Processus systématique de modification de paramètres, d'observables ou de fonctionnelles d'un modèle pour éliminer des divergences ou des quantités mal définies et produire des quantités effectives finies et dépendantes de l'échelle, en introduisant typiquement une régularisation, en soustrayant les parties divergentes (contre-termes) et en définissant des paramètres renormalisés.

Principe

Les divergences révèlent une sensibilité à une structure d'échelle fine ou grossière négligée ; la renormalisation sépare les pièces singulières dépendantes de l'échelle des observables finies, redéfinit des paramètres pour absorber les infinis et suit comment les descriptions effectives changent avec l'échelle (flux du groupe de renormalisation).

Démonstration

En calculs de théorie quantique des champs, une intégrale de boucle divergente est régularisée (coupure, régularisation dimensionnelle), un contre-terme annule le pôle, et les constantes de couplage physiques sont définies à une échelle μ ; l'évolution du couplage avec μ découle alors de l'équation du groupe de renormalisation.

Mauvaise application

Soustraire des divergences de manière ad hoc sans spécifier de schéma ou d'échelle de renormalisation, ou supposer que la renormalisation supprime toute sensibilité à la physique des petites échelles plutôt que de la réexprimer en paramètres effectifs dépendants de l'échelle ; ou confondre régularisation et résolution du modèle mal posé.

Conséquence

La renormalisation fournit des grandeurs prédictives finies, clarifie quels paramètres sont mesurables, produit des équations de flux codant les classes d'universalité, et permet de construire des théories effectives valables à des échelles données tout en contrôlant les erreurs liées aux échelles omises.

Inversion

Laisser les divergences sans traitement (suppression naïve de la coupure) ou se fier uniquement à des manipulations formelles ignorant la dépendance d'échelle conduit à des prédictions mal définies ; inversement, des régularisations finies exactes sans redéfinition de paramètres peuvent altérer le contenu du modèle au lieu d'en extraire le comportement effectif.

Limite

S'applique quand les contributions divergentes peuvent être isolées et absorbées par la redéfinition d'un nombre fini de paramètres (cas renormalisables) ou traitées au sens d'une théorie effective ; elle n'est pas applicable lorsque les divergences sont essentielles à la formulation du modèle ou ne se rapportent pas à des décalages de paramètres.

Tension sémantique

Il existe une tension entre la renormalisation vue comme procédure pragmatique de soustraction-plus-redéfinition et comme processus limite mathématiquement rigoureux : les choix de schéma et d'échelle introduisent des artefacts, et distinguer prédictions physiques et quantités dépendantes du schéma est central.

Synthèse

La renormalisation est l'extraction disciplinée d'observables finies et conscientes de l'échelle à partir de modèles divergents : régulariser pour révéler la structure singulière, absorber les parties singulières dans des paramètres redéfinis, et étudier la dépendance d'échelle qui en résulte pour obtenir des descriptions effectives prédictives et universelles.