想象一个人在方格纸上掷骰子：每一步向上、下、左或右走一格。普通随机游走允许他反复回到同一个地方；自回避随机游走则要求整条轨迹没有任何自交。这个看似微小的限制，会让路径产生记忆：下一步的选择不再只取决于当前位置，而要避开全部过去。
自回避不是“不能回头”，而是“不能忘记”。一条局部生成的路径，被迫记住自己的全部历史。
一条会记住自己走过哪里的路径
1. 从随机游走到自回避
在 \(d\) 维整数格点 \(\mathbb Z^d\) 上，一条长度为 \(n\) 的最近邻路径记为
如果所有顶点 \(\omega_0,\ldots,\omega_n\) 两两不同，我们就称它为自回避随机游走（self-avoiding walk, SAW）。路径仍然可以转弯，也可以靠近自己；它唯一不能做的事，是再次踏上一个已经访问过的格点。
这条禁令破坏了普通随机游走最方便的性质。普通随机游走的增量相互独立，而自回避路径的下一步取决于完整历史，因此它既不是独立增量过程，也不是只看当前位置就能描述的 Markov 链。困难不来自规则很多，而来自一条规则牵动了整条路径。
同样的步数，两种不同的几何
在上面的实验里，普通随机游走经常折回并覆盖旧路径；自回避路径则被排斥体积撑开。这里的自回避样本由 pivot 算法生成：从一条合法路径出发，随机选取一个枢轴点，对后半段做旋转或反射，并只接受仍然没有自交的变换。
2. 为什么聚合物会走出这样的路
自回避随机游走最经典的物理解释来自高分子。把聚合物看成由许多单体连接而成的长链，每条格边代表相邻单体之间的键。真实物质不能在同一位置重叠；这个排斥体积效应，在最简格点模型里正对应自回避条件。
普通随机游走的典型末端距离满足 \(R_n\asymp n^{1/2}\)。自回避让链条更舒展，人们预期
其中 \(\nu\) 是描述路径几何的临界指数。二维中理论预测 \(\nu=3/4\)；三维数值结果约为 \(0.5876\)；五维及更高维具有平均场指数 \(\nu=1/2\)，四维则处在临界维度并带有对数修正。
FLORY 的尺度论证优美地解释了为什么路径会膨胀。若一条长度为 \(n\) 的链占据尺度 \(R\)，弹性代价约为 \(R^2/n\)，自碰撞代价约为 \(n^2/R^d\)。平衡两者得到
这个启发式计算在二维给出正确预测 \(3/4\)，在三维也异常接近数值结果，但它不是严格证明，并且在高维必须让位于平均场行为。它的价值在于把几何直觉压缩成能量与熵之间的一次平衡。
3. 有多少条路可以走？
固定起点为原点，记 \(c_n\) 为长度 \(n\) 的自回避路径数。在二维方格上，最初几个数是
| \(n\) | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
|---|---|---|---|---|---|---|---|---|---|
| \(c_n\) | 1 | 4 | 12 | 36 | 100 | 284 | 780 | 2172 | 5916 |
把一条 \(n+m\) 步路径在第 \(n\) 步切开，会得到一条 \(n\) 步自回避路径和一条平移后的 \(m\) 步自回避路径，因此
这个次乘性与 FEKETE 引理保证极限
存在。常数 \(\mu\) 称为格点的连通常数（connective constant），它刻画可选路径数的指数增长率。更精细的二维预测是 \(c_n\sim A\mu^n n^{\gamma-1}\)，其中 \(\gamma=43/32\)，但这个指数同样尚未在标准格点上得到严格证明。
4. 计数如何变成临界现象
将所有长度放进同一个生成函数：
因为 \(c_n\) 大约以 \(\mu^n\) 增长，这个级数的收敛半径是 \(z_c=1/\mu\)。参数 \(z\) 可以理解成每一步的活度：当 \(z<z_c\) 时，长路径被抑制；逼近 \(z_c\) 时，任意大的尺度都开始重要，路径的典型长度与空间跨度发散。一个组合计数问题由此获得了统计力学中的临界点。
这一视角也解释了为什么自回避随机游走、\(n\to0\) 极限下的 \(O(n)\) 模型和聚合物临界行为共享同一套指数。路径不再只是路径，而成为一个临界统计系统的几何观测量。
5. 蜂窝格点上的精确常数
