[论文解读] Multilevel Picard approximation algorithm for semilinear partial integro-differential equations and its complexity analysis

Ariel Neufeld, Sizhou Wu|arXiv (Cornell University)|May 19, 2022

Fractional Differential Equations Solutions被引用 4

一句话总结

本文提出了一种用于求解高维半线性抛物型积分微分方程（PIDEs）的多级Picard（MLP）逼近算法。通过推导黏性解的Feynman-Kac表示，并结合时间离散化与蒙特卡洛采样，该方法在无维度灾难的情况下实现收敛，计算复杂度在维度$d$和逆精度$
$上呈多项式有界。该方法在高达10,000维的情况下通过数值实验得到验证。

ABSTRACT

In this paper we introduce a multilevel Picard approximation algorithm for semilinear parabolic partial integro-differential equations (PIDEs). We prove that the numerical approximation scheme converges to the unique viscosity solution of the PIDE under consideration. To that end, we derive a Feynman-Kac representation for the unique viscosity solution of the semilinear PIDE, extending the classical Feynman-Kac representation for linear PIDEs. Furthermore, we show that the algorithm does not suffer from the curse of dimensionality, i.e. the computational complexity of the algorithm is bounded polynomially in the dimension $d$ and the reciprocal of the prescribed accuracy $\varepsilon$. We also provide a numerical example in up to 10'000 dimensions to demonstrate its applicability.

研究动机与目标

• 开发一种求解高维半线性抛物型PIDEs的数值方法，以克服维度灾难。
• 为所研究PIDE的唯一黏性解建立Feynman-Kac表示。
• 证明多级Picard逼近方法收敛于黏性解。
• 分析算法的计算复杂度，并证明其在维度$d$和精度$
  ^{-1}$上呈多项式增长。
• 通过高达10,000维的数值算例，展示该方法的实际适用性。

提出的方法

• 该方法基于PIDE黏性解的Feynman-Kac表示所导出的多级Picard迭代格式。
• 解表示为包含漂移、扩散和Lévy跳跃分量的跳跃扩散SDE的期望形式。
• 对SDE应用时间离散化，并通过蒙特卡洛采样近似期望。
• 算法采用嵌套结构，每一层通过离散化和采样参数的分层细化逼近。
• 跳跃的补偿积分通过Lévy测度的蒙特卡洛采样近似，采用先前关于线性PIDEs工作的技术。
• 收敛性和复杂度分析依赖于随机不动点论证、Gronwall型不等式以及离散化过程的矩估计。

实验结果

研究问题

• RQ1 能否为半线性PIDEs构造一种避免维度灾难的多级Picard格式？
• RQ2 在系数满足适当的正则性和增长条件时，所提出的算法是否收敛于PIDE的唯一黏性解？
• RQ3 能否为具有非局部（跳跃）项的半线性PIDEs建立Feynman-Kac表示，从而将经典线性情形的结果推广？
• RQ4 该算法的计算复杂度在维度$d$和精度$
  $上的表现如何？
• RQ5 该方法在高维场景（如10,000维）下的表现如何？

主要发现

• 在系数满足较弱正则性和增长条件时，多级Picard算法收敛于半线性PIDE的唯一黏性解。
• 为黏性解推导出一种新颖的Feynman-Kac表示，将经典线性情形的结果推广至含跳跃的半线性PIDEs。
• 该算法的计算复杂度在维度$d$和精度逆$
  ^{-1}$上均呈多项式有界，从而克服了维度灾难。
• 在高达10,000个空间维数的测试算例中，该方法通过数值实验得到验证，证实其在高维场景下的实际可行性。
• 收敛性分析依赖于矩估计和随机不动点论证，对离散化和采样逼近的误差提供了严格界。
• 误差界依赖于维度$d$、时间跨度$T$和跳跃强度，通过参数$M$（跳跃样本数）和$N$（时间步数）实现显式控制。