[论文解读] Conditioning two diffusion processes with respect to their first-encounter properties

Alain Mazzolo, Cécile Monthus|arXiv (Cornell University)|Mar 7, 2022

Advanced Thermodynamics and Statistical Mechanics参考文献 123被引用 7

一句话总结

该论文提出了一套框架，通过相对熵优化，对两个独立的扩散过程进行条件化处理，以调控其首次相遇的特性（如湮灭时间与位置）。该框架推导了布朗运动、Ornstein-Uhlenbeck过程及tanh-漂移过程的条件化漂移，使得通过修改后的Fokker-Planck动力学与2.5级随机控制理论，能够生成满足特定首次相遇约束的随机轨迹。

ABSTRACT

We consider two independent identical diffusion processes that annihilate upon meeting in order to study their conditioning with respect to their first-encounter properties. For the case of finite horizon $T<+\infty$, the maximum conditioning consists in imposing the probability $P^*(x,y,T ) $ that the two particles are surviving at positions $x$ and $y$ at time $T$, as well as the probability $\gamma^*(z,t) $ of annihilation at position $z$ at the intermediate times $t \in [0,T]$. The adaptation to various conditioning constraints that are less-detailed than these full distributions is analyzed via the optimization of the appropriate relative entropy with respect to the unconditioned processes. For the case of infinite horizon $T =+\infty$, the maximum conditioning consists in imposing the first-encounter probability $\gamma^*(z,t) $ at position $z$ at all finite times $t \in [0,+\infty[$, whose normalization $[1- S^*(\infty )]$ determines the conditioned probability $S^*(\infty ) \in [0,1]$ of forever-survival. This general framework is then applied to the explicit cases where the unconditioned processes are respectively two Brownian motions, two Ornstein-Uhlenbeck processes, or two tanh-drift processes, in order to generate stochastic trajectories satisfying various types of conditioning constraints. Finally, the link with the stochastic control theory is described via the optimization of the dynamical large deviations at Level 2.5 in the presence of the conditioning constraints that one wishes to impose.

研究动机与目标

• 开发一个通用框架，用于对两个独立扩散过程进行条件化处理，以调控其首次相遇动力学，包括湮灭时间与空间分布。
• 将Doob的条件化方法与Schrödinger桥形式化推广至具有相遇时吸收特性的系统，利用首次相遇统计的完整或部分信息。
• 在有限与无限时间范围内，推导特定过程（布朗运动、Ornstein-Uhlenbeck、tanh-漂移）的显式条件化漂移。
• 通过在2.5级动力学大偏差优化中进行优化，建立条件化框架与随机控制之间的联系。
• 通过引入有效漂移的修改后SDE，实现满足预设首次相遇约束的样本路径生成。

提出的方法

• 将条件化概率表示为无条件传播子与函数Q(x, y, t)的乘积，其中Q(x, y, t)编码了条件化约束。
• 通过关系式µ∗(x, y, t) = µ(x) + 2D(x)∂x ln Q(x, y, t)推导条件化漂移，从而构建条件化过程的新SDE。
• 应用相对熵最小化以处理细节较少的条件化约束，如湮灭时间或位置的边缘分布。
• 同时考虑有限时域（T < ∞）与无限时域（T = ∞）情形，后者涉及存活概率S∗(∞) ∈ [0, 1]。
• 利用Fokker-Planck前向与后向方程，从无条件过程推导条件化过程的动力学。
• 通过在2.5级优化动力学大偏差率函数，建立条件化框架与随机控制之间的联系。

实验结果

研究问题

• RQ1 如何对两个独立的扩散过程进行条件化，使其首次相遇时间与位置服从预设的联合分布？
• RQ2 为生成与给定首次相遇分布一致的样本路径，必须对两个过程施加何种有效漂移？
• RQ3 条件化框架如何从首次相遇分布的完整指定，扩展至通过相对熵最小化处理的细节较少的约束？
• RQ4 在首次相遇条件化下，布朗运动、Ornstein-Uhlenbeck过程及tanh-漂移过程的条件化漂移的显式形式为何？
• RQ5 条件化框架如何与随机控制及2.5级动力学大偏差相联系？

主要发现

• 在有限时域T下，最大条件化要求在时间T的存活联合分布P∗(x, y, T)与中间时间t ∈ [0, T]的湮灭率γ∗(z, t)完全指定。
• 在无限时域下，条件化在所有有限时间t处固定首次相遇率γ∗(z, t)，而存活概率S∗(∞) ∈ [0, 1]由归一化确定。
• 布朗运动的条件化漂移为µ∗_X = (x−y) + (z∗−x)/(T∗−t)，Y过程同理，显示出朝向目标湮灭点的时变反时漂移。
• 对于Ornstein-Uhlenbeck过程，条件化漂移包含一个均值回归项−kx，以及涉及sinh[k(T∗−t)]与目标位置z∗的时变修正项。
• tanh-漂移过程的条件化漂移与布朗运动相同，表明仅凭漂移结构无法完全决定条件化行为。
• 该框架成功通过在2.5级优化动力学大偏差率函数，将条件化与随机控制相联系，为条件化动力学提供了变分原理。