パラメータ設定
プリセット
歩行タイプ
このツールが見せるもの
原点から出発した多数のウォーカーが各ステップで独立にランダムな向きへ進みます。雲のように広がる軌跡、⟨r²⟩ ∝ N の直線、そして終点分布がガウス分布へ収束する様子（中心極限定理）が同時に観察できます。
リアルタイム・ランダムウォーク（残像つき軌跡）
ウォーカー軌跡
原点
中心の白十字＝出発点（原点）。
平均二乗変位 ⟨r²⟩ vs ステップ数 N
実測 ⟨r²⟩
理論 a²·N（線形拡散則）
⟨r²⟩ ∝ N（拡散）：直線の傾き＝a²。
終点 x の分布 → ガウス（中心極限定理）
終点xヒストグラム
ガウスフィット
終点分布→ガウス（多数の独立ステップの和）。
理論・主要公式
各ステップが独立で平均0・分散一定なら、2Dの平均二乗変位はステップ数に比例して増えます：
$$\langle r^2(N)\rangle = N\,a^2 = 4Dt$$
ここで $a$ はステップ長、$D$ は拡散係数で $D=a^2/(4\,\Delta t)$。ログ-ログプロットでは傾き1の直線になり、これが通常拡散の指紋です。各成分の分散は $\langle x^2\rangle = N a^2/2$ となり、終点分布は多数の独立ステップの和なので中心極限定理によりガウス分布に収束します。原点回帰は2Dでは確率1（Pólyaの定理）。
検証例：a=4、N=200 → ⟨r²⟩≈Na²=3200。傾き⟨r²⟩/N≈a²=16に収束します。
2Dランダムウォークとは
🙋
ランダムウォークって、ただ酔っぱらいがフラフラ歩くだけのモデルですよね？これが何の役に立つんですか？
🎓
大まかに言うと、不規則な動きを理解するための「ものさし」なんだ。例えば、細胞内で栄養分子がどう拡散するか、株価の変動、昆虫の餌探しの動きまで、幅広く応用されているよ。このシミュレーターで「歩行タイプ」を「格子」から「連続」に変えてみると、動きの滑らかさが大きく異なるのがわかる。
🙋
なるほど。でも、グラフにある「平均二乗変位（MSD）」って何を見てるんですか？
🎓
MSDは、粒子が平均的にどれだけ遠くまで広がったかを数値化したものだ。実務では、実験で計測した粒子の動きから拡散の速さ（拡散係数）を求めるのに使うことが多いね。シミュレーター右側のプロットを見て。⟨r²⟩はステップ数Nに比例して直線的に増える——これが拡散の指紋だ。測定した傾き⟨r²⟩/Nがステップ長の2乗（a²）に一致するのを確かめてみよう。
🙋
なるほど！その下の「終点xの分布」のグラフは何を表しているんですか？
🎓
それぞれのウォーカーの最終位置（x座標）のヒストグラムだよ。1歩1歩はランダムでも、多数の独立なステップを足し合わせると、終点の分布はきれいな釣鐘型——ガウス分布に近づく。これが「中心極限定理」だ。ウォーカー数を増やして再生すると、黄色いガウスフィット曲線にぴたりと重なっていくのが見える。標準偏差σは√(N·a²/2)で予測できるよ。
よくある質問
ウォーカー数を増やすとMSDの統計的ばらつきが減り、理論曲線に近づきます。ステップ数を増やすと長時間の拡散挙動を観察でき、ノイズが平滑化されますが、計算負荷が上がるため、目的に応じて調整してください。
格子は固定長の直交方向のみ移動し、通常拡散を示します。ガウスは連続的なランダムな方向と距離でブラウン運動を模倣します。レヴィフライトは稀に長距離ジャンプを含み、超拡散（MSDが時間の2乗以上に比例）を再現します。
初期の過渡領域ではウォーカーの位置が原点付近に集中するため、MSDが理論直線から外れることがあります。また、レヴィフライトでは長距離ジャンプの頻度が低いと、統計的に不安定になり曲線がギザギザになる場合があります。
生体内の分子拡散、生態系での動物の探索行動、金融市場の価格変動など、ランダムな移動パターンの解析に利用できます。特にレヴィフライトは、効率的な探索戦略のモデルとしてロボット経路計画にも応用されています。
実世界での応用
生物物理学・生態学：細胞内でのタンパク質やmRNAの拡散、微生物や動物の採餌行動の分析に使われます。レヴィフライトは効率的な探索戦略として注目されています。
材料科学：多孔質材料内でのガスや液体の浸透・拡散過程のモデル化。不規則な構造の中での粒子の動きを予測するのにランダムウォークが応用されます。
金融工学：株価や為替レートの変動をモデル化する基礎として使われます。特に、大きな価格変動（ジャンプ）を含むモデルではレヴィフライトが参考にされます。
高分子科学：ポリマー鎖の構造や動的特性を、鎖を構成するモノマーのランダムウォークの集合体として統計的に理解するアプローチがあります。
よくある誤解と注意点
まず、「拡散係数Dは粒子の種類だけで決まる定数」と思いがちですが、それは誤解です。 例えば、同じ分子でも、水の中と油の中では拡散の速さは全く異なります。このシミュレーターで「歩行タイプ」を「連続角度」にし、「ステップ長」のスライダーを動かしてみてください。粒子の動きの「活発さ」が変わりますよね？本ツールでは拡散係数は D=a²/(4Δt)（aはステップ長）に対応し、実際の拡散係数が「環境（粘性など）」と「温度」に強く依存することを意味しています。実務では、シミュレーションで使うDの値を実験値や文献値から正しく設定することが第一歩です。
次に、MSDのグラフを1回の実行で判断しないこと。 特にウォーカー数が少ない場合、MSDのプロットはかなりばらつきます。「格子」歩行でウォーカー数1で実行すると、MSDが綺麗な直線にならないことが確認できるはずです。これは統計的なゆらぎです。信頼性のある結果を得るには、十分な数のウォーカー（例えば100以上）でシミュレーションを走らせ、平均を取る必要があります。
最後に、終点分布がガウスに見えるには十分なステップ数が必要です。 中心極限定理は「多数の独立な確率変数の和」が正規分布に近づくことを保証しますが、ステップ数Nが小さいうちは、特に格子歩行で離散的な凹凸が残ります。Nを増やしていくと、終点xのヒストグラムが黄色いガウスフィット曲線に滑らかに重なっていくのが観察できます。実現象への適用時は、観測時間が十分長く「拡散領域」に入っているかを確認するプロセスが不可欠です。
