit

T : S A1
(an )nZd 7 (s(n) an )nZd

Alors T est un morphisme dalgebres et lon a

x S kT (x)kA1 kxkA 2d kT (x)kA1

Preuve : T est un morphisme dalgebre car

\
z U T (x)(z) = x(z).

La premiere inegalite est evidente et la deuxieme a ete demontree lors de la


preuve du lemme 6.

102 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Lemme 28. Si p est un poids de classe E avec |pn | = O(|n| ), alors, pour
tout entier k tel que 2k > d2 + , on a

f C 2k (U, C)!F Ap f = F .

De plus, il existe une constante K telle que

kF kAp Kk(1 )k f kL2 (U) .

Preuve : Si une telle suite F existe, on a necessairement Fn = hf, n i,


ou n (z) = z n . Definissons donc ainsi F
1
Fn = hf, n i = 2 k
hf, (1 + |n|2 )k n i
(1 + |n| )
1
= hf, (1 )k n i
(1 + |n|2 )k
1
= h(1 )k f, n i
(1 + |n|2 )k
pn
Dou pn Fn = (1+|n|2 )k
h(1)k f, n i, puis par linegalite de Cauchy-Schwarz :
X p2n 1
kF kAp ( 2 2k
) 2 k(1 )k f kL2 (U)
(1 + |n| )
nZd

Lemme 29. Soit p N et f C p (U, C). Pour tout n dans Nd tel que |n| p,
il existe une fonction gn C (R+ U, C) telle que

n exp(tf ) = exp(tf )gn (t, .)

et
kgn (t, .)k = O(t|n| ).
Preuve : On etablit le resultat par recurrence sur p. Pour p = 0, las-
sertion est evidente puisque g0 = 1. Soit n Nd {0} et supposons le
resultat etabli pour p < |n|. On peut trouver k {1, . . . d} et m Nd tel que
n = m + ek : on a alors n = m ek . Or

ek exp(tf ) = tek f exp(tf ).

On applique alors la formule de Leibnitz :


X m
n exp(tf ) = t mi ek f i exp(tf )
im
i
3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 103

On a donc n exp(tf ) = gn exp(tf ), avec


X m
gn (t, .) = t mi+ek f gi (t, .).
im
i

Le resultat sensuit.


Notation Pour f C N (U, C), on pose

kf kDN = max{|k f (x)|; x U, |k| N }.

Lemme 30. Soit p un poids de classe E avec |pn | = O(|n| ), et Ap


verifiant C 2k (U, C), ou k est un entier tel que 2k > d2 + . Alors
1. F Ap , > 0, on a

k exp(tF )kAp = o(e(m (F ))t ),

ou
m (F ) = inf{Re F (z); z supp }.
2. Si F C 2k (U, C), on peut etre plus precis : il existe une constante
KF,k,p independante de telle que

t 0 k exp(tF )kAp KF,k,p kkD2k t2k em (F )t .

Preuve : On va commencer par demontrer la deuxieme partie du lemme :


soit donc F tel que F C 2k (U, C). Dapres le lemme 28, on a

k exp(tFn )kAp Kk(1 )k ( exp(tFn ))kL2 (U)


K sup{|(1 )k ( exp(tFn ))(z)|, z supp }

En developpant (1 )k par la formule du binome, puis le resultat obtenu


par la formule de Leibnitz, on voit quil existe une constante K (1) telle que

f, g C 2k (U, C) k(1)k f gk K (1) kf kD2k max{|i g(x)|; x supp f, |i| 2k}.

On en deduit

k exp(tFn )kAp KK (1) max kgi (t, .)k kkD2k (em (F )t )


|i|2k

KF,k,p kkD2k t2k em (F )t ,


104 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

la derniere inegalite etant obtenue grace au lemme 29, ce qui etablit la


premiere partie du lemme.
Passons maintenant au cas general : soit F Ap . Pour n N, posons
Fn (i) = F (i) si |i| n, 0 sinon. Il est clair que Fn est C et que Fn tend
vers F . Choisissons n tel que kF Fn kAp < /3. On a

|m (Fn ) m (F )| kFn F k kFn F kAp <
3
et
exp(tF ) = exp(tFn ) exp(t(Fn F ))
Donc

k exp(tF )kAp k exp(tFn )kAp k exp(t(Fn F ))kAp


k exp(tFn )kAp ekFn F kAp t

On a alors
2
k exp(tF )kAp KFn ,k,p kkD2k t2k e(m (F ) 3 )t ,

dou le resultat voulu.




Corollaire 3.2. Soit F A1 et un reel strictement positif tels que


Re F > . Alors
k exp(tF )kA1 = o(et ).

Preuve : Il suffit dappliquer le lemme precedent a p = 1 et = 0 . On a


alors = 0 et = 1 est C . Lhypothese qui est faite implique m (F ) > a.


Remarque : Soulignons que lhypothese F 0 ne suffit pas pour avoir


1
limt k exp(tF )kA1 = 0. Posons F = 0 M , avec M (k) = 2d si kkk = 1,
0 sinon. Cest le potentiel correspondant au modele harmonique et on a deja
vu que F 0. On a

exp(tF ) = exp(t0 ) exp(tM ) = exp(t) exp(tM )

Mais il est facile de voir que si A et B sont a termes positifs, on a


kA Bk = kAk kBk et kA + Bk = kAk + kBk, dou k exp(A)k = exp(kAk).
On a donc k exp(tM )k = exp(t), dou

t 0 k exp(tF )k = 1.
3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 105


On peut a present prouver le theoreme. Remarquons tout dabord que
dapres lexpression de la solution de le.d.s.
Z
t J2 J t (ts) J
X t = e + Wt e 2 W ds
s
2 0
et le theoreme 3.2, le systeme determine par J est -ergodique si et seulement
si pour tout x B,0 exp( 2t J)x tend vers 0 dans B,0 .
Supposons que Re (J) ne sannule pas sur U . Comme Re (J) > 0 sur U,
0
on en deduit quil existe b > 0 tel que Re (J) > b sur U . Dapres le lemme
0

27, on a donc Re (T\


0
2( J )) > b . Dapres le corollaire 3.2, on a alors
2

J b0
k exp(tT ( ))kA1 = o(e 2 t )
2
Mais comme T est un morphisme dalgebres exp(tT ( J2 )) = T (exp( 2t J)).
Dapres la deuxieme inegalite du lemme 27, on a egalement
t b0
k exp( J)kA = o(e 2 t ). (3.15)
2
Lergodicite sensuit puisque
t t t
k exp( J)xkB,0 k exp( J)kL(B,0 ) kxkB,0 = k exp( J)kA kxkBa,0 .
2 2 2
Supposons maintenant que Re (A) sannule dans linterieur de U . Comme
A est holomorphe, donc ouverte sur linterieur de U , il existe z dans linterieur
de U tel que Re (A)(z) < 0. On a donc limt | exp(tA(z)| = + Mais
\ t t t
| exp(tA(z)| = |exp( J)(z)| k exp( J)kA = k exp( J)kL(B,0 )
2 2 2
Donc (k exp( 2t J)kL(B,0 ) )t0 nest pas bornee. Dapres le theoreme de Banach-
Steinhaus, il existe x B,0 tel que exp( 2t J)x nest pas bornee, ce qui
empeche l-ergodicite.


Exemple
On prend ici d = 1 et on definit J par
X 1
J(n) =
k0
k!(|n| + k)!
106 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

On a
K
n Z |J(n)| ,
|n|!
ou
X 1
K= ,
k0
k!2

donc > 1 J A . On verifie facilement que J(z) = exp(z + z 1 ), dou


+ = 0 si et seulement si z + z R + iZ + i . Cherchons la
J S . Re J(z) 1
2
racine de module strictement superieur a un minimal : on pose z = rei avec
r > 1 et R. Il existe n Z tel que (r 1r ) sin = 2 + n. On a alors

1 1
| + n| = (r )| sin | r
2 2 r r
1
Comme r 7 r r
est strictement croissante r est minimal pour = 2
et
r 1r = 2 , soit
r
2
r= + + 1 2, 057.
4 16
Le systeme determine par J est donc -ergodique pour < r, mais pas pour
> r.

3.5.4 Description des lois limites dans un cadre de


transition de phase
On suppose dans cette section que J decrot comme linverse dune fonc-
tion polynomiale, plus precisement J Aa , avec an = 1 + 2 n et > 0. De
plus, la transition de phase nest pas exclue, cest a dire que J peut sannuler
sur U.
On a besoin de quelques resultats et definitions avant de pouvoir enoncer
notre theoreme.

Definitions Pour u Ba , on definit u A0a par


X
x Aa u(x) = un x n ,
nZd
et lon appelle support spectral de la suite u lensemble

spec u = supp u = { OOu O,


3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 107

ou

Ou = {O ouvert de U , f Aa supp f O u(f ) = 0}.

Enfin, pour J Aa ,
ker J = {u Ba , Ju = 0}.

Quelques proprietes simples Il est facile de verifier que

u Ba , 6= 0 spec (u) = spec u

et
u, v Ba spec (u + v) spec u spec v
Afin que la notion de support spectral ne demeure pas totalement abs-
traite, nous allons donner quelques exemples. Ces exemples permettront, dans
une certaine mesure, de justifier la terminologie choisie.

3.5.4.1 Exemples de supports spectraux


Determinons dabord le support de la suite nulle : il est facile de voir
que tout ouvert O de U est dans O0 . Par suite le support spectral de
la suite nulle (notee 0) est vide.
Prenons maintenant u = 0 (on rappelle que cest la suite dont tous les
termes sont nuls, sauf celui dindice 0 qui vaut 1). On a pour J Aa
Z
u(J) = J(0) = dz
J(z)
U
Pour tout ouvert O de U, on peut construire une fonction f C po-
sitive, non identiquement nulle et dont le support est inclus dans O.
On trouve alors J Aa tel que f = J, ce qui prouve que O
/ O0 . Il
sensuit que le support de 0 est le tore U tout entier.

Ces deux exemples nous mettent en garde contre des analogies abusives
avec la notion de spectre dun operateur. On voit par exemple que la
propriete pour un point de U de ne pas appartenir au support spectral
nest pas stable pour de petites perturbations de u (au sens de k.kAa ) :
en effet spec 0 = , tandis que pour tout 6= 0 aussi petit que lon
veut, spec 0 = U. La comparaison avec les distributions est plus ap-
propriee, dautant que lon verra que Ba sidentifie au dual dun espace
de fonctions.
108 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Exemple fondamental : Soit u la suite definie par

un = z n ,

avec z U fixe. On va montrer que lon a

spec u = {z}.

Montrons dabord que z spec u. Soit O un ouvert contenant z.On


peut construire une fonction f C , telle que f (z) = 1 et dont le support
est inclus dans O. On trouve alors J Aa tel que f = J : on a
X
u(J) = = f (z) = 1,
J(n)z n = J(z)
n Zd
ce qui prouve que O / Ou . Ceci implique quaucun element de O ne
peut contenir z, dou z spec u. Reciproquement, soit x U\{z}. On
peut trouver un voisinage O de x ne contenant pas z. Soit alors J Aa
tel que supp J O : on a alors u(J) = J(z)
= 0, puisque z nest pas
Ceci prouve O Ou ,
dans O, donc a fortiori pas dans le support de J.
dou x
/ spec u, puisque x O.

3.5.4.2 La convergence en temps


Maintenant que nous nous sommes un peu familiarises avec les outils
theoriques, nous pouvons presenter le theoreme principal :
Theoreme 3.4. Soit J un potentiel appartenant a Aa , avec an = (1 + n) ,
avec > 0. Pour x Ba,0 , notons xt la loi au temps t de lequation
differentielle stochastique (3.1) a condition initiale = x. Si x secrit x =

u + s avec s ker J et inf{J(z); z spec u} > 0, alors on a

xt s ,
t+

1
ou est la mesure gaussienne centree de densite spectrale J
et s la
mesure image de par la translation s de vecteur s.
Avant de demontrer ce theoreme, faisons quelques remarques.

Remarque Si J est une suite a decroissance rapide, ou de maniere equivalente


si J est C sur U, alors quel que soit N, J est dans le Aa correspondant et
la famille des normes permet de munir lensemble des suites a decroissance ra-
pide dune structure despace de Frechet. Muni de cette topologie, lespace des
3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 109

suites a decroissance rapide est isomorphe par J 7 J a lespace des fonctions


C sur U muni de la topologie de la convergence uniforme de chaque derivee.
En dualite, on obtient lespace des suites a croissance lente, isomorphe a les-
pace des distributions sur U. Ainsi, le resultat que nous allons montrer est
plus fin que ce que lon aurait pu obtenir en prenant directement pour espace
detats lensemble des suites a croissance moderee : en precisant la lenteur
de croissance de la suite initiale, on affaiblit la decroissance necessaire sur
J. Notons egalement que le resultat etabli ici contredit un enonce de Kon-
dratiev et Sokol [29] (partie 1, cas B page 230). En effet, ils affirment que
si la condition initiale x nest pas dans ker J, alors le systeme converge vers
, ce qui est contradictoire avec notre resultat considerer x = u + s avec
s ker J {0} et inf{J(z); z spec u} > 0. Il semble que lerreur dans
leur raisonnement soit la suivante : ils considerent que si x / ker J, alors
etJ x 0. Ceci est valide pour x `2 , mais pas pour tout x a croissance
moderee.
Preuve : Nous allons nous appuyer sur quelques lemmes.

