[论文解读] Limit theorems for infinite-dimensional piecewise deterministic Markov processes. Applications to stochastic excitable membrane models

Martin Riedler, Michèle Thieullen+1 more|arXiv (Cornell University)|Dec 17, 2011

Gene Regulatory Network Analysis参考文献 15被引用 4

一句话总结

本文建立了在分離可分希爾伯特空間中無限維分段確定性馬爾可夫過程（PDMPs）的極限定理，推導出大數定律與鞅中心極限定理，從而實現透過隨機偏微分方程（SPDEs）進行嚴謹的朗之萬近似。主要貢獻在於為神經元動力學等可興奮膜的隨機混合模型提供理論基礎，使其可透過捕捉宏觀行為與內部隨機性的SPDE進行近似。

ABSTRACT

We present limit theorems for a sequence of Piecewise Deterministic Markov Processes (PDMPs) taking values in a separable Hilbert space. This class of processes provides a rigorous framework for stochastic spatial models in which discrete random events are globally coupled with continuous space-dependent variables solving partial differential equations, e.g., stochastic hybrid models of excitable membranes. We derive a law of large numbers which establishes a connection to deterministic macroscopic models and a martingale central limit theorem which connects the stochastic fluctuations to diffusion processes. As a prerequisite we carry out a thorough discussion of Hilbert space valued martingales associated to the PDMPs. Furthermore, these limit theorems provide the basis for a general Langevin approximation to PDMPs, i.e., stochastic partial differential equations that are expected to be similar in their dynamics to PDMPs. We apply these results to compartmental-type models of spatially extended excitable membranes. Ultimately this yields a system of stochastic partial differential equations which models the internal noise of a biological excitable membrane based on a theoretical derivation from exact stochastic hybrid models.

研究动机与目标

• 建立希爾伯特空間值PDMP的流體極限與擴散近似之嚴謹數學框架。
• 解決將經典流體極限定理擴展至具連續空間依存性的無限維狀態空間之挑戰。
• 為神經科學中隨機混合模型之朗之萬型SPDE近似提供理論基礎。
• 分析可興奮膜的分區模型在適當縮放下收斂至決定性與隨機PDE極限之過程。
• 嚴謹處理PDMP半鞅分解所產生之希爾伯特空間值鞅。

提出的方法

• 在分離可分希爾伯特空間中形式化一組完全耦合的PDMP序列，其中跳變大小隨 $ n \to \infty $ 減小，跳變頻率增加，對應於流體極限定 regime。
• 將每個PDMP分解為有限變動與局部鞅成分，專注於鞅部分以進行中心極限定理分析。
• 透過證明PDMP收斂至希爾伯特空間中抽象演化方程的解，建立弱大數定律。
• 在坐標函數與跳變特徵之假設下，證明希爾伯特空間值鞅的中心極限定理。
• 推導中心化與縮放後之鞅之極限為隨機偏微分方程（SPDE），從而得到原PDMP的朗之萬近似。
• 將此框架應用於可興奮膜的分區模型，顯示在流體極限下收斂至霍奇金-赫克斯利模型，而在擴散極限下收斂至帶噪聲的SPDE。

实验结果

研究问题

• RQ1 如何以抽象演化方程描述無限維PDMP序列之流體極限？
• RQ2 何種條件可確保希爾伯特空間值PDMP之鞅成分收斂至擴散過程？
• RQ3 能否嚴謹推導出朗之萬型SPDE，作為可興奮膜隨機混合模型之近似？
• RQ4 PDMP中的跳變速率與跳變大小如何影響無限維度下中心極限定理所需的縮放？
• RQ5 在適當縮放極限下，可興奮膜的分區模型在多大程度上收斂至決定性與隨機PDE？

主要发现

• 大數定律表明PDMP序列在均值意義下收斂至希爾伯特空間中抽象演化方程的解，代表決定性的宏觀極限。
• 鞅中心極限定理確保中心化與縮放後之鞅成分弱收斂至樣本路徑屬於 $ L^2 $ 的連續局部鞅，從而實現擴散近似。
• 證明了鞅成分之極限滿足隨機偏微分方程（SPDE），提供原PDMP之嚴謹朗之萬近似。
• 對於可興奮膜的分區模型，當離子通道數量增加且單個通道效應減小時，流體極限恢復決定性的霍奇金-赫克斯利模型。
• SPDE近似能捕捉膜電位與閘門變數中的內部隨機性，提供一個具可處理性的隨機模型，同時保留底層混合跳變-擴散過程的動態特性。
• 證明了鞅成分之二次變動收斂，從而完成無限維設定下中心極限定理的嚴謹論證。