[论文解读] Convergence of Random Batch Method for interacting particles with disparate species and weights

Shi Jin, Lei Li+1 more|arXiv (Cornell University)|Mar 25, 2020

Markov Chains and Monte Carlo Methods参考文献 42被引用 6

一句话总结

该论文建立了针对具有不同种类和权重的粒子系统的随机批次方法（RBM）的收敛性，证明了强误差为 $O(\sqrt{\tau})$ 阶，弱误差为 $O(\tau)$ 阶，且两者在 $N$ 上一致。该分析通过引入加权误差平均和改进的辅助引理，将先前针对不可区分粒子的结果推广至非交换性系统。

ABSTRACT

We consider in this work the convergence of Random Batch Method proposed in our previous work [Jin et al., J. Comput. Phys., 400(1), 2020] for interacting particles to the case of disparate species and weights. We show that the strong error is of $O(\sqrtτ)$ while the weak error is of $O(τ)$ where $τ$ is the time step between two random divisions of batches. Both types of convergence are uniform in $N$, the number of particles. The proof of strong convergence follows closely the proof in [Jin et al., J. Comput. Phys., 400(1), 2020] for indistinguishable particles, but there are still some differences: since there is no exchangeability now, we have to use a certain weighted average of the errors; some refined auxiliary lemmas have to be proved compared with our previous work. To show that the weak convergence of empirical measure is uniform in $N$, certain sharp estimates for the derivatives of the backward equations have been used. The weak convergence analysis is also illustrating for the convergence of Random Batch Method for $N$-body Liouville equations.

研究动机与目标

• 将随机批次方法（RBM）的收敛性分析从不可区分粒子扩展至具有不同种类和权重的系统。
• 建立在粒子数 $N$ 上一致的强收敛率和弱收敛率。
• 通过引入加权误差平均技术，克服因权重/多物种系统中缺乏交换性带来的困难。
• 推导后向方程导数的精确估计，以确保经验测度的弱收敛性在 $N$ 上一致。
• 通过弱收敛性分析，展示RBM在 $N$-体Liouville方程中的适用性。

提出的方法

• 在每个时间步 $\tau$ 将粒子分组为随机批次，仅在批次内部发生相互作用，从而适配RBM框架。
• 使用误差的加权平均以处理因物种和权重不同而导致的非交换性粒子。
• 采用后向Kolmogorov方程方法分析弱收敛性，需对解的导数施加精确估计。
• 对后向方程的导数估计应用Grönwall不等式，以在 $N$ 上一致地控制误差增长。
• 推导高阶导数（$\nabla_{x_i}u$，$\nabla_{x_i}\nabla_{x_j}u$ 等）的递推估计，表明其衰减为 $O(1/N^k)$ 阶（$k$ 阶导数）。
• 使用张量记号和缩写约定，以管理后向方程生成元中复杂的导数表达式。

实验结果

研究问题

• RQ1 对于具有不同权重和种类的相互作用粒子，随机批次方法的强收敛率是什么？
• RQ2 在具有异质粒子的 $N$-粒子系统中，经验测度的弱收敛行为如何？
• RQ3 在非交换性粒子存在的情况下，能否使强误差和弱误差的收敛分析在 $N$ 上一致？
• RQ4 为确保弱收敛性在 $N$ 上一致，对后向方程的导数需要哪些精细估计？
• RQ5 该方法如何推广至 $N$-体Liouville方程？

主要发现

• 即使在非交换性粒子（具有不同权重和种类）的情况下，随机批次方法的强误差仍为 $O(\sqrt{\tau})$ 阶，且在 $N$ 上一致。
• 弱误差为 $O(\tau)$ 阶，且该收敛性在 $N$ 上一致，这对均场极限的一致性至关重要。
• 强收敛性证明需要使用误差的加权平均，这是由于缺乏交换性，与不可区分粒子情形不同。
• 推导出后向方程导数的精确估计，表明 $\|\nabla_{x_i}u\|_{\infty} = O(1/N)$ 且 $\|\nabla_{x_i}\nabla_{x_j}u\|_{\infty} = O(1/N^2)$（$i \neq j$），这对弱收敛性至关重要。
• 后向方程解的高阶导数以 $O(1/N^k)$ 阶衰减（$k$ 阶导数），支持了收敛性的一致性。
• 弱收敛性分析为RBM在 $N$-体Liouville方程中的收敛性提供了理论基础，扩展了其理论有效性。