Lemme 31.
Lapplication u 7 u realise une isometrie de Ba sur A0a .

Preuve : Pour x Aa , u Ba , on a
X un
u(x) = an xn ,
an
Zd
n

dou
|u(x)| kukBa kxkAa ,
soit kukA0a kukBa k.
Soit maintenant une forme lineaire continue sur Aa . Pour x Aa , on a
X
x= xn n .
n Zd
Comme est continue, on a
X
(x) = xn (n ).
n Zd

1
Soit n Zd . On choisit maintenant de prendre x = .
an n
On a kxkAa = 1,
donc
|(x)| kkA0a .
110 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

On a donc
|(n )|
n Zd kkA0a .
an
Ainsi, si lon pose un = (n ), on a u Ba , avec
kukBa kkA0a
et = u. Ce qui acheve la preuve.

Lemme 32.
f = A.u
Si A Aa est paire et u Ba , alors Au
Preuve : Comme lespace vectoriel engendre par les n est dense dans
Aa , il suffit de verifier que ces deux formes lineaires concident en les n .
Dune part X
n ) = (Au)n =
Au( A(n k)uk .
k Zd
Dautre part
X X X
(A.u)(n ) = u(An ) = u( A(nk)k ) = A(nk)u(k ) = A(nk)uk .
k Zd k Z
d Z
k d


Lemme 33. Pour tout u Ba , Ou est stable par union quelconque.
Preuve : Soit I un ensemble dindex, et (Oi )iI une famille douverts de
Ou . Dapres le theoreme de partition de lunite, on peut trouver une famille
(i )iI de fonctions C (U, R) telles que
X
x U i (x) = 1,
iI

et telle que pour tout compact K O,


{i I, x K, i (x) 6= 0}
est fini (cf, par exemple [43], theoreme 6.20 p. 162).
supp i Oi .
On sait quil existe ai Aa tel que ai = i . Posons O = iI Oi : il est
clair que O est ouvert. Soit f Aa tel que supp f O. Comme supp f est
compact, il existe un sous-ensemble fini J I tel que
supp f jJ Oj
3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 111

et X
f = j f.
jJ

Par suite, on a X
f= aj f,
jJ

dou X
u(f ) = u(j f ).
jJ

Mais
supp a\
j f = supp aj f supp j Oj ,

donc u(aj f ) = 0, puis u(f ) = 0. On a donc montre que O Ou , qui est


donc bien stable par union quelconque.


Lemme 34. Soient f, g Aa et u A0a . Si f et g concident sur un voisinage


de supp u, alors u(f ) = u(g).

Preuve : Par linearite, on peut supposer g = 0. Soit V un ouvert conte-


nant supp u sur lequel J sannule : alors

supp f {V OOu O = O0 .

Dapres le lemme 33, O0 Ou , et donc par definition de Ou , on a u(f ) = 0.




Notations On note J lapplication de Bp,0 dans [0, +] definie par


J (u) = inf{J(z); z spec u}.

Pour > 0, on pose

EJ, = {v Ba J (v) [, +]}.

Lemme 35. 1. Soit u Bp,0 admettant la decomposition u = v + s avec


s ker J.
Alors, on a pour tout > 0 :

k exp(tJ)u skBa = o(e(J (v))t ).


112 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

2. Si J C 2k (U, C), avec 2k > d2 + , on a le resultat plus precis suivant :


0
il existe une constante KJ,k,p telle que
u Bp,0 , u = v + s, s ker J
0
t 1 k exp(tJ)u skBa KJ,k,p kvkBa t4k eJ (v)t .
Preuve : On a exp(tJ)u = exp(tJ)v + exp(tJ)s En developpant
en serie lexponentielle, on voit que comme Js = 0, on a pour tout n 1
(tJ)n
n!
s = 0, dou exp(tJ)s = s Il reste a controler exp(tJ)v. On a
k exp(tJ)vkBa = k exp(tJ).vkA0a = sup |v(exp(tJ) )|
kkAa 1

d
Soit une fonction de classe C 2k avec 2k > 2
+ valant 1 sur
J (v) }
{z U J(z)
4
et 0 sur
{z U J(z) J (v) }.
2
Dapres le lemme 28 cest la transformee dun element Aa . On a supp v
{z U J(z) J (v)}. Comme J est continue, {z U J(z) J (v) }
4
est un voisinage de supp v et on a donc dapres le lemme 34
v(exp(tJ) ) = v( exp(tJ) )
Maintenant
|v( exp(tJ) )| kvkA0a k exp(tJ)kAa kkAa (3.16)
On a donc
k exp(tJ)vkBa kvkBa k exp(tJ)kAa
Mais m (J) J (v) 2 , et en appliquant la premiere partie du lemme 30 ,
on prouve la premiere assertion recherchee. Voyons a present comment affiner
le raisonnement pour obtenir le deuxieme resultat voulu : il sagit de majorer
le second membre de (3.16), et pour cela, faire de bons choix pour et .
Soit une fonction C (R, R) valant 0 sur ], 0] et 1 sur [1, +[. Pour
des reels a et b verifiant a < b, on pose
xa
a,b (x) = ( ),
ba
de sorte que a,b est une fonction C (R, R) valant 0 sur ] , a] et 1 sur
[b, +[. Il est facile de voir que, pour tout i 0, on a legalite
(i) 1
sup |a,b | = sup |(i) |
R (b a)i R
3.5. COMPORTEMENT ASYMPTOTIQUE EN TEMPS 113

Dautre part, il existe un constante MN telle que pour tout g C (R, R) et


tout f C N (U, R), on ait

kg f kDN MN kf kDN max sup |g (i) |.


0iN R
Soit maintenant t 1 fixe. On choisit alors de poser

= 2 , 4 J,

ou reste a determiner. On a alors


D2k max sup |(i) |
kkD2k M2k kJk ,
0i2k R 2 4

D2k max ( 4 )i sup |(i) |


M2k kJk
0i2k R
4
D2k max(1, ( )2k ) max sup |(i) |
M2k kJk
0i2k R

On pose alors = 4t , et lon applique la deuxieme partie du lemme 30 pour


majorer k exp(tJ)kAa : on a

2
m (J) J (v) = J (v) ,
2 t
ce qui entrane
0
k exp(tJ)u skBa KJ,k,p kvkBa t4k eJ (v)t ,

avec
0
KJ,k,p D2k max sup |(i) |.
= e2 KJ,k,p M2k kJk
0i2k R

On en deduit aisement le theoreme.


Remarques Dans ce qui suit, on prouve que lensemble des conditions


initiales admissibles {u} est assez gros.
1. Il est aise de construire des suites u non nulles verifiant lhypothese

inf{J(z); z spec u} > 0 : soient z1 , . . . , zp des elements de U tels que

i ) > 0.
i [1, . . . , p] J(z
114 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Si lon se donne des nombres complexes 1 , . . . , p , la suite u definie


par
p
X
un = Re ( i (zi )n ) (3.17)
i=1

verifie
spec u {z1 , . . . , zp },
ce qui montre quelle verifie bien la condition desiree.
2. Si K est un compact de U sur lequel J ne sannule pas, toute suite
secrivant comme en (3.17), avec les zi appartenant a K est dans les-

pace vectoriel EJ, , ou lon a pose = inf zK J(z). Si lon montre que
EJ, est ferme pour la topologie -faible de Ba , il sensuivra que toute
limite faible de telles suites appartient a EJ, et verifie donc egalement

lhypothese inf{J(z); z spec u} > 0.
Lemme 36. EJ, est un espace vectoriel ferme pour la topologie -faible
de Ba .
Preuve : Soit (un )n1 une suite delements de EJ, convergeant vers
u Ba . On a, pour tout n 1, supp un F = {z U, J(z) }.
Autrement dit, si O est louvert U\F , on a pour tout n 1 O0
0

OOun O. Dapres le lemme 33 OOun O Oun , mais il est facile de


voir que si O1 et O2 sont des ouverts verifiant O1 O2 , alors O2
Ou = O1 Ou . On a donc O0 Oun . Soit maintenant f Aa telle
que supp f O0 .
On a pour tout n un (f ) = 0, dou a la limite u(f ) = 0. Dou O0 Ou ,
soit supp u F , ce qui est equivalent a u EJ, .
EJ, est donc ferme pour la topologie -faible de Ba .


3.6 Vitesse de convergence de la dynamique


3.6.1 Vitesse en labsence de transition de phase
Nous allons etablir ici quen labsence de transition de phase, dans les
cas ou nous avons ete capables detablir la convergence du systeme, cette
convergence se fait a une vitesse exponentielle.

Lemme 37. On suppose que J ne sannule pas sur U, ou, de maniere


equivalente, que lon a
a = inf J > 0.
U
3.6. VITESSE DE CONVERGENCE DE LA DYNAMIQUE 115

Alors on a
kt k1 = O(eat ),
ou t est la densite spectrale de Xt , i.e.

1
t (z) = (1 etJ(z) ) (3.18)

J(z)

et celle de , i.e.
1
(z) = . (3.19)

J(z)

Preuve : On a
Z
1 tJ(z)

kt k1 = e dz (3.20)

U J(z)
dou
1
kt k1 eat
a


Nous pouvons a present demontrer que la vitesse de convergence du
systeme se fait a vitesse exponentielle lorsque J ne sannule pas sur U. On
a deux theoremes, lun pour J potentiel -invariant a decroissance exponen-
tielle, et lautre pour J decroissant comme linverse dune fonction puissance.

Theoreme 3.5. On suppose que J S+ , avec > 1 et que Re J ne sannule


pas sur U . On pose b = inf U Re J et c = inf U J.
Alors, on peut trouver une
0
constante K telle que pour tout b < b, il existe une constante Lb0 telles que
b0
x B,0 , t 0 d(xt , ) Kect + Lb0 kxkB e 2 t ,

ou xt designe la loi au temps t de la solution de lequation (3.2) a condition


initiale deterministe x.

Preuve : On a

d(, xt ) d(, 0t ) + d(0t , xt )

On a
M2 ct
d(, 0t ) M2 kt k1 e .
c
116 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

Dautre part

d(0t , xt ) = d(0t , e 2t J x 0t )
t
ke 2 J xkB
t
ke 2 J kA kxkB
b0
LkxkB e 2 t

(la derniere inegalite ayant ete demontree en (3.15).)




Theoreme 3.6. On suppose que J Aa , avec an = 1 + 2 n et > 0. On


suppose egalement que J ne sannule pas sur U. On pose c = inf U J.
Alors,
0
on peut trouver une constante K telle que pour tout b < c, il existe une
constante Lb0 telles que
b0
x Ba,0 t 0 d(xt , ) Kect + Lb0 kxkBa e 2 t ,

ou xt designe la loi au temps t de la solution de lequation (3.2) a condition


initiale deterministe X0 = x.

Preuve : Mise a part la derniere inegalite, qui est ici une consequence
du lemme 35, la preuve precedente demeure inchangee.


Remarques :
1. Il est bien entendu possible en affaiblissant un peu le resultat dobtenir
une presentation plus compacte. Nous avons choisi de conserver cette
forme afin quapparaissent nettement les deux contributions distinctes :
la partie proprement stochastique, independante de la condition ini-
tiale,qui decrot en O(eat ), et la partie deterministe, dependant de la
b0
condition initiale, en O(e 2 t ).
2. Les vitesses de convergence trouvees ici sont coherentes avec les resultats
demontres dans [12] par Da Prato et Zabczyk. Dans leur article, ils
sinteressent a lexistence de solutions et au comportement asympto-
tique de systemes stochastiques ou la derive est la somme dun operateur
lineaire et dune perturbation. Dans le cadre lineaire pur avec interac-
tion stationnaire qui nous interesse ici, leurs hypotheses sont que la
portee est finie et que J est accretif dans `2 (Zd ) i.e. kJxk2 Kkxk2
pour un certain K > 0. Mais on connat le spectre dun operateur de

Toeplitz dans `2 (Zd ) : cest J(U) (cf. par exemple [20], ex. 248) . Cette
3.6. VITESSE DE CONVERGENCE DE LA DYNAMIQUE 117

condition daccretivite est donc equivalente au fait que J ne sannule


pas. Sous ces conditions, ils obtiennent une convergence ergodique a
vitesse exponentielle pour des conditions initiales dans E = l2 (), ou
est un poids exponentiel ou polynomial tel que J soit un operateur
continu dans E.

