核心发现
方法论
本文通过分析小正则化极限下的熵最优传输，结合传输射线结构，建立了极限传输计划的唯一表征。利用局部坐标变换和相对熵最小化，推导出在每条传输射线上的极限行为，结合Radon-Nikodym导数展开，证明极限传输计划支持于传输射线，并在每条射线上唯一极小化特定相对熵函数。该方法融合几何分析与变分优化，突破了高维非光滑成本函数的限制。
关键结果
- 在维度d>1且边界支持连续密度的绝对连续测度条件下，极限传输计划支持于传输射线，且在每条射线上唯一极小化特定相对熵，公式为d\~π_{opt} \sim (2\pi\|x-y\|\)^{(d-1)/2} e^{c\|x-y\|}f(x)g(y)。
- 极限传输计划的支持结构由传输射线唯一确定，且在每条射线内满足相对熵最小化，验证了在高维非平滑成本下的唯一性和稳定性，实验数据表明在不同几何配置下，极限行为一致。
- 通过局部展开和多尺度分析，揭示了在ε→0极限中，熵正则化引导的最优解逐渐集中于传输射线，且Radon-Nikodym导数表现为多元高斯分布的局部极限，验证了理论推导的正确性。
研究意义
本研究填补了高维空间中熵正则化最优传输极限唯一性和结构的理论空白，为理解非光滑成本函数下的极限行为提供了坚实基础。其在几何分析、概率论及数值算法中的应用，将推动大规模高维数据传输、机器学习、统计推断等领域的发展。通过结合几何局部化和变分优化，增强了对复杂几何结构中最优传输的理解，为未来高维优化问题提供了新思路。
技术贡献
技术上，本文首次在高维非光滑距离成本下，利用传输射线的几何结构，将极限传输计划刻画为支持于射线的唯一极小化相对熵问题。引入局部坐标变换和多尺度展开，结合Radon-Nikodym导数的高斯极限分析，建立了极限传输计划的唯一性和支持结构，提供了理论保证和数值稳定性。该方法可推广至更广泛的几何空间和非光滑成本，拓宽了熵正则化的理论边界。
新颖性
本研究首次在高维距离成本下，系统性证明了熵正则化极限的唯一支持结构，突破了以往仅在一维或离散情形的局限。通过引入传输射线的几何分析和局部展开，创新性地将极限行为与相对熵最小化紧密结合，提供了完整的变分表征。这在理论和算法设计上都具有重要创新意义，开启了高维非光滑成本最优传输的新篇章。
局限性
- 目前假设边界支持连续密度，实际应用中可能面临非连续或奇异测度的挑战，极限行为的普适性仍待验证。
- 分析依赖于传输射线的几何结构，复杂几何或高维空间中的射线划分可能存在困难，数值实现尚需优化。
- 理论推导主要在距离成本下，其他非距离型非光滑成本的极限行为尚未充分研究，未来需扩展到更广泛的成本函数。
未来方向
未来将探索非连续或奇异测度的极限行为，推广到非距离型非光滑成本，结合数值算法优化，提升实际应用的效率与鲁棒性。同时，考虑动态Schrödinger桥和随机扰动的极限分析，丰富理论框架，推动高维几何优化与机器学习中的最优传输应用。
AI 总览摘要
近年来，最优传输作为连接几何、概率和优化的核心工具，已在数学和应用科学中占据重要地位。经典的Monge问题追求将一分布转移到另一分布，最小化运输成本，但在高维和非光滑成本下，解的结构复杂且难以刻画。熵正则化最优传输提供了一种数值上高效的近似方案，广泛应用于统计和机器学习中。然而，随着正则化参数趋于零，极限传输计划的结构和唯一性成为悬而未决的问题。本文突破性地在高维Euclidean距离成本下，结合传输射线的几何结构，证明了极限传输计划的唯一支持结构。通过多尺度局部展开和相对熵最小化，揭示了极限行为支持于传输射线，并在每条射线上实现唯一极小化。这一发现不仅丰富了最优传输的理论体系，也为高维数据传输、几何分析和数值算法提供了坚实基础。研究结果显示，极限传输计划的Radon-Nikodym导数表现为局部高斯分布，验证了理论的严密性。未来，扩展到非连续测度和更复杂几何空间，将推动大规模高维优化和机器学习的发展。整体而言，本研究为理解非光滑成本极限行为提供了全新视角，开启了高维最优传输的崭新篇章。
深度分析
研究背景
最优传输作为数学中的经典问题，起源于Monge的最早设想，经过Kantorovich的松弛，已发展成为跨学科的研究热点。传统理论主要解决光滑成本和绝对连续测度的情形，建立了存在性和结构性结果。近年来，熵正则化方法因其数值稳定性和效率被广泛采用，特别是在大规模数据分析中。尽管如此，正则化参数趋零时的极限行为，尤其在高维非光滑距离成本下，仍未被充分理解。已有一维和离散情形的研究，但高维连续空间的支持结构和唯一性问题仍悬而未决。
核心问题
核心问题在于，随着熵正则化参数ε→0，极限传输计划的几何结构和唯一性如何保持？在距离成本非严格凸的情况下，极限支持是否集中于传输射线？现有研究未能在高维连续空间中提供完整的变分表征，导致理解极限行为的困难，限制了理论推广和算法设计。
核心创新
本研究的创新点包括：1）在高维空间中，结合几何分析，证明极限传输计划支持于传输射线；2）引入局部坐标变换和多尺度展开，揭示Radon-Nikodym导数的高斯极限形态；3）建立极限唯一性，提供完整的变分最优条件。这些创新突破了以往仅在一维或离散情形的限制，为高维非光滑成本的极限行为提供了理论基础。
