[论文解读] Large deviations for slow-fast stochastic partial differential equations

Wei WangA, J. Roberts+1 more|arXiv (Cornell University)|Jan 26, 2010

Stochastic processes and financial applications参考文献 45被引用 3

一句话总结

本文为具有耦合组分的慢-快随机偏微分方程（SPDEs）建立了大偏差原理（LDP）。证明了慢分量的速率函数与平均方程加上小高斯波动的速率函数等价，证实了在小噪声和快速尺度分离条件下，平均动力学结合随机偏差作为近似方法的有效性。

ABSTRACT

A large deviation principle is derived for stochastic partial differential equations with slow-fast components. The result shows that the rate function is exactly that of the averaged equation plus the fluctuating deviation which is a stochastic partial differential equation with small Gaussian perturbation. This also confirms the effectiveness of the approximation of the averaged equation plus the fluctuating deviation to the slow-fast stochastic partial differential equations.

研究动机与目标

• 推导具有耦合随机与确定性组分的慢-快SPDEs的大偏差原理（LDP）。
• 确认通过平均方程加小高斯波动来近似慢分量的有效性。
• 分析小噪声条件下多尺度SPDEs中的亚稳态与罕见事件概率。
• 将Freidlin–Wentzell理论扩展至具有双重时间尺度的无限维耦合SPDE系统。
• 为在复杂随机系统建模中使用带波动偏差的平均SPDE提供严格依据。

提出的方法

• 推导一类耦合SPDEs的大偏差原理，其中包含慢分量 $ u^\epsilon $ 和快分量 $ v^\epsilon $，且 $ \epsilon \to 0 $。
• 利用辅助系统与压缩原理，将原系统的LDP与带小高斯噪声的扰动平均SPDE的LDP联系起来。
• 应用指数紧致性估计以处理SPDE的无限维性质，并确保LDP的收敛性。
• 采用基于鞅的近似方法，表明偏差 $ u^\epsilon - u $ 渐近等价于 $ \sqrt{\epsilon} z(t) $，其中 $ z(t) $ 为高斯过程。
• 通过多尺度方法与随机平均法构造慢分量与快分量的显式近似，包括高阶修正项。
• 通过一个接近Pitchfork分岔的随机反应-扩散SPDE的详细实例，验证LDP近似的有效性。

实验结果

研究问题

• RQ1 慢-快SPDEs的大偏差原理是否可简化为平均方程加小高斯扰动的形式？
• RQ2 在小噪声与快速尺度分离条件下，通过平均动力学加随机偏差近似慢分量的准确性如何？
• RQ3 尽管存在非自治变换，是否仍可通过辅助系统与压缩原理推导原系统的LDP？
• RQ4 快分量的遍历性与噪声强度在塑造慢分量速率函数方面起什么作用？
• RQ5 振幅动力学中的高阶修正如何影响原系统与平均系统之间的对应关系？

主要发现

• 慢分量 $ u^\epsilon $ 的速率函数与带小高斯扰动的平均SPDE的速率函数完全一致，证实了LDP结构的正确性。
• 偏差 $ u^\epsilon(t) - u(t) $ 渐近近似为 $ \sqrt{\epsilon} z(t) $，其中 $ z(t) $ 为高斯过程，验证了波动项的合理性。
• 通过在辅助系统上应用指数紧致性与压缩原理，推导出原系统的LDP，克服了非自治快动力学带来的问题。
• 由LDP-平均SPDE导出的超慢流形动力学与原系统在 $ \mathcal{O}(\epsilon) $ 误差范围内一致，证实了结构一致性。
• 在接近随机Pitchfork分岔的实例中，LDP-平均系统以 $ \mathcal{O}(\epsilon) $ 精度再现了正确的振幅演化，包括卷积项与噪声项。
• 原系统与平均系统之间的对应关系强于弱收敛，体现在振幅方程中卷积结构完全一致。