3.6.2 Vitesse en presence de transition de phase


On va etudier la vitesse de convergence du systeme vers lequilibre quand
il y a transition de phase sous des hypotheses analogues a celles formulees au
chapitre 2. On suppose dans toute cette sous-section que lhypothese suivante
est verifiee :
= 0} = {1}
{z U, J(z) (3.21)
J degenere en un seul point du tore, a savoir en 1. (Pour des remarques sur
la generalite de cette hypothese, on pourra se reporter au chapitre 2.)

Lemme 38. On suppose que J verifie lhypothese (3.21). Soit A une matrice
d d reelle symetrique definie positive, d0 < d et > 0. On pose, pour
(1 , . . . , d )
i1 , . . . , eid )
f (1 , . . . , d ) = J(e
On rappelle que lon a defini
1
t (z) = (1 etJ(z) )

J(z)
et
1
(z) = .

J(z)
On a les resultats suivants :
1. Si
limx0 f (x)kAxkd0 1,
alors
d
1 1 Kd+1 d
limt kt k1 t d0 ( 1)
det A 2 d0
2. Si
limx0 f (x)kAxkd0 1,
alors
d
1 1 Kd+1 d
limt kt k1 t d0 ( 1),
det A 2 d0
118 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

ou les constantes Kd ont ete calculees en (2.3).


Preuve : Comme les deux preuves sont identiques, nous allons unique-
ment prouver la premiere assertion. Supposons donc limx0 f (x)kAxkd0 1.
Soit > 0 : on peut trouver < 1 tel que

kAxk = f (x) (1 )kAxkd0

Dapres lhypothese (3.21), f ne sannule pas sur ladherence de [, ]d \A1 B(0, ),


donc si lon pose b = inf A1 B(0,) f , on a b > 0 et
Z
1 1 tf (x)
kt t k1 = d
e dx + O(ebt )
(2) A1 B(0,) f (x)

On a
Z Z
1 1 tf (x) 1 1 1 1
e dx = etf (A x) dx
(2)d A1 B(0,) f (x) d 1
(2) det A B(0,) f (A x)
Z
1 1 1 1 t(1)kxkd0
e dx
(2)d det A 1 B(0,) kxkd0

On fait le passage en coordonnees spheriques deja effectue au chapitre 2 :


Z
1 1 1 1 t(1)kxkd0 )
e dx
(2) det A 1 B(0,) kxkd0
d
d2
Y
1 1 1 R t(1)rd0 d1d0
= d
e r (sin k )d1k d1 . . . dd1 dr
(2) det A 1 [0,][,[d2 [,]
Z k=1
1 1 Kd+1 t(1)rd0 d1d0
= e r dr
det A 1 2 0
On fait le changement de variable u = (1 )rd0 , et on a
Z
1 1 1 1 t(1)kxkd0 )
e dx
(2)d det A 1 B(0,) kxkd0
Z (1)td0
1 Kd+1 1 1 d
2
= d d eu u d0 du
det A 2 (1 ) d0 t d0 1
0

De plus, on sait que


Z (1)td0 d
2 d
lim eu u d0 du = ( 1)
t 0 d0
On en deduit
3.6. VITESSE DE CONVERGENCE DE LA DYNAMIQUE 119

d
1 1 d Kd+1 1
limt kt k1 t d0 ( 1)
det A d0 2 (1 ) dd0
Comme > 0 est quelconque, on en deduit
d
1 1 d Kd+1
limt kt k1 t d0 ( 1) (3.22)
det A d0 2


Theoreme 3.7. Soit J un potentiel. On suppose que J Aa , avec an =
1 + 2 n et > 0. On pose, pour (1 , . . . , d )
i1 , . . . , eid )
f (1 , . . . , d ) = J(e

On suppose que J verifie lhypothese (3.21) et quil existe A Gld (R) et


d0 < d tels quon ait lequivalent en zero :

f (x) kAxkd0

Alors il existe des constantes K et L telles que, si x Ba,0 secrit x = u + s



avec s ker J et inf{J(z); z spec u} > 0, on a
d d
1 1
K limt d(xt , s )t d0 limt d(xt , s )t d0 L.
Preuve : On a

d(xt , s ) = d(s et J2 u 0t , s )
= d(et J2 u 0t , )

On en deduit
J
|d(xt , s ) d(0t , )| d(et J2 u 0t , 0t ) ket 2 dkB

Or, on sait quil existe c > 0 tel que


J
ket 2 dkB = O(ect ).

On en deduit que
d d
1 1
limt d(xt , s )t d0 = limt d(0t , )t d0

et d d
1 1
limt d(xt , s )t d0 = limt d(0t , )t d0 .
120 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

En appliquant successivement le lemme 26 et la premiere partie du lemme


38, on voit quon peut prendre
1 Kd+1 d
K = M2 ( 1).
det A 2 d0
Montrons a present la deuxieme inegalite : dapres la deuxieme partie du
lemme 38, on voit quil suffit de montrer lexistence dune constante N > 0
telle que
t > 0 d(0t , ) N kt k1 . (3.23)
2
Posons = k k1 et t2 = kt k1 Remarquons tout dabord que, comme
t , on a
2
kt k1 = k k1 kt k1 = t2 .
Cette remarque evidente va se reveler importante par la suite. Soit
C (R, R+ ), valant 1 pour |x| 14 et 0 pour |x| 12
On definit
Z
1 x2
g(s) = EN (0,s) f = (x)e 2s dx.
R 2s
A present, il est facile de choisir H > 0 tel que la fonction f : B R
definie par
f (x) = Hg(0 (x))
appartienne a R2 . Alors, on a
Z Z
d(t , ) | f dt f d| = H|g(t2 ) g(
0 0 2
)|

La fonction g est derivable au point 2 > 0, et lon a


Z
1 x2 3 1
0 2
g ( ) = (x)e 22 x 2 ( + ( 2 )1 x2 ) dx.
R 2 2
Comme 12 + ( 2 )1 x2 41 sur le support de et que est positive, et
meme strictement positive au voisinage de zero, il sensuit que g 0 ( 2 ) < 0.
On a donc
2
|g(t2 ) g( 2
)| |g 0 ( 2 )||t2 | = |g 0 ( 2 )|kt k1 ,
ce qui implique (3.23).

Ce theoreme donne de maniere exacte la vitesse de convergence de la
dynamique vers lequilibre : elle est en
1
d .
1
t d0
3.6. VITESSE DE CONVERGENCE DE LA DYNAMIQUE 121

3.6.3 Vitesse pour une condition initiale aleatoire


Nous navons jusque a present enonce nos resultats de convergence que
pour des conditions initiales deterministes. Si on veut obtenir des resultats de
vitesse de convergence vers pour des mesures initiales non deterministes,
comme on a
J
t = et 2 0t ,
le lemme 3.14 montre quil suffit de majorer
d(Pet J2 , Dirac0 ),

puisque lon a dores et deja ete capable de majorer d(0t , ).


Dans un cadre ou il y a absence de transition de phase et ou kkE est
integrable, les inegalites
J J
d(Pet J2 , Dirac0 ) Eket 2 kBa EkkBa ket 2 kAa
jointes au lemme 30 avec = 0 assurent une vitesse exponentielle.
Le resultat suivant, valable en presence de transition de phase, est nette-
ment plus fin.
Theoreme 3.8. Soit J Aa avec an = 1 + 2 n|| . On suppose en outre
que J C 2k (U, C), ou k est un entier verifiant 2k > + d2 . On suppose que
kkBa,0 est integrable et quil existe des reels K et strictement positifs tels
que
P (J () < x) Kx .
Alors, on a
ln t
d(Pet J2 , Dirac0 ) = O(( ) ).
t
Preuve : Soit f R2 . On a pour tout x > 0 :
J J J
|Ef (et 2 ) f (0)| = |E(f (et 2 ) f (0))1
1{J ()<x} + E(f (et 2 ) f (0))1
1J ()x) |
J
2P (J () < x) + Eket 2 kBa11{J ()x}
t tx
2Kx + KJ,k,p
0
( )4k e 2 EkkBa
2

(La derniere egalite vient de la deuxieme partie du lemme 35.)


On choisit de prendre x = 2(4k + ) lnt t : on a alors
0
J ln t KJ,k,p EkkBa 1
|Ef (et 2 ) f (0)| 2K(2(4k + )) (
) + .
t 24k t
Comme la majoration vaut pour tout f R2 , cela donne le resultat voulu.

122 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE

3.7 Commentaires
Ainsi que nous lavions annonce, nous avons donc pu presenter les mesures
de Gibbs extremales autrement dit les phases pures comme limites tempo-
relles dun systeme infini dequations differentielles stochastiques a condition
initiale deterministe :
Lunicite de la mesure de Gibbs au sein dune certaine classe de mesures
telle que celles considerees au chapitre 1 se traduit exactement par
lergodicite de la dynamique stochastique gradient associee, autrement
dit, labsence de transition de phase correspond au cas ou le systeme
converge vers une limite independante des conditions initiales.
Ce procede dobtention des mesures de Gibbs comme limites tempo-
relles dun systeme dynamique stochastique a condition initiale fixee
peut etre vu comme complementaire de la methode classique dobten-
tion des mesures de Gibbs extremales comme limites spatiales, cette
fois de mesures indexees par une famille de conditions exterieures.
Dans le cadre de la transition de phase, nous avons exhibe pour chaque
phase pure un espace affine de conditions initiales pour lesquelles le
systeme converge vers cette phase. En effet toute phase pure est de la
forme s , avec s ker J, qui est limite des systemes a condition
initiale u + s, ou u verifie J (u) > 0.
Nous avons de plus demontre que la presence ou labsence de transition de
phase avait une influence directe sur la vitesse de convergence du systeme
stochastique : ainsi, la vitesse de convergence est exponentielle en labsence
de transition de phase et polynomiale en presence de transition de phase.
Sous des hypotheses assez faibles, nous avons montre que lordre d0 du zero
de J determine directement la vitesse de convergence, puisque celle-ci est en

1
d .
1
t d0

Ce phenomene nest pas etonnant : nous avions deja observe au chapitre 2


quen cas de transition de phase, la valeur de d0 decidait de la vitesse de
decroissance de la covariance. Nous pensons avoir ainsi montre limportance
du parametre d0 dans letude de cette famille de mesures de Gibbs, ce qui
fait de d0 un element determinant de la nature de la transition de phase.
En revanche, ce qui est nouveau, cest que la vitesse de convergence du
systeme permet de retrouver la valeur de d0 : on se souvient en effet avoir
demontre au chapitre 2, que pour d0 < d1 2
, la vitesse de decroissance de la
covariance ne dependait plus de d0 . Nous avons ainsi etabli que la vitesse de
convergence du systeme stochastique nous donne de meilleures informations
3.7. COMMENTAIRES 123

sur la nature de la transition de phase que ne le fait la vitesse de decroissance


de la covariance des mesures de Gibbs.
124 CHAPITRE 3. ETUDE DU PROCESSUS DE DIFFUSION ASSOCIE
Chapitre 4

Discretisation du systeme
gradient associe a une
interaction quadratique et
simulation

Lobjet de ce chapitre est detudier une discretisation du systeme differentiel


stochastique etudie au chapitre precedent afin de construire un algorithme
a pas decroissants permettant de simuler le comportement asymptotique en
temps du systeme stochastique.
Dans un premier temps, nous allons decrire une chane de Markov in-
homogene a temps discret ayant un comportement asymptotique similaire
au systeme a temps continu : letat de la chane de Markov au temps dis-
cret n pourra etre consideree comme une approximation de letat du systeme
continu a linstant
n1
X
tn = hk ,
k=0

ou (hn )n0 est la suite des pas de lalgorithme. Nous donnerons des indications
sur la maniere de choisir la suite (hn )n0 afin dobtenir la convergence la plus
rapide
P possible. En effet, il y a un compromis a faire : il faut que la serie
k hk diverge assez vite pour que le temps simule tn grandisse assez vite ,
mais si les pas hn sont trop grands, le systeme discret secarte du systeme
continu.
Dans un second temps, nous allons mettre concretement en uvre lalgo-
rithme sur ordinateur pour une interaction aux plus proches voisins . Nous
constaterons de visu et cela conformement aux predictions theoriques que
le comportement asymptotique du systeme depend fortement de la condition

125
126 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

initiale en cas de transition de phase, tandis que ce comportement est er-


godique au sens quil y a oubli de la condition initiale en labsence de
transition de phase.