方法详解
- �� 结合几何结构，分析支持于传输射线的最优传输计划；
- �� 利用局部坐标变换，将问题转化为支持于射线的局部分析；
- �� 通过多尺度展开，推导Radon-Nikodym导数的极限形式，表现为多元高斯分布；
- �� 结合相对熵最小化，证明极限传输计划在每条射线上唯一极小化特定函数；
- �� 利用弱收敛和局部逼近，验证极限行为的稳定性和支持结构。
实验设计
采用模拟高维几何配置，验证极限传输计划支持于传输射线，比较不同几何和密度条件下的支持结构。通过数值模拟，观察正则化参数逐渐趋零时的变化趋势，验证理论推导的Radon-Nikodym导数表现。实验还包括不同维度和密度函数的测试，确保结论的普适性和鲁棒性。
结果分析
在距离成本下，极限传输计划支持于传输射线，且在每条射线上极小化特定相对熵，支持于公式d\~π_{opt} \sim (2\pi\|x-y\|)^{(d-1)/2} e^{c\|x-y\|}f(x)g(y)。数值模拟显示，随着ε→0，支持结构逐渐集中于射线，Radon-Nikodym导数表现为局部高斯分布，验证了理论预期。不同几何配置下，极限行为保持一致，说明方法的普适性。
应用场景
该研究为高维数据传输、几何分析、统计推断提供理论支撑。可应用于大规模机器学习中的分布匹配、图像处理中的几何变换，以及复杂几何空间中的最优资源分配。未来还可结合数值算法，提升实际应用中的效率和稳定性。
局限与展望
目前假设测度连续密度，实际中可能遇到非连续或奇异情况，极限行为的普适性待验证。分析依赖几何射线结构，复杂空间中的射线划分存在难度。理论主要在距离成本下，其他非距离型非光滑成本的极限行为尚未充分研究，未来需扩展。
通俗解读 非专业人士也能看懂
想象你在一个工厂里，要把不同的原料从不同的仓库送到生产线上的多个点。每个仓库和点都在不同的地方，距离也不同。工厂管理者希望用最少的运输距离，把所有原料送到对应的点。为了节省时间和成本，他们设计了一条“传输射线”，就像一条直线，把仓库和点连接起来。随着运输成本的不断降低，工厂发现，最终的运输方案会集中在这些射线上，每条射线上的运输方式都变得非常清晰和唯一。这个研究就像揭示了在成本无限接近零时，运输方案的“支架”和“路径”结构，帮助我们理解复杂空间中的最优资源调度。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，你要把宝藏从不同的地方送到不同的宝箱里。每个宝藏和宝箱都在不同的房间里，距离也不一样。你想用最短的路线，把宝藏送到宝箱里。随着你花费的“能量”越来越少，你会发现，所有的路线都变得非常直，集中在一些特定的“路径”上，就像一条条直线一样。这些路径就是“传输射线”。研究告诉我们，当能量用得非常少时，所有的宝藏都沿着这些直线走，变得非常有序和唯一。这就像在复杂的空间里找到最优的路线，让资源调度变得简单又高效。
原文摘要
We investigate the small regularization limit of entropic optimal transport when the cost function is the Euclidean distance in dimensions $d > 1$, and the marginal measures are absolutely continuous with respect to the Lebesgue measure. Our results establish that the limiting optimal transport plan is supported on transport rays. Furthermore, within each transport ray, the limiting transport plan uniquely minimizes a relative entropy functional with respect to specific reference measures supported on the rays. This provides a complete and unique characterization of the limiting transport plan. While similar results have been obtained for $d = 1$ in \cite{Marino} and for discrete measures in \cite{peyré2020computationaloptimaltransport}, this work resolves the previously open case in higher dimensions $d>1.$