[论文解读] Analysis of a micro-macro acceleration method with minimum relative entropy moment matching

Tony Lelièvre, Giovanni Samaey+1 more|arXiv (Cornell University)|Jan 5, 2018

Fluid Dynamics and Turbulent Flows参考文献 54被引用 4

一句话总结

本文研究了一种针对具有时间尺度分离的刚性随机微分方程的微观-宏观加速方法，利用最小相对熵匹配微观状态与外推的宏观变量。该方法通过最小化先验分布与匹配分布之间的Kullback-Leibler散度，确保数值稳定性和弱收敛性，且在推导时间步长和宏观变量数量方面具有严格的误差界。

ABSTRACT

We analyse convergence of a micro-macro acceleration method for the Monte Carlo simulation of stochastic differential equations with time-scale separation between the (fast) evolution of individual trajectories and the (slow) evolution of the macroscopic function of interest. We consider a class of methods, presented in [Debrabant, K., Samaey, G., Zieli\\'nski, P. A micro-macro acceleration method for the Monte Carlo simulation of stochastic differential equations. SINUM, 55 (2017) no. 6, 2745-2786], that performs short bursts of path simulations, combined with the extrapolation of a few macroscopic state variables forward in time. After extrapolation, a new microscopic state is then constructed, consistent with the extrapolated variable and minimising the perturbation caused by the extrapolation. In the present paper, we study a specific method in which this perturbation is minimised in a relative entropy sense. We discuss why relative entropy is a useful metric, both from a theoretical and practical point of view, and rigorously study local errors and numerical stability of the resulting method as a function of the extrapolation time step and the number of macroscopic state variables. Using these results, we discuss convergence to the full microscopic dynamics, in the limit when the extrapolation time step tends to zero and the number of macroscopic state variables tends to infinity.

研究动机与目标

• 开发一种针对具有快速微观动力学和慢速宏观可观测量的多尺度随机微分方程的稳定且精确的微观-宏观加速方法。
• 通过相对熵最小化作为正则化推理过程，解决将微观状态匹配到外推宏观变量时的不适定性问题。
• 严格分析局部误差与数值稳定性随外推时间步长和宏观变量数量的变化关系。
• 在时间步长趋于零且宏观变量数量趋于无穷的极限下，建立该方法收敛于真实微观动力学的理论结果。
• 证明在多尺度模拟中，相对熵作为分布匹配的理论与实践均合理的度量具有充分依据。

提出的方法

• 该方法通过使用时间步长为 δt 的短时微观模拟，估算 L 个可观测量 E[R_l(X_t)] 的宏观时间导数。
• 利用估计的导数，以外推时间步长 Δt ≫ δt 将宏观状态变量 m_l 外推至未来。
• 通过最小化相对熵 I(ν||μ) 构建新的微观分布 ν，其中 μ 是上一时刻微观状态的先验分布，且满足矩约束 E[R_l(X)] = m_l。
• 通过指数族参数化求解最小化问题 (1.3)，得到涉及对数分区函数 A(λ, μ) 的拉格朗日乘子形式。
• 将匹配步骤解释为在概率测度空间中基于相对熵的投影，确保对先验分布的扰动最小。
• 理论分析依赖于拉格朗日乘子及其对宏观状态和先验测度依赖关系的连续性与有界性。

实验结果

研究问题

• RQ1 相对熵最小化策略如何影响微观-宏观加速方法的稳定性和局部误差？
• RQ2 数值误差对外推时间步长 Δt 和宏观变量数量 L 的依赖关系如何？
• RQ3 在何种条件下，当 Δt → 0 且 L → ∞ 时，微观-宏观方法收敛于真实微观动力学？
• RQ4 为何在此背景下，相对熵是将微观状态匹配到宏观约束的合适度量？
• RQ5 匹配过程对先验测度和外推宏观状态的扰动敏感性如何？

主要发现

• 当外推时间步长 Δt 减小时，方法的局部误差减小，收敛速率取决于底层动力学的光滑性。
• 在拉格朗日乘子和对数分区函数的黑塞矩阵有界且连续的假设下，数值稳定性得以保证。
• 从先验测度和宏观状态到匹配分布的映射在总变差范数下连续，确保对输入扰动的鲁棒性。
• 对数分区函数的黑塞矩阵的逆在紧集上一致有界，确保优化问题的适定性。
• 相对熵最小化框架确保匹配分布 ν 是在与外推宏观状态一致的前提下，对先验 μ 的最小信息扰动。
• 在 Δt → 0 且 L → ∞ 的极限下，该方法弱收敛于真实微观动力学，证明了其在长时间模拟中的相容性。