4.1 Discretisation du systeme


Nous voulons maintenant donner une discretisation du systeme differentiel
stochastique qui permette dapprocher la ou les mesures de Gibbs limite.
On se place naturellement sous des hypotheses ayant permis lobtention au
chapitre 3 dune etude approfondie du systeme : on choisit Bp,0 comme
espace detats du systeme discret et lon suppose que J Bp . Comme
precedemment, nous preciserons ulterieurement les resultats obtenus pour
les poids deja etudies.
Lequation differentielle stochastique
Z
1 t
Xt = + Wt JXs ds, t R+ ,
2 0
peut secrire aussi
Z t
1
Xt Xu = JXs ds + (Wt Wu ), 0 < u < t,
2 u

avec la condition initiale X0 = ; ce qui incite a discretiser en temps lequation


par la recurrence suivante :
hn p
Xn+1 Xn = JXn + hn n , (4.1)
2
avec la condition initiale X0 = que lon prendra dans ce chapitre toujours
deterministe.
On a n = (nk )kZd ou les nk sont des variables aleatoires normales
centrees reduites independantes.
Nous cherchons a choisir judicieusement la suite des pas (hn )n0 afin dob-
tenir la convergence en loi de Xn le plus rapidement possible. Dans tout
ce chapitre, on supposera toujours sans necessairement le rappeler que
(hn )n0 verifie les hypotheses suivantes :
1. La suite hn est positive et tend vers zero.
P
2. La serie n0 hn est divergente.
Comme Bp verifie les hypotheses (H0 ), on peut ecrire lequation (4.1) sous
la forme du systeme aleatoire dequations aux differences finies equivalent :
4.2. COMPORTEMENT A CONDITION INITIALE NULLE 127

k hn X p
Xn+1 Xnk = J(k i)Xni + hn nk (4.2)
2 d i Z
On notera dans toute la suite
n
X
tn = hk .
k=0

tn a la dimension du temps. Des lors, comment choisir la suite hn ? Deux


phenomenes sopposent : plus hn est grand, plus le temps tn est grand, mais
si le pas hn est trop grand lapproximation faite en discretisant est trop
grossiere et lon secarte de la solution de le.d.s.
On utilisera ici alternativement deux hypotheses supplementaires sur la suite
hn . P
(l2 ) La serie n0 h2n est convergente.
(M ) hn = n1 , avec ]0, 1[.
Deux parametres interviennent dans le choix de (hn ) : la vitesse de decroissance
de linteraction (condition du type J Aa ) et lordre des zeros de J voire
leur inexistence.

4.2 Comportement asymptotique a condition


initiale nulle
4.2.1 Convergence du systeme
Theoreme 4.1. Soit J Aa un potentiel pour lequel il existe au moins
une mesure de Gibbs. La suite de variables aleatoires (Xn )n0 est definie par
X0 = 0 et la recurrence (4.2). On suppose en outre que la suite des pas
(hn )n0 verifie (l2 ) ou (M ). Alors, la suite Xn est a valeurs dans Bp et on a

PXn ,
1
ou est la mesure gaussienne centree de densite spectrale J
et ou la conver-
gence en loi sentend au sens de la topologie de Ba .
On va sappuyer sur quelques lemmes.
Lemme 39. Soit (Z k )kZd un processus gaussien stationnaire centre de me-
sure spectrale . On pose
X
k Zd Y k = J(k j)Z j = (J Z)(k)
j Zd
128 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

Alors, pour tout n la serie definissant Y n converge presque surement et (Y n )


est un processus gaussien stationnaire de mesure spectrale |J| 2 , ou lon a
pose
X
=
J(z) J(n)z n . (4.3)
n Zd
Preuve : Pour n Zd , on a
X X
E |J(n k)Z k | |J(k)|E|Z 0 | < +,
k Zd k Zd
P
ce qui entrane que, presque surement, la serie kZd J(n k)Z k converge
absolument est donc que Y n est bien definie. On a donc
X
Y nY p = J(n k)J(p l)Z k Z l
k,l Zd

Mais la fonction (, k, l) 7 J(nk)J(pl)Z k Z l est integrable par rapport


au produit de P par la mesure de comptage sur (Zd )2 , puisque

1
|J(n k)J(p l)Z k Z l | |J(n k)J(p l)| ((Z k )2 + (Z l )2 )
2
Donc lintegrale par rapport a la mesure produit est majoree par
X
( |J(n)|)2 E(Z 0 )2 .
n Zd
Dapres le theoreme de Fubini, on a donc
X
EY n Y p = J(n k)J(p l)EZ k Z l
k,l Zd
X Z
= J(n k)J(p l) z kl d(z)
k,l Zd U
Z X
= J(n k)z kn J(p l)z pl z np d(z)
U k,lZd
Z
= 2 z np d(z)
|J(z)|
U


4.2. COMPORTEMENT A CONDITION INITIALE NULLE 129

On en deduit aisement le fait suivant : Pour tout n Xn est un processus


gaussien stationnaire admettant une densite spectrale un (z) fournie par la
recurrence suivante : u0 vaut 0 (cest la densite spectrale de X0 ) et

hn
z U, un+1 (z) = (1 J(z))2 un (z) + hn (4.4)
2

Comme J1 est integrable ({J = 0}) = 0. On peut donc poser vn = un J1.


On a alors

hn J 2 h2n
vn+1 = vn (1 ) + J (4.5)
2 4
2
n J )) + hn J
= vn (1 hn J(1
h
(4.6)
4 4
On utilise aussi le lemme qui suit

Lemme 40. Soit > 0 tel que

1
< .
supn0 hn

Soient (wn ) et (n ) deux suites positives telles que

n 0 wn+1 (1 hn )wn + n

Alors
n
X
n 0 wn+1 w0 exp(tn ) + exp(tn ) exp(tk )k
k=0

Preuve : On pourra se rapporter a louvrage de Duflo [16], p. 144.



Nous allons maintenant nous attacher a montrer la convergence dans L1
de un vers J1, ce qui, dapres le lemme 26, entranera la convergence en loi
desiree.
On note kJk = sup{J(z);
z U}. Soit verifiant 0 < < 1 et p 0

hn kJk
tel que n p 4
.
Dapres (4.6), on a, pour tout n p


J(z)

|vn+1 | |vn |(1 J(z)(1 )hn ) + h2
4 n
130 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION


Si lon pose n = J(z)
h2n et = J(z)(1 ), on peut alors appliquer le lemme
4
40 a partir du rang p, et lon a alors n p
X n
J(z) 2
|vn+1 (z)| |vp (z)| exp(J(z)(1)(tn tp1 ))+ exp(J(z)(1)(t k tn ))hk
4 k=p
(4.7)
1. Sous lhypothese (l2 ), cela entrane

n p |vn+1 (z)| |vp (z)| + K1 J(z) (4.8)
P
ou K1 = 14 kp h2k . Montrons que vn tend presque partout vers 0. Soit
> 0. Il est facile de voir que le premier terme de la somme
z tel que J(z)
du membre de droite de lequation (4.7) tend vers zero. Reste a voir
que
Xn

exp(J(z)(1 )(tk tn ))h2k
k=p


tend vers 0. Posons dn,k = exp(J(z)(1 )(tk tn ))h2k pour k n et
dn,k = 0 si k > n : on a
n
X +
X
n p,
exp(J(z)(1 )(tk tn ))h2k = dn,k .
k=p k=p

A k fixe, on a limn dn,k = 0. Mais

n, k p |dn,k | h2k .

Comme la suite h2k est sommable, le theoreme de convergence dominee


pour la mesure de comptage nous dit que

lim vn+1 = 0.
n+

Le theoreme de convergence dominee pour la mesure de Haar sur U


montre alors que un converge en moyenne dordre 1 vers J1,ce qui acheve
la preuve sous lhypothese (l2 ).
2. Sous lhypothese (M ), la preuve est plus delicate.
On pose
Xn
1
tn, = (4.9)
k=1
k
Le lemme suivant est fondamental.
4.2. COMPORTEMENT A CONDITION INITIALE NULLE 131

Lemme 41.

]0, 1[ S > 0 K1 , K2 0 ]0, S] n 0


n
X 1
1 1 n K2
exp((t k, tn, )) (K1 exp((1 ) ) + )
k=1
k 2 1 n

Preuve :
Tout dabord, une comparaison serie-integrale donne facilement
1
n 0, k 1 tn, tk, ((n + 1)1 (k + 1)1 ). (4.10)
1

Soir r ]0, 1[. Nous allons couper la somme en deux, par


n [rn]1 n
X X X
= +
k=1 k=1 k=[rn]

[rn]1 [rn]1
X 1 X 1
2
exp((t k, tn, )) ( 2
) exp((t[rn]1 tn, ))
k=1
k k=1
k

On a, dune part exp((t[rn]1 tn, )) exp( 1


(1 r1 )n1 ).
Dautre part, en appliquant linegalite de Holder aux suites 1 et k 2
avec p = 1 , on obtient

[rn]1
X 1 2
( ) (rn)1
k=1
k 2 6

Soit > 0
1 1
(rn)1 = (rn)1 exp( (rn)1 )
1 1
On en deduit
[rn]1
X 1 2 1
2
exp((t k, tn, )) ( ) exp( (1(1+)r1 )n1 )
k=1
k 6 1
(4.11)
1
On prend par exemple = 1 et r tel que 2r = et lon pose
2
K1 = ( 6 ) (1 ).
132 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

Etudions a present lautre terme. On suppose dans un premier temps


que lon a n 1r .

n
X 1
exp((tk, tn, ))
k 2
k=[rn]
n
X
1
2
exp( ((k + 1)1 (n + 1)1 ))
[rn] 1
k=[rn]
n[rn]
1 X
2
exp( ((n k + 1)1 (n + 1)1 ))
[rn] k=0 1
n[rn]
1 X k 1
2
exp( (n + 1)1 ((1 ) 1))
[rn] k=0 1 n+1

Comme la fonction x 7 x1 est concave, on a

x [0, 1] (1 x)1 1 (1 )x.

On en deduit

n n[rn]
X 1 1 X
2
exp((t k, tn, )) 2
exp((n + 1) k)
k [rn] k=0
k=[rn]
+
1 X
exp((n + 1) k)
[rn]2 k=0
1
(1 exp((n + 1) ))1
[rn]2

Comme x 7 1 exp(x) est concave et que lon a (n + 1) S, si


lon pose KS = 1exp(S)
S
> 0, on a

(1 exp((n + 1) )) KS (n + 1)

Dautre part, a r fixe, on peut trouver une constante Cr telle que


1 n+1 Cr
n
r [rn]2 n
4.2. COMPORTEMENT A CONDITION INITIALE NULLE 133

On a alors
X n
1 1
exp((tk, tn, )) (1 exp((n + 1) ))1
k 2 [rn]2
k=[rn]

1 n+1 2
( )
KS rn 1
1 Cr 1

KS n
Maintenant, si n 1r , on a de toute evidence
n [1/r]
X 1 X 1
2
exp((tk, tn, ))
k=1
k k=1
k 2

On voit donc quon peut poser


[1/r]
X 1 Cr

K2 = max(Sr , )
k=1
k 2 KS

et que lon a alors linegalite desiree.



On peut alors prouver la convergence du systeme. Linegalite (4.7) reste

valable. On applique alors le lemme 41 avec = J(z)(1 ) et

S = kJk (1 ). On obtient n p |J(z) 6= 0

(n + 1)1 p1
|vn+1 (z)| |vp (z)| exp(J(z)(1 ) )
1
1
K1 n
+ exp((1 )(1 )J(z) )
4(1 ) 1
K2 1
+
4(1 ) n
Il est facile de voir quil existe des constantes A0 et B 0 independantes
de v0 telles que
z U |vp (z)| A0 |v0 (z)| + B 0
On en deduit que pour tout c ]0, 1[, il existe des constantes A, B, C
independantes de v0 telles que
1
n
6= 0 |vn | (A+B|v0 |) exp((1c)J(z)
n 0 z U|J(z) )+
C
1 n
(4.12)
134 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

Il ne reste plus qua appliquer le theoreme de convergence dominee pour


constater que un converge en moyenne dordre 1 vers J1. La convergence
en loi sensuit grace au lemme 26.


