[论文解读] Diffusion with Stochastic Resetting

M. R. Evans, Satya N. Majumdar|SPIRE - Sciences Po Institutional REpository|Feb 14, 2011

Diffusion and Search Dynamics被引用 50

一句话总结

本文研究一维扩散过程中的随机重置，其中粒子以速率 r 随机返回初始位置。研究表明，重置诱导出非高斯、具有电流的非平衡稳态，并使到达目标的平均首达时间变为有限值且可被最优地最小化，同时显著改变多个搜索者下目标的存活概率——导致根据初始条件和重置速率不同，表现出不同的幂律（平均）和指数（典型）衰减行为。

ABSTRACT

We study simple diffusion where a particle stochastically resets to its initial position at a constant rate r. A finite resetting rate leads to a nonequilibrium stationary state with non-Gaussian fluctuations for the particle position. We also show that the mean time to find a stationary target by a diffusive searcher is finite and has a minimum value at an optimal resetting rate r^*. Resetting also alters fundamentally the late time decay of the survival probability of a stationary target when there are multiple searchers: while the typical survival probability decays exponentially with time, the average decays as a power law with an exponent depending continuously on the density of searchers.

研究动机与目标

• 研究随机重置对简单扩散的影响，特别是目标搜索效率方面的影响。
• 确定重置如何改变扩散粒子的首达时间分布及其稳态。
• 分析单个或多个具有重置的扩散粒子搜索静止目标时的存活概率。
• 比较存在重置时的平均（annealed）与典型（quenched）存活行为，尤其在罕见事件和无序背景下的表现。
• 将分析扩展至高维空间，并探讨位置依赖重置速率等推广形式。

提出的方法

• 建立关于概率密度 $ p(x,t|x_0) $ 的主方程，包含重置项 $ -r p(x,t|x_0) + r \δ(x-x_0) $，以建模从所有位置的损失和在初始位置的增益。
• 推导出稳态分布 $ p_{\text{st}}(x|x_0) = \frac{\alpha_0}{2} \exp(-\alpha_0 |x - x_0|) $，其中 $ \alpha_0 = \sqrt{r/D} $，表明由于重置导致非高斯、尖点状分布。
• 利用更新理论与拉普拉斯变换计算位于原点的目标的存活概率 $ Q(x,t) $，求解带有吸收项的相应福克-普朗克方程。
• 应用平均（annealed）与典型（quenched）平均方法，计算多个搜索者情况下的平均与典型存活概率：分别为 $ P_s^{\text{av}}(t) \sim t^{-2\rho(D/r)^{1/2}} $ 与 $ P_s^{\text{typ}}(t) \sim \exp(-c \rho (Dr)^{1/2} t) $。
• 计算单个搜索者到达原点目标的平均首达时间，证明其为有限值且在最优重置速率 $ r^* $ 处取得最小值，该值可被解析推导。
• 通过修正贝塞尔函数 $ K_\nu $ 将结果推广至 d 维空间，稳态分布为 $ p_{\text{st}}(\vec{x}|\vec{x}_0) \propto (\alpha_0 |\vec{x}-\vec{x}_0|)^\nu K_\nu(\alpha_0 |\vec{x}-\vec{x}_0|) $。

实验结果

研究问题

• RQ1 在一维情况下，随机重置如何影响扩散粒子的稳态分布？
• RQ2 使平均首达时间最小化的最优重置速率 $ r^* $ 是什么？
• RQ3 当由单个或多个扩散粒子进行搜索时，重置如何改变目标的存活概率？
• RQ4 为何在重置条件下，平均（annealed）与典型（quenched）存活概率表现出不同的渐近衰减行为？
• RQ5 这些结果能否推广至高维空间，以及推广至非泊松过程重置或非扩散型搜索策略？

主要发现

• 在随机重置下，稳态分布为非高斯分布，在初始位置 $ x_0 $ 处呈现尖点，表达式为 $ p_{\text{st}}(x|x_0) = \frac{\alpha_0}{2} \exp(-\alpha_0 |x - x_0|) $，其中 $ \alpha_0 = \sqrt{r/D} $，表明系统处于非平衡稳态。
• 目标位于原点时，平均首达时间为有限值，并在非平凡的最优重置速率 $ r^* $ 处取得最小值，其解析表达式为 $ r^* = \frac{1}{4} \left( \frac{D}{x_0^2} \right) $，表明重置可提升搜索效率。
• 对于单个搜索者，存活概率呈指数衰减，衰减速率与 $ r $ 有关，与无重置时的拉伸指数衰减形成对比。
• 对于具有均匀密度 $ \rho $ 的多个搜索者，平均（annealed）存活概率按幂律衰减：$ P_s^{\text{av}}(t) \sim t^{-2\rho(D/r)^{1/2}} $，其指数可通过 $ \rho $ 和 $ r $ 连续调节。
• 典型（quenched）存活概率按指数形式衰减：$ P_s^{\text{typ}}(t) \sim \exp(-t \rho (Dr)^{1/2} 8(1 - \ln 2)) $，反映出初始条件记忆的持久性。
• 在高维空间中，稳态分布推广为 $ p_{\text{st}}(\vec{x}|\vec{x}_0) \propto (\alpha_0 |\vec{x}-\vec{x}_0|)^\nu K_\nu(\alpha_0 |\vec{x}-\vec{x}_0|) $，其中 $ \nu = 1 - d/2 $，并导出了球形目标平均首达时间的闭式表达式。