分支隨機漫步（branching random walk）

若分支的個體不只被計數，還被定位在空間中，而每個子代相對親代有位移，會如何？分支隨機漫步（BRW）為高爾頓-沃森樹添上幾何：每個粒子在實數線上有位置，繁殖時其子代被放在「親代位置加上獨立隨機位移」之處。核心問題變為空間性的：最左（或最右）的粒子走得多遠，粒子雲又擴散得多快？

從位於 0 的一個粒子開始。每一步，每個粒子死去並被子代取代，其位移（每個子代一個）取自實數線上一個固定的點過程 L；故位於 x 且有 k 個子女的粒子，產生位於 x + d_1, ..., x + d_k 的粒子，其中 (d_1, ..., d_k) 是 L 的一個實現。關鍵的分析對象是平均點過程的對數拉普拉斯變換 Lambda(theta) = log E[ sum_i e^(theta d_i) ]，其勒讓德型結構經由大偏差機制主宰空間擴散。標誌性結果（Hammersley、Kingman、Biggins）是最小值的速度：最左粒子 M_n 在存活時滿足 M_n / n -> gamma 幾乎必然，其中 gamma = - inf_(theta > 0) Lambda(theta)/theta 是極端前緣的漸近速度。Biggins 定理把此精確化，並辨明可加鞅 W_n(theta) = sum_(粒子) e^(theta x_i - n Lambda(theta)) 收斂到非平凡極限的區制（又是一個 x log x 條件）。更細緻地，前緣 M_n 有一個對數修正：M_n = gamma n + c log n + O(1)，且中心化的最小值收斂到一個隨機平移的 Gumbel 分布——這是分支布朗運動極值結果的離散空間類比。

重要性：BRW 是前緣傳播、強相關系統極值統計的離散原型，也是涵蓋分支布朗運動、有向聚合物、離散高斯自由場、以及（猜想上）Riemann zeta 函數在臨界線上之極大值的普適類。速度 gamma 是一個乾淨的大偏差計算，但誠實的微妙處在於：樸素的線性預測 gamma n 在二階是錯的——log n 修正（Bramson 平移）與隨機 Gumbel 極限是真實、困難的結果，需要脊柱／導數鞅的機制。且一如既往，可加鞅唯有在適當的可積性下才非退化——速度與鞅收斂是不同的定理，具有不同（部分重疊）的假設。