4.2.2 Vitesse de convergence


En labsence de transition de phase
Theoreme 4.2. On note n la loi de la variable aleatoire Xn definie par
X0 = 0 et la recurrence (4.1). On note la loi gaussienne centree de
densite spectrale J1. On suppose que J ne sannule pas sur U, ou, de maniere
equivalente
a = inf J > 0.
z U
4
On suppose que la suite hn secrit hn = n
, avec a
ou hn = n
, avec
]0, 1[ et > 0. Alors
d(n , ) = O(hn ).
Preuve : On va en fait montrer le resultat sous les hypotheses plus
generales suivantes : il existe un entier n0 , un reel M > 0 et une fonction
C 1 ([n0 , +[) satisfaisant a :
1
1. n n0 hn = (n) .
2. est croissante de limite +.
3. n n0 (n + 1) M (n)
4. x [n0 , +[ 0 (x) a4
2a
On peut toujours supposer que lon a hn0 kJk . Dapres le lemme 40,
on a pour tout n n0
n
X
a kJk a
kvn+1 k1 kvn0 k1 exp( (tn tn0 1 )) + exp( (tk tn ))h2k (4.13)
2 4 k=n 2
0

Posons Z t
dt
F (t) =
n0 (t)
et
a 1
g(t) = exp( F (t)) .
2 (t)2
On a
g 0 (t) a 1 0 (t)
= 2 0
g(t) 2 (t) (t)
4.2. COMPORTEMENT A CONDITION INITIALE NULLE 135

Ainsi g est une fonction croissante. Ainsi pour tout n n0 , on a

a a h2n+1 h2n+1
exp( (tn tn0 1 )) exp( F (n + 1)) =
2 2 g(n + 1) g(n0 + 1)

n
X Xn
a 2 a
exp( (tk tn ))hk exp( (F (k + 1) F (n + 1))h2k
k=n0
2 k=n
2
0

Xn
2 a a
M exp( F (n + 1)) exp( F (k + 1))h2k+1
2 k=n0
2
Z n+2
a
M 2 exp( F (n + 1)) g(t) dt
2 n0 +1

Posons Z n+2
I= g(t) dt.
n0 +1

Une integration par parties donne


Z n+2
a 21 a 2 0 (t)
I = [exp( F ) ]n+2 + exp( F (t)) 2
2 a n0 +1 n0 +1 2 a (t)
a
Mais, comme 0 4
, on a
Z n+2
a 2 1 1 a 1
I exp( F (n + 2)) + exp( F (t)) 2 ,
2 a (n + 2) 2 n0 +1 2 (t)

soit
a 2 1 1
I exp( F (n + 2)) + I.
2 a (n + 2) 2
On a donc

n
X a 4M 2 a
exp( (tk tn ))h2k exp( F (n + 2) F (n + 1))hn+2
k=n0
2 a 2
4M 2 a
exp( hn+1 )hn+2
a 2
4M 2 a
exp( hn0 +1 )hn+1
a 2
136 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

Ainsi, pour n > n0 , on a


kvn k1 N hn ,
ou lon a pose
hn0 +1 4M 2 a
N= kvn0 k1 + exp( hn0 +1 ),
g(n0 + 1) a 2
ce qui en vertu du lemme 26 acheve la preuve.

Ainsi, on voit que dans lechelle des suites de la forme hn = n , avec
]0, 1[, le choix qui permet dassurer la plus grande rapidite de convergence
est obtenu pour = 1 et suffisamment grand. On voit que dans ce cas la
liberte de choix de ( a4 ) decrot lorsque le trou spectral a diminue, ce
qui est naturel.

En presence de transition de phase


Nous allons voir que lon peut obtenir une majoration de la vitesse de
convergence en faisant certaines hypotheses sur J analogues a celles faites
aux chapitres 1 et 2. Nous faisons ici le choix de prendre une suite de pas
(hn )n0 de type n1 . Sous ces hypotheses, nous determinerons quelle valeur
de [0, 1[ assure la convergence asymptotique la plus rapide.
Theoreme 4.3. Pour la suite hn = n1 ,on note n la loi de la variable
aleatoire Xn definie par X0 = 0 et la recurrence (4.1). On note la loi
gaussienne centree de densite spectrale J1. On pose, pour (1 , . . . , d )
i1 , . . . , eid )
f (1 , . . . , d ) = J(e
On suppose que f sannule en un unique point x0 de ] , ]d et quil existe
d0 < d tel que
limxx0 f (x)|x x0 |d0 > 0.
Alors, on a
d(n , ) = O(n ),
ou lon a pose = inf((1 )( dd0 1), ).
est maximal pour le choix de = 1 dd0 , on a
d0
=1 ,
d
de sorte que
1
d(n , ) = O( d ).
1
(tn, ) d0
4.2. COMPORTEMENT A CONDITION INITIALE NULLE 137

Preuve :
Quitte a faire une translation sur lintervalle dintegration dans ce qui
suit, on peut supposer que lon a x0 = 0. On en deduit lexistence dune
constante m > 0 telle que x [, +]d f (x) m|x|d0 .
De (4.12), on deduit lexistence de A, B, C, D independantes de v0 tels que
Z
C
kvn k1 (A + B|v0 |) exp(D||d0 n1 )d + .
[,]d n

On note K = k1 u0 Jk = kv0 Jk
. On a
Z
B/m C
kvn k1 (A + K d0 ) exp(D||d0 n1 )d + .
[,]d || n

Dou
Z
B/m C
kvn k1
(A + K d
) exp(D||d0 n1 )d + .
B(0, d) || 0 n

On fait un passage en coordonnees polaires


Z
d
1 B/m C
kvn k1 (A + K d
) exp(Drd0 n1 )rd1 dr + .
2 0 r 0 n
1
On fait le changement de variables r = tn d0
. On obtient
1
Z n d0
d
1 td1 B tdd0 1 C
kvn k1 (A +K ) exp(Dtd0 )dt + .
2 (1) dd d
m n(1)( d0 1) n
0 n 0

On pose alors Z +
A
C1 = td1 exp(Dtd0 )dt
2 0
et Z +
B
C2 = tdd0 1 exp(Dtd0 )dt.
2m 0
On a alors
C1 C2 C
kvn k1 + kuJ 1k + . (4.14)
(1) dd (1)( dd 1) n
n 0 n 0

La deuxieme assertion decoule alors du lemme 26.



138 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

Remarque La derniere equation peut secrire

1 0 C10 C
kvn k1 d (C2 ku J 1k + )+ (4.15)
(tn, ) d0
1 tn, n

Le premier terme de la somme semble correspondre avec la vitesse du systeme


stochastique pour lequel on avait une vitesse en d11 et le second terme au
t d0
pas hn de lapproximation.

4.3 Influence de la condition initiale


Lors de letude de lequation differentielle stochastique, lecriture
Z
t J2 J t (ts) J
X t = e + Wt e 2 W ds
s
2 0
nous avait permis decrire Xt comme la somme dun terme purement sto-
chastique independant de la condition initiale et dun terme deterministe ne
dependant que de la condition initiale. Le lemme suivant montre quon peut
faire de meme ici.
(x)
Lemme 42. Pour x Bp et J Ap , notons X (x) la suite definie par X0 =
x et la recurrence
(x) hn p
Xn+1 Xn(x) = JXn(x) + hn n , (4.16)
2
Alors, X (x) admet la decomposition

Xn(x) = e(x) (0)


n + Xn ,

(x)
ou la suite deterministe e(x) est determinee par la recurrence e0 = x et

(x) hn (x)
en+1 e(x)
n = Je , (4.17)
2 n
soit
n1
Y hn
e(x)
n = (Id J)x (4.18)
k=0
2

Preuve : La preuve etant immediate, cest plutot un commentaire : a


fixe, lequation de recurrence est une equation affine. Classiquement, on
exprime toute solution comme somme de la solution de lequation lineaire
4.3. INFLUENCE DE LA CONDITION INITIALE 139

associee avec la meme condition initiale x et de la solution de lequation


affine a condition initiale nulle.

(0)
Puisque le terme stochastique Xn a ete etudie a la section precedente,
il ne nous reste plus qua etudier la partie deterministe. Nous nous sommes
places comme au chapitre 3 dans les espaces Bp : dans les cas ou nous avons
su prevoir le comportement du modele continu, nous voulons obtenir pour le
systeme discret le meme type de resultats.

Lemme 43. Soit A une algebre de Banach dont on note e lelement neutre
pour la multiplication, (hn )n0 une suite a termes positifs de limite nulle et
J A. Si lon a note
n1
X
tn = hk ,
k=0

on peut definir une suite (Un )n0 delements de A verifiant

n1
Y hn tn
(e J) = Un exp( J).
k=0
2 2

On a les resultats suivants :


P
1. Si k0 h2k < +, alors Un converge dans A vers un element U .
P
2. Si k0 h2k = +, alors il existe des constantes K, L > 0 telles que

n1
X
n 0, kUn k L exp(K h2k ) (4.19)
k=0

Preuve : On a evidemment
n1 n1
tn Y hk Y hk hk
Un = exp( J) (e J) = (e J) exp( J) (4.20)
2 k=0 2 k=0
2 2

Mais on sait que pour kxk < 1, on a

exp(ln(e + x)) = e + x,

ou lon a pose
X (1)k+1
ln(e + x) = xk .
k1
k
140 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

hn
Si p est tel que pour n p, on a 2
kJk < 1, alors pour n p, on a
n1
X hk hk
Un = Up exp ( J + ln(e J))
k=p
2 2

Mais
X (1)k+1
k ln(e + x) xk = k xk k
k2
k
X1
kxkk
k2
k
X1
kxkk
k2
2
kxk2
.
2(1 kxk)
On en deduit quil existe une constante K telle que pour n p
hn hn
k J + ln(e J)k Kh2n .
2 2
P
Si k0 h2k < +, alors la serie de terme general h2n J + ln(e h2n J) est
P
absolument convergente. Si lon note S = np h2n J + ln(e h2n J) la somme
de la serie , on a
lim Un = Up exp(S).
n

Sinon, on a quand meme


n1
X
kUn k kUp k exp(K h2k ),
k=p

ce qui entrane aisement (4.19).



Nous avons maintenant les outils necessaires a lobtention des resultats
analogues a ceux du chapitre 3.

4.3.1 Comparaison des systemes discret et continu


Nous voulons ici, sous des hypotheses convenables sur la suite des pas
hn , comparer le comportement asymptotique du systeme discret et celui du
systeme continu pour une meme condition initiale.
4.3. INFLUENCE DE LA CONDITION INITIALE 141

Theoreme 4.4. Soit J Aa . On suppose que (hn )n0 est de carre sommable
et est correctement initialisee. Precisement, on suppose que lon a

(max hn )kJkAa < 2,


n N
(x) (x)
Pour x Ba,0 , on note n la loi de Xn . On rappelle que xt designe la
loi de la solution du systeme continu au temps t avec x comme condition
initiale. Soit s ker J. Les deux proprietes qui suivent sont equivalentes.
1.
xt = s , (4.21)
t+

2.
(x)
n
= s (4.22)
n+

Preuve : Remarquons tout dabord quil suffit de montrer cette equivalence


(s+x) (x)
pour s = 0. En effet, pour s ker J, on a s+x t = s xt et n = s n , ce
qui permet de deduire la propriete pour s ker J de s = 0 en composant par
s et s . Lors de la preuve du theoreme 3.3, on avait remarque que (4.21)
du systeme etait equivalente a la propriete
t
lim exp( J)x 0. (4.23)
t 2
De meme, en combinant le theoreme 4.1 et le lemme 42, on voit que (4.22)
est equivalente a
n1
Y hn
lim (e J)x = 0 (4.24)
n
k=0
2

Comme
n1
Y hn tn
(e J)x = Un exp( )x
k=0
2 2

et que, dapres le lemme 43, Un est convergente, on en deduit que (4.21)


entrane (4.22).
Reciproquement, remarquons que

(max hn )kJkAa < 2


n N
signifie que pour tout n, k h2n JkAa < 1, ce qui implique que e h2n J est
inversible. Par suite Up est inversible, de meme que U = Up exp(S), ou S
142 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

a ete defini lors de la preuve du lemme 43. Par le meme raisonnement que
precedemment, on en deduit que (4.24) entrane
tn
lim exp( J)x = 0
n 2
Pour t 0, on note n(t) le plus petit entier k tel que tk t : il est clair que
limt n(t) = +. Mais
t 1 tn(t)
exp( J)x = exp( (tn(t) t)J) exp( J)x
2 2 2
Or
tn(t)
lim exp( J)x = 0
2
et
1 1
k exp( (tn(t) t)J)k exp( kJkAa (max hn )),
2 2 n0

ce qui entrane (4.23), qui est equivalent a (4.21).




4.3.2 Vitesse de convergence


Nous allons enoncer un lemme analogue au lemme 35.

Lemme 44. Pour > 0, on pose

EJ, = {v Ba z spec v J [, +]}.

Si u = v + s avec v EJ, et s ker J, on a pour tout > 0


n1
Y hk
k (1 J)u skBa = o(e( 2 )tn ).
k=0
2

Preuve : On a
n1
Y hn
(1 J)u
k=0
2
n1
Y n1
Y
hn hn
= (1 J)v + (1 J)s
k=0
2 k=0
2
n1
Y hn
= (1 J)v + s
k=0
2
4.3. INFLUENCE DE LA CONDITION INITIALE 143

Donc
n1
Y Y n1
hn hn
k (1 J)u skBa = k (1 J)vkBa
k=0
2 k=0
2
tn
= kUn exp( J)vkBa
2
tn
kUn kAa k exp( J)vkBa
2
Dune part, dapres le lemme 35, on a
tn
k exp( J)vkBa = o(e( 2 2 )tn ).
2
Mais le lemme 43 nous enseigne que
n1
X
kUn kAa = O(exp(K h2k )).
k=0

Comme hn 0, on a hn  h2n . Mais comme la serie a termes positifs de


terme general hn est divergente, on a
n1
X n1
X
tn = hn  h2n
k=0 k=0

Donc pour n assez grand, on a


n1
X
K h2k tn ,
k=0
2

soit
n1
X
exp(K h2k ) exp( tn ),
k=0
2
ce qui entrane

kUn kAa = O(exp( tn )),
2
puis finalement
n1
Y hn
k (1 J)u skBa = o(e( 2 )tn ).
k=0
2


144 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

Vitesse de convergence en labsence de transition de phase


Theoreme 4.5. On suppose que J S+ , avec > 1 et que Re J ne sannule
pas sur U . On pose b = inf U Re J et a = inf U J.
Pour la suite hn = avec
n
4 (x)
a ,on note n la loi de la variable aleatoire Xn definie par X0 = x
B et la recurrence (4.1). On note la loi gaussienne centree de densite
spectrale J1. Alors, il existe une constante K > 0 telle que pour tout > 0, il
existe une constante L telle que
1 1
x B,0 n 1 d((x)
n , ) K + L kxkB (b)
n n 2
Preuve :
(x) (x) (0)
Dapres le lemme 42, on a Xn = en + Xn , dou

d((x) (0) (x)


n , ) d(n , ) + ken kB .