连通常数通常没有已知闭式。即使在最熟悉的二维方格上，我们也只有高精度数值估计。一个著名例外是蜂窝格点：1982 年，Bernard NIENHUIS 通过 Coulomb gas 方法预测
2012 年，Hugo DUMINIL-COPIN 与 Stanislav SMIRNOV 严格证明了这个公式。他们构造了带有复相位的准费米可观测量，使不同方向的路径贡献产生精确抵消。这个证明令人着迷之处在于：一个整数计数问题，最终由离散复分析中的局部恒等式解开。
Hugo DUMINIL-COPIN（雨果·迪米尼-科潘）
Stanislav SMIRNOV（斯坦尼斯拉夫·斯米尔诺夫）
6. 平面极限与 SLE\(_{8/3}\)
把格点间距不断缩小，同时把路径放大到可见尺度，离散折线是否会收敛为某条连续随机曲线？二维中最有影响力的猜想是：适当定义的自回避随机游走缩放极限应当是 Schramm–Loewner evolution，参数为 \(\kappa=8/3\)，即 SLE\(_{8/3}\)。
SLE\(_{8/3}\) 的 Hausdorff 维数为
恰好与 \(1/\nu=4/3\) 的二维预测吻合。共形不变性、限制性质和临界指数由此拼成一幅高度一致的图景。然而，截至本文写作时，标准二维自回避随机游走收敛到 SLE\(_{8/3}\) 仍是开放问题。
7. 维度改变了什么
二维：共形几何的猜想世界
\(\nu=3/4\)、\(\gamma=43/32\) 与 SLE\(_{8/3}\) 形成精确预测，但核心缩放极限尚未被证明。
三维：聚合物的现实维度
没有共形映射带来的二维工具，也没有高维弱相交的简化；最精确的信息主要来自大规模数值模拟与重整化群。
高维：回到高斯行为
路径不同部分相遇的机会变小。HARA 与 SLADE 发展的 lace expansion 严格建立了五维及以上的平均场临界行为。
四维正好位于上临界维度：主指数回到 \(\nu=1/2\)，但仍留下对数修正。它像一道分水岭，下面是强烈自排斥塑造的非平凡几何，上面则是自回避逐渐变得不再改变主导尺度。
结语：一条路径的全部记忆
自回避随机游走只有一句定义，却同时包含三个互相拉扯的问题：组合学问“有多少条路径”，概率论问“典型路径长什么样”，统计物理问“尺度变大时哪些特征会留下”。连通常数回答第一层，临界指数描述第二层，缩放极限则试图完成第三层。
最动人的地方，是这些答案并不同步。我们可以严格知道蜂窝格点上的指数增长率，却仍不知道二维典型路径是否真的趋向 SLE\(_{8/3}\)；我们能在高维证明高斯行为，却仍难以驯服最直观的二维和三维。自回避随机游走因此像它自己的轨迹：规则清楚，方向开放，并且每一步都带着此前全部历史。
参考与延伸阅读
- J. M. HAMMERSLEY, Percolation processes II. The connective constant (1957).
- N. MADRAS and A. D. SOKAL, The pivot algorithm: A highly efficient Monte Carlo method for the self-avoiding walk (1988).
- T. HARA and G. SLADE, Self-avoiding walk in five or more dimensions I. The critical behaviour (1992).
- H. DUMINIL-COPIN and S. SMIRNOV, The connective constant of the honeycomb lattice equals \(\sqrt{2+\sqrt2}\) (2012).
- G. F. LAWLER, O. SCHRAMM and W. WERNER, On the scaling limit of planar self-avoiding walk (2004).
- N. CLISBY, Accurate estimate of the critical exponent \(\nu\) for self-avoiding walks (2010).
- N. MADRAS and G. SLADE, The Self-Avoiding Walk (1993).