[论文解读] Average and deviation for slow-fast stochastic partial differential equations

W.Wang, A. J. Roberts|ArXiv.org|Apr 9, 2009

Stochastic processes and financial applications参考文献 5被引用 4

一句话总结

该论文为慢-快随机偏微分方程（SPDEs）提出了一种平均化原理，无需对慢分量施加Lipschitz连续性要求。它建立了在概率意义下的收敛速率$\mathcal{O}(\epsilon^{1/2})$，并证明原始系统与平均化系统之间的偏差由一个高斯过程所支配，从而实现了比以往$\mathcal{O}(\sqrt{\epsilon})$结果更精确的$\mathcal{O}(\epsilon)$误差近似。

ABSTRACT

Averaging is an important method to extract effective macroscopic dynamics from complex systems with slow modes and fast modes. This article derives an averaged equation for a class of stochastic partial differential equations without any Lipschitz assumption on the slow modes. The rate of convergence in probability is obtained as a byproduct. Importantly, the deviation between the original equation and the averaged equation is also studied. A martingale approach proves that the deviation is described by a Gaussian process. This gives an approximation to errors of $\mathcal{O}(\e)$ instead of $\mathcal{O}(\sqrt{\e})$ attained in previous averaging.

研究动机与目标

• 为一类不假设慢动力学Lipschitz连续性的慢-快SPDE推导出平均化方程。
• 在原始系统与平均化系统之间建立概率收敛速率，证明$\mathcal{O}(\epsilon^{1/2})$的界。
• 将原始SPDE与其平均化对应物之间的偏差表征为高斯过程。
• 通过引入偏差过程，将误差近似从$\mathcal{O}(\sqrt{\epsilon})$改进为$\mathcal{O}(\epsilon)$。
• 通过随机FitzHugh–Nagumo系统验证理论，显示模拟波动与预测偏差动力学一致。

提出的方法

• 采用鞅方法分析原始SPDE与平均化SPDE之间的偏差过程。
• 在H1–H4假设下应用平均化原理，包括对非线性项的弱增长和耗散性条件。
• 通过将快分量的不变测度$\mu_u$积分来推导平均化方程，定义$\bar{f}(u) = \int f(u,v) \mu_u(dv)$。
• 通过概率界建立收敛性：$\mathbb{P}\left(\sup_{0\leq t\leq T}|u^\epsilon(t)-u(t)| \leq C^\kappa_T \epsilon^{1/2}\right) > 1 - \kappa$。
• 将偏差$z = (u^\epsilon - u)/\sqrt{\epsilon}$建模为由柱状Wiener过程驱动的线性SPDE的解，证明其收敛于一个高斯过程。
• 在随机FitzHugh–Nagumo SPDE上进行数值验证，比较平均化模型与偏差模型在方差缩放和分岔行为上的表现。

实验结果

研究问题

• RQ1 当慢分量缺乏Lipschitz连续性时，能否为慢-快SPDE严格推导出平均化方程？
• RQ2 在放宽正则性假设的条件下，原始SPDE与其平均化对应物之间的概率收敛速率是多少？
• RQ3 原始SPDE与平均化SPDE之间的偏差应如何表征？它是否能改进误差近似？
• RQ4 偏差过程是否服从高斯分布？能否通过随机PDE进行建模？
• RQ5 与确定性平均化方程相比，引入偏差过程在多大程度上提升了预测精度？

主要发现

• 原始SPDE与平均化SPDE之间的收敛速率被证明为在概率意义下为$\mathcal{O}(\epsilon^{1/2})$，其中$\mathbb{P}\left(\sup_{0\leq t\leq T}|u^\epsilon(t)-u(t)| \leq C^\kappa_T \epsilon^{1/2}\right) > 1 - \kappa$。
• 偏差$(u^\epsilon(t) - u(t)) / \sqrt{\epsilon}$依分布收敛于一个高斯过程，从而提供了$\mathcal{O}(\epsilon)$的误差近似。
• 平均化方程在不依赖慢分量Lipschitz连续性假设的条件下被推导出来，扩展了以往需要此类假设的研究结果。
• FitzHugh–Nagumo SPDE的数值模拟显示，偏差SPDE能准确捕捉$u^\epsilon$的方差缩放，模拟标准差$0.065\sqrt{\epsilon}$与预测值$0.066\sqrt{\epsilon}$一致。
• 平均化方程预测在$L = \pi / 2^{5/4} \approx 1.3209$处发生分岔，该预测被原始系统的数值模拟所证实。
• 当$\sigma_1 = 0$时，平均化解保持为零，但$u^\epsilon$的动力学完全由偏差SPDE驱动，该模型正确地描述了观测到的随机波动。