[論文レビュー] Non-Markovian Reduced Systems for Stochastic Partial Differential Equations: The Additive Noise Case

Mickaël D. Chekroun, Honghu Liu+1 more|arXiv (Cornell University)|Nov 13, 2013

Probabilistic and Robust Engineering Design参考文献 18被引用数 4

ひとこと要約

本稿では、加法的ノイズを伴う確率的偏微分方程式（SPDE）に対して、非マルコフ型のモデル還元フレームワークを提案する。この手法は、時間歴に依存する解釈可能な大規模モードの履歴を用いて、未解決の小スケールダイナミクスを近似するための確率的パラメータ化多様体（PM）を、後向き・前向き系を用いて導出する。この方法により、ノイズ駆動の遷移や二峰性行動を含むSPDEダイナミクスの高精度なモデル化が可能となり、指数的減衰相関を持つ確率的係数を用いて記憶効果を埋め込むことで実現される。その有効性は、確率的バーガース方程式を用いた検証で示された。

ABSTRACT

This article proposes for stochastic partial differential equations (SPDEs) driven by additive noise, a novel approach for the approximate parameterizations of the ``small'' scales by the ``large'' ones, along with the derivaton of the corresponding reduced systems. This is accomplished by seeking for stochastic parameterizing manifolds (PMs) introduced in a previous work by the authors(*), which are random manifolds aiming to provide --- in a mean square sense --- such approximate parameterizations. Backward-forward systems are designed to give access to such PMs as pullback limits depending through the nonlinear terms on the time-history of the dynamics of the low modes when the latter is simply approximated by its stochastic linear component. It is shown that the corresponding pullback limits can be efficiently determined, leading in turn to an operational procedure for the derivation of non-Markovian reduced systems able to achieve good modeling performances in practice. This is illustrated on a stochastic Burgers-type equation, where it is shown that the corresponding non-Markovian features of these reduced systems play a key role to reach such performances.

研究の動機と目的

• 古典的なスペクトルギャップ条件が成立しない場合に、加法的ノイズによって駆動されるSPDEのための効果的なモデル還元戦略を開発すること。
• 解釈可能な大規模モードの時間歴のみを用いて、未解決の小スケールダイナミクスをどのようにパラメータ化するかという課題に取り組むこと。
• 非線形相互作用から導出される確率的係数を用いて記憶効果を保持する非マルコフ型還元系を構築すること。
• ノイズ駆動の遷移や二峰性行動といった複雑な統計的特徴を再現できるかを示すこと。
• 強いスペクトルギャップや慣性多様体の仮定を必要としない、確率的パラメータ化多様体を導出するための実用的手順を提供すること。

提案手法

• 未解決モードが非線形項を通じて解釈可能な大規模モードの過去に依存する後向き・前向き系のプルバック極限として、確率的パラメータ化多様体（PM）を構築する。
• 解釈可能なダイナミクスは、非線形的フィードバックを保持しつつ統合を簡素化するため、その確率的線形成分で近似される。
• PMは2段階のプロセスで導出される：まず、解釈可能なモードの経路に条件づけた未解決モードの後向き方程式を解き、次に前向き積分により全系を得る。
• 還元されたSDEにおける確率的係数は、低モード間の非線形相互作用から生じ、相関の指数的減衰を示す記憶効果を符号化する。
• 記憶構造は非共鳴条件によって支配され、古典的慣性多様体理論に比べて弱い仮定のもとでPMが定義可能である。
• この手法は、2つの解釈可能なモードのみを用い、高次モードを赤色ノイズと非線形記憶プロセスの組み合わせでモデル化することで、確率的バーガース型方程式に対して数値的に妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 古典的なスペクトルギャップ条件が成立しないSPDEに加法的ノイズが作用する場合、非マルコフ型還元系を効果的に導出できるか？
• RQ2 解釈可能な大規模モードの時間歴のみを用いて、未解決の小スケールダイナミクスをどのように正確にパラメータ化できるか？
• RQ3 指数的減衰相関を持つ確率的係数に符号化された記憶効果が、ノイズ駆動の遷移といった複雑な統計的特徴を捉える上で果たす役割は何か？
• RQ4 記憶効果を有する2モード還元系が、完全なSPDEの粗粒度化された空間時間的フラクチュエーションをどの程度再現できるか？
• RQ5 非マルコフ型系は、平均化（マルコフ型）の対比において、二峰性行動やレア遷移を捉える能力でどの程度優れているか？

主な発見

• 記憶効果を有する非マルコフ型還元系は、完全なSPDEの粗粒度化された空間時間的フラクチュエーションを図2に示すように正確に再現しており、完全な解が二峰性行動を示す場合でさえも同様である。
• 時間平均されたパラメータ化欠陥は顕著に低減されており、PMが未解決モードを解釈可能なモードで平均二乗近似することに有効であることが示された。
• ノイズ駆動の統計的平衡状態間の遷移は、非マルコフ型系により良好に捉えられているが、平均化（マルコフ型）バージョンでは正確に再現されていない。
• 低モードの非線形相互作用から生じる確率的係数に符号化された記憶効果は、特に未解決分散が大きい状態では、ノイズによって駆動される小スケールの励起をモデル化するために不可欠である。
• モード5〜10における未解決分散の割合（$\mathfrak{f}_{5}^{10}$）が大きくなると、モデルの性能が劣化するため、階層的記憶構造を持つ高次のPMの必要性が示された。
• 未解決分散が支配的でない限り、2つの解釈可能なモードのみを用いても、この手法は有効であり、非線形記憶プロセスがノイズ駆動ダイナミクスを適切に捉えている。