(0)
On a deja montre dans le theoreme 4.2 que d(n , ) = O( n1 ). De plus,
dapres le lemme 43, il existe une constante Z telle que pour tout n, on ait
tn
ken(x) kB Z exp( J)kA kxkB
2
Comme tn = ln n + O(1), le lemme 30 permet alors de conclure.


Theoreme 4.6. On suppose que J Aa , avec an = 1 + 2 |n| et > 0. On


suppose egalement que Re J ne sannule pas sur U. On pose b = inf U J. Pour
4 (x)
la suite hn = n avec b ,on note n la loi de la variable aleatoire Xn
definie par X0 = x B et la recurrence (4.1). On note la loi gaussienne
centree de densite spectrale J1. Alors, il existe une constante K > 0 telle que
pour tout > 0, il existe une constante L telle que
1 1
x Ba,0 n 1 d((x)
n , ) K + L kxkB (b)
n n 2
Preuve :
(x) (x) (0)
Dapres le lemme 42, on a Xn = en + Xn , dou

d((x) (0) (x)


n , ) d(n , ) + ken kBa .

(0)
On a deja montre dans le theoreme 4.2 que d(n , ) = O( n1 ). Le lemme
44 permet alors de conclure, puisquici EJ,b = Ba .

4.3. INFLUENCE DE LA CONDITION INITIALE 145

En presence de transition de phase

Theoreme 4.7. Soit J un potentiel. On suppose que J Aa , avec


an = 1 + 2 |n| et > 0. On pose, pour (1 , . . . , d )

i1 , . . . , eid )
f (1 , . . . , d ) = J(e

On suppose que {z U
J(z) = 0} = {0} et quil existe A Gld (R) et
d0 < d tels quon ait :

limx0 f (x)kAxkd0 > 0.

1 (x)
Pour la suite hn = d0 , on note n la loi de la variable aleatoire Xn
n1 d
definie par X0 = x Ba et la recurrence (4.1). On note la loi gaussienne
centree de densite spectrale J1. Alors, si x Ba,0 secrit x = u + s avec

s ker J et inf{J(z); z spec u} > 0, on a

1
d((x)
n , s ) = 0( d ),
d0
1
tn
ou lon a
n1
X d d0
tn = hk nd,
k=0
d0

soit
1
d((x)
n , s ) = 0( d0 ).
n1 d

Preuve :
(x) (x) (0)
Dapres le lemme 42, on a Xn = en + Xn , dou

d((x) (0) (x)


n , ) d(n , ) + ken kBa .

(0) 1
On a deja montre dans le theoreme 4.3 que d(n , ) = O( d0 ). En
n1 d
appliquant le lemme 44, on constate quil existe c > 0 tel que
d0
ke(x)
n kBa = O(exp(cn )),
d

ce qui permet alors de conclure.



146 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

4.4 Simulation informatique


Le but de cette section est de mettre concretement en uvre sur un
exemple significatif lalgorithme decrit dans ce chapitre. On etudie les poten-
tiels sur le reseau Z3 dont linteraction est specifiee par

K 2

2 i si = {i}
J,h, 1
() = 6 i j si = {i, j}, i 6= j (4.25)


0 sinon
En dautres termes, on a J(0) = K, J(k) = 61 pour kkk = 1 et J(k) = 0
pour kkk > 1. Pour K = 1, cest le potentiel harmonique deja mentionne au
= 0, il y a transition de phase et les vecteurs dont
chapitre 2 . Comme J(1)
toutes les coordonnees sont egales sont dans ker J. A linverse, si K > 1 ; J
est strictement positive sur U et ker J ne contient aucune suite a croissance
lente.

4.4.1 Choix de lenvironnement de developpement


Le but de notre application etant essentiellement dillustrer notre propos,
les priorites etaient pour nous
1. que le programme tourne sur des systemes repandus.
2. que le programme tourne sur des machines relativement peu puis-
santes.
3. que linterface utilisateur soit simple sans que cela coute trop defforts
de programmation.
Nous avons donc choisi decrire un programme tournant sous les versions de
Windows de la 3.0 a Windows 98. Le langage de programmation choisi est
Delphi, produit de la societe Inprise (anciennement Borland). Delphi est une
extension orientee objet du langage Pascal.

4.4.2 Description du programme


Le menu Parametres permet de consulter ou de modifier trois pa-
rametres.
Le parametre Interaction propre permet de specifier la valeur de K.
Sa valeur par defaut est 1.
La condition initiale choisie est un vecteur dont toutes les coor-
donnees sont egales. Le menu Condition initiale permet de donner
cette valeur. Par defaut, elle vaut zero.
4.4. SIMULATION INFORMATIQUE 147

Le germe aleatoire est un entier long code sur 4 octets servant a


initialiser le generateur de nombres aleatoires. Dans le jargon pro-
babiliste, cest ! Sa valeur par defaut est zero. La valeur nest pas
affectee par une experience aleatoire, de maniere a faciliter la compa-
raison du comportement du systeme pour un meme et des condi-
tions initiales ou des valeurs de lauto-interaction distinctes.
La commande Calcul lance une simulation pour les parametres specifies.
Le menu Fichier permet de sauvegarder limage obtenue par une experience
aleatoire
sous forme dun fichier bitmap (*.BMP) avec la commande Enregis-
trer
dans le presse-papier grace a loption du meme nom.
sur papier avec la commande Imprimer.
Informations donne le nom du programme, eventuellement sa version
( !), et le nom de son auteur.

4.4.3 Contraintes mathematiques et techniques


Il est evident quon ne peut stocker dans la memoire dun ordinateur,
aussi puissant soit-il, un etat quelconque dun systeme infini, meme si lon
accepte dapprocher les reels par un codage quelconque. Et meme si lon ne
veut observer quune partie finie du systeme qui peut pretendre vouloir
embrasser lunivers du regard ! il demeure un probleme de fond lie a la
structure spatio-temporelle des equations de recurrence du systeme : en effet,
la connaissance de letat du systeme a linstant tn+1 dans le volume
= [Bx , Bx ] [By , By ] [Bz , Bz ]
necessite celle du systeme a linstant tn dans le volume
[(Bx + 1), Bx + 1] [(By + 1), By + 1] [(Bz + 1), (Bz + 1)].
Ainsi, si lon veut pouvoir afficher letat du systeme dans le volume au
temps tn , il faut une taille memoire de lordre de
(2Bx + 2n + 1)(2By + 2n + 1)(2Bz + 2n + 1).
Ici, on a choisi de prendre n = 15, Bx = By = 25, Bz = 0 et de coder chaque
reel sur 4 octets : la taille necessaire est deja de
4 (81 81 31) octets = 813 564 octets = 795 Ko.
Bien sur, cette quantite est peu importante au regard des capacites de sto-
ckage des ordinateurs actuels, mais il faut se rendre compte que ces quantites
148 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

doivent etre abondamment manipulees, ce qui est couteux en temps machine


ce qui nest pas le cas pour un logiciel de traitement de texte, ou lutilisa-
teur ne modifie quune petite partie du texte a la fois. Nous calculerons un
peu plus loin une estimation du temps de calcul.

4.4.4 Description de lalgorithme


Afin de pouvoir comparer le comportement du systeme pour J = 1 et
pour J > 1, il convient de prendre une meme suite de pas (hn )n1 convenant
dans les deux cas. Le modele pour lequel la convergence est la plus lente
etant le modele harmonique, il convient de choisir la suite (hn )n1 optimale
pour lui : dapres le theoreme 4.3, la meilleure suite parmi celles que nous
avons etudiees est
1
hn = ,
n
avec
d0 2 1
=1 =1 = .
d 3 3
On se fixe des le depart le nombre diterations niter que lon veut effectuer
et le volume
= [Bx , Bx ] [By , By ] [Bz , Bz ]
dont on veut etudier le comportement. On initialise chaque spin du volume

[(Bx + niter ), Bx + niter ] [(By + niter ), By + niter ] [(Bz + niter ), Bz + niter ]

A la n ieme etape, on calcule letat du systeme dans le volume

[(Bx + niter n), Bx + niter n] [(By + niter n), By + niter n]


[(Bz + niter n), Bz + niter n]

en fonction de letat du systeme dans le volume

[(Bx + 1 + niter n), Bx + 1 + niter n] [(By + 1 + niter n), By + 1 + niter n]


[(Bz + 1 + niter n), Bz + 1 + niter n]

au temps n 1 et de la formule de recurrence (4.2) qui secrit ici


hn 1 X p
k
Xn+1 = Xnk (KXnk Xni ) + hn nk (4.26)
2 6
i,kkik=1

Les variables aleatoires nk qui sont, rappelons-le, des variables aleatoires


gaussiennes centrees independantes sont simulees grace a lalgorithme po-
laire, une variante de lalgorithme de rejet dont on trouvera par exemple une
4.4. SIMULATION INFORMATIQUE 149

description dans le livre de Petritis [35]. Cet algorithme simple a mettre en


uvre possede lavantage de simuler deux variables aleatoires gaussiennes
independantes chaque fois quil est execute. A chaque appel de lalgorithme,
on mettra donc en memoire la deuxieme valeur calculee afin deviter des
iterations inutiles.

4.4.5 Evaluation du temps de calcul


Les operations elementaires a effectuer etant les memes pour chacun de
Xnk que lon doit calculer, le temps de calcul est donc proportionnel au nombre
de Xnk a calculer. Le petit raisonnement fait a la section precedente nous
indique pour quels points de lespace-temps il convient de calculer Xnk 1 :cest

{(k, n) Zd N, d(k, ) niter n}.

Ainsi, pour calculer letat dun parallelepipede rectangle de cotes l1 l2 l3


apres niter iterations, if faut un temps machine proportionnel a

nP
iter
(l1 + 2k)(l2 + 2k)(l3 + 2k)
k=0
nP
iter
= l1 l2 l3 + 2(l1 l2 + l2 l3 + l3 l1 )k + 4(l1 + l2 + l3 )k 2 + 8k 3
k=0
niter (niter + 1)
= l1 l2 l3 (niter + 1) + 2(l1 l2 + l2 l3 + l3 l1 )
2
niter (niter + 1)(2niter + 1) niter (niter + 1) 2
+ 4(l1 + l2 + l3 ) + 8( )
6 2
= Volume()(niter + 1)
niter (niter + 1)
+ Surface()
2
niter (niter + 1)(2niter + 1)
+ Longueur des Aretes()
6
niter (niter + 1) 2
+ Nombre de Sommets()( )
2

Cette formule permet donc destimer le temps de calcul necessaire, a un


facteur pres dependant de la machine. Ainsi, pour notre programme, nous
avions choisi l1 = l2 = 51 et niter = 15. A titre indicatif, signalons que ce
calcul a pris 32 secondes sur un Pentium MMX 233.

1
Dans le cas qui nous interesse, ce nest pas completement optimal, car les sommets en
diagonale ninteragissent pas, mais cela naugmente pas de beaucoup le calcul.
150 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION

4.4.6 Resultats obtenus


Le graphique ci-dessous represente les images obtenues pour le modele
harmonique (K = 1) avec pour conditions initiales les suites identiquement
egales a 1 pour le diagramme de gauche,0 pour celui du milieu et 1 pour
celui de droite.

Il est immediat a loeil que ces trois images sont bien differentes. Afin
davoir des donnees chiffrees, nous avons demande a lordinateur de nous
fournir la proportion de pixels dont lintensite depasse la valeur de saturation
1. Nous avons obtenu respectivement 0.0261, 0.1717 et 0.5083.
Observons si lon obtient des resultats analogues pour un autre alea : dans
lexemple precedent, le germe aleatoire etait 0. Pour le germe aleatoire 73,
on obtient les images suivantes :

Les proportions de saturation sont respectivement 0.0317, 0.1819 et 0.5148.

Le graphique ci-dessous represente les images obtenues pour un modele


4.4. SIMULATION INFORMATIQUE 151

harmonique perturbe (K = 5) avec les conditions initiales 1, 0 et 1.

