[論文レビュー] Monte-Carlo Algorithms for Forward Feynman-Kac type representation for semilinear nonconservative Partial Differential Equations

Anthony Le Cavil, Nadia Oudjane+1 more|arXiv (Cornell University)|Sep 13, 2017

Meteorological Phenomena and Simulations参考文献 20被引用数 12

ひとこと要約

本稿では、解 $u$ とその勾配 $\nabla u$ に直接依存する前向きフェインマン＝ハラム型表現を用いて、非保存型半線形放物型PDEを解くための新規モンテカルロ粒子アルゴリズムを提案する。この手法は、カーネル正則化、拡散過程のモンテカルロサンプリング、時間離散化を組み合わせており、正則化パラメータ $\varepsilon$ と粒子数 $N$ の適切なスケーリングのもとで収束を達成する。数値実験により、カーネル密度推定理論に一致する最適なバンド幅スケーリングが確認された。

ABSTRACT

The paper is devoted to the construction of a probabilistic particle algorithm. This is related to nonlin-ear forward Feynman-Kac type equation, which represents the solution of a nonconservative semilinear parabolic Partial Differential Equations (PDE). Illustrations of the efficiency of the algorithm are provided by numerical experiments.

研究の動機と目的

• 半線形非保存型放物型PDEを解くための確率的粒子法を開発すること。非線形性は解 $u$ とその勾配 $\nabla u$ の両方に依存する。
• 従来の前向きフェインマン＝ハラム表現を、$\Lambda = 0$ の保存型ケースに限らないように拡張し、一次の非線形性を含める。
• 解の勾配 $\nabla u$ に依存する非線形性 $\Lambda$ が引き起こす特異性に対処できる数値的に安定なモンテカルロスキームを設計すること。
• 正則化と粒子数の同時スケーリングのもとで、提案されたアルゴリズムの収束を確立し、実用的効率性を検証すること。

提案手法

• 式 (1.4) として、拡散過程 $Y_t$ が確率微分方程式 (SDE) を満たし、$u_t$ が $\Lambda(t, Y_t, u, \nabla u)$ に依存する確率的指数重みを含む測度値方程式として記述される、連立系としての前向き確率的表現を定式化する。
• カーネル正則化を畳み込みにより適用し、経験的測度を滑らかにし、$\nabla u$ 依存性に対処する。$\bar{u}^{\varepsilon,N}_t$ をカーネル密度推定として定義する。
• SDE の時間発展をエーラー法で離散化し、$N$ 個の粒子を用いたモンテカルロサンプリングにより条件付き期待値を近似する。
• 正則化 ($\varepsilon$)、粒子位置 $\bar{\xi}^i_t$ による空間離散化、時間離散化 ($\delta t$) を組み合わせた粒子近似スキーム (3.9) を導入し、定理 3.4 で収束を証明する。
• バンド幅 $\varepsilon$ を持つ滑らか化カーネル $K_\varepsilon$ を用いて経験的測度と勾配推定値を正則化し、安定性と微分可能性を保証する。
• 誤差境界を $\varepsilon$、$N$、$\delta t$ の関数として導出し、$\varepsilon \to 0$、$N \to \infty$、$\delta t \to 0$ かつ $N \sim \varepsilon^{-d-4}$ の条件下で収束を示す。

実験結果

リサーチクエスチョン

• RQ1 半線形非保存型PDEに対して、解 $u$ と勾配 $\nabla u$ に依存する前向きフェインマン＝ハラム表現を構築できるか？
• RQ2 勾配に依存する非線形性を含む場合でも、安定的かつ収束するモンテカルロ粒子スキームをどのように設計できるか？
• RQ3 実用的に $L^1$ 誤差を最小化するための、正則化パラメータ $\varepsilon$ と粒子数 $N$ の最適なトレードオフは何か？
• RQ4 アルゴリズムの収束速度は理論的予測と一致するか、それとも有利な経験的スケーリングによりより良好に動作するか？

主な発見

• 提案された粒子スキーム (3.9) は、$\varepsilon \to 0$、$N \to \infty$、$\delta t \to 0$ の適切なスケーリングのもとで、PDE (1.1) の解に収束する。
• 数値実験により、最適バンド幅 $\varepsilon_{\text{opt}}(N)$ が $N^{-1/(d+4)}$ のスケーリングに従うことが判明し、古典的カーネル密度推定則と一致する。
• 1次元バーガース方程式では、最適スケーリングの勾配は $-0.21$ であり、理論的値 $-1/(1+4) = -0.2$ と一致する。5次元KPZ方程式では、$-0.12$ であり、理論的値 $-1/(5+4) = -0.111$ と一致する。
• 誤差解析により、解とその勾配について、それぞれ $L^1$-誤差が $\mathcal{O}(\sqrt{\delta t}/\varepsilon^{d+1})$ および $\mathcal{O}(\sqrt{\delta t}/\varepsilon^{d+2})$ に比例することが判明した。
• トレードオフ条件 (3.8) は過剰に保守的であることが判明した。実際には、理論的境界よりも良好に動作し、$\varepsilon_{\text{opt}}$ は理論的予測よりもより有利にスケーリングされた。
• 従来のマクレーン型SDEが $\nabla u$ 依存性を含まないのに対し、本手法は勾配に依存する非線形性 $\Lambda$ を効果的に扱うことができた。