[論文レビュー] On stochastic parameterizing manifolds: Pullback characterization and Non-Markovian reduced equations

Mickaël D. Chekroun, Honghu Liu+1 more|arXiv (Cornell University)|Oct 15, 2013

Probabilistic and Robust Engineering Design参考文献 99被引用数 4

ひとこと要約

本稿では、乗法的ノイズを伴うSPDEに対して、プルバックに基づく新しい手法を導入し、記憶効果を履歴依存の確率的係数を通じて捉える非マルコフ型の低次元化された確率的モデルを構築するパラメータ化多様体（PM）を構築する。この手法はスペクトルギャップ条件に依存せず、確率的バーガース型方程式において解のモードの統計的再現性を高める。

ABSTRACT

A general approach to provide approximate parameterizations of the "small" scales by the "large" ones, is developed for stochastic partial differential equations driven by linear multiplicative noise. This is accomplished via the concept of parameterizing manifolds (PMs) that are stochastic manifolds which improve in mean square error the partial knowledge of the full SPDE solution $u$ when compared to the projection of $u$ onto the resolved modes, for a given realization of the noise. Backward-forward systems are designed to give access to such PMs in practice. The key idea consists of representing the modes with high wave numbers (as parameterized by the sought PM) as a pullback limit depending on the time-history of the modes with low wave numbers. The resulting manifolds obtained by such a procedure are not subject to a spectral gap condition such as encountered in the classical theory. Instead, certain PMs can be determined under weaker non-resonance conditions. Non-Markovian stochastic reduced systems are then derived based on such a PM approach. Such reduced systems take the form of SDEs involving random coefficients that convey memory effects via the history of the Wiener process, and arise from the nonlinear interactions between the low modes, embedded in the "noise bath." These random coefficients follow typically non-Gaussian statistics and exhibit an exponential decay of correlations whose rate depends explicitly on gaps arising in the non-resonances conditions. It is shown on a stochastic Burgers-type equation, that such PM-based reduced systems can achieve very good performance in reproducing statistical features of the SPDE dynamics projected onto the resolved modes, such as the autocorrelations and probability functions of the corresponding modes amplitude.

研究の動機と目的

• 乗法的ノイズによって駆動されるSPDEにおける小スケールモードのパラメータ化手法を開発し、古典的手法を改善すること。
• SPDEの有効な低次元化モデルを構築する際に、スペクトルギャップ条件を必要としないようにすること。
• ウィーナ過程の履歴を介して記憶効果を組み込む非マルコフ型の低次元化された確率的力学系を導出すること。
• パラメータ化多様体を、低モードの履歴に依存する高波数モードのプルバック極限として特徴付けること。
• 完全なSPDEのダイナミクスの主要な統計的特徴を再現できるかどうかを、確率的バーガース型方程式上で検証すること。

提案手法

• パラメータ化多様体（PM）を、解のモードへの射影に対する全SPDE解の近似における平均二乗誤差を最小化する確率的多様体として定義する。
• 高波数モードを、低波数モードの時間履歴に依存するプルバック極限として表す後向き-前向き系を用いてPMを構築する。
• プルバック定式化により、スペクトルギャップ条件に依存せず、弱い非共鳴条件に依存する。
• 非線形的相互作用によって生じる低モードからの記憶効果を符号化した、確率的係数を有する低次元化された確率微分方程式（SDE）を導出する。
• 確率的係数を、非ガウス分布に従い、相関が指数関数的に減衰する過程としてモデル化し、その減衰率は非共鳴ギャップに依存する。
• 数値的に、確率的バーガース型方程式上でこの手法を実装し、低次元化システムの統計的整合性をテストする。

実験結果

リサーチクエスチョン

• RQ1 スペクトルギャップを要件としないで、乗法的ノイズを伴うSPDEに対してパラメータ化多様体を構築できるか？
• RQ2 低次元化されたSPDEモデルにおける記憶効果は、解のモード内での非線形的相互作用を通じて体系的に捉えられるか？
• RQ3 得られた非マルコフ型の低次元化システムの統計的精度は、完全なSPDEの動作を解のモードでどれほど正確に再現できるか？
• RQ4 非共鳴条件は、パラメータ化多様体の構造と安定性にどのように影響するか？
• RQ5 低次元化SDEにおける確率的係数は、非ガウス的統計と記憶の減衰パターンをどの程度示すか？

主な発見

• スペクトルギャップを要件としないプルバックに基づくパラメータ化多様体の構築により、古典的手法が失敗する領域にも適用可能である。
• 得られた低次元化システムは非マルコフ型であり、ウィーナ過程の履歴に依存する確率的係数を有し、非線形的相互作用に起因する記憶効果を捉えている。
• 低次元化SDEにおける確率的係数は非ガウス分布に従い、相関が指数関数的に減衰するが、その減衰率は非共鳴ギャップによって明示的に決定される。
• 確率的バーガース型方程式において、PMに基づく低次元化モデルは、解のモード振幅の自己相関関数や確率密度関数といった主要な統計的特徴を正確に再現している。
• スペクトルギャップが存在しない状況においても、単純な射影に基づく近似より顕著な平均二乗誤差の低減を達成している。
• 後向き-前向き系により、時間履歴の依存関係を活用してPMの実用的計算が可能となり、数値的実装が可能である。