Ici en revanche, les trois images semblent tres proches : on obtient les
proportions de 0.0261, 0.0263 et 0.0263.
Suivent les images obtenues pour lalea 73 :

On obtient pour chacune des 3 images la proportion de saturation de


0.0298.
Les images et les chiffres sont eloquents. Sur ces exemples, on a pu obser-
ver conformement a la theorie que la transition de phase se traduit par une
forte dependance a la condition initiale tandis que labsence de transition de
phase est concomitante a lergodicite du systeme.
152 CHAPITRE 4. DISCRETISATION DE LE.D.S. ET SIMULATION
Annexe A

Code Source de lapplication

A.1 fichier principal Quadyn.dpr


program Quadyn;

uses
Forms,
Dyna in DYNA.PAS {Form1},
Ahoui in AHOUI.PAS {AboutBox};

{$R *.RES}

begin
Application.CreateForm(TForm1, Form1);
Application.CreateForm(TAboutBox, AboutBox);
Application.Run;
end.

A.2 Unite Ahoui.pas


unit Ahoui;

interface

uses WinTypes, WinProcs, Classes, Graphics, Forms, Controls, StdCtrls,


Buttons, ExtCtrls;

type

153
154 ANNEXE A. CODE SOURCE DE LAPPLICATION

TAboutBox = class(TForm)
Panel1: TPanel;
OKButton: TBitBtn;
ProgramIcon: TImage;
ProductName: TLabel;
Version: TLabel;
Copyright: TLabel;
Comments: TLabel;
private
{ Private declarations }
public
{ Public declarations }
end;

var
AboutBox: TAboutBox;

implementation

{$R *.DFM}

end.

A.3 Fiche Ahoui.txt


object AboutBox: TAboutBox
Left = 200
Top = 99
ActiveControl = OKButton
BorderStyle = bsDialog
Caption = A propos
ClientHeight = 243
ClientWidth = 298
Font.Color = clWindowText
Font.Height = -13
Font.Name = System
Font.Style = []
PixelsPerInch = 96
Position = poScreenCenter
A.3. FICHE AHOUI.TXT 155

TextHeight = 16
object Panel1: TPanel
Left = 8
Top = 8
Width = 281
Height = 161
BevelInner = bvRaised
BevelOuter = bvLowered
TabOrder = 0
object ProgramIcon: TImage
Left = 8
Top = 8
Width = 65
Height = 57
Picture.Data = {
07544269746D617076020000424D760200000000000076000000280000002000
0000200000000100040000000000000200000000000000000000100000000000
000000000000000080000080000000808000800000008000800080800000C0C0
C000808080000000FF0000FF000000FFFF00FF000000FF00FF00FFFF0000FFFF
FF00000000000000000000000000000000000EE8787878EEEEEEE03F30878EEE
EEE00EE8787878EEEEEEE03F30878EEEEEE00EE8787878EEEEEEE03F30878EEE
EEE00EE8787878EEEEEEE03F30878EEEEEE00887787877788888803F3088787E
EEE00788787878878887803F3088887EEEE00788887888878887803F3088887E
EEE00877888887788888703F308887EEEEE00888777778888888037883088888
8EE007777777777777703787883087777EE00888888888888803787FF8830888
888008888888888880378777778830888880077777777788037873F3F3F87808
88E00888888888803787FFFFFFFF8830EEE00887777778800001111111111100
EEE00888888888888899B999B99999EEEEE00888888888888899B9B99BB9B9EE
EEE0088888888888899BB9BB99BB99EEEEE0078888888888899B999B999999EE
EEE0087788888778899B9B9BB9BB99EEEEE00888778778888E9B9B9BB9999EEE
EEE0088888788888EE9B99B9BB9BEEEEEEE00EE8888888EEEEE999B9999EEEEE
EEE00EEEE888EEEEEEEE99BB999EEEEEEEE00EEEEE8EEEEEEEEEE999B9EEEEEE
EEE00EEEEE8EEEEEEEEEEEE999EEEEEEEEE00EEEEE8EEEEEEEEEEEEE99EEEEEE
EEE00EEEEE8EEEEEEEEEEEEE9EEEEEEEEEE00EEEEE8EEEEEEEEEEEEEEEEEEEEE
EEE00EEEEEEEEEEEEEEEEEEEEEEEEEEEEEE00000000000000000000000000000
0000}
Stretch = True
IsControl = True
end
object ProductName: TLabel
Left = 87
156 ANNEXE A. CODE SOURCE DE LAPPLICATION

Top = 16
Width = 145
Height = 13
Caption = Interactions quadratiques
Font.Color = clBlack
Font.Height = -11
Font.Name = MS Sans Serif
Font.Style = [fsBold]
ParentFont = False
IsControl = True
end
object Version: TLabel
Left = 88
Top = 40
Width = 65
Height = 13
Caption = Version 1.0
Font.Color = clBlack
Font.Height = -11
Font.Name = MS Sans Serif
Font.Style = [fsBold]
ParentFont = False
IsControl = True
end
object Copyright: TLabel
Left = 8
Top = 80
Width = 117
Height = 13
Caption = Auteur: Olivier Garet
Font.Color = clBlack
Font.Height = -11
Font.Name = MS Sans Serif
Font.Style = [fsBold]
ParentFont = False
IsControl = True
end
object Comments: TLabel
Left = 8
Top = 104
Width = 110
A.4. UNITE DYNA.PAS 157

Height = 39
Caption = Programme d#39accompagnement de these.
Font.Color = clBlack
Font.Height = -11
Font.Name = MS Sans Serif
Font.Style = [fsBold]
ParentFont = False
WordWrap = True
IsControl = True
end
end
object OKButton: TBitBtn
Left = 111
Top = 178
Width = 77
Height = 27
Font.Color = clBlack
Font.Height = -11
Font.Name = MS Sans Serif
Font.Style = [fsBold]
ParentFont = False
TabOrder = 1
Kind = bkOK
Margin = 2
Spacing = -1
IsControl = True
end
end

A.4 Unite Dyna.pas


unit Dyna;

interface

uses
SysUtils, WinTypes, WinProcs, Messages, Classes, Graphics, Controls,
Forms, Dialogs, Menus, ExtCtrls,ClipBrd,Printers,ahoui;

type
158 ANNEXE A. CODE SOURCE DE LAPPLICATION

TForm1 = class(TForm)
MainMenu1: TMainMenu;
Fichier: TMenuItem;
Paramtres1: TMenuItem;
AutoInteraction1: TMenuItem;
GermeAlatoire1: TMenuItem;
Affichage1: TMenuItem;
Saturation1: TMenuItem;
Palette1: TMenuItem;
Calcul1: TMenuItem;
Enregistrer1: TMenuItem;
Imprimer1: TMenuItem;
Conditioninitiale1: TMenuItem;
Image1: TImage;
SaveDialog1: TSaveDialog;
infos: TMenuItem;
Pressepapier1: TMenuItem;
procedure AutoInteraction1Click(Sender: TObject);
procedure GermeAlatoire1Click(Sender: TObject);
procedure Conditioninitiale1Click(Sender: TObject);
procedure Calcul1Click(Sender: TObject);
procedure Saturation1Click(Sender: TObject);
procedure Enregistrer1Click(Sender: TObject);
procedure infosClick(Sender: TObject);
procedure Palette1Click(Sender: TObject);
procedure Pressepapier1Click(Sender: TObject);
procedure Imprimer1Click(Sender: TObject);
private
{ Private-declarations }
public
{ Public-declarations }
end;

var
Form1: TForm1;

implementation

{$R *.DFM}
A.4. UNITE DYNA.PAS 159

const cote_x=80;
cote_y=80;
cote_z=31;
nb_iter=15;
pp=-1;

var deja:boolean;
reserve,sature,auto,cond_init:real;
bitmap:tbitmap;
fichier:tfilename;
ncalc:byte;

function gauss:real;
var u,v1,v2,s:real;
begin;
if deja then begin deja:=false; gauss:=reserve; end;
repeat
v1:=2*random-1;
v2:=2*random-1;
s:=sqr(v1)+sqr(v2);
until s<1;
u:=sqrt(-2*ln(s)/s);
reserve:=v1*u;
deja:=true;
gauss:=v2*u;
end;

procedure eval(s:string;var resultat:real;


var posi:integer);
var expo,re,mantisse,pu:real;
i,j,k,nexp,fin:integer;
moins_un:boolean;
sexp:string;
begin
while s[1]= do s:=copy(s,2,length(s)-1);
if s[1]=- then
begin
s:=copy(s,2,length(s)-1);
moins_un:=true;
end else moins_un:=false;
160 ANNEXE A. CODE SOURCE DE LAPPLICATION

i:=pos(e,s);
j:=pos(E,s);
if (i=0) or (j=0) then
begin
i:=i+j;
if i=0
then
begin
expo:=1;
fin:=length(s);
end
else
begin
sexp:=copy(s,i+1,length(s)-i);
val(sexp,nexp,posi);
expo:=exp(nexp*ln(10));
fin:=i-1;
end;
j:=pos(.,s);
if j=0 then
val(copy(s,1,fin),mantisse,posi)
else
val(copy(s,1,j-1),mantisse,posi);
re:=mantisse;
if j>0 then
begin
pu:=1;
for k:=j+1 to fin do
begin
pu:=pu/10;
re:=re+(ord(s[k])-48)*pu;
end;
end;
re:=re*expo;
if moins_un then resultat:=-re
else resultat:=re;
end else posi:=i;
end;

function transf(r:real):byte;
A.4. UNITE DYNA.PAS 161

begin
if r>sature then r:=sature else if r<-100
then r:=-sature;
if r>0
then transf:=round(127+ln(1+r)/ln(1+sature)*127)
else transf:=round(127-ln(1-r)/ln(1+sature)*127)
end;

procedure TForm1.AutoInteraction1Click(Sender: TObject);


var s:string;
code:integer;

begin
str(auto:8:4,s);
s:=inputbox(Saisie de lauto-interaction,
Entrez la valeur de lauto-interaction,
s);
eval(s,auto,code);
end;

procedure TForm1.GermeAlatoire1Click(Sender: TObject);


var s:string;
code:integer;
begin
str(randseed:16,s);
s:=inputbox(Saisie du germe aleatoire,
Entrez la valeur du germe,s);
val(s,randseed,code);
end;

procedure TForm1.Conditioninitiale1Click(Sender: TObject);


var s:string;
code:integer;
begin
str(cond_init:8:4,s);
s:=inputbox(Saisie de la condition initiale,
Entrez la valeur de la condition initiale,s);
eval(s,cond_init,code);
end;
162 ANNEXE A. CODE SOURCE DE LAPPLICATION

procedure TForm1.Saturation1Click(Sender: TObject);


var s:string;
code:integer;
begin
str(sature:8:4,s);
s:=inputbox(Saisie de la valeur de saturation,
Entrez la valeur de saturation,s);
eval(s,sature,code);

end;
{procedure transformation;}
procedure TForm1.Calcul1Click(Sender: TObject);

type minitab=array[0..cote_x,0..cote_y] of single;


pminitab=^minitab;

var t1,t2,t3:pminitab;
tab:array[0..cote_z] of pminitab;
i,j,k,n:byte;
chaine:string;
sran:longint;

function moyenne:real;
var ii,jj,kk:byte;
s,w:real;
begin
w:=1/((cote_x-2*n+1)*(cote_y-2*n+1)*(cote_z-2*n+1));
s:=0;
for ii:=n to cote_z-n do
begin
{t1^:=tab[ii]^;}
for jj:=n to cote_x-n do
for kk:=n to cote_y-n do
{s:=s+(tab[ii]^[jj,kk])*w; }
if tab[ii]^[jj,kk]>sature then s:=s+w;
end;
moyenne:=s;
end;
A.4. UNITE DYNA.PAS 163

procedure change;
var st:pminitab;
i,j,k:shortint;
hn:real;

begin

hn:=exp(-ln(n+100)/3);
t1^:=tab[n]^;
t2^:=tab[n+1]^;
for i:=n+1 to cote_z-(n+1) do
begin
t3^:=tab[i+1]^;
{changer t1}
for j:=n+1 to cote_x-(n+1) do
for k:=n+1 to cote_y-(n+1) do
begin
t1^[j,k]:=(1-0.5*auto*hn)*t2^[j,k]+
0.5*hn*
(t1^[j,k]+t3^[j,k]+t2^[j+1,k]+t2^[j-1,k]
+t2^[j,k-1]+t2^[j,k+1])/6+gauss*sqrt(hn);
{if (i in [23..27]) and (j in [20..60]) and (k in [20..60]) then
bitmap.canvas.pixels[cote*(i-23)+j,
k]:=
transf(t1^[j,k]);}
end;
tab[i]^:=t1^;
st:=t1;
t1:=t2;
t2:=t3;
t3:=st;
end;
inc(n);
end;

begin
cursor:=crHourglass;
new(t1);
new(t2);
new(t3);
164 ANNEXE A. CODE SOURCE DE LAPPLICATION

for i:=0 to cote_z do


begin
new(tab[i]);
for j:=0 to cote_x do for k:=0 to cote_y do
tab[i]^[j,k]:=cond_init;
end;
n:=0;
sran:=randseed;
for k:=1 to nb_iter do
change;
randseed:=sran;
for j:=0 to cote_x-2*n do for k:=0 to cote_y-2*n
do
bitmap.canvas.pixels[j+n+ncalc*cote_x-(ncalc+1)*nb_iter,k+n]:=
transf(tab[cote_z div 2]^[j+n,k+n]);
image1.picture.graphic:=bitmap;
ncalc:=(ncalc+1) mod 3;
str(moyenne:8:4,chaine);
showmessage(chaine);
cursor:=0;
for i:=0 to cote_z do dispose(tab[i]);
dispose(t1);
dispose(t2);
dispose(t3);
end;

procedure TForm1.Enregistrer1Click(Sender: TObject);


begin
if savedialog1.execute then
begin
bitmap.savetofile(savedialog1.filename);
end;
end;

procedure TForm1.infosClick(Sender: TObject);


begin
aboutbox.showmodal;
end;

procedure TForm1.Palette1Click(Sender: TObject);


var cou:array[ 0..255] of tpaletteentry ;
A.5. FICHE DYNA.TXT 165

i:byte;
begin
{ for i:=0 to 255 do
begin
cou[i].pered:=0;
cou[i].pegreen:=i;
cou[i].peblue:=i;
cou[i].peflags:=pc_reserved;
end;
animatepalette(bitmap.palette,20,200,cou);}
end;

procedure TForm1.Pressepapier1Click(Sender: TObject);


begin
clipboard.Assign(bitmap);
end;

procedure TForm1.Imprimer1Click(Sender: TObject);


begin
printer.begindoc;
printer.canvas.draw(0,0,bitmap);
printer.enddoc;
end;

begin
bitmap:=tbitmap.create;
bitmap.width:=(cote_x-nb_iter)*3;
bitmap.height:=cote_y;
deja:=false;
sature:=1;
auto:=1;
cond_init:=0;
end.

A.5 Fiche Dyna.txt


object Form1: TForm1
Left = 200
166 ANNEXE A. CODE SOURCE DE LAPPLICATION

Top = 99
Width = 435
Height = 300
Caption = Simulation d#39une interaction quadratique
Font.Color = clWindowText
Font.Height = -13
Font.Name = System
Font.Style = []
Menu = MainMenu1
PixelsPerInch = 96
TextHeight = 16
object Image1: TImage
Left = 0
Top = 96
Width = 456
Height = 80
end
object MainMenu1: TMainMenu
Left = 23
Top = 65530
object Fichier: TMenuItem
Caption = Fichier
object Enregistrer1: TMenuItem
Caption = Enregistrer
OnClick = Enregistrer1Click
end
object Imprimer1: TMenuItem
Caption = Imprimer
OnClick = Imprimer1Click
end
object Pressepapier1: TMenuItem
Caption = Presse-papier
OnClick = Pressepapier1Click
end
end
object Paramtres1: TMenuItem
Caption = Parametres
ShortCutText = Ctrl+P
object AutoInteraction1: TMenuItem
Caption = Auto-Interaction
OnClick = AutoInteraction1Click
A.5. FICHE DYNA.TXT 167

end
object GermeAlatoire1: TMenuItem
Caption = Germe Aleatoire
OnClick = GermeAlatoire1Click
end
object Conditioninitiale1: TMenuItem
Caption = Condition initiale
OnClick = Conditioninitiale1Click
end
end
object Affichage1: TMenuItem
Caption = Affichage
object Saturation1: TMenuItem
Caption = Saturation
OnClick = Saturation1Click
end
object Palette1: TMenuItem
Caption = Palette
OnClick = Palette1Click
end
end
object Calcul1: TMenuItem
Caption = Calcul
OnClick = Calcul1Click
end
object infos: TMenuItem
Caption = Informations
OnClick = infosClick
end
end
object SaveDialog1: TSaveDialog
Left = 199
Top = 113
end
end
168 ANNEXE A. CODE SOURCE DE LAPPLICATION
Bibliographie

[1] Dobrushin (R.L.). Gaussian random fields - gibbsian point of view. In


R.L. Dobrushin et Ya.G. Sinai, editor, Multicomponent random systems,
volume 6 of Advances in Probability and Related Topics. Dekker, 1980.
[2] Araujo (A.) and Gine (E.). The Central Limit Theorem for Real and
Banach Valued Random Variables. Wiley, 1980.
[3] Arnaudies (J.M.) et Fraysse (H.). Cours de mathematiques - 1
Algebre. Dunod, 1987.
[4] Presutti (E.) et Pulvirenti (M.) Benfatto (G.). DLR measures for
one-dimensional harmonic systems. Z. Wahrsch. Verw. Geb., 41 :305
312, 1978.
[5] Billingsley (P.). Probability and Measure. Wiley, 1986.
[6] Bogachev (V.). Gaussian measures on linear spaces. J. of Math. Sci.,
79 :9331034, 1996.
[7] Cartan (H.). Cours de calcul differentiel. Hermann, 1977.
[8] Chabat (B.). Introduction a lanalyse complexe. Mir, 1990.
[9] Fermigier (S.) Chambert-Loir (S.) and Maillot (V.). Exercices
de Mathematiques pour lAgregation - Analyse 1. Masson, 1995.
[10] Chay (S. C.). On quasi-markov random fields. J. of Multivariate Ana-
lysis, 2 :1476, 1972.
[11] Da Prato (G.) et Zabczyk (J.). Stochastic Equations in Infinite
Dimensions. Cambridge, 1992.
[12] Da Prato (G.) et Zabczyk (J.). Convergence to equilibrium for classi-
cal and quantum spin systems. Probab. Theory. Relat. Fields, 103 :529
552, 1995.
[13] Deuschel (J.D.). Invariance principle and empirical mean large devia-
tions of the critical Orstein-Uhlenbeck process. The Annals of Probabi-
lity, 17 :7490, 1989.
[14] Dieudonne (J.). Calcul infinitesimal. Hermann, 1980.

169
170 BIBLIOGRAPHIE

[15] Doss (H.) et Royer (G.). Processus de diffusion associe aux mesures
de Gibbs sur RZ . Z. Warsch. verw. Gebiete, 46 :107124, 1978.
d

[16] Duflo (M.). Algorithmes stochastiques. Mathematiques et Applica-


tions. Springer, 1996.
[17] Erdelyi (A.). Asymptotic Expansions. Dover, 1956.
[18] Georgii (H.-O.). Gibbs Measures and Phase Transitions. Walter de
Gruyter, 1988.
[19] Guyon (X.). Champs aleatoires sur un reseau. Masson, 1992.
[20] Halmos (P.). A Hilbert Space Problem Book. Springer-Verlag, 1982.
[21] Harthong (J.). Etudes sur la mecanique quantique. Societe
Mathematique de France, 1984.
[22] Hochstadt (H.). Les Fonctions de la Physique Mathematique. Masson,
1973.
[23] Kahane (J.P). Series de Fourier absolument convergentes. Springer,
1970.
[24] Kahane (J.P) et Lemarie-Rieusset (P. G.). Series de Fourier et
ondelettes. Cassini, 1998.
[25] Kahane (J.P) et Salem (R.). Ensembles parfaits et series trigo-
nometriques. Hermann, 1994.
[26] Keller (G.). Equilibrium States in Ergodic Theory. Cambridge Uni-
versity Press, 1998.
[27] Kunsch (H.-R.). Gaussian Markov random fields. J. Fac. of Science of
Univ. of Tokyo, 26 :5373, 1979.
[28] Kunsch (H.-R.). Reellwertige Zufallsfelder auf einem Gitter : Interpo-
lationsprobleme, Variationsprinzip und statistische Analyse. PhD thesis,
Zurich, 1980.
[29] Kondratiev (Yu. G.) et Sokol (T. A.). Gaussian measures and
stochastic quantification. Selecta Mathematica formerly Sovietica,
13(3) :225238, 1994.
[30] Laroche (E.). Hypercontractivite pour des systemes de spins de portee
infinie. Probab. Theory. Relat. Fields, 101 :89132, 1995.
[31] Lifshits (M.). Gaussian Random Functions. Kluwer Academic Publi-
shers, 1995.
[32] Liggett (T.M.). Interacting Particle Systems. Springer-Verlag, 1985.
[33] Olver (F.W.J.). Asymptotics and Special Functions. Academic Press,
1974.
BIBLIOGRAPHIE 171

[34] Pedersen (G.K.). Analysis Now. Springer-Verlag, 1995.


[35] Petritis (D.). Simulations numeriques Monte Carlo. preprint Univer-
site de Rennes I, 1993.
[36] Pickands III (J.). Maxima of stationary Gaussian processes. Z.
Wahrsch. verw. Geb., 7 :190223, 1967.
[37] Revuz(D.) et Yor (M.). Continuous Martingales and Brownian Mo-
tion. A series of Comprehensive Studies in Mathematics. Springer-
Verlag, 1994.
[38] Roelly (S.) et Seu (D.). Limite ergodique de processus de diffusion
infini-dimensionnels. Publicaciones matematiques, a paratre.
[39] Rosanov (Yu. A.). On Gaussian fields with given conditional distribu-
tions. Th. of Prob. Appl., 12 :433443, 1967.
[40] Royer (G.). Processus de diffusion associe a certains modeles dIsing
a spins continus. Z. Warsch. verw. Gebiete, 46 :165176, 1979.
[41] Rudin (W.). Fourier Analysis on groups. Wiley, 1960.
[42] Rudin (W.). Function Theory in the Unit Ball of Cn . Springer, 1980.
[43] Rudin (W.). Functional Analysis. McGraw-Hill, 1991.
[44] Shiga (T.) et Shimizu (A.). Infinite dimensional stochastic differential
equations and their applications. J. Math. Kyoto. Univ., 20-3 :395416,
1980.
[45] Spitzer (F.). Principles of Random Walk. Van Nostrand, 1964.
[46] Spitzer (F.). Introduction aux processus de Markov a parametre dans
Z . In Ecole dEte de Probabilites de Saint-Flour III, Lecture Notes in
Mathematics no 390. Springer-Verlag, 1974.
[47] Stein (E.M.). Harmonic Analysis. Princeton math. series, 1993.
[48] Trenoguine (V.). Analyse fonctionnelle. Mir, 1985.
[49] Watson (G.N.). A Treatise on the Theory of Bessel Functions. Cam-
bridge Univ. Press, 1958.
[50] Zygmund (A.). Trigonometric series. Cambridge Univ. Press, 1959.
Index

S , 32 suite n , 17
S+ , 32 support spectral, 106

algebre de Banach, 18, 139 tore U, 13


13
transformee de Fourier J,
caractere, 18 transition de phase, 12
champ aleatoire, 10 type E, 15
convolution, 16
couronne Ur , 16
croissance lente, 21

decroissance rapide, 21
densite spectrale, 14

ensemble GJ,h , 12
espace Aa , 16
espace A , 22
espace Ba , 16
espace B , 22

fonction J , 111
fonction de partition, 11

groupe , 32

hamiltonien, 11

interaction quadratique, 12

mesure de Gibbs, 10

portee dune interaction, 11


potentiel, 11, 13
potentiel harmonique, 72, 145
potentiel quadratique, 12

Schauder (base faible de), 80

172
Auteur : Olivier GARET

Titre : Mesures de Gibbs gaussiennes et dynamiques aleatoires associees


sur RZ .
d

Resume : Le but de ce travail est letude des champs aleatoires sur le


reseau Zd associes a des interactions quadratiques.
Dans un premier temps, prolongeant les resultats de Dobrushin et Kunsch,
nous enoncons des criteres simples pour lexistence et lunicite de mesures de
Gibbs associees a une interaction quadratique donnee et verifiant certaines
conditions de support. Nous etudions quelques proprietes topologiques de
lensemble des parametres du systeme pour lesquels il y a existence et unicite.
Pour d = 1, on etudie en detail lensemble des mesures de Gibbs lorsquil y
a transition de phase i.e. non-unicite dune mesure de Gibbs.
Puis, on revient a un reseau de dimension quelconque. Apres avoir etudie
linfluence de la transition de phase sur la decroissance spatiale de la correlation
du champ de Gibbs gaussien et les theoremes de limite centrale, nous intro-
duisons un systeme differentiel stochastique gradient associe a linteraction.
On etablit que chaque phase pure i.e. chaque mesure de Gibbs extremale
peut etre obtenue comme limite temporelle de la solution de le.d.s. pour un
ensemble de conditions deterministes dont on donne une description. Ainsi
labsence de transition de phase correspond a lergodicite du systeme. Nous
etudions egalement linfluence de la transition de phase sur la vitesse de
convergence.
Enfin, nous presentons un algorithme stochastique discretisant le systeme
differentiel permettant dobtenir les phases pures comme limites dune chane
de Markov inhomogene a temps discret. Pour un exemple precis, nous met-
tons en oeuvre cet algorithme sur ordinateur et obtenons une illustration de
certains des theoremes demontres auparavant.

Mots-cles : champs gibbsiens, champs gaussiens, transition de phase, dif-


fusion infini-dimensionnelle, ergodicite, simulation, algorithme stochastique.

Classification AMS : 42B05, 60H10, 60K35, 82B26, 82C